Implementierung von KI: Hürden und Handlungsempfehlungen
Studien zeichnen ein Bild, wie es mit der Implementierung von KI in Unternehmen bestellt ist. Hindernisse dabei sind oft fehlende personelle Ressourcen und mangelnde Unterstützung durch das Management.
Künstliche Intelligenz (KI) wird in unserem (beruflichen) Alltag immer präsenter. Wer hätte noch vor 20 Jahren gedacht, dass es einmal Software geben wird, die die Verantwortlichen im Vertrieb dabei unterstützt, Aussagen über wahrscheinlich eintretende Ereignisse zu treffen.
KI-basierte Datenanalysen, wie sie etwa mit Predictive Analytics möglich sind, helfen beim Erstellen von Prognosen und dem Ableiten von Handlungsempfehlungen. Zum Beispiel, wie wahrscheinlich ist es, dass ein bestimmter Kunde dem Unternehmen den Rücken kehrt (Churn Prediction)? Oder mit welcher Wahrscheinlichkeit wird ein Kunde ein bestimmtes Produkt kaufen oder einen bestimmten Preis akzeptieren?
Für die Beantwortung dieser und anderer Fragen im Vertrieb kann KI in Form von Predictive-Analytics-Software eine wichtige Unterstützung sein.
Aber auch in anderen Bereichen kommt KI zum Einsatz. Im Blogbeitrag “Wo Künstliche Intelligenz den Vertrieb schon heute unterstützt” finden Sie sieben dieser Anwendungsbereiche.
Die größten Hemmnisse für den Einsatz von KI laut Bitkom
Nun lässt sich trefflich über all die Vorteile schreiben, die künstliche Intelligenz für Unternehmen bringt. Die Bandbreite ist groß: Effizienz- und Produktivitätsgewinne, Übernahme langweiliger Routineaufgaben, automatisierte Prozesse, Reduktion von Fehlern, weniger Kosten.
Bis es aber soweit ist und KI die beabsichtigten Wirkungen zeigt, muss sie erst einmal implementiert werden. Eine vielleicht banale Erkenntnis, aber die Praxis zeigt, dass das oft mit großen Hürden verbunden ist. Hier gibt es aufgrund der vielfältigen Geschäftsmodelle von Unternehmen viele unterschiedliche und individuelle, situationsabhängige Hürden, wobei Umfrageergebnisse beziehungsweise Studien eine gewisse Objektivierung der Schwierigkeiten ermöglichen.
So kommt der Digitalverband Bitkom in einer Befragung unter 606 Unternehmen ab 20 Beschäftigten aus allen Branchen in Deutschland zum Ergebnis, dass KI in den Unternehmen nur langsam vorankommt.
Die größten Hemmnisse für den KI-Einsatz in Unternehmen seien derzeit:
● Fehlende personelle Ressourcen (62 Prozent)
● Fehlende Daten für den KI-Einsatz (62 Prozent)
● Fehlende finanzielle Ressourcen (50 Prozent)
● Verunsicherung durch rechtliche Hürden (49 Prozent)
● Fehlendes technisches Know-how (48 Prozent)
● Fehlende Zeit (46 Prozent)
Rund ein Drittel nennt die fehlende Akzeptanz der Beschäftigten sowie allgemein fehlendes Vertrauen in KI. 22 Prozent fehlt es immer noch an Use Cases für KI im Unternehmen. Bemerkenswert ist auch: Gerade einmal in 14 Prozent der Unternehmen wird das Thema KI von Geschäftsführung beziehungsweise dem Vorstand vorangetrieben – das heißt, es ist also keineswegs überall „Chefsache“.
Zugriff auf relevante Daten und Einhaltung von Data Governance als Hemmnisse
Hürden und Hindernisse hat auch die Studie „AI-Ambitions 2022“ vom Marktforschungsinstitut Vanson Bourne im Auftrag von Fivetran, einem Anbieter für moderne Datenintegration, ausgemacht. An der Online-Umfrage nahmen 550 IT-Führungskräfte sowie Data Scientists aus den USA, Großbritannien, Irland, Frankreich und Deutschland teil. Die zentrale Aussage der Studie: Trotz großer Ambitionen und Investitionsbereitschaft gelingt es Unternehmen nur bedingt, KI im Rahmen von Entscheidungsprozessen zu nutzen.
41 Prozent der befragten Unternehmen sehen noch Verbesserungspotenzial bei der Implementierung von KI. Entsprechend richten sie ihre IT-Budgets neu aus. Die Investitionsvorhaben in Deutschland konzentrieren sich dabei vor allem auf den Einsatz neuer Technologien für Datenintegration, Sicherheit und Data Governance, KI beziehungsweise Machine Learning sowie den Aufbau von KI-Fachkräften und Data Scientists.
Diese Hürden gibt es gemäß der Studie bei der Implementierung von KI:
– Integration von Daten
Rund drei Viertel der befragten Unternehmen können nur teilweise auf relevante Daten für KI-Systeme, Workloads und Modelle für Machine Learning zugreifen. 73 Prozent haben Schwierigkeiten mit dem ETL-Prozess (Extract, Transform, Load) und sind nur bedingt in der Lage, die aus Daten gewonnenen Erkenntnisse in Handlungsempfehlungen zu überführen.
– Finanzielle Einbußen
Viele KI-Projekte werden begonnen, dann aber nicht zu Ende gebracht. Diese Projekte kosten die Unternehmen viel Geld. Die Befragten schätzen, dass durch unausgereifte Modelle zu Machine Learning, die auf unsauberen oder fehlerhaften Daten basieren, im Schnitt fünf Prozent des weltweiten Jahresumsatzes verloren gehen.
– Ineffektiver Einsatz von Personal
Das Potenzial der Data Scientists und Data Engineers in den Unternehmen wird nicht in vollem Umfang eingesetzt. Und das, obwohl diese Mitarbeiter*innen eine tragende Rolle bei der Implementierung von KI spielen. Das Gros ihrer Arbeit verbringen diese Datenexpert*innen stattdessen mit der Aufbereitung der Daten.
– Einhaltung der Data-Governance
Laut der Studie sehen ganze 90 Prozent der Befragten notwendige Verbesserungen bei der Einhaltung der Data-Governance, das heißt bei den gesetzlichen Anforderungen im Umgang mit Daten. In Deutschland fällt diese Einschätzung positiver aus. Hier sind es gerade einmal 18 Prozent, die wenig oder gar keinen Bedarf für Verbesserungen sehen.
Daten sind die Basis von künstlicher Intelligenz
Die Studie zeigt: In den meisten Unternehmen (92 Prozent) ist die Basis für die Nutzung von künstlicher Intelligenz längst gelegt. Diese Unternehmen sammeln und nutzen Daten aus ihren operativen Systemen und verwenden sie für Machine Learning-Modelle. Trotz dieser vorhandenen technischen Infrastruktur befinden sich aber noch mehr als die Hälfte im Anfangsstadium, was die Nutzung von KI anbelangt, oder sie setzen sie in moderatem Umfang ein. Lediglich 14 Prozent vertrauen bei der Entscheidungsfindung auf KI-gestützte Prozesse. Bemerkenswert: 90 Prozent der Unternehmen bauen weiter auf manuelle Datenprozesse statt auf die Automatisierung mittels Machine Learning und KI.
George Fraser, CEO von Fivetran, betont: „Was die Umfrage deutlich macht: Unternehmen haben enormen Nachholbedarf bei der Übertragung und dem Zugriff von Daten. Ein erfolgreiches KI-Programm braucht jedoch ein solides Fundament an Daten, und das beginnt in der Regel mit einem Cloud-Data-Warehouse oder einem Data Lake. Daten-Analyse-Teams, die hier auf einen modernen Daten-Stack setzen, können ihre Daten in vollem Umfang ausschöpfen und einen echten ROI in Sachen KI und Data Science realisieren.“
Implementierung von KI scheitert meist an der internen Organisation
Andere Expertisen, so zum Beispiel die der CBS International Business School mit dem Titel „Künstliche Intelligenz in kleinen und mittleren Unternehmen”, nennen vor allem drei Bereiche, in denen es vorwiegend zu Hürden bei der Implementierung von KI kommt: Technologie, Organisation und Mensch.
Zu den technologischen Hürden gehören demnach:
● Schwere Zugänglichkeit für externe KI-Expertise
● Risiko des Missbrauchs von Technologie, Datenschutz und digitale Ethik
Zu den organisatorischen Hürden zählen:
● Fehlende Unterstützung durch das höhere Management
● Mangelndes Verständnis der strategischen Vorteile
● Fehlende Datenbasis
● Mangelhafte technische Infrastruktur
● Mangelhafte Kompatibilität mit Prozessen und Organisationsstrukturen
Beim Faktor Mensch existieren diese Hemmnisse:
● Interner Widerstand der Belegschaft
● Bedenken von Kunden
Auf technologischer Seite sehen viele die zunehmende Autonomie von auf KI-basierenden Systemen als Problem. Hier stellt sich die Frage nach einer Eigen- oder Fremdverantwortlichkeit. Um hier kein Sicherheitsrisiko einzugehen, wird ein rechtlicher Rahmen empfohlen, den es einzuhalten gilt. Gleiches gilt für eine digitale Ethik, vor allem, was das Thema Diskriminierungen durch KI anbelangt.
Eine große Hürde bei der Implementierung von KI in Unternehmen ist die mangelnde Expertise auf diesem Gebiet in den Unternehmen selbst. Eine Lösung kann deshalb das Engagement externer Beratungsfirmen sein. Die AutorInnen der Untersuchung der CBS International Business School empfehlen, mit einer konkreten Problemstellung auf diese Firmen zuzugehen. Wichtig sei, deren Spezialisierungen im Vorfeld zu prüfen und mit einem Minimum Viable Product (MVP) zu beginnen. Der Vorteil: Die Problemstellung ist überschaubar, man behält leichter den Überblick und erzielt schnell Fortschritte.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Management muss Implementierung von KI visionär mittragen
Die Implementierung von KI ist mehr als nur operatives Tagesgeschäft. Solch ein Schritt, der Unternehmen oft in ihrer DNA berührt, ist strategischer Natur und legt die Grundlagen für die Zukunft eines Unternehmens. Daher sollte dieser Schritt klar auf der Ebene der Geschäftsleitung positioniert und dort entsprechend fokussiert werden. Ohne Fürsprache und Rückhalt, ohne aktiven Einsatz des Managements für die Implementierung von KI wird diese keinen Erfolg haben.
Voraussetzung für diesen Einsatz des Managements ist die eigene Überzeugung, dass KI einen strategischen Vorteil für das Unternehmen bringt. Wer vom Mehrwert dieses Schrittes nicht überzeugt ist, wird weder eine Vision davon entwickeln noch Budgets dafür freigeben. Um für ein besseres Verständnis für diesen Mehrwert zu sorgen und Innovationen auf diesem Gebiet zu verfolgen, kann der Einsatz sogenannter Innovation Scouts hilfreich sein. Sie besuchen spezielle KI-Events oder Messen und erkundigen sich dort nach neuen Technologien. Im Prinzip sind sie so etwas wie „Übersetzer“ für das Management der Unternehmen.
Den Ängsten, die letztlich die Beschäftigten bei der Implementierung von KI umtreibt (zum Beispiel Arbeitsplatzverlust), lassen sich mit einem gut organisierten Change-Management begegnen. Dieses zeichnet sich durch folgende Maßnahmen aus:
● Intensive Kommunikation
● Schaffen eines Verständnisses für die Möglichkeiten und Funktionsweise von KI
● Offene Diskussion von Risiken
● Raum für Ängste und Sorgen
● Weiterbildungsmöglichkeiten
● Frühe Einbindung aller Prozessbeteiligten und späteren Anwender schon während der Entwicklungsphase
Für alle Implementierungsvorhaben gilt: Unternehmen sollten prüfen, welche konkreten Problemstellungen durch den Einsatz von KI gelöst werden können.
Dafür braucht es ein grundlegendes Verständnis der Technologie, eine zum Unternehmen passende KI-Strategie sowie ein Team, das diese Strategie umsetzen kann. Im nächsten Schritt geht es dann darum, den einmal eingeschlagenen Weg in der Praxis umzusetzen. Hier genügt zunächst ein kleinerer Use Case, um Erfahrungen zu sammeln. Mit den daraus gewonnenen Erkenntnissen lässt sich die KI-Anwendung ausweiten und damit die ersten Mehrwerte erzielen.
