KI kann schlechten Boden nicht beheben: Wie Unternehmen ihre interne Ökosystem für eine erfolgreiche KI-Einrichtung vorbereiten können

Obwohl Unternehmensleiter oft als rein auf den Gewinn ausgerichtet dargestellt werden, hat eine kürzlich durchgeführte Studie gezeigt, dass über 80% der Unternehmen ihre Ausgaben für KI nicht auf ihre Rentabilität hin überprüfen. Im Gegenzug stellen diejenigen, die ihre Rentabilität überprüfen, fest, dass sie den Erwartungen nicht gerecht wird, da nur ein Viertel der globalen CEOs berichtet, dass ihre KI-Investitionen den Erwartungen an die Rentabilität gerecht werden.

Aber wie das Sprichwort sagt: “Ein schlechter Zimmermann beschuldigt seine Werkzeuge” – mit anderen Worten: Für viele ist die Rentabilität enttäuschend, weil KI-Einrichtungen zum Scheitern programmiert wurden. Wenn wir ein Unternehmen als einen Garten betrachten, müssen bestimmte Schritte bevor der Einrichtung eines Tools wie KI unternommen werden, damit es den größtmöglichen messbaren Einfluss hat.

Schritt 1: Identifizieren Sie, wo Menschen unerlässlich sind

Vielleicht wegen der übermäßigen Versprechungen von Fähigkeiten, die in der Marketing von LLM-Produkten liegt, gibt es ein gängiges Missverständnis, dass KI eine Plug-and-Play-Angelegenheit ist. In Wirklichkeit beginnen die besten KI-Einrichtungen damit, zu identifizieren, wo menschliche Aufsicht unverzichtbar ist.

Zum Beispiel wurden mein Team und ich bei der Arbeit mit einer Rechtsberatungsfirma mit der Implementierung eines KI-Systems beauftragt, das in der Lage war, massive Mengen an Rechtsdokumenten zu verarbeiten – sie zu klassifizieren, wichtige Fakten zu extrahieren und zu entscheiden, ob die Dateien aufbewahrt, geschwärzt oder gelöscht werden sollten.

Während KI die Hauptarbeit übernahm, indem es Dokumente auf Relevanz überprüfte, sensible Daten markierte und Antworten zusammenfasste, wurden die Ergebnisse an menschliche Anwälte weitergeleitet, die die Arbeit überprüfen, die rechtlichen Urteile bestätigen und die Klassifizierungen bei Bedarf außer Kraft setzen konnten.

Dies half nicht nur, das Unternehmen vor potenziellen Risiken zu schützen, sondern es wird auch die Kosten für die Automatisierung von den Kosten für die Aufsicht trennen, was zu sauberen Rentabilitätsaudits in Zukunft führen wird.

Schritt 2: Bestimmen Sie, wie KI Ihre Mitarbeiter am besten unterstützen kann

Um die Rentabilität von KI zu maximieren, müssen Sie selektiv sein, wo es Ihrem Unternehmen am besten dienen kann. Ideale Prozesse, die ausgelagert werden können, umfassen wiederholte oder regelbasierte Aufgaben (z. B. grundlegende Kundenbetreuung oder Rechnungscodierung), wissensintensive Nachforschungen wie Vertragsklauseln und fehleranfällige Dateneingabe und andere.

Es ist dann ebenso wichtig, dass KI-Modelle strategisch konfiguriert werden, um den Arbeitsablauf zu ergänzen und nicht zu stören. Dazu müssen Mitarbeiter-Workflows in Aufgaben unterteilt und diese Aufgaben unter einer von drei Prozesskategorien eingeteilt werden: Generieren, Auswählen oder Beurteilen. Generative Aufgaben können an KI übergeben werden, Aufgaben, die Urteilsvermögen erfordern, bleiben bei menschlichen Mitarbeitern, und Aufgaben, die eine Auswahl erfordern, können ein kollaborativer Prozess sein, bei dem KI den nächsten Schritt vorschlägt und Menschen den besten Weg vorwärts bestimmen.

Im oben genannten Beispiel für Rechtsdienstleistungen übernahm KI die anfängliche Triage, indem es Dokumente klassifizierte (generativ), sensible Inhalte markierte (generativ) und wahrscheinliche Antworten aufzeigte (selektiv). Auf diese Weise verlagerte sich die Rolle der menschlichen Mitarbeiter von der Durchsuchung der feinen Details der Dokumente zur Überprüfung der Ergebnisse (Urteilsvermögen) – und verwandelte Arbeit, die früher Tage gedauert hatte, in eine Angelegenheit von Stunden.

Was die Rentabilität betrifft, ermöglicht dies mehr Zeit, die für Ausnahmen von den Regeln aufgewendet werden kann, wo sich die Gewinne verstecken.

Schritt 3: Standardisieren Sie Ihre Trainingsdaten

Das Feintuning von LLMs mit Ihren Unternehmensdaten kann Wettbewerbsvorteile freischalten, aber damit KI Früchte trägt, benötigt sie nahrhaften Boden, was bedeutet, dass sie gute, saubere Daten benötigt. Schlechte oder verrauschte Daten werden die Ergebnisse vergiften und Vorurteile verstärken. Kurz gesagt, Ihre DatenDisziplin bestimmt die Zuverlässigkeit der Ausgabe.

Was bedeutet das? Eine große Menge und Vielfalt an Daten ist wichtig, aber es ist ebenso wichtig, dass sie von hoher Qualität sind. Inkonsistenzen in Datenformaten und Benennungskonventionen oder fehlende/ unvollständige Felder werden sich negativ auf die Qualität der Rohdaten auswirken. Ebenso werden doppelte oder unstrukturierte Datenpipelines die Speicherungskosten aufblähen und die Modellleistung verlangsamen.

Daher ist es von entscheidender Bedeutung, dass Dateneingaben Qualitätskontrollen und eine starke Governance haben – was bedeutet, dass der Zugriff kontrolliert und die Einhaltung von Vorschriften gewährleistet ist. Ohne diese Filter investieren Sie nicht in KI, sondern verbrennen nur Geld für Aufräumarbeiten.

Mit all dem KI-Hype ist es verständlich, dass Führungskräfte sich unter Druck gesetzt fühlen, so schnell wie möglich in eine Implementierung einzusteigen, aber die Zeit, die für die strategische Einrichtung eines Modells aufgewendet wird, oder der Boden, der vor dem Pflanzen von Samen gedüngt wird, wird zu weit größerem Erfolg und Rentabilität führen.