KI kann schlechten Boden nicht reparieren: Wie Unternehmen ihre interne Ökosysteme auf eine erfolgreiche KI-Implementierung vorbereiten können

Obwohl Geschäftsführer oft als Menschen dargestellt werden, die nur an den Gewinn denken, hat eine kürzlich durchgeführte Studie gezeigt, dass über 80% der Unternehmen ihre ROI für KI-Ausgaben nicht verfolgen. Im Gegensatz dazu haben diejenigen, die ihre ROI verfolgen, festgestellt, dass sie nicht den Erwartungen entspricht, mit nur einem Viertel der globalen CEOs, die berichten, dass ihre KI-Investitionen die ROI-Erwartungen erfüllen.

Aber wie das Sprichwort sagt, “ein schlechter Handwerker beschuldigt seine Werkzeuge” – mit anderen Worten, für viele ist die ROI enttäuschend, weil KI-Implementierungen von Anfang an zum Scheitern verurteilt sind. Wenn wir ein Unternehmen als einen Garten betrachten, müssen bestimmte Schritte unternommen werden, bevor ein Werkzeug wie KI eingesetzt wird, damit es den größtmöglichen messbaren Einfluss haben kann.

Schritt 1: Identifizieren Sie, wo Menschen unverzichtbar sind

Vielleicht aufgrund der übermäßigen Versprechungen, die in der Marketing von LLM-Produkten enthalten sind, gibt es ein häufiges Missverständnis, dass KI eine Plug-and-Play-Angelegenheit ist. In Wirklichkeit beginnen die besten KI-Implementierungen damit, zu identifizieren, wo menschliche Aufsicht unverzichtbar ist.

Zum Beispiel, als ich mit einem Rechtsdienstleistungsunternehmen zusammenarbeitete, wurden mein Team und ich beauftragt, ein KI-System zu implementieren, das in der Lage war, große 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 leistete, indem es Dokumente nach Relevanz scannen, sensible Daten markieren und Antworten zusammenfassen ließ, wurden die Ergebnisse dann 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 ROI-Prüfungen führen wird.

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

Um die ROI für KI zu maximieren, müssen Sie selektiv sein, wo Sie KI einsetzen. Ideale Prozesse, die Sie auslagern können, sind wiederkehrende oder regelbasierte Aufgaben (z. B. grundlegende Kundenbetreuung oder Rechnungscodierung), wissensintensive Nachforschungen wie Vertragsklauseln und fehleranfällige Datenverarbeitung.

Es ist dann ebenso wichtig, dass KI-Modelle strategisch konfiguriert werden, um den Arbeitsablauf zu ergänzen und nicht zu stören. Dazu müssen Sie die Mitarbeiter-Workflows in Aufgaben aufteilen und diese dann unter einer von drei Prozesskategorien einordnen: generieren, auswählen oder beurteilen. Generative Aufgaben können an KI übertragen werden, Aufgaben, die ein Urteil erfordern, bleiben bei den menschlichen Mitarbeitern, und Aufgaben, die eine Auswahl erfordern, können ein gemeinsamer Prozess sein, bei dem KI die nächsten Schritte vorschlägt und die Menschen den besten Weg vorwärts bestimmen.

Im oben genannten Beispiel für Rechtsdienstleistungen wurde KI für die erste Triage eingesetzt, 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 Durchsicht der Details der Dokumente zur Überprüfung der Ergebnisse (Urteil) – und verwandelte Arbeit, die früher Tage dauerte, in eine Angelegenheit von Stunden.

Was die ROI 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

Die Feinabstimmung von LLMs mit Ihren Unternehmensdaten kann Wettbewerbsvorteile freisetzen, aber damit KI Früchte trägt, benötigt sie nahrhafte Böden, was bedeutet, dass die Daten von hoher Qualität sein müssen. Schlechte oder verrauschte Daten werden die Ergebnisse vergiften und die Voreingenommenheit verstärken. Kurz gesagt, Ihre Daten_disziplin bestimmt die Zuverlässigkeit der Ausgabe.

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

Daher ist es von entscheidender Bedeutung, dass die Daten_eingaben Qualitätskontrollen und eine starke Governance haben – was bedeutet, dass es Zugriffskontrollen und regulatorische Compliance gibt. 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 wenn Sie sich die Zeit nehmen, ein Modell strategisch einzusetzen oder den Boden vor dem Pflanzen von Samen zu düngen, wird dies zu einem viel größeren Erfolg und einer besseren Rendite führen.