KI-gestützte Unternehmenslösungen
Künstliche Intelligenz ist mittlerweile in den meisten großen Unternehmen präsent, doch diese Präsenz sollte nicht mit einer Transformation verwechselt werden. Mitarbeiter nutzen vielleicht Copiloten zum Verfassen von E-Mails, Technologieteams testen autonome Agenten und Kundendienstabteilungen setzen Chatbots ein – dennoch tun sich viele Unternehmen nach wie vor schwer damit, eine verlässliche finanzielle Rendite nachzuweisen. Die zentrale Frage für Führungskräfte lautet nicht mehr, ob in KI investiert werden soll. Vielmehr geht es darum, in welchen Bereichen die Technologie einen bestimmten Geschäftsprozess so weit verbessern kann, dass der damit verbundene Aufwand in Bezug auf Daten, Infrastruktur, Governance und organisatorische Veränderungen gerechtfertigt ist.
Die Einführung ist weit verbreitet, das Ausmaß jedoch nicht
Der Markt für KI im Unternehmensbereich hat sich rasch von vereinzelten Experimenten hin zu einer breiten Nutzung entwickelt. Generative KI-Tools haben die technischen Hürden gesenkt und ermöglichen es Mitarbeitern nun, Dokumente zusammenzufassen, erste Entwürfe zu erstellen, interne Informationen zu recherchieren und bei der Softwareentwicklung zu helfen, ohne ein Modell von Grund auf neu erstellen zu müssen.
Diese Zugänglichkeit kann den Eindruck erwecken, dass die Einführung weiter fortgeschritten ist, als dies tatsächlich der Fall ist. Ein Unternehmen kann bereits als KI-Nutzer gelten, wenn eine Abteilung einen Schreibassistenten eingeführt hat – selbst wenn die Technologie noch nicht in die Kernsysteme integriert wurde oder noch kein durchgängiger Arbeitsablauf neu gestaltet wurde.
Es besteht ein wesentlicher Unterschied zwischen der geringfügigen Beschleunigung einer bestehenden Aufgabe und einer Änderung der Geschäftsabläufe. Ersteres kann den Mitarbeitern jeweils einige Minuten Zeitersparnis bringen. Letzteres erfordert möglicherweise neue Zuständigkeiten, Genehmigungsverfahren, eine neue Datenarchitektur und neue Leistungskennzahlen.
Unternehmen sind bei Experimenten häufig erfolgreich, da ein Pilotprojekt von einem kleinen Team mit begrenzten Daten und ohne große Aufmerksamkeit seitens der Führungskräfte durchgeführt werden kann. Die Skalierung ist schwieriger. Das System muss länder-, abteilungs-, sprach- und kundengruppenübergreifend funktionieren und gleichzeitig sicherheitstechnische, regulatorische und betriebliche Anforderungen erfüllen.
Die Kluft zwischen Einführung und Nutzen ist daher kein Beweis dafür, dass KI versagt. Sie zeigt vielmehr, dass der Kauf eines Tools eher der Anfang als das Ende der Umsetzung ist.
Beginnen Sie mit dem Workflow, nicht mit dem Modell
Ein erfolgreiches KI-Projekt im Unternehmen beginnt mit einem klar definierten betrieblichen Problem. Die Bearbeitung von Kundenanfragen dauert zu lange, Ingenieure haben Schwierigkeiten, technische Unterlagen zu finden, Beschaffungsteams prüfen immer wieder ähnliche Verträge, oder Mitarbeiter in der Finanzabteilung verbringen Tage damit, Daten aus verschiedenen Systemen abzugleichen.
Das Unternehmen sollte zunächst den bestehenden Arbeitsablauf erfassen, bevor es entscheidet, wie KI eingesetzt werden soll. So lässt sich feststellen, wo Verzögerungen auftreten, welche Informationen benötigt werden, wer die Ergebnisse genehmigt und was geschieht, wenn der Prozess fehlschlägt.
KI kann dann auf einen Teil des Arbeitsablaufs angewendet werden. Sie könnte relevante Dokumente abrufen, Anfragen klassifizieren, einen Antwortentwurf erstellen oder ungewöhnliche Transaktionen zur Überprüfung durch einen Mitarbeiter identifizieren. Das Ziel sollte messbar sein: kürzere Bearbeitungszeit, weniger Fehler, weniger Nacharbeit oder ein höherer Anteil an Anfragen, die bereits beim ersten Kontakt geklärt werden.
Wenn man bei der Technologie ansetzt, führt dies zum gegenteiligen Ergebnis. Die Teams erwerben ein leistungsstarkes Allzweckmodell und suchen dann nach Gründen, es einzusetzen. Die letztendliche Anwendung mag technisch beeindruckend sein, ohne jedoch ein Problem zu lösen, das wichtig genug ist, um weitere Investitionen zu rechtfertigen.
Kundenservice ist ein guter Ausgangspunkt
Der Kundenservice ist einer der klarsten Anwendungsbereiche im Unternehmensumfeld, da die Arbeit dort häufig aus einer großen Anzahl sich wiederholender Fragen besteht, die auf festgelegten Richtlinien und Produktinformationen basieren.
Ein KI-Assistent kann eine genehmigte Wissensdatenbank durchsuchen, Antwortvorschläge unterbreiten und frühere Interaktionen zusammenfassen. Außerdem kann er eine Anfrage klassifizieren und an das zuständige Team weiterleiten. Der Mitarbeiter bleibt weiterhin dafür verantwortlich, die Antwort zu überprüfen und ungewöhnliche oder sensible Fälle zu bearbeiten.
Ein Chatbot mit Kundenkontakt birgt ein höheres Risiko, da eine falsche Antwort den Kunden direkt erreicht. Das System sollte daher auf Informationen beschränkt sein, die es aus verifizierten Quellen abrufen kann, und einen klaren Weg zu einem Mitarbeiter bieten, wenn die Zuverlässigkeit der Antwort gering ist oder die Anfrage außerhalb seines Zuständigkeitsbereichs liegt.
Erfolg sollte nicht allein daran gemessen werden, wie viele Gespräche der Bot bearbeitet. Ein Unternehmen sollte auch erfassen, ob Kunden korrekte Antworten erhalten, ob die Zahl der Beschwerden steigt und ob Nutzer in automatisierten Schleifen hängen bleiben, während sie versuchen, einen menschlichen Ansprechpartner zu erreichen.
Eine Automatisierung, die zwar die Servicekosten senkt, die Problemlösung aber erschwert, stellt keine sinnvolle Verbesserung dar.
KI kann Wissensarbeit verbessern, ohne das eigene Urteilsvermögen zu ersetzen
Fachkräfte verbringen viel Zeit damit, Informationen zu recherchieren, Dokumente zu vergleichen und routinemäßige erste Entwürfe zu erstellen. KI kann diese Tätigkeiten unterstützen, wenn sie mit zuverlässigen internen Quellen verknüpft ist.
Ein Rechtsteam kann damit Klauseln identifizieren, die vom genehmigten Wortlaut abweichen. Ein Finanzanalyst kann das Programm beauftragen, Informationen aus einer Reihe von Berichten zu extrahieren. Ein Forschungsteam kann damit Ergebnisse strukturieren, bevor es eine umfassendere Überprüfung durchführt.
Die Unterscheidung zwischen Unterstützung und Entscheidungsfindung ist von entscheidender Bedeutung. Ein Modell kann zwar auf ungewöhnliche Formulierungen in einem Vertrag hinweisen, doch muss ein qualifizierter Rechtsanwalt deren rechtliche Bedeutung beurteilen. Es kann zwar ein unerwartetes finanzielles Muster erkennen, doch liegt es weiterhin in der Verantwortung der Geschäftsleitung, zu entscheiden, ob es sich dabei um Betrug, einen Fehler oder eine gewöhnliche Ausnahme handelt.
Die Mitarbeiter müssen außerdem wissen, wann das Tool unsicher ist. Ein KI-System, das jede Antwort mit gleicher Sicherheit präsentiert, fördert die Automatisierungsvoreingenommenheit, insbesondere wenn die Nutzer beschäftigt sind oder davon ausgehen, dass die Technologie Zugang zu Informationen hat, über die sie tatsächlich nicht verfügt.
Das Ziel sollte darin bestehen, geringwertige Verwaltungsaufgaben zu eliminieren und gleichzeitig die fachliche Verantwortung zu wahren.
Die Softwareentwicklung bietet klare Vorteile und birgt neue Risiken
Codierungsassistenten können Funktionen vorschlagen, unbekannten Code erklären, Tests generieren und Entwicklern dabei helfen, Fehler zu finden. Sie sind besonders nützlich für Routineaufgaben und beim Navigieren durch umfangreiche Codebasen.
Die Ausgabe muss noch überprüft werden. Der generierte Code kann Sicherheitslücken, ineffiziente Logik oder Abhängigkeiten enthalten, die für die Systeme des Unternehmens ungeeignet sind. Ein Vorschlag, der für sich genommen funktionsfähig erscheint, kann Probleme verursachen, wenn er in eine komplexe Produktionsumgebung integriert wird.
Unternehmen sollten festlegen, welche Repositorys und Daten mit einem externen Modell geteilt werden dürfen. Entwickler dürfen keinen proprietären Code, keine Zugangsdaten und keine Kundeninformationen in ein nicht genehmigtes öffentliches Tool einfügen.
Der größte Vorteil besteht nicht darin, Softwareentwickler zu ersetzen. Vielmehr geht es darum, qualifizierten Entwicklern zu ermöglichen, weniger Zeit mit sich wiederholenden Implementierungsaufgaben zu verbringen und sich stattdessen verstärkt auf Architektur, Sicherheit und die Lösung komplexer Probleme zu konzentrieren. Dazu müssen die Mitarbeiter geschult werden, den generierten Code zu bewerten, anstatt ihn einfach nur zu akzeptieren.
Lieferketten benötigen bessere Daten, um bessere Prognosen erstellen zu können
KI kann Unternehmen dabei helfen, die Nachfrage zu prognostizieren, Lieferengpässe zu erkennen und die Lagerbestände zu optimieren, doch Lieferkettenmodelle sind auf Daten angewiesen, die von Lieferanten, Lagern, Transportdienstleistern und internen Systemen erfasst werden.
Diese Daten sind selten so einheitlich, wie es in einer Demonstration den Anschein hat. Produktcodes können sich zwischen den Geschäftsbereichen unterscheiden, Lieferunterlagen können unvollständig sein und Lieferanten können Informationen unter Verwendung inkompatibler Definitionen melden. Ein ausgeklügeltes Modell, das auf inkonsistenten Datensätzen trainiert wurde, wird eine ausgeklügelte Version dieser Inkonsistenz hervorbringen.
Prognosen erweisen sich zudem als schwierig, wenn sich die Zukunft stark von der Vergangenheit unterscheidet. Kriege, Pandemien, Handelsbeschränkungen und plötzliche Veränderungen im Verbraucherverhalten können die aus historischen Daten abgeleiteten Zusammenhänge hinfällig machen. Menschliche Planer bleiben weiterhin notwendig, um Ereignisse zu interpretieren, mit denen das Modell bisher noch nicht konfrontiert war.
KI ist möglicherweise am nützlichsten als Instrument zur Szenarioentwicklung und Priorisierung. Sie kann ermitteln, welche Materialien anfällig erscheinen, die möglichen Auswirkungen einer Verzögerung abschätzen und Planern dabei helfen, Alternativen zu prüfen. Sie sollte jedoch nicht den Eindruck erwecken, dass Unsicherheiten beseitigt worden seien.
Personalisierung hat ihre Grenzen
Marketingabteilungen können KI nutzen, um Kunden zu gruppieren, Produkte zu empfehlen und Inhalte individuell anzupassen. Im besten Fall reduziert dies irrelevante Kommunikation und hilft den Kunden, schneller etwas Passendes zu finden.
Im schlimmsten Fall wird Personalisierung zu aufdringlicher Überwachung. Unternehmen können Browsing-, Kauf-, Standort- und Verhaltensdaten auf eine Weise kombinieren, die Kunden weder erwarten noch verstehen. Ein Algorithmus kann zudem sensible Merkmale ableiten oder durch scheinbar neutrale Indikatoren indirekt diskriminieren.
Das Unternehmen sollte sich fragen, ob jede Art von Daten wirklich notwendig ist und ob der Kunde deren Verwendung als angemessen erachten würde. Eine detailliertere Zielgruppenansprache führt nicht immer zu einem entsprechenden Umsatzanstieg, bringt jedoch stets zusätzliche Verpflichtungen in Bezug auf Einwilligung, Sicherheit und Aufbewahrung mit sich.
Personalisierung sollte die Relevanz verbessern, ohne die Autonomie der Kunden einzuschränken. Manipulative Benutzeroberflächen, künstlich erzeugte Dringlichkeit und eine unterschiedliche Behandlung auf der Grundlage undurchsichtiger Vorhersagen können zwar kurzfristig Umsatz generieren, untergraben jedoch das Vertrauen.
Cybersicherheit erfordert menschliche Kontrolle
KI kann Sicherheitsteams dabei helfen, Warnmeldungen zu analysieren, ungewöhnliches Verhalten zu erkennen und potenzielle Vorfälle zusammenzufassen. Sie kann die Menge an Routineinformationen reduzieren, die ein Analyst verarbeiten muss, und Muster hervorheben, die einer Untersuchung bedürfen.
Angreifern steht dieselbe Technologie zur Verfügung. Generative Tools können bei Phishing-Nachrichten, Schadcode und Social Engineering helfen und so sowohl das Ausmaß als auch die Plausibilität von Betrugsversuchen erhöhen.
Eine automatisierte Sicherheitsreaktion kann ebenfalls zu Störungen führen, wenn sie berechtigte Benutzer blockiert oder ein wichtiges System aufgrund eines fehlerhaften Signals abschaltet. Maßnahmen mit erheblichen Auswirkungen erfordern festgelegte Genehmigungsschwellen und zuverlässige Verfahren zur Rücknahme.
KI sollte ein umfassenderes Sicherheitsprogramm stärken, anstatt schwache Zugriffskontrollen, veraltete Software oder mangelhafte Mitarbeiterschulungen zu kompensieren. Ein Unternehmen, das nicht in der Lage ist, Passwörter und Software-Patches zu verwalten, wird durch die Einführung eines prädiktiven Dashboards kaum sicherer werden.
Datenqualität ist die verborgene Investition
Bei Diskussionen über KI im Unternehmensbereich stehen oft die Modelle im Mittelpunkt, doch der größte praktische Aufwand liegt möglicherweise in der Aufbereitung der unternehmensinternen Daten.
Dokumente können veraltet sein, doppelt vorliegen oder über mehrere Systeme verteilt gespeichert sein. Die Zuständigkeiten sind möglicherweise unklar, und wichtige Entscheidungen sind unter Umständen nur in E-Mail-Verläufen oder im Gedächtnis erfahrener Mitarbeiter festgehalten. Die Einbindung eines KI-Assistenten in diese Umgebung kann zwar den Zugriff auf unzuverlässige Informationen erleichtern, führt jedoch nicht dazu, dass diese Informationen korrekt werden.
Vor der Skalierung benötigen Unternehmen Regeln, die festlegen, welche Quelle maßgeblich ist, wer Änderungen daran vornehmen darf und wie veraltete Informationen entfernt werden. Zugriffsberechtigungen müssen sich an den zugrunde liegenden Dokumenten orientieren, damit eine KI-Schnittstelle keine vertraulichen Informationen an Mitarbeiter weitergibt, die zuvor keinen Zugriff darauf hatten.
Die Datenaufbereitung mag weniger spannend erscheinen als die Modellentwicklung, doch sie entscheidet darüber, ob ein Unternehmenssystem nützliche Ergebnisse liefert. Ein kleineres Modell, das auf gut verwaltete Informationen zurückgreift, kann unter Umständen bessere Ergebnisse erzielen als ein leistungsfähigeres Modell, das mit unorganisierten Daten arbeitet.
Wofür lohnt es sich, Geld auszugeben?
Eine Investition ist dann gerechtfertigt, wenn KI einen sich wiederholenden, kostspieligen Prozess mit ausreichendem Volumen abdeckt, um einen messbaren Mehrwert zu schaffen. Eine zuverlässige Integration in interne Systeme, Sicherheitskontrollen und Überwachungsmaßnahmen können wertvoller sein als der Zugriff auf das neueste Modell.
Auch in die Evaluierungskapazitäten lohnt es sich, zu investieren. Unternehmen benötigen Testdatensätze, die reale Arbeitssituationen widerspiegeln, einschließlich schwieriger Fälle, verschiedener Sprachen und Gruppen, die möglicherweise ungleichmäßig betroffen sind. Die Leistung sollte vor der Einführung bewertet und anschließend überwacht werden, da sich Modelle und Geschäftsbedingungen ändern.
Die Mitarbeiterschulung sollte über Workshops zum Verfassen von Eingabeaufforderungen hinausgehen. Die Mitarbeiter müssen sich mit den Themen Verifizierung, Vertraulichkeit, Voreingenommenheit, geistiges Eigentum und den Grenzen der Automatisierung auseinandersetzen. Führungskräfte müssen lernen, wie sie Rollen neu gestalten können, anstatt einfach nur ein KI-Tool in einen bereits ineffizienten Prozess zu integrieren.
Eine unabhängige rechtliche, sicherheitstechnische oder technische Beratung kann von großem Nutzen sein, wenn die Anwendung regulierte Entscheidungen oder sensible Daten betrifft. Die Zusicherung des Anbieters, dass ein System den Vorschriften entspricht, sollte die eigene Bewertung des Unternehmens nicht ersetzen.
Was möglicherweise überflüssig ist
Nicht jedes Unternehmen benötigt ein firmeneigenes Grundmodell. Das Trainieren und die Wartung eines solchen Modells sind kostspielig, während für viele Anwendungen handelsübliche oder offene Modelle ausreichen können.
Ein Unternehmen benötigt zudem keine Dutzende sich überschneidender Copilots, die von verschiedenen Abteilungen separat angeschafft werden. Dies erhöht die Kosten, führt zu einer Fragmentierung der Daten und erschwert die Steuerung. Ein kontrolliertes Portfolio genehmigter Tools ist in der Regel einem unkontrollierten Experimentieren vorzuziehen, das aus lokalen Budgets finanziert wird.
Autonome Agenten sollten nicht allein deshalb eingesetzt werden, weil sie die neueste Entwicklung auf dem Markt darstellen. Es kann zwar nützlich sein, Software die Ausführung mehrstufiger Aufgaben und die Einleitung von Maßnahmen zu ermöglichen, doch jeder zusätzliche Grad an Autonomie erhöht das Betriebsrisiko.
Das Unternehmen sollte zunächst mit einer rein unterstützenden Funktion beginnen und erst dann, sobald die Leistungsfähigkeit bekannt ist, eingeschränkte Aktionen einführen. Vollständige Autonomie sollte Prozessen mit geringem Risiko vorbehalten bleiben, für die klare Grenzen, eine Überwachung und die Möglichkeit der Rückgängigmachung gegeben sind.
Die Frage nach den Arbeitskräften lässt sich nicht umgehen
KI verändert die Aufgabenbereiche von Arbeitsplätzen, auch wenn sie diese nicht vollständig ersetzt. Routinemäßige Tätigkeiten wie die Erstellung von Entwürfen, die Klassifizierung und die Analyse erfordern möglicherweise weniger Arbeitszeit, während die Überprüfung, die Bearbeitung von Ausnahmen und die Systemüberwachung an Bedeutung gewinnen.
Unternehmen sollten erläutern, wie sich die Technologie auf die jeweiligen Aufgabenbereiche auswirken wird, anstatt die Einführung als abstraktes Innovationsprogramm darzustellen. Die Mitarbeiter sind eher bereit, sich einzubringen, wenn sie verstehen, welche Aufgaben sich ändern werden, welche Kompetenzen erforderlich sein werden und wie die Produktivitätsgewinne verteilt werden.
Schulungen sollten an reale Arbeitsabläufe geknüpft sein und während der Arbeitszeit stattfinden. Von den Mitarbeitern zu verlangen, sich Kenntnisse im Bereich KI anzueignen, während ihr Arbeitspensum unverändert bleibt, bedeutet, die Kosten der Transformation auf die Belegschaft abzuwälzen.
Die Unternehmensleitung muss zudem entscheiden, ob die eingesparte Zeit dazu genutzt wird, die Qualität zu verbessern, mehr Kunden zu bedienen, Arbeitsabläufe zu verkürzen oder Personal abzubauen. Wird diese Frage vermieden, schafft dies Unsicherheit und veranlasst die Mitarbeiter dazu, sich entweder gegen die Technologie zu wehren oder ihre Nutzung zu verschleiern.
So schafft man den Übergang vom Pilotprojekt zur Serienreife
Ein Unternehmen sollte erst dann eine Skalierung vornehmen, wenn im Pilotprojekt eine zuverlässige Verbesserung gegenüber dem bestehenden Prozess nachgewiesen wurde. Der Vergleich muss Softwarekosten, den Zeitaufwand für die Überprüfung durch die Mitarbeiter, Fehler, die Integration sowie die laufende Überwachung berücksichtigen.
Die Verantwortung muss dann vom Experimentierteam auf die für den Arbeitsablauf zuständige Funktion übergehen. Eine Finanzanwendung sollte letztendlich von der Finanzabteilung gesteuert und von Technologie- und Risikospezialisten unterstützt werden, anstatt auf unbestimmte Zeit in einem Innovationslabor zu verbleiben.
Eine klare Verantwortungszuordnung ist unerlässlich. Jemand muss für das Geschäftsergebnis verantwortlich sein, jemand für die technische Leistung und jemand für die rechtlichen und risikobezogenen Kontrollen. Wenn die Verantwortung auf einen Anbieter, Berater und mehrere interne Ausschüsse verteilt ist, können Probleme ungelöst bleiben.
Die Organisation sollte zudem die Möglichkeit behalten, das System außer Betrieb zu nehmen oder zu ersetzen. Die Daten sollten exportierbar sein, die vertraglichen Verpflichtungen sollten klar sein und kritische Prozesse sollten auch dann weiterlaufen können, wenn der Anbieter ausfällt.
KI im Unternehmensbereich ist dann am wertvollsten, wenn sie einen bestimmten Arbeitsablauf verbessert, anstatt lediglich als Symbol für Innovation im Unternehmen zu dienen. Unternehmen sollten zunächst in Daten, Integration, die Kompetenzen ihrer Mitarbeiter und Governance investieren und anschließend nur jene Anwendungen skalieren, die messbare Vorteile bringen, ohne die Verantwortlichkeit zu schwächen. Die Technologie kann Teile eines globalen Konzerns transformieren, aber sie kann unklare Prozesse, mangelhafte Informationen oder eine Führung, die nicht bereit ist, operative Entscheidungen zu treffen, nicht kompensieren. Der Vorteil wird weniger den Unternehmen gehören, die am meisten KI kaufen, sondern vielmehr denen, die sie so selektiv einsetzen, dass sie wissen, wo sie wirklich funktioniert.
