Damit KI-Projekte nicht vorzeitig scheitern

94 Prozent der Unternehmen arbeiten mittlerweile mit künstlicher Intelligenz und maschinellem Lernen, über alle Geschäftsbereiche hinweg; mehr als die Hälfte erwartet, dass die Technologie bis 2025 weit verbreitet sein wird, so eine aktuelle Databricks-Umfrage. Die Befürchtung im Nacken, gerade etwas zu verpassen, verleitet viele jedoch dazu, in Aktionismus zu verfallen. Wer allerdings ein KI-Projekt startet, ohne dafür folgende vier Grundannahmen zu tätigen, wird schnell enttäuscht, weil das Ergebnis nicht den Erwartungen entspricht.

1. Auf den Geschäftszweck konzentrieren

„Was will ich erreichen?“ – diese einfache Frage stellen sich immer noch zu wenige Unternehmen. Zunächst sollte das Problem feststehen, das es zu lösen gilt, erst dann folgt die Frage: Braucht man dafür KI? Oder lässt sich die Aufgabe auch mit dem vorhandenen IT-Instrumentarium bewerkstelligen? KI darf also nicht zum Selbstzweck werden. Auf der anderen Seite stellt man vielleicht fest, dass das zu lösende Problem viel zu komplex ist, um mit KI bewältigt zu werden. Der Branchenhype lässt Künstliche Intelligenz wie Magie erscheinen. Sie ist wohl mächtig und breit einsetzbar, aber eben nicht deswegen auch gleich magisch. Es gilt daher stets, die erreichbaren Projektziele im Auge zu behalten.

2. KI wie jedes IT-Vorhaben behandeln

Künstliche Intelligenz ist noch immer ein IT-Thema und muss auch so angegangen werden. Alle Managementprozesse, die rund um die IT eingerichtet wurden, lassen sich auch für KI nutzen. Und wie jedes IT-Projekt sollte auch die Beschäftigung mit Künstlicher Intelligenz hinsichtlich ihres Return on Investment bewertet werden. Vor jedem Projekt steht also eine Finanzierungsberechnung. Sie hilft, die Betriebskosten im Zusammenhang mit der Einführung eines KI-Modells zu verstehen.

3. Ohne Training und Weiterentwicklung funktioniert es nicht

Woran liegt es, dass viele KI-Experimente im Stadium einmaliger Analysen verbleiben und es nicht in den produktiven Betrieb schaffen? Data Scientics können Monate damit zubringen, ein KI-Modell zu verfeinern. Die Herausforderung besteht aber darin, das Modell im Laufe der Zeit zu pflegen. Es sollte regelmäßig trainiert und automatisch mit genauen Produktionsdaten versorgt werden, wenn sich diese ändern und weiterentwickeln. Auch gilt es, die Qualität der Modelle anhand ständiger Überwachung zu validieren, um auf Verzerrungen aufmerksam zu werden. Künstliche Intelligenz muss als etwas betrachtet werden, das sich über die Zeit stetig vergrößern wird. KPMG hat herausgefunden, dass 60 Prozent der Unternehmen intelligente Automatisierung einsetzen, während nur elf Prozent einen integrierten Lösungsansatz nutzen.

4. IT auf die Geschäftsanforderungen hin abstimmen

Maschinelles Lernen darf nicht nur Teil der Produktionsumgebung sein, sondern sollte zur Erreichung der Unternehmensziele beitragen. Daher ist es wichtig, die Geschäftsanforderungen zu verstehen und sicherzustellen, dass die IT auf sie abgestimmt ist. Wenn das Data-Science-Team über reine Experimente hinausgeht und es KI-Modelle in die Produktion bringt, dann stärkt dies das Vertrauen zwischen ihm und den einzelnen Geschäftseinheiten.

Fazit

Künstliche Intelligenz in der geschäftlichen Praxis zu implementieren, damit stehen viele Unternehmen erst am Anfang. Gerade deshalb braucht es mehr Planung, um sicherzustellen, dass die KI-Strategie auf Nachhaltigkeit ausgelegt ist. Statt sich von Experiment zu Experiment zu hangeln, sollten IT-Teams die vier Grundannahmen beherzigen, wollen sie den Wert ihrer KI-Modelle voll ausschöpfen.