Welche Herausforderungen bringt das KI-Projekt mit sich? | KI in der Wirtschaft #65

Sie möchten die Möglichkeiten künstlicher Intelligenz bei der Umsetzung eines neuen Projekts in Ihrem Unternehmen nutzen? KI kann sowohl die konzeptionelle Phase erleichtern, indem sie die Ausführung einzelner Aufgaben rationalisiert, als auch die Analyse der aktuellen und historischen Ergebnisse von Projektaktivitäten. Doch lohnt es sich immer, bei der Projektumsetzung auf KI-Unterstützung zu setzen? Wie lässt sich die Rentabilität eines KI-Projekts beurteilen? Wie gehe ich mit dem Daten- und Fachkräftemangel um? Wo soll man anfangen, um häufige Fallstricke zu vermeiden? Lesen Sie weiter und erfahren Sie, welche Herausforderungen bei Projekten mit KI liegen.

Wie integrieren Sie KI-Projekte effektiv in Ihre Geschäftsstrategie?

Untersuchungen von Gartner zufolge werden bis 2030 80 % der Projektmanagementaufgaben von KI erledigt. Es bleibt abzuwarten, wie hoch der Anteil der Projekte sein wird, die KI zur Erledigung von Aufgaben nutzen. Es lohnt sich jedoch bereits jetzt darüber nachzudenken, wie KI in die Betriebsstrategie eines Unternehmens integriert werden kann.

Der erste Schritt besteht darin, das Potenzial und die Grenzen dieser Technologie zu verstehen. Künstliche Intelligenz ist gut darin, Trends und Muster zu analysieren, versagt jedoch bei Dingen wie mehrstufigem Denken und moralischer Entscheidungsfindung. Es erzeugt aufsehenerregende visuelle Elemente, aber es erfordert erhebliches Geschick, konsistent Materialien zu generieren, die zum Image einer Marke passen. Deshalb können wir zu Beginn der Arbeit an einem KI-Projekt nicht mit einer vergleichbaren Wahrscheinlichkeit wie bei anderen Projekten davon ausgehen, dass es zu konkreten, messbaren Ergebnissen führt.

Ein guter Ausgangspunkt ist daher die Analyse der Vor- und Nachteile:

• Wie hoch sind die Gesamtkosten der verschiedenen Phasen der KI-Projektumsetzung?
• Welche KPIs sollten definiert werden, um die geschäftlichen Auswirkungen eines KI-Projekts zu bewerten?

Um eine glaubwürdige Antwort auf diese Fragen zu erhalten, ist es am besten, einfache KI-Projekte auszuwählen, die einen erheblichen Mehrwert bringen, leicht messbar sind und in die Strategie des Unternehmens passen. Als Beispiel kann ein Startup dienen, das Kurierdienste anbietet. Ziel ist es, den Kundenservice zu verbessern und die Flexibilität der Lieferkette zu erhöhen. Ein einfaches, aber wertvolles KI-Projekt ist beispielsweise die Implementierung eines Chatbots, der Kundenanfragen bearbeitet. Ein solcher virtueller Assistent kann mehr Anfragen bearbeiten als ein herkömmliches Callcenter und steigert die Kundenzufriedenheit durch schnelle Antworten auf Anfragen und eine gleichbleibende Kommunikationsqualität. Im Gegensatz dazu erfüllt ein fortschrittliches System zur Optimierung der Kurierrouten das Ziel, die Lieferflexibilität zu verbessern, ist jedoch komplex und birgt viel höhere Risiken.

Sobald die ersten KI-Projekte festgelegt sind, sollte das Startup deren Machbarkeit bewerten, beispielsweise im Hinblick auf das Budget, in das das KI-Projekt passen sollte.

Budgetierung von KI-Projekten. Schlüssel Herausforderung

Die Implementierung einer Standard-SaaS- oder AI-as-a-Service-Lösung (AIaaS), einer sogenannten „Standard-KI“, hat viele Vorteile. Einer davon sind die vorhersehbaren Kosten für die Nutzung des Tools und die relativ einfach abzuschätzenden Kosten für die Implementierung eines KI-Projekts. Sie können aus Lösungen wählen wie:

• Chatbot für den Kundenservice – wie Intercom Fin, LiveChat von Chatbot.com, Drift oder FreshChat,
• Social Media Analytics zur Erhöhung der Reichweite von Marketingbotschaften – mit Cortex, Buffer oder Lately, oder
• Geschäftsdatenanalyse mit Microsoft Power BI, Tableau oder für weniger komplexe Aufgaben – Google Bard, das in Google-Dokumente integriert ist.

Bei größeren KI-Projekten können die Kosten oft unterschätzt werden. Vor allem, wenn es um den Ressourcen- und Zeitaufwand für die Datenerhebung und -aufbereitung geht. Laut Arvind Krishna von IBM kann die Datenvorbereitungsphase für das KI-Lernen beispielsweise bis zu 80 % der Projektdauer ausmachen.

Quelle: DALL-E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Darüber hinaus gilt: Je mehr wir für ein Projekt personalisierte KI-Modelle benötigen, desto mehr qualitative Daten müssen wir sammeln. Beispielsweise erfordern tiefe neuronale Netze zum Lernen Hunderttausende Beispiele. Dadurch steigen die Kosten für die Erfassung und Bereinigung solch riesiger Datensätze. Glücklicherweise führt die rasante Entwicklung der künstlichen Intelligenz dazu, dass immer mehr KI-Projekte umgesetzt werden können, ohne dass ein kostspieliges Erlernen eines benutzerdefinierten Modells erforderlich ist.

Dennoch sollte ein Unternehmen, das ein KI-Projekt plant, nicht nur die Phase der Lösungsentwicklung berücksichtigen, sondern auch die Aufbereitung der Daten und den weiteren Betrieb des Systems, einschließlich der Kosten für Wartung, Aktualisierung oder Erfassung neuer Daten. Nur dann können Sie den tatsächlichen Return on Investment in KI einschätzen.

Datenverwaltungsprobleme in KI-Projekten. Was du wissen solltest

Eine zentrale Herausforderung bei KI-Projekten sind Daten – ihre Verfügbarkeit, Quantität und Qualität. Was also tun? Bevor Sie ein KI-Projekt starten, müssen Sie:

• prüfen Sie sorgfältig, welche Daten das Unternehmen hat – in welcher Form sie gespeichert sind und woher sie stammen,
• kümmern sich um die Infrastruktur und entwickeln interne Datenerfassungsprozesse,
• Erwägen Sie den Kauf externer Datensätze oder Crowdsourcing, wenn diese knapp sind.

Ein häufiges Problem besteht darin, dass Daten über mehrere Systeme und Formate verteilt sind. Es kann eine Herausforderung sein, sie zusammenzuführen, zu bereinigen und auf das KI-Lernen vorzubereiten. Eine gute Praxis besteht darin, dass das KI-Team eng mit der IT-Abteilung oder Datenanalysten zusammenarbeitet. Gemeinsam sollten sie sicherstellen, dass die richtige Infrastruktur und die richtigen Datenerfassungsprozesse vorhanden sind.

Technische und sicherheitstechnische Herausforderungen bei KI-Projekten

KI besteht nicht nur aus maschinellen Lernalgorithmen. Damit sie in der Praxis funktionieren, ist eine komplette IT-Infrastruktur erforderlich. Unterdessen kann die Integration neuer KI-Systeme in die bestehenden eines Unternehmens eine Herausforderung sein. Dabei ist häufig die Anpassung älterer Geschäftssysteme erforderlich, was für viele Unternehmen erhebliche Upgrade-Kosten bedeutet.

Darüber hinaus erfordern KI-Projekte Fachkenntnisse in Data Science und Data Engineering. Mittlerweile herrscht weltweit ein Mangel an Fachkräften auf diesem Gebiet. Laut dem Bericht „Technology Trends Outlook 2023“ von McKinsey liegt das Verhältnis von Stellenanzeigen zu verfügbaren Fachkräften bei 7 zu 100 und die Nachfrage steigt stetig.

Auch das Thema Datensicherheit ist nicht unerheblich. KI-Systeme verarbeiten große Mengen sensibler Informationen, die ordnungsgemäß vor Datenlecks geschützt werden müssen. Unterdessen haben Datenschutzverletzungen in den letzten Jahren deutlich zugenommen. Dies ist daher ein weiteres wichtiges Risiko, das es bei der Umsetzung von KI-Projekten zu beachten gilt.

Schlüsselkompetenzen in KI für Unternehmer. Auf welche Schwierigkeiten könnten Sie stoßen?

Ein häufiges Hindernis für die Umsetzung eines KI-Projekts kann mangelndes Wissen über künstliche Intelligenz bei Managern und Unternehmensentscheidern sein. Ohne ein tiefgreifendes Verständnis der Fähigkeiten der Technologie ist es schwierig, die Realisierbarkeit bestimmter Projekte zu beurteilen und fundierte Entscheidungen zu treffen. Deshalb ist es unerlässlich, in die Verbesserung des Wissens der Führungskräfte im Bereich neuer Technologien zu investieren.

Auch eine Umschulung aktueller Mitarbeiter kann hilfreich sein. Immer häufiger ist von sogenannten „Citizen Data Analysts“ („Citizen Data Scientists“) die Rede. Diese Spezialisten nutzen modernste Technologien, um spezifische Geschäftsprobleme zu lösen, mit denen sie täglich konfrontiert sind. Sie verfügen über umfassende Kenntnisse in der Branche, in der sie tätig sind. Indem sie Teil des Teams sind, das an einem KI-Projekt arbeitet, ermöglichen sie KI-Spezialisten, sich auf Umsetzungsprobleme zu konzentrieren, indem sie branchenspezifische Fragen beantworten.

Neben technischen Fähigkeiten, wie der Bewertung von KI-Empfehlungen und der Entscheidungsfindung, sind auch Soft Skills wichtig, darunter Führung und strategisches Denken. Dies ist ein weiterer Weg, dem Mangel an KI-Kompetenzen in Unternehmen entgegenzuwirken.

Analyse des Erfolgs von KI-Projekten. Wie vermeidet man Fehler bei der ROI-Messung?

Im Internet kursiert das unbelegte (und wahrscheinlich unwahre) Gerücht, dass bis zu 87 % der KI-Projekte nie die Produktionsphase erreichen. Obwohl wir keinen Zugriff auf zuverlässige Studien erfolgreicher Projekte hatten, ist eine frühzeitige Definition von Methoden zur Erfolgsmessung der Schlüssel zur Bewertung der tatsächlichen Auswirkungen der KI-Implementierung.

Eine gute Vorgehensweise ist hier ein Experiment im kleinen Maßstab. Dabei wird die KI-Leistung beispielsweise an einer Zufallsstichprobe von Nutzern getestet und die Ergebnisse mit einer Kontrollgruppe anhand einer Standardlösung verglichen. Mithilfe eines solchen A/B-Tests können Sie überprüfen, ob das neue KI-System die erwarteten Ergebnisse wie eine Steigerung der Conversions oder der Kundenzufriedenheit bringen kann.

Quelle: DALL-E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Es lohnt sich, A/B-Tests auch nach der KI-Implementierung regelmäßig zu wiederholen, da Modelle an Genauigkeit und Relevanz bei der Lösung von Problemen verlieren können. Auf diese Weise können Sie schnell auftretende Anomalien erkennen und die Notwendigkeit erkennen, das System neu zu kalibrieren, damit es weiterhin die erwarteten Geschäftsergebnisse liefert.

Zusammenfassung

Während KI enorme Chancen bietet, bergen Projekte in diesem Bereich erhebliche Herausforderungen. Um erfolgreich zu sein, müssen Sie Kosten und Nutzen von KI sinnvoll abschätzen, sich um Datenerfassung und -qualität kümmern, interne Kompetenzen entwickeln und auf die schrittweise Implementierung neuer Technologien setzen. Darüber hinaus ist es von entscheidender Bedeutung, die konkreten geschäftlichen Auswirkungen von Implementierungen zu messen und schnell auf auftretende Probleme zu reagieren. Nur dann wird die KI zu einer Bereicherung und nicht zu einer Bedrohung für das Unternehmen.

Wenn Ihnen unsere Inhalte gefallen, treten Sie unserer fleißigen Bienen-Community auf Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest und TikTok bei.

Autor: Robert Whitney

JavaScript-Experte und Dozent, der IT-Abteilungen coacht. Sein Hauptziel ist es, die Teamproduktivität zu steigern, indem er anderen beibringt, wie sie beim Codieren effektiv zusammenarbeiten können.

Alle Beiträge anzeigen

KI in der Wirtschaft:

1. Bedrohungen und Chancen von KI in der Wirtschaft (Teil 1)
2. Bedrohungen und Chancen von KI in der Wirtschaft (Teil 2)
3. KI-Anwendungen in der Wirtschaft – Überblick
4. KI-gestützte Text-Chatbots
5. Business NLP heute und morgen
6. Die Rolle von KI bei der Geschäftsentscheidung
7. Planen von Social-Media-Beiträgen. Wie kann KI helfen?
8. Automatisierte Social-Media-Beiträge
9. Neue Dienste und Produkte, die mit KI arbeiten
10. Was sind die Schwächen meiner Geschäftsidee? Eine Brainstorming-Sitzung mit ChatGPT
11. Verwendung von ChatGPT im Unternehmen
12. Synthetische Schauspieler. Top 3 KI-Videogeneratoren
13. 3 nützliche KI-Grafikdesign-Tools. Generative KI in der Wirtschaft
14. 3 großartige KI-Autoren, die Sie heute ausprobieren müssen
15. Erkunden Sie die Macht der KI bei der Musikproduktion
16. Erschließen Sie neue Geschäftsmöglichkeiten mit ChatGPT-4
17. KI-Tools für den Manager
18. 6 tolle ChatGTP-Plugins, die Ihnen das Leben erleichtern werden
19. 3 KI-Grafiken. Generierte Intelligenz für Ihr Unternehmen
20. Wie sieht die Zukunft der KI laut McKinsey Global Institute aus?
21. Künstliche Intelligenz in der Wirtschaft – Einführung
22. Was ist NLP oder natürliche Sprachverarbeitung im Geschäftsleben?
23. Automatische Dokumentenverarbeitung
24. Google Translate vs. DeepL. 5 Anwendungen der maschinellen Übersetzung für Unternehmen
25. Der Betrieb und die Geschäftsanwendungen von Voicebots
26. Virtuelle Assistententechnologie oder wie spricht man mit KI?
27. Was ist Business Intelligence?
28. Wird künstliche Intelligenz Business-Analysten ersetzen?
29. Wie kann künstliche Intelligenz bei BPM helfen?
30. KI und soziale Medien – was sagen sie über uns?
31. Künstliche Intelligenz im Content Management
32. Kreative KI von heute und morgen
33. Multimodale KI und ihre Anwendungen in der Wirtschaft
34. Neue Interaktionen. Wie verändert KI die Art und Weise, wie wir Geräte bedienen?
35. RPA und APIs in einem digitalen Unternehmen
36. Der zukünftige Arbeitsmarkt und kommende Berufe
37. KI in EdTech. 3 Beispiele für Unternehmen, die das Potenzial künstlicher Intelligenz genutzt haben
38. Künstliche Intelligenz und die Umwelt. 3 KI-Lösungen, die Ihnen beim Aufbau eines nachhaltigen Unternehmens helfen
39. KI-Inhaltsdetektoren. Sind sie es wert?
40. ChatGPT gegen Bard gegen Bing. Welcher KI-Chatbot führt das Rennen an?
41. Ist Chatbot AI ein Konkurrent der Google-Suche?
42. Effektive ChatGPT-Eingabeaufforderungen für HR und Personalbeschaffung
43. Prompte Technik. Was macht ein Prompt-Ingenieur?
44. AI-Mockup-Generator. Top 4 Werkzeuge
45. KI und was sonst? Top-Technologietrends für Unternehmen im Jahr 2024
46. KI und Wirtschaftsethik. Warum Sie in ethische Lösungen investieren sollten
47. Meta-KI. Was sollten Sie über die KI-gestützten Funktionen von Facebook und Instagram wissen?
48. KI-Regulierung. Was müssen Sie als Unternehmer wissen?
49. 5 neue Einsatzmöglichkeiten von KI in der Wirtschaft
50. KI-Produkte und -Projekte – wie unterscheiden sie sich von anderen?
51. KI-gestützte Prozessautomatisierung. Wo soll man anfangen?
52. Wie passen Sie eine KI-Lösung an ein Geschäftsproblem an?
53. KI als Experte für Ihr Team
54. KI-Team vs. Rollenverteilung
55. Wie wählt man ein Berufsfeld in der KI aus?
56. Lohnt es sich immer, künstliche Intelligenz in den Produktentwicklungsprozess einzubauen?
57. KI im Personalwesen: Wie sich die Automatisierung der Personalbeschaffung auf die Personal- und Teamentwicklung auswirkt
58. Die 6 interessantesten KI-Tools im Jahr 2023
59. Die 6 größten geschäftlichen Pannen, die durch KI verursacht werden
60. Was ist die KI-Reifeanalyse des Unternehmens?
61. KI für B2B-Personalisierung
62. ChatGPT-Anwendungsfälle. 18 Beispiele, wie Sie Ihr Geschäft mit ChatGPT im Jahr 2024 verbessern können
63. Mikrolernen. Eine schnelle Möglichkeit, neue Fähigkeiten zu erwerben
64. Die interessantesten KI-Implementierungen in Unternehmen im Jahr 2024
65. Was machen Spezialisten für künstliche Intelligenz?
66. Welche Herausforderungen bringt das KI-Projekt mit sich?