Yahoo Finanzen Sechs Faktoren, um KI erfolgreich in eurem Unternehmen zu etablieren
Alex Karp, CEO der KI-Plattform Palantir, hat eine klare Botschaft: „Jetzt ist es an der Zeit, mit Künstlicher Intelligenz (KI) Gewinne zu schreiben, anstelle von Gedichten.“
Doch wie gelingt es führenden Unternehmen im Bereich der künstlichen Intelligenz, viele davon Tech-Player aus den USA, die KI nahtlos in ihre bestehenden Prozesse zu integrieren und innovative Geschäftsmodelle zu etablieren?
Erfolgsfaktor 1: Einbindung von Topmanagement und Fachbereichsführung
Während viele Unternehmen die Umsetzung ihrer ersten KI-Anwendungsfälle oft von der Basis aus starten, braucht es für die breitflächige Integration ein Mandat der Geschäftsführung. Diese muss an die Technologie glauben und den Teams den nötigen Rückhalt bieten. Warum? Nun, die beträchtlichen Investitionsanforderungen und die Amortisationsdauer, bis sich die Initiativen spürbar auf den Unternehmenserfolg auswirken, erfordern Geduld, die das Backing des Topmanagements unabdingbar macht.
Außerdem erfordert die Einführung und Skalierung von KI einen Kulturwandel hin zu einer Kultur des Experimentierens in agilen Teams. Denn genau dieses Mindset, dieses Zusammenarbeitsmodell, führt zu einer höheren Risikotoleranz und ermöglicht den Wissensaustausch – gerade dann, wenn die Wege zum Ziel nicht vordefiniert sind. Schließlich ist KI nicht nur eine Technologie, um Prozesse zu automatisieren, sondern bietet Unternehmen in der Zukunft auch vermehrt die Möglichkeit, völlig neue Geschäftsmodelle zu etablieren – eine zentrale Managementaufgabe.
Neben dem Topmanagement ist das mittlere Management gefragt. Führungskräfte in den Fachbereichen verfügen über wichtiges Wissen in Bezug auf Pain Points und Potenziale sowie Budgets und Personalressourcen. Sie sind es, die davon profitieren, wenn Initiativen in ihrem Bereich pilotiert und letztlich zur Reife gebracht werden. Genau deshalb sollten Data Scientists versuchen, diese Manager als Sponsoren zu gewinnen. Zudem besteht hier die Chance für Führungskräfte im mittleren Management, sich zu profilieren, indem sie sich mit KI beschäftigen und aktiv den Kontakt zu Kollegen aus IT und Data Science suchen.
Bei Startups sind oft Investoren die Treiber für den Einsatz von KI, um den Wert ihrer Beteiligung mit gezielten Investitionen zu steigern. Dieser Schwung von der Kapitalseite sollte genutzt werden, um relevante Themen mit konkretem Payback voranzutreiben – nicht für Alibi-Projekte ohne konkreten Business Case.
Erfolgsfaktor 2: Kollaborative Organisationsmodelle
Die bereits erwähnte Zusammenarbeit in agilen Teams aus Data Scientists und Business Verantwortlichen ist der zentrale Schlüssel zur erfolgreichen Umsetzung von KI-Anwendungsfällen. Diese Teams übernehmen dauerhaft Verantwortung für den Geschäftserfolg und da sie unterschiedliche Fähigkeiten bündeln, sind sie komplett entscheidungs- und handlungsfähig und überbrücken die klassischen Herausforderungen funktionaler Organisationen, wie aufwendige Abstimmungsprozesse zwischen Bereichen oder Silodenken.
Agile Arbeitsweisen ermöglichen es den Teams, sich einzuspielen und schließlich zu Experten für ihre Kunden und Produkte zu werden. Gerade im Bereich der KI ist das entscheidend, da es darum geht, über fortlaufendes Experimentieren die optimalen Modelle zur Problemlösung herauszuarbeiten. Wenn die Organisation wenig erfahren beim Einsatz agiler Methoden ist, kann zum Start ein technologieinteressierter Manager mit einem Tech-Sales- oder Consulting-Hintergrund zwischen den Fachbereichen und der internen IT oder gar externen Dienstleistern vermitteln.
Mit zunehmender Reife und Relevanz von künstlicher Intelligenz bietet sich das Insourcing und der Aufbau unterschiedlicher agiler Produktteams für Anwendungsbereiche wie zum Beispiel CRM oder Forecasting an. Gerade Startups organisieren sich heute schon oft in agilen Teams, da dies ein wesentlicher Erfolgsfaktor digitaler Innovationen jeder Art ist.
Herausfordernd ist es eher für junge Unternehmen, die in traditionellen Industrien zu Hause sind und agile Arbeitsweisen nicht gewohnt sind. Oder für jene Unternehmen, die zu wenig Data Science Ressourcen haben und daher nicht die Möglichkeit haben, diese über unterschiedliche Produktteams zu verteilen.
Erfolgsfaktor 3: Kulturellen Wandel fördern
Gerade weil die erfolgreiche Entwicklung von KI-Modellen dem ständigen Experimentieren mit ungewissem Ausgang gleicht, ist es so bedeutend, einen Kulturwandel anzustoßen, der eine solche Arbeitsweise fördert. Lasst uns bitte nicht mehr von einer Fehlerkultur sprechen, sondern von einer Kultur des Experimentierens. Es geht also gerade darum, die Kosten von Fehlern zu minimieren und einen kulturellen und technologischen Rahmen zu schaffen, der für eine solche Sichtweise benötigt wird.
Heute folgen immer mehr deutsche Unternehmen – vor allem im Startup Umfeld – dem angelsächsischen Vorbild und definieren Leitsätze, die Werte wie offene Kommunikation, Datenorientierung sowie Verantwortungs- und Leistungsbewusstsein hochhalten. Um glaubwürdig und effektiv zu sein, müssen diese Werte von der Spitze vorgelebt werden und entlang des gesamten Lebenszyklus der Mitarbeiter – von der Einstellung über Feedbackgespräche und Beförderungen – Eingang erhalten. Auf die Weise sollte die Bereitschaft kalkulierte Risiken einzugehen, zunehmen, aber auch das Verständnis Einzug halten, dass die Automatisierung von Aufgaben niemanden von der Verantwortung für das Arbeitsergebnis entbindet.
Neben der langfristigen Aufgabe eine Innovationskultur zu etablieren gilt es, kurzfristig die Ängste der Mitarbeiter ernst zu nehmen, Ihnen Ihre bedeutende Rolle bei der Zusammenarbeit und dem Trainieren der KI-Co-Piloten zu verdeutlichen und alternative Rollen und Karrierewege aufzuzeigen. Diese Kommunikation ist entsprechend mit Qualifizierungsangeboten der Mitarbeiter zu flankieren. Auch wenn man meinen könnte, dass junge Unternehmen im Vergleich zu etablierten Großunternehmen weniger Herausforderungen mit einem derartigen Kulturwandel haben, oder schon ein entsprechendes Mindset leben, ist dies Mitnichten der Fall. Ich habe erst in letzter Zeit mit Gründern und Managern von Startups gesprochen, die gerade einen solchen Kulturwandel mühsam vorantreiben.
Erfolgsfaktor 4: Einbeziehung von künstlicher Intelligenz in strategische Entscheidungen
Mit der wachsenden Bedeutung von KI für Unternehmen muss auch ihr Einfluss auf strategische Entscheidungen zunehmen. Ein wichtiger Faktor ist hierbei die Konzeption einer Datenstrategie, die die langfristige Vision eines Unternehmens für die Erfassung, Speicherung und Verwendung ihrer Daten beinhaltet. Ein häufig etabliertes Konzept ist hierbei eine dezentrale Datenarchitektur (Data Mesh), wo Daten nach klar abgrenzbaren Fachgebieten (zum Beispiel Kunden, Lieferanten) anforderungsgerecht von spezialisierten Teams gemanagt und bereitgestellt werden. Auf diese Weise werden klassische Probleme der Big Data-Architekturen wie Datensilos oder lange Antwortzeiten behoben.
Eine weitere strategische Überlegung ist das Neudenken von Geschäftsprozessen, um KI überhaupt erst nutzbar zu machen. Gerade um das Potenzial zur Geschäftsmodellinnovation von künstlicher Intelligenz zu heben, ist es notwendig, bestehende Prozesse zu hinterfragen. Ein Beispiel hierfür sind autonome Fahrzeuge, die mittelfristig zu einer Veränderung bei der Fahrzeugarchitektur und Produktion führen und Geschäftsmodelle wie Peer-to-Peer-Mobilitätsplattformen massiv stärken werden. Doch um die KI-Transformation, bevor sie an Schwung gewonnen hat, nicht durch kräftezehrende Prozessanpassungen zu bremsen, sollten zum Start eher die Anwendungsfälle gewählt werden, bei denen gerade kein Reengineering vonnöten ist.
Eine besonders bedeutende strategische Entscheidung in Bezug auf künstliche Intelligenz ist die der Eigenentwicklung von Lösungen oder des Fremdbezugs (Build or Buy). Überraschenderweise sind es heute gerade Startups und Digital Natives, die vermehrt schlüsselfertige KI-Lösungen integrieren, um Geschwindigkeit aufzunehmen. Zu einem späteren Zeitpunkt ergibt es dann sicher Sinn, die Eigenentwicklung anzudenken, abhängig von Faktoren wie der strategischen Relevanz fürs Unternehmen, dem Differenzierungspotenzial eines Anwendungsfalls oder der Verfügbarkeit proprietärer Daten.
Erfolgsfaktor 5: Umfeld für die KI-Integration schaffen
Ein Schlüsselfaktor für den Erfolg ist die Implementierung von routinierten Abläufen zur Messung des Fortschritts der KI-Transformation. Zunächst braucht es ein Kennzahlengerüst für die Data Scientists, das auf die Geschäftsziele des Unternehmens ausgerichtet ist. Nur so können Experten die übergreifenden Ziele auch wirksam verfolgen und die Gefahr, dass KI zu einem Forschungsprojekt ohne Bezug zum Business wird, ist gebannt.
Meist geht es bei diesen Kennzahlen um konkrete Geschäftsergebnisse wie die Erhöhung der Conversion. Doch die Messung des Fortschritts von KI-Initiativen gilt nicht nur für die Technologiebereiche, sondern gleichermaßen für die Abläufe in den Fachbereichen. KI-Vorreiter steigern ihren Erfolg, indem sie Kennzahlen zur Messung der KI-Adoption wie Automatisierungsraten heranziehen und diese in Business Reviews eng tracken.
Erfolgsfaktor 6: Technologische Kompetenzentwicklung
Zum Start einer KI-Transformation können Systemintegratoren beauftragt werden, Lösungen zu entwickeln oder gar schlüsselfertige Lösungen zu integrieren. Mit zunehmenden Ambitionen steigt die Bedeutung erfahrener Data Scientists für die erfolgreiche Entwicklung von KI-Modellen im Unternehmen. Denn sie bringen wertvolle Erfahrungen aus abgeschlossenen Projekten mit und konzentrieren sich darauf, greifbare Geschäftsergebnisse zu liefern. Das erfordert auch den Aufbau von zentralen Data-Engineering-Teams, da sie die kontinuierliche Verfügbarkeit und Qualität der benötigten Daten sicherstellen.
Zusätzlich möchte ich die zentralisierten „Plattformteams“ als entscheidenden Erfolgsfaktor betonen. Sie bieten wiederverwendbare Tools, Blaupausen und Schulungen an, um sicherzustellen, dass die Anwendung von künstlicher Intelligenz über einzelne Bereiche hinaus im gesamten Unternehmen möglich ist.
Ein weiterer entscheidender Aspekt bei der Entwicklung eigener Modelle ist die Produktisierung von KI-Anwendungsfällen. Das bedeutet, dass KI-Modelle sowohl intern in bekannten Anwendungen (wie ERP- oder CRM-Systemen) sofort nutzbar gemacht werden als auch nahtlos in kommerziell nutzbare Produkte für externe Kunden integriert werden. Hier gilt besonderes Augenmerk, denn Data Scientists fehlt oft die kritische Fähigkeit zur Produktisierung, da sie in den Bereich der traditionellen Softwareentwicklung fällt.
Ein letzter wesentlicher Treiber für den KI-Erfolg in der Skalierungsphase reifer KI-Anwender ist die Demokratisierung von KI. Hier besteht das Ziel darin, Entwicklern und Business Analysts ohne tiefgehende KI-Kenntnisse das selbstständige Entwickeln von KI-Lösungen über Low-Code/No-Code-Plattformen zu ermöglichen. Sie ermöglichen es den Unternehmen, KI auch ohne umfangreiche Data-Science-Kenntnisse zu nutzen, sodass sich KI schneller verbreitet und die knappen Ressourcen keinen Engpass darstellen.
Dieser Beitrag stammt von Dr. Tawia Odoi, Mitglied der Geschäftsführung bei Lidl Digital International, ehemaliger Manager bei Amazon und AWS, Autor und Speaker. Seine Erfahrungen aus Forschung und Unternehmenspraxis hat er in seinem Buch „KI-Exzellenz – Erfolgsfaktoren im Management jenseits des Hypes“ festgehalten.
