Eine von dem Automatisierungsanbieter Hyperscience und Harris Poll durchgeführte Studie ergab, dass derzeit vier von fünf Organisationen KI einsetzen und fast alle planen, die Nutzung in Bereichen wie Datenanalyse, Cybersicherheit und prädiktiver Analyse auszuweiten. Gleichzeitig stellte die Studie erhebliche Herausforderungen bei der Einführung von KI fest.
Fehlende Nutzung proprietärer Daten
Der Erfolg von ChatGPT und anderen Engines für generative KI (GenAI) hat viele dazu veranlasst, die naheliegendste Einsatzmöglichkeit von KI im Unternehmen zu vernachlässigen: zusätzliche Erkenntnisse aus vorhandenen Daten zu gewinnen. Die Studie Unlocking GenAI: Navigating the Path from Promise to ROI ergab, dass drei von fünf Organisationen ihre vorhandenen Datenbestände nur unzureichend nutzen. Das gilt insbesondere für proprietäre Daten.
So verwenden die meisten Organisationen Large Language Models (LLMs) wie die von OpenAI, Google, Microsoft und anderen. Relativ wenige haben eigene Small Language Models (SLMs) entwickelt. Der Bericht ergab jedoch, dass drei von vier Organisationen, die GenAI einsetzen, festgestellt haben, dass SLMs LLMs bei Geschwindigkeit, Kosten, ROI und Genauigkeit überlegen sind. SLMs lassen sich präzise auf die Anforderungen einer Organisation abstimmen und können dadurch den für bestimmte Branchen relevanten Kontext, Fachjargon und Nuancen verstehen. Diese Spezialisierung führt zu schnelleren Verarbeitungszeiten und besseren Ergebnissen und ermöglicht es Unternehmen, sich wiederholende Aufgaben wie Datenextraktion, Kategorisierung und Zusammenfassung zu automatisieren.
„Daten sind das Lebenselixier jeder KI-Initiative, und der Erfolg dieser Projekte hängt von der Qualität der Daten ab, mit denen die Modelle gespeist werden“, sagte Andrew Joiner, CEO von Hyperscience. „Drei von fünf Entscheidungsträgern geben an, dass ihr mangelndes Verständnis der eigenen Daten ihre Fähigkeit einschränkt, GenAI optimal zu nutzen.“
Viele Organisationen speichern eine große Bandbreite an Dokumenten, darunter PDFs, Blogs, Kundendateien, Datenbankeinträge, Webformulare, Antragsformulare, Bestellungen, Rechnungen und vieles mehr. Das scheint ein prädestiniertes Einsatzgebiet für KI zu sein, doch die Hälfte der Organisationen nutzt GenAI nicht zur Unterstützung der Dokumentenverarbeitung oder zur Optimierung von Workflows.
Dies ist eine der unkompliziertesten Möglichkeiten, KI im Unternehmen einzusetzen, da die Daten direkt verfügbar sind und sich typischerweise innerhalb der Firewall befinden. „GenAI kann die Dokumentenverarbeitung grundlegend verändern und die betriebliche Effizienz steigern“, sagte Joiner.
Weitere Hürden bei der Einführung
Unabhängig davon, ob LLMs oder SLMs eingesetzt werden, kommt es entscheidend darauf an, wie das Modell trainiert wird. Dies bleibt eine große Hürde bei der Einführung von KI. Rund 77 Prozent der Befragten gaben zu, verfügbare Daten nur unzureichend für das Training von KI zu nutzen. Infolgedessen leidet die Modellgenauigkeit, Halluzinationen treten häufiger auf und das Vertrauen in KI nimmt ab.
Auch der Datenschutz kann die Einführung von GenAI hemmen. Harris Poll zufolge äußern 83 Prozent der Organisationen ethische Bedenken und Datenschutzbedenken im Zusammenhang mit KI. Interessanterweise erkennen kleine Unternehmen solche Bedenken laut der Umfrage eher und reagieren auch eher darauf als große Unternehmen.
Die Integration ist eine wesentliche Hürde, wenn es darum geht, die potenziellen Vorteile von KI zu realisieren. Ein Modell nach Antworten zu fragen, ist das eine. Etwas völlig anderes ist es, die Daten des Unternehmens in die Modelle zu integrieren und die Antworten und Reaktionen mit anderen Geschäftsanwendungen und Workflows zu verknüpfen.
Herausforderungen bei der Einführung von KI bewältigen
Es gibt keine einfache Lösung, um die zahlreichen Hürden bei der Einführung von KI zu überwinden. Viele traditionelle Anbieter und KI-Unternehmen bieten vielfältige Möglichkeiten, das Potenzial von KI zu nutzen. Hyperscience setzt auf Hyperautomatisierung, um Organisationen dabei zu unterstützen, Herausforderungen auf ihrem Weg zur Einführung von GenAI zu bewältigen, die Dokumentenverarbeitung zu optimieren und komplexe Workflows zu automatisieren.
Cisco empfiehlt einen stärker auf die technologische Infrastruktur ausgerichteten Ansatz. Sein AI Readiness Index stellte fest, dass die meisten Netzwerke für KI-Workloads unzureichend ausgestattet sind und nur 21 Prozent der Unternehmen über die erforderlichen GPUs verfügen, um den aktuellen und künftigen Anforderungen von KI gerecht zu werden. Darüber hinaus fühlen sich nur 13 Prozent in der Lage, das Potenzial von KI auszuschöpfen, während 98 Prozent die dringende Notwendigkeit sehen, KI bereitzustellen, und 85 % davon ausgehen, weniger als 18 Monate zum Handeln zu haben.
„KI veranlasst uns, den Energiebedarf, den Rechenbedarf, die Hochleistungsvernetzung innerhalb von Rechenzentren und zwischen ihnen, den Datenbedarf, die Sicherheit und vieles mehr neu zu überdenken“, sagte Jeetu Patel, Chief Product Officer von Cisco. „Unabhängig davon, an welchem Punkt ihrer KI-Reise sie sich befinden, müssen Organisationen ihre bestehenden Rechenzentren und Cloud-Strategien auf veränderte Anforderungen vorbereiten und einen Plan für die Einführung von KI entwickeln – agil und resilient, während sich die Strategien weiterentwickeln.“