Die Welt der Künstlichen Intelligenz (KI) kann einschüchternd wirken, insbesondere für Entscheider:innen ohne tiefen technischen Hintergrund. Viele glauben, dass komplexes Modelltraining und riesige Datenmengen erforderlich sind um KI im Unternehmen implementieren zu können, was verständlicherweise abschreckend wirkt. Die Realität ist jedoch weitaus zugänglicher. Dieser Artikel befasst sich mit der praktischen Seite der KI-Implementierung und beschreibt einen optimierten Prozess, mit dem Sie die Möglichkeiten der KI für Ihr mittelständisches Unternehmen erschließen können.
Inhaltsübersicht
KI im Unternehmen implementieren: häufige Missverständnisse
Ein weit verbreiteter Irrglaube ist, dass KI-Projekte die von Grund auf neue Erstellung komplexer Modelle erfordern. Das kann man durchaus tun, es ist allerdings für die meisten Geschäftsanwendungen absolut überdimensioniert. Bei Dentro konzentrieren wir uns deshalb auf einen praktischeren Ansatz, der Geschwindigkeit, Effizienz und ROI (Return on Investment) in den Vordergrund stellt.
KI-Implementierungsoptionen
Manche KI-Projekte erfordern zwar eine individuelle Modellentwicklung, doch in vielen Fällen lassen sich effektive Lösungen auch durch alternative Ansätze erreichen. In der Praxis haben sich dabei unterschiedliche Vorgehen bewährt, welche nachfolgend kurz vorgestellt und erklärt werden.
Programmatische Lösungen
Häufig lassen sich Aufgaben, die vermeintlich KI benötigen „KI“, mit einfachem Programmcode lösen. Wir sehen immer wieder, dass Anwendungsfälle an uns herangetragen werden, für welche schlichtweg gar nicht notwendig ist, KI im Unternehmen zu implementieren. Der Fokus sollte stets weniger auf dem Einsatz attraktiver Technologien liegen, als vielmehr auf einer effizienten Problemlösung. Und manchmal tut das ganz einfach guter alter, vermeintlich langweiliger Code.
Beispiele: Entfernen von bestimmten Informationen aus PDFs und andere Formen vergleichbar einfacher Dokumentenverarbeitung.
Nutzung großer Sprachmodelle (LLMs)
Große Sprachmodelle (Large Language Models, LLMs) sind vortrainierte KI-Modelle mit umfangreichen Kenntnissen und Fähigkeiten. Beispielsweise können Sie Aufgaben wie Texterstellung, Übersetzung oder Datenanalyse durchführen. OpenAI hat etwa eine solche LLM in der allseits bekannten Anwendung ChatGPT im Einsatz. Diese Sprachmodelle können out of the box genutzt werden. Das bedeutet, dass sie über eine Programmierschnittstelle (API) angesprochen werden, wobei je nach Modell unterschiedlich hohe Kosten anfallen. Individuelle Ergebnisse können aber durchaus auch beim Einsatz fertigen KI-Modellen beeinflusst werden. Zum Beispiel durch spezifische, auf den Anwendungsfall zugeschnittene Eingabeaufforderungen (Prompts) und einige weitere System-Parameter.
LLMs sind oftmals Teil der ersten Schritte wenn wir gefragt werden, wie man erfolgreich KI im Unternehmen implementieren kann.
Beispiele: Interne KI-Chatbots oder fortgeschrittenere Dokumentenverarbeitung.
Retrieval-Augmented Generation (RAG) und Finetuning
In Situationen, in denen große Mengen Ihrer eigenen Daten verarbeitet werden sollen, stoßen LLMs ohne weiteres Zutun schnell an ihre Grenzen. Hier können fortgeschrittenere Techniken wie Retrieval Augmented Generation (RAG) oder Finetuning Abhilfe schaffen. Beide Methoden führen dazu, dass die KI-Lösung sowohl auf ihr bereits vorhandenes, allgemeines Wissen als auch auf die spezifischen Informationen aus Ihren Daten zugreifen kann, was zu genaueren und relevanteren Ergebnissen führt.
Beispiel: Customer Chatbot mit internem Wissen zum Unternehmen.
Der Dentro-Prozess: Eine Schritt-für-Schritt-Anleitung
KI im Unternehmen implementieren funktioniert vor allem anfangs gut durch die Identifikation von passenden Anwendungsfällen. Der nachfolgend beschriebene Prozess für KI-Entwicklungsprojekte basierend auf einer Vielzahl an Erfahrungen und kann immer wieder verwendet und individuell optimiert werden. Vor allem für nicht-technische Unternehmen hat er sich in der Praxis bewährt.
Schritt 1: Identifizieren eines potenziellen KI-Anwendungsfalls
Der erste Schritt besteht darin, eine spezifische geschäftliche Herausforderung, eine Aufgabe oder einen Prozess zu identifizieren, bei der KI potenziell die Effizienz, Genauigkeit oder Kundenerfahrung verbessern kann.
Schritt 2: Durchführen einer Machbarkeitsprüfung
Anschließend wird eine Schnellbewertung durchgeführt, um festzustellen, ob KI die richtige Lösung für den identifizierten Anwendungsfall ist. Dabei werden Faktoren wie Datenverfügbarkeit, Projektkomplexität und potenzieller Return on Investment (ROI) bewertet.
Schritt 3: Entwicklung eines Prototyps
Sollte sich der Anwendungsfall als theoretisch machbar erweisen, wird ein erster Prototyp entwickelt, um das Konzept zu demonstrieren und erstes Feedback einzuholen. Dies ermöglicht eine frühzeitige Kurskorrektur und stellt sicher, dass die Lösung den spezifischen Anforderungen entspricht. Idealerweise kann bereits der Prototyp produktiv genutzt werden und bringt erste Zugewinne in Effizienz und/oder Qualität.
Schritt 4: Testen und Verbessern
Der Prototyp wird anschließend gründlich getestet, um mögliche Probleme zu erkennen und zu beheben. Auf Grundlage des Feedbacks wird die Lösung verfeinert und verbessert, bis sie das von das gewünschte Leistungsniveau erreicht. Am besten funktioniert dies, indem vorab Zielresultate formuliert werden, deren Erreichung entsprechend mess- bzw. kontrollierbar ist.
Schritt 5: Bereitstellung für den praktischen Einsatz
In der letzten Phase wird die KI-Lösung in die bestehenden Arbeitsabläufe oder Systeme implementiert. Dies gewährleistet eine reibungslose Integration und ermöglicht es, die Vorteile der KI im täglichen Betrieb zu nutzen.
Hilfreiche Tipps
- Behalten Sie während des gesamten Prozesses den absehbaren geschäftlichen Nutzen des Anwendungsfalls im Blick. Wenn die Zeit- und Kosteneinsparungen den Aufwand nicht rechtfertigen, macht es in der Regel unabhängig von der technischen Machbarkeit keinen Sinn, den Anwendungsfall weiter zu verfolgen.
- Konzentrieren Sie sich auf Anwendungsfälle, welche nicht 100% korrekte Resultate liefern müssen, sondern bei denen es ausreicht, wenn ein Großteil der Arbeit von der KI erledigt wird.
- Forcieren Sie Anwendungsfälle, welche intern zum Einsatz kommen. Dies aus dem einfachen Grund, da der Anspruch an Qualität, Verlässlichkeit und Nutzerfreundlichkeit in den allermeisten Fällen bei Applikationen zur internen Verwendung geringer ist als bei jenen, welche von Endkunden genutzt werden sollen.
Die Vorteile eines rationalisierten Ansatzes
Unternehmen, die bei der KI-Implementierung einen schlanken Ansatz wählen, können von mehreren Vorteilen profitieren:
Schnellere Implementierung
Durch den Einsatz von vortrainierten Modellen und bewährten Tools können KI-Lösungen viel schneller bereitgestellt werden als herkömmliche Methoden. So können Sie die Vorteile von KI schneller nutzen und sich einen Wettbewerbsvorteil verschaffen. Zusätzlich erhöht sich dadurch auch die interne Akzeptanz.
Geringere Kosten
Der Bedarf an umfangreichem Modelltraining und Data Engineering wird minimiert, was zu erheblichen Kosteneinsparungen führt. Dadurch werden KI-Lösungen für ein breiteres Spektrum von Unternehmen zugänglich.
Fokus auf Geschäftswert
Der skizzierte Prozess stellt den Geschäftswert während des gesamten Entwicklungszyklus in den Vordergrund. Es empfiehlt sich stets sicherzustellen, dass die Lösung direkt auf einen bestimmten Bedarf ausgerichtet ist und einen messbaren ROI liefert.
Fazit
KI im Unternehmen implementieren muss vor allem anfangs kein übermäßig komplexes Unterfangen sein. Je nach Art des Unternehmens kann es Sinn machen, mit einem singulären KI-Projekt zu starten oder KI fortlaufend zu implementieren. Sofern der Fokus auf sinnvollen Anwendungsfällen liegt, können in der Regel schon mit verhältnismäßig wenig Aufwand erster Erfolge verzeichnet werden, welche den Grundstein für weitere Maßnahmen legen.