Neueste Forschungen von Capgemini zeigen eine erhebliche Herausforderung in allen Sektoren: die Umwandlung von KI-Prototypen in funktionale Produktionslösungen. Laut Steve Jones, EVP für datengetriebenes Geschäft und Generative AI bei Capgemini, ist diese Verzögerung hauptsächlich auf Probleme wie digitale Grenzen, digitale Mitarbeiter und Daten von geringer Qualität zurückzuführen.
Jones betonte: „Wir haben uns zu sehr an schlechte Daten gewöhnt. Der am weitesten verbreitete Mythos in der IT ist der Glauben, dass wir Datenprobleme im Quellsystem beheben werden. Dies ist eine irreführende Vorstellung, die sich Organisationen immer wieder einreden.“
Er verglich Daten mit Öl und stellte fest, dass Öl verfeinert werden muss, um brauchbar zu sein, während Daten ebenfalls gereinigt und organisiert werden müssen, um effektiv zu sein. Da prognostiziert wird, dass bis 2030 50 % der Geschäftsentscheidungen von KI getroffen werden, insbesondere in autonomen Lieferketten, sind die Risiken uneinheitlicher Daten beträchtlich.
„Digitale Mitarbeiter, die Entscheidungen treffen, sollten nicht auf bereinigte Daten warten müssen; das ist operationell unpraktisch“, bemerkte Jones. „In Szenarien wie autonomen Fahrzeugen oder Lagerhäusern sind schlecht verwaltete Daten einfach inakzeptabel. Organisationen müssen ein Rahmenwerk entwickeln, das nicht nur ihre menschlichen Mitarbeiter, sondern auch die KI, die in ihren Teams operiert, verwaltet.“
Jones wies außerdem darauf hin, dass große Sprachmodelle (LLMs) schlecht abschneiden können, wenn ihnen präzise operative Daten fehlen. Leider haben Unternehmen historisch eine Kluft zwischen ihren Betriebsabläufen und ihren Datenmanagementstrategien geschaffen.
Herausforderungen bei der KI-Einführung angehen
Um diese Lücke zu schließen, benötigen Organisationen ein robustes digitales Betriebsmodell. Dies umfasst die klare Definition der Probleme, die sie digital lösen möchten, die Identifizierung geeigneter Datensätze für Entscheidungsfindungen und die Festlegung, was KI beeinflussen sollte und was nicht.
„Wenn Sie eine leistungsstarke KI einsetzen, um den CO2-Fußabdruck eines Unternehmens ohne Einschränkungen zu reduzieren, könnte sie vorschlagen, die Kernbetriebe des Unternehmens vollständig einzustellen, was keine tragfähige Strategie ist“, erklärte Jones. „Der Schlüssel ist sicherzustellen, dass KI innerhalb vorab definierter Grenzen agiert, die mit den Geschäftszielen in Einklang stehen.“
Organisationen profitieren nicht von einem einzigen KI-System, das alle Abläufe steuert, aufgrund der hohen Risiken. KI-Lösungen müssen auf spezifische Funktionen zugeschnitten sein. Beispielsweise wird ein Inkassobot unter anderen Regeln operieren als ein Verkaufsberaterbot. Viele Organisationen tun sich schwer damit, über Prototypen hinauszukommen, weil sie die Bedeutung eines geschäftsmanagementorientierten Ansatzes für KI übersehen und stattdessen auf eine Technologie hoffen, die alle ihre Probleme löst.
Jones erklärte: „Wir klammern uns an die Vorstellung, dass Technologie allein unsere Probleme lösen wird, aber echte Akzeptanz erfordert das Engagement der Menschen für diese Technologien.“ Für eine effektive KI-Integration müssen Unternehmen detaillierte Modelle definieren, um betriebliche und cybertechnische Risiken zu managen und Verantwortlichkeit sicherzustellen.
Ein Verkaufsberaterbot könnte beispielsweise mit mehreren Sub-Bots zusammenarbeiten, die jeweils ihre eigenen Regeln haben. Ihre gemeinsamen Bemühungen können signifikante Geschäftsergebnisse liefern, aber ohne klare operationale Grenzen steigt das Risiko.
„Effektive Kontrolle und Verantwortlichkeit ermöglichen es uns, Prozesse zu automatisieren, die zuvor unmanageable waren“, sagte Jones. „Dies erfordert einen Fokus auf die Optimierung von Geschäftsmodellen, anstatt KI einfach in bestehende Workflows zu integrieren.“
Organisationsveränderung zur Skalierung von KI betonen
„Wir müssen organisatorische Veränderungen Vorrang vor technologischen Fortschritten einräumen“, betonte Jones. „Während sich die Technologie in Silicon Valley schnell weiterentwickelt, liegt die Hauptproblematik in der Unternehmensakzeptanz und der Anpassung von Modellen.“
Um erfolgreich zu sein, muss die Architektur für KI grundlegend anders sein. Daten sollten digitalen Mitarbeitern leicht zugänglich sein, anstatt im Backend von Anwendungen, wo Transaktionen stattfinden, relegiert zu werden.
Jones schloss: „Die niedrige Übergangsrate von Prototypen zur vollständigen KI-Akzeptanz ergibt sich aus unzureichenden aktuellen Datenstrategien. Digitale Mitarbeiter verlangen ein klar definiertes Betriebsmodell, und die meisten Organisationen sind auf diesen Wandel nicht vorbereitet. Es ist entscheidend, dass Geschäftsleiter—die Technologie möglicherweise nicht vollständig verstehen—KI annehmen, um ihren Erfolg sicherzustellen und sich an eine Welt anzupassen, in der KI die Entscheidungsfindung erheblich beeinflusst.“
Rangliste
