Das Potenzial von KI lässt sich durch eine ingenieurwissenschaftliche Denkweise erschließen. Dazu muss die bestehende fachliche Expertise mit KI-Wissen kombinieren werden. Erst dann lässt sich eine Roadmap für einen konkreten, langfristigen Nutzen erstellen.

Zwei Jahre nach dem Boom der generativen KI fragen sich manche Anwender und Unternehmen, ob der Glanz langsam nachlässt. Im April 2024 nannte Axios die generative KI eine »Lösung auf der Suche nach einem Problem« [1]. Einen Monat später ergab eine Gartner-Umfrage in den USA, Großbritannien und Deutschland, dass etwa die Hälfte aller Befragten Schwierigkeiten hatte, den organisatorischen Wert von KI einzuschätzen – und dass, obwohl generative Lösungen die häufigste Einsatzform sind [2]. Gleichzeitig hielten Apple und Meta Berichten zufolge werden wichtige KI-Funktionen in Europa aufgrund von Bedenken hinsichtlich der Einhaltung von Vorschriften zurück [3] [4].

In Anbetracht der regulatorischen Hürden und der Frage nach dem ROI ist es verlockend zu fragen, ob generative KI sich als eine neue Spielerei der Tech-Industrie entpuppen könnte – mehr NFT als Netflix. Aber das Problem ist nicht die Technologie, sondern die Denkweise. Ein alternativer Ansatz ist daher notwendig.

Doch nicht alle KI sind gleich.Unternehmen, die einfach auf den KI-Zug aufspringen, haben somit ein Problem. Dies gilt insbesondere bei generativen Anwendungsfällen. Praktiker sind nur dann in der Lage das Potenzial von KI – einschließlich generativer Anwendungen – zu erschließen, wenn sie eine ingenieurwissenschaftliche Denkweise in den Vordergrund stellen. Sie müssen ihre bestehende fachliche Expertise mit KI-Wissen kombinieren. Erst dann lässt sich eine Roadmap für einen konkreten, langfristigen Nutzen erstellen.

Nicht alle KI sind gleich. Grob unterteilt sich Enterprise KI in generative und analytische Anwendungen. Generative KI hat in letzter Zeit viel Aufmerksamkeit erhalten. Dies hängt mit der Fähigkeit zusammen, schriftliche Inhalte, Computer-Code, realistische Bilder und sogar Videos als Reaktion auf Anweisungen – sogenannten Prompts – von Anwendern zu erstellen. Für Analysen wird KI hingegen bereits längere Zeit kommerziell genutzt. Dies ist auch die Art künstlicher Intelligenz, die Unternehmen einsetzen, um ihre Geschäftsabläufe zu unterstützen. Damit lassen sich Trends erkennen und Entscheidungen auf Basis großer Datenbestände treffen.

Analytische und generative KI können sich natürlich überschneiden, denn innerhalb eines Stacks gibt es eine Vielzahl integrierter Anwendungen. Dazu gehören beispielsweise generative Lösungen am Frontend, die »herkömmliche« KI-gestützte Datenanalysen nutzen, um Fragen zu beantworten. Dennoch sind die beiden Seiten grundlegend verschieden. Analytische KI hilft Mitarbeitern bei der Arbeit – sie ist reaktiv. Generative KI hilft Unternehmen und Angestellten bei der Erstellung und ist proaktiv.

Viele Stakeholder übersehen diese Zweiteilung, die aber enorm wichtig ist, um den Wert von KI zu zu definieren. KI-gestützte Analysen haben ihren ROI längst bewiesen. Die Ergebnisse – von der Kundensegmentierung über die vorausschauende Wartung bis hin zur Optimierung der Lieferkette – führen zu einem deutlichen Mehrwert.

Bei generativer KI sieht die Sache anders aus. Es gibt viele Experimente und Investitionen, aber nicht unbedingt einen entsprechenden Output. Die Ingenieure eines Unternehmens könnten beispielsweise 30 Prozent effektiver arbeiten, wenn sie ein generatives KI-Tool nutzen, um Code zu schreiben. Wenn dies allerdings nicht zu kürzeren Produktvermarktungszyklen oder höheren Net-Promoter-Scores führt, ist es schwierig, einen echten Mehrwert zu ermitteln. Führungskräfte müssen die Wertschöpfungskette in ihre modularen Komponenten zerlegen und sich entsprechend schwierige Fragen stellen, um generative Anwendungsfälle zu identifizieren, die einen Mehrwert bieten.

Das Mitläufer-Problem. Das ROI-Problem für generative KI ist ebenso ein Mitläuferproblem: Viele Stakeholder denken bei der Suche nach einer KI-Lösung nur an eine generative Implementierung. Führungskräfte versuchen, KI – und insbesondere generative Lösungen – auf Probleme anzuwenden, die sie gar nicht haben. Sie erfinden Anwendungsfälle, nur um KI zu implementieren. Dies geschicht oftmals auf Drängen des Vorstands, der nicht den Anschluss verlieren möchte.

Es ist an der Zeit, sich eine Übersicht zu verschaffen, für welche Anwendungsszenarien künstliche Intelligenz implementiert werden soll. Führungskräfte sollten daher zwei Dinge im Kopf behalten.

Erstens ist es wichtig, die Anwendungsfälle zu trennen. Ist der Wunsch nach einer generativen Lösung am besten durch eine analytische Lösung zu erfüllen, entweder ganz oder teilweise? Oftmals benötigt ein Unternehmen nur eine eine KI-Lösung. Im Finanzsektor kann dies beispielsweise eine Lösung für die Betrugserkennung oder das Risiko-management sein. Sie würden dafür keine GPT nutzen, die es in den neuesten Prompt-Assistenten verwandelt.

Zweitens ist es ebenso wichtig, KI nur dort zu integrieren, wo sie sinnvoll ist. Sie sollte akute Probleme adressieren, durch deren Lösung Unternehmen einen Mehrwert erzielen. Andernfalls handelt es sich um eine Lösung ohne Problem.

Fachexpertise ist der Schlüssel. Skeptiker, die die Nuancen der KI schätzen, können sich für einen pragmatischen Ansatz entscheiden. Dieser bietet Unternehmen einen Mehrwert, indem er eine ingenieurmäßige Perspektive einnimmt. Das größte Problem bei KI – egal, ob generativ oder analytisch – ist das mangelnde Verständnis für den Kontext oder die Geschäftsdomäne, in der die Anwender arbeiten.

So können Entwickler zwar einen Code programmieren, aber wenn sie nicht verstehen, wo dieser Code hinpasst, lassen sich Herausforderungen nicht lösen. Eine Analogie: Ein Unternehmen hat vielleicht ein KI-Modell implementiert, aber die Ingenieure wissen es nicht einzusetzen. Die Organisation muss also beträchtliche Ressourcen in die Schulung der Mitarbeiter investieren. Schließlich ist KI dazu da, Herausforderungen zu lösen.

Generative Modelle können einen erheblichen langfristigen Nutzen bringen, wenn sie richtig geplant und implementiert werden. KI kann Code unter Berücksichtigung des Kontexts generieren – Leitplanken, die als Teil einer umfassenderen Investition in Fachwissen erstellt werden. Entwickler verfügen über den Kontext, um die Ergebnisse zu optimieren und zu debuggen. KI kann die Produktivität steigern, die Arbeit der Fachleute erleichtern und, wenn sie klar in die Wertschöpfungskette eingeordnet ist, einen quantifizierbaren ROI erzielen.

Aus diesem Grund ist es wichtig, von Anfang an in dieses Fachwissen zu investieren. Führungskräfte müssen dies in jeden KI-Investitionsplan integrieren, wenn sie nützliche, langfristige Ergebnisse erzielen wollen. Wird die Tiefe zugunsten der Geschwindigkeit geopfert, kann dies zu uneinheitlichen Lösungen führen, die letztlich nicht oder nur für kurze Zeit hilfreich sind. Wer KI langfristig einsetzen möchte, muss den Kontext von Grund auf aufbauen.

Ein Fahrplan für Disziplin. Der Weg zu wertorientierter KI beginnt für Führungskräfte damit, sich die richtige Frage zu stellen: Welches Problem in meinem Unternehmen muss ich wirklich mit KI lösen? Disziplinierte Praktiker bringen eine technische Denkweise mit, die die richtigen Fragen stellt. Darüber hinaus berücksichtigen sie tiefer gehende Probleme und suchen nach gezielten Lösungen. Richtig implementiert, steigert analytische oder generative KI die Effektivität eines Teams. Sie nimmt der Gruppe die alltäglichen, langweiligen Teile seiner Aufgaben ab. Die generative Intelligenz muss jedoch über angemessene Richtlinien und branchenspezifische Schulungen verfügen, damit die Implementierungen nicht aus dem Ruder laufen.

Auf diese Weise wird die generative KI nicht den Weg des Metaversums gehen. Die oberflächlichen Anwendungsszenarien von KI können zu einem tatsächlichen Mehrwert für Unternehmen führen. Firmen müssen allerdings entsprechende Ressourcen investieren, um einen Kontext aufzubauen. Andernfalls werden sie auf mehreren Ebenen scheitern. Dazu gehören zusätzliche Rechen-, Speicher- und Netzwerkkosten, bei denen sie letztlich erkennen, dass dies in Kombination mit KI keine erkennbaren Kosteneinsparungen oder Umsatzsteigerungen erzielten.

Dieser alternative Ansatz kann Ingenieuren mit einer entsprechenden Denkweise und Expertise Vorteile bringen. Ein pragmatischer Ansatz für KI beginnt damit, die richtigen Fragen zu stellen und in entsprechendes Fachwissen zu investieren. Am Ende stehen gezielte Lösungen, die einen quantifizierbaren, langfristigen Nutzen bringen.

Jayajyoti Sengupta,
Chief Sales Officer and
Head of Growth Markets,
Virtusa

[1] https://www.axios.com/2024/04/24/generative-ai-why-future-uses

[2] https://www.gartner.com/en/newsroom/press-releases/2024-05-07-gartner-survey-finds-generative-ai-is-now-the-most-frequently-deployed-ai-solution-in-organizations

[3] https://www.axios.com/2024/07/18/tech-giants-eu-regulation-withholding-products

[4] https://www.axios.com/2022/04/04/eu-digital-markets-act-big-tech

Illustration: © Qqibb, GenAI | Dreamstime.com

6413 Artikel zu „KI Nutzen“

News | Digitalisierung | Effizienz | Künstliche Intelligenz | Strategien | Whitepaper

In zwei Jahren werden 85 Prozent der Softwareentwickler generative KI nutzen

10. Juli 2024

Drei von fünf Unternehmen international erachten die Unterstützung innovativer Arbeit als größten Benefit von generativer KI für die Softwareentwicklung. Softwareentwickler erwarten sich vom Einsatz generativer KI eine effektivere Kommunikation mit den Fachabteilungen. Generative künstliche Intelligenz (generative KI / Gen AI) wird Softwareentwickler in zwei Jahren bei voraussichtlich mehr als 25 Prozent ihrer Arbeit in…

Jayajyoti Sengupta, Chief Sales Officer and Head of Growth Markets, Virtusa