Künstliche Intelligenz: Proof of Concepts erfolgreich skalieren 

Technologische Fortschritte haben Unternehmen an den Punkt gebracht, an dem digitale Prozesse nicht mehr nur eine Option, sondern eine Notwendigkeit sind. Insbesondere der Einsatz von künstlicher Intelligenz spielt für Unternehmen eine zentrale Rolle, da er Flexibilität und Effizienz in der Skalierung der Prozesse maßgeblich unterstützt.

Eine kürzlich veröffentlichte Studie zum aktuellen Stimmungsbild der Unternehmen rund um das Thema “Cloud Computing” hebt nochmal deutlich hervor, wie Unternehmensvertreter Technologien bewerten und in welche Bereiche sie in den kommenden Jahren vermehrt investieren wollen. Wenig verwundern dürfte es, dass die Anzahl der Befragten, die KI als zentrales Investitions-und Transformation Thema ansehen, in 2024 nochmal gestiegen ist.

Laut der Studie, durchgeführt vom Analystenhaus techConsult, gaben 56% an, dass KI für sie hohe strategische Relevanz im Unternehmen hat, dicht gefolgt von Cloud Computing mit 47%. Die beiden Themen sind demnach eng verwoben. 

KI ebnet den Weg für eine schnellere Entwicklung und Bereitstellung digitaler Produkte und ein nahtloses Kundenerlebnis und diese Erkenntnis hat es nun auch in die Chefetagen geschafft. 

Diese Umstellung ist zwingend notwendig, da Kunden zum einen immer bessere digitale Kundenerlebnisse erwarten und zum anderen der zunehmende Fachkräftemangel immer mehr Unternehmen zum Umdenken zwingt. Die internen Kostenstrukturen müssen effizient optimiert werden, während gleichzeitig das Service-Level für die Kunden erhöht wird. KI kann hier Abhilfe schaffen. 

Immer mehr Unternehmen gehen daher dazu über, insbesondere im Bereich der Künstlichen Intelligenz einzelne Prozesse und Anwendungen in einen Proof of Concept (PoC) zu überführen, um deren Machbarkeit und Effizienzgewinn zu validieren.

Obwohl der Einsatz von künstlicher Intelligenz enormes Potential birgt, scheitert die überwiegende Anzahl von PoCs nach ihrer Durchführung und schafft es nicht in die Produktion. 

7 Gründe warum KI Proof of Concepts scheitern

Doch woran liegt das und wie lässt sich das ändern? Im Wesentlichen lassen sich sieben Kernaspekte identifizieren, die zum Scheitern eines KI Proof of Concepts führen:

1. Unrealistische Erwartungshaltung

Messbare, verwertbare Ergebnisse werden sofort erwartet, ohne dabei zu berücksichtigen, dass das Erheben und Verarbeiten von qualitativ hochwertigen Daten Zeit in Anspruch nimmt.

Daher ist es ratsam, mögliche Business Cases zu Beginn zu identifizieren und vielversprechende PoCs sorgsam von denen zu unterscheiden, die nur im „Innovationslabor“ eine gute Figur machen. Fragen wie: „Wie viel Zeit möchte ich für dieses Projekt aufwenden?, Wieviel Budget plane ich dafür ein?, Habe ich die nötigen technischen Ressourcen und das benötigte Know-How dazu im Haus? Benötige ich externe Beratung?“ etc. sollten vorab geklärt sein, um böse Überraschungen am Ende zu vermeiden.

2. Unzureichende Datengrundlage

Einer der häufigsten Gründe, um direkt zu Beginn zu scheitern, ist das Fehlen von ausreichend hochwertigen, segmentierten und gelabelten Daten zum Training des KI-Modells. Datenschätze verharren in den Silos der Abteilungen und kommen nie zur Wirkung. 

Während für ein PoC in der Regel nur ein Teilset an Daten benötigt wird, um seine Machbarkeit zu validieren und bereits auf einem einzelnen Phyton Notebook funktionieren kann, bedarf es bei der Skalierung dessen oft große, bereinigte und belastbare Datenmengen in strukturierter Form. Sind diese nicht vorhanden, kann man sich je nach Business Case auch mit synthetisch erstellten Daten behelfen. Die Frage nach den Daten muss jedoch in jedem Fall früh genug gestellt werden.

3. Das falsche Modell

KI-Modelle sprießen nicht erst seit dem Hype um Generative KI wie Pilze aus dem Boden. Dabei unterscheiden sich die Modelle, deren Leistungsfähigkeit und Anwendungsgebiete erheblich voneinander. Wer grundlegende Begrifflichkeiten und Unterschiede in den Modellen nicht kennt, greift schnell zur falschen Lösung.

Daher bietet es sich an, sich tiefgreifend mit den vorhandenen Modellen auseinanderzusetzen, bevor sie zum Einsatz kommen sollen. Ein grundlegendes Verständnis für die Modelle erleichtert auch „Make or Buy“- Entscheidungen, denn nicht jede Standardlösung passt auf jeden Case und andersherum muss das Rad nicht neu erfunden werden, wenn sich etwas am Markt vorhandendes bereits bewährt hat. 

4. Isolierte Teams

KI ist keine, von der restlichen IT losgelöste Technologie, die als alleiniger Heilsbringer zu verstehen ist. Ein vom Rest des Unternehmens isoliertes Team verfügt nicht über die notwendigen Informationen, um Projekte erfolgreich umzusetzen und die PoC zu skalieren. Daher muss vorab geprüft werden, ob die PoCs in die bereits bestehende IT Infrastruktur integriert werden können und welche Teams dafür eng zusammenarbeiten müssen.

5. KI wird nicht zur Chefsache gemacht

Mangelndes Verständnis von KI und fehlende Einbindung in die übergeordnete Unternehmensstrategie sind ein Garant für Misserfolg. Wer künstliche Intelligenz nicht zur Chefsache macht und das gesamte Unternehmen durch den damit einhergehenden Change Prozess mitnimmt, sollte erst gar nicht damit beginnen. KI ist eine der transformativsten Technologien unseres Jahrhunderts, die Veränderungen im täglichen Entscheidungsprozess mit sich bringt. Diese Veränderungen müssen von der Geschäftsführung genauso getragen werden wie von jedem einzelnen Mitarbeitenden. Damit das gelingt muss die Führung nicht nur Vorbild sein, sondern mit Feingefühl und Verständnis ihr gesamtes Team durch diese Prozesse führen, begleiten und unterstützen. Kontinuierliche Kommunikation, Transparenz, Weiterbildungsangebote und Enablement sind wesentliche Faktoren für die Akzeptanz von KI im Unternehmen.

6. PoCs Aufsetzen ohne Fachbereich

„Die Fachbereiche sind Technologie fremd und werden beim Aufsetzen der PoCs gar nicht erst miteinbezogen.“ Wer so denkt, übersieht etwas Wesentliches: Die Fachbereiche sind Hüter wertvoller Informationen über ihre Domäne. Sie haben über Jahre angesammeltes fachspezifisches Wissen, die in die Konzeption der PoCs mit einfließen müssen. Ansonsten wird im schlimmsten Fall am Ziel vorbei optimiert. Frustration ist hier vorprogrammiert. Daher gilt: Von Anfang an mit den betreffenden Fachbereichen sprechen und sie in die Planung und Konzeption miteinbeziehen, um zu einem guten und verwertbaren Ergebnis zu kommen.

7. „Wir können das allein“

Produktionsreife KI-Lösungen benötigen neben guten Daten und KI-Modellen auch eine solide Enterprise Integration und Governance Readyness. Hier kommt  klassisches Software-Engineering inklusive zugehöriger Themen, wie Enterprise Architektur, EAM, konsolidierte Entwicklungsprozesse, Datenschutz- und Security und vor allem eine solide kontinuierliche sowie automatisierte Qualitätssicherung zum Tragen. Diese Aspekte liegen nicht im Fokus und im Kompetenzbereich des KI PoC und deren Verantwortlichen.

Wer diese Kernaspekte bei der Entwicklung der PoCs berücksichtigt, erhöht seine Chancen auf eine Skalierung und Überführung in die Produktion erheblich und ist dem Ziel – der erfolgreiche Einsatz von Künstlicher Intelligenz – ein Stück näher.

Nicole Lontzek

Nicole Lontzek ist Marketing - und Digitalexpertin. Ihre Karriere brachte sie unter anderem nach New York, Dublin und Zürich. Sie ist spezialisiert auf die Vermarktung von B2B-Software Unternehmen mit komplexen, erklärungsbedürftigen Produkten und Lösungen. Derzeit ist sie in München als Chief Marketing Officer bei QAware für die Gesamtvermarktungstrategie verantwortlich. In ihrem Buch "Digitale Zeitmacher - was wir jetzt gewinnen" erläutert sie anhand positiver Beispiele die Möglichkeiten der Digitalisierung und zeigt auf, in welchen Bereichen wertvolle Lebenszeit eingespart werden kann. www.digitalezeitmacher.de