Vor Jahrzehnten kam künstliche Intelligenz mit großen Erwartungen an deutliche Effizienz- und Produktivitätssteigerungen auf. Doch trotz Milliardeninvestitionen in Technologie geriet ein Projekt nach dem anderen ins Stocken – vor allem, weil Herausforderungen bei Unternehmensstrategien, technische Hürden und Unternehmenskulturen das potenzielle Leistungsvermögen der KI ungenutzt ließen.
Im vergangenen Jahrzehnt sind Unternehmen massenhaft auf Online-Plattformen und Cloud-Anbieter umgestiegen. Diese Entwicklung hat den Weg für Rechenkapazitäten geebnet, die deutlich größere Datenmengen verarbeiten können und gleichzeitig Unmengen neuer Daten erzeugen, die diese Systeme nun analysieren können.
Dieser Umstieg hat die Grundlage für eine neue Generation der Automatisierung und Analytik geschaffen – den Übergang von Enterprise-KI 1.0 zu 2.0. Dadurch entstand die Kapazität für anspruchsvollere Erkenntnisse. Dazu zählen durchgängige Prozessintelligenz, die von fokussierten Lösungen und maschinellem Schlussfolgern angetrieben wird und für exponentielle Effizienz- und Produktivitätssteigerungen im Betrieb sorgt. Enterprise-KI 2.0 löst die oberflächlichen Lernansätze und die einfache Aufgabenautomatisierung der Enterprise-KI 1.0 ab.
Die organisatorischen Veränderungen, die derzeit von oben nach unten vorangetrieben werden – ausgehend von Führungskräften, die verstehen, dass künftiges Wachstum auf der digitalen Transformation beruht –, haben diesen Wandel stärker vorangetrieben als alles andere.
Sehen wir uns an, wie Unternehmen auf Enterprise-KI 2.0 umsteigen.
Vom Experiment zum Auftrag: Unterstützung durch die Führungsebene gewinnen
Enterprise-KI 1.0 war ein entscheidender Meilenstein auf dem Weg zum Erfolg in der neuen 2.0-Phase. Kleine Erfolge und schrittweise Fortschritte in den vergangenen zwei Jahrzehnten ebneten den Weg für die breitere Unterstützung, die wir heute in Unternehmen beobachten.
Allerdings wurde Enterprise-KI 1.0 von Anfang an durch organisatorische Strukturen ausgebremst. KI wurde fast ausschließlich von Data Scientists auf spekulative Anwendungsfälle angewandt, die häufig nicht auf Geschäftsziele, Prozesse oder Budgets abgestimmt waren. Das führte zu einer gewissen Bedeutungslosigkeit und mangelnder Unterstützung, insbesondere auf den Führungsebenen.
In einer Studie, die kurz vor Ausbruch der Pandemie durchgeführt wurde, identifizierten 93 % der Befragten – technische und kaufmännische Führungskräfte auf C-Level aus Fortune-100-Unternehmen – Probleme bei Personal und Prozessen als größtes Hindernis für die Implementierung von KI.
Diese Einschätzung wird durch Gartner gestützt: Das Unternehmen schätzte 2017, dass bis zu 85 % der Big-Data-Projekte scheitern – andere Studien kommen zu ähnlichen Fehlerraten –, weil es an Unterstützung auf allen Managementebenen mangelt. Diese Misserfolge sind häufig darauf zurückzuführen, dass Data Scientists KI-Investitionen vorantreiben, die entweder nicht mit den Geschäftszielen übereinstimmen oder für die Teams an der Frontlinie, die sie am besten nutzen könnten, nicht zugänglich sind.
Ein wesentlicher Unterschied bei Enterprise-KI 2.0 ist die stärkere Verantwortung für die Transformation auf allen Organisationsebenen, einschließlich der Unterstützung von KI-Anwendungen durch die Führungsebene, die sich auf strategische Geschäftsergebnisse konzentrieren.
McKinsey könnte zu den Ersten gehört haben, die dieses Phänomen untersucht haben. 2019 stellte die Unternehmensberatung fest, dass das Engagement des Managements ein wesentlicher Faktor für den Erfolg von KI-Projekten war. Experten und Branchenführer haben diese Idee aufgegriffen, darunter Chris Chapo, Senior Vice President für Daten und Analytik bei The Gap, der bei Transform 2019 in San Francisco über dieses Thema sprach.
„Manchmal denken die Leute: ‚Alles, was ich tun muss, ist, Geld auf ein Problem zu werfen oder eine Technologie einzuführen, und am Ende kommt der Erfolg heraus‘ – aber so funktioniert das einfach nicht“, sagte Chapo und erklärte, dass Unternehmen häufig „nicht die richtige Unterstützung durch die Führung haben, um sicherzustellen, dass wir die Voraussetzungen für Erfolg schaffen“.
Kurz gesagt: Umfassende Unterstützung durch die Führungsebene ist die Grundlage für den Erfolg von KI.
Von ersten Kompetenzen zu Citizen Data Scientists
Enterprise-KI 2.0 erfordert ein Team mit einer fortgeschrittenen Mischung aus Kompetenzen an der Schnittstelle von maschinellem Lernen, Softwareentwicklung, Data-Pipeline-Engineering, Governance und Compliance, AIOps und CloudOps. Diese Kompetenzen werden benötigt, um die ursprüngliche Arbeit der Data Scientists in ihren Sandbox-Umgebungen in produktionsreife Systeme zu überführen.
Enterprise-KI 2.0 nutzt anspruchsvolle Technologieplattformen und gebündelte Lösungen, die KI-gestützte Innovationen optimieren, vereinfachen und beschleunigen. Statt unterschiedliche Tools und isolierte Umgebungen zusammenzustückeln, arbeiten Teams mit integrierten Ansätzen, um Daten- und Machine-Learning-Pipelines von der frühen Entwicklung über die Bereitstellung in der Produktion bis zur laufenden Verwaltung zu steuern. Zweckgebundene Lösungen abstrahieren die zugrunde liegenden Komplexitäten der Daten- und Modellentwicklung und verkürzen zugleich die Zeit bis zum Wertbeitrag erheblich.
Enterprise-KI 2.0 wird außerdem das Wachstum neuer Plattformen erleben, die die Leistungsfähigkeit der KI für Beschäftigte auf allen Ausbildungsstufen in gesamten Organisationen freisetzen – die Demokratisierung der Technologie. Diese Geschäftsanwender werden Tools der nächsten Generation nutzen, die Daten harmonisieren und automatisch Prognosemodelle sowie intelligente Anwendungen erstellen.
Diese Beschäftigten werden zu Citizen Data Scientists, die KI, Low-Code-/No-Code-Plattformen und ihre umfassende Fachkenntnis nutzen können, um geschäftliche Herausforderungen zu bewältigen und verborgene Chancen zu erschließen. Sie tun dies im Self-Service und werden so zu entscheidenden Wegbereitern im gesamten Unternehmen.
Vom maschinellen Lernen zum maschinellen Schlussfolgern
Der vorherrschende Ansatz für prädiktive Modellierung in Enterprise-KI 1.0 basiert auf überwachtem Lernen unter Einsatz oberflächlicher Algorithmen.
Im Gegensatz dazu wird Enterprise 2.0 eine große Bandbreite an Modellierungsansätzen einführen, darunter schwach überwachtes, teilüberwachtes, selbstüberwachtes, Low-Shot- und unüberwachtes Lernen. Darüber hinaus werden wir intelligentere Systeme entwickeln, die über die bloße Erkennung von Mustern in Daten hinausgehen. Wir werden ein differenzierteres Verständnis schaffen, indem wir aus Unternehmensdaten und Benutzerinteraktionen Bedeutung ableiten und die Gründe für ein bestimmtes Verhalten oder Phänomen verstehen.
Diese Systeme der nächsten Generation, die auf domänenspezifischer semantischer Intelligenz basieren, werden maschinelles Schlussfolgern nutzen, das durch propositionales oder probabilistisches Wissen unterstützt wird. Dies wird Hand in Hand mit maschinellem Lernen arbeiten, um KI näher an ein Intelligenzniveau des Menschen heranzuführen.
Betrachten wir beispielsweise ein intelligentes System, das multimodale Sensoren nutzt, um den Betriebszustand einer Kreiselpumpe in einer industriellen Umgebung zu erkennen. Das System kann Sensormesswerte wie Druck, Temperatur, Durchfluss und Vibrationen aufnehmen, um eine bevorstehende Verschlechterung der Leistung oder einen Ausfall der Anlage vorherzusagen. Mithilfe einer Bibliothek zur Fehler- und Einflussanalyse kann das System automatisch handeln oder Empfehlungen für Gegenmaßnahmen vorschlagen.
Siehe auch: Wie KI im gesamten Unternehmen skaliert und die CX verbessert werden kann
Von engen Aufgaben zu intelligenten Systemen
Das Machine Learning der Enterprise-KI 1.0 hat einen engen Anwendungsbereich und ergänzte taktische Fähigkeiten lediglich um Automatisierung und Intelligenz. Die Fähigkeiten der Enterprise-KI 2.0 werden die KI-Automatisierung ausweiten, sodass ganze Geschäftsprozesse und Entscheidungen stärker richtliniengesteuert und autonom ablaufen können.
Stellen Sie sich intelligente Systeme vor, die Einzelhändlern helfen können, jeden ihrer Zielmärkte zu verstehen und die Nachfrage der Kunden vorherzusehen. Dadurch können Händler personalisierte Werbeaktionen durchführen, die Logistik der Lieferkette optimieren, optimale Lagerbestände sicherstellen und Preise automatisch festlegen, um die Geschäftsziele des jeweiligen Quartals zu maximieren.
Die Weiterentwicklung der Governance ist ebenfalls entscheidend, um Enterprise-KI 2.0 zu ermöglichen. Unternehmen, die KI einsetzen, müssen sicherstellen, dass sie sich selbst Regeln auferlegen, um KI-basierte Entscheidungen zu überwachen. So können sie Ungenauigkeiten, Verzerrungen, Verstöße gegen Compliance-Vorgaben und andere Probleme beseitigen, während die KI-Technologie Modelle verarbeitet.
Wissen Sie noch, wie aufregend es einst war, als sich KI dahingehend weiterentwickelte, häufig gestellte Fragen zu beantworten oder eine Reihe von Leads für das Vertriebsteam zu bewerten und zu sortieren? Ja, Lösungen der Enterprise-KI 1.0 erledigten einfache Aufgaben gut. Diese Funktionalität wird nicht verschwinden. Aber wir können noch viel mehr erreichen.
Unternehmen verändern bereits ihre Kulturen, modernisieren ihre Dateninfrastruktur, verbessern ihre Systeme und Technologien und optimieren ihre Prozesse, um Tools und Lösungen der Enterprise-KI 2.0 zu nutzen. Diese Veränderungen können zusammen mit den analytischen Fortschritten der KI Unternehmen dabei helfen, das volle Potenzial der Enterprise-KI 2.0 auszuschöpfen.
Über den Autor:
Eshwar Belani ist Operating Partner bei Symphony AI.