KI-Modelle und Plattformen

Andus Labs Index rückt die Vielzahl von KI-Pilotprojekten und Lücken in Arbeitsabläufen in den Mittelpunkt der Unternehmensrisiken

Andus Labs zählt die Vielzahl von KI-Pilotprojekten und die oberflächliche Nutzung von Assistenten zu den größten Hindernissen für Unternehmen und hebt die Lücke zwischen Tool-Nutzung und betrieblichen Veränderungen hervor.

Mira Kellan
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Illustrative audit team reviewing transaction data on a laptop
Wichtige PunkteAlleiniger Tool-Zugang schafft kein Betriebsmodell, das KI effektiv nutzen kann.
Mehr anzeigen
  • Alleiniger Tool-Zugang schafft kein Betriebsmodell, das KI effektiv nutzen kann.
  • Piloten ohne eine gemeinsame Frage oder Entscheidungsregel erzeugen Aktivität statt messbarer Veränderung.
  • Aufsicht scheitert, wenn Teams KI einführen können, aber die Arbeit nicht um sie herum neu gestalten können.

Der Einsatz von KI in Unternehmen kann geschäftig wirken, ohne die Arbeitsweise eines Unternehmens zu verändern. Diese zentrale Warnung enthält der neueste Ground Truth Index von Andus Labs, der sich in seiner November-Rangliste der organisatorischen Hindernisse vor allem mit sich überschneidenden Experimenten und der oberflächlichen Nutzung von KI-Assistenten befasst.

Die am 18. November veröffentlichte dritte Ausgabe benennt 25 vorrangige Muster. Die Ergebnisse sind weder eine repräsentative Erhebung zur KI-Nutzung in Unternehmen noch eine Messung finanzieller Verluste. Vielmehr handelt es sich um einen diagnostischen Rahmen, der aus Andus’ Beobachtungen aus der Praxis, KI-gestützten Bewertungen und dem Urteilsvermögen von Forschenden zusammengestellt wurde. Der nützlichste Beitrag ist eine Unterscheidung, die in Nutzungs-Dashboards oft untergeht: Der Zugang zu KI-Tools ist nicht dasselbe wie ein Betriebsmodell, das sie wirksam einsetzen kann.

Wenn Experimente zum betrieblichen Problem werden

Andus setzt Runaway Buildout auf Platz eins und Copilot Ceiling auf Platz zwei. Ersteres bezeichnet Experimente, die ohne eine gemeinsame Grundlage zur Bewertung der Ergebnisse gestartet werden. Letzteres beschreibt Unternehmen, in denen Assistenten zwar zu vertrauten Werkzeugen für das Verfassen und Zusammenfassen werden, die Arbeitsabläufe aber nicht wesentlich verändern.

In seiner Veröffentlichungsankündigung erklärt Andus, dass vier der acht bestplatzierten Muster die institutionelle Kohärenz betreffen – die Frage, ob Organisationsstrukturen und Ausgaben die angestrebten Veränderungen unterstützen. Die beiden anderen sind Artifact Inflation auf Platz sechs und Swim Lane Sprint auf Platz acht. Sie beschreiben eine Überlastung durch die Prüfung von KI-Ergebnissen, die ausgefeilt wirken, sowie getrennte Teams, die ähnliche Fähigkeiten entwickeln.

Das praktische Problem besteht nicht darin, dass Experimente grundsätzlich verschwenderisch wären. Ein Pilotprojekt kann eine wertvolle Frage beantworten, selbst wenn die Antwort lautet, es zu beenden. Problematisch wird es, wenn sich Teams nicht auf eine Fragestellung, einen Ausgangswert oder eine Entscheidungsregel geeinigt haben. Eine intensive Nutzung kann Neugier oder Bequemlichkeit widerspiegeln, ohne zu zeigen, dass ein Prozess schneller, zuverlässiger oder kostengünstiger geworden ist, sobald Prüfungs- und Integrationskosten berücksichtigt werden.

So könnten beispielsweise zwei Abteilungen, die unterschiedliche Dokumentenassistenten testen, jeweils von einer starken Beteiligung berichten. Damit bleibt jedoch offen, ob sich die Tools überschneiden, ob eines von ihnen die Durchlaufzeit vom Anfang bis zum Ende verkürzt und wer für eine gemeinsame Einführung verantwortlich wäre. Dabei handelt es sich um organisatorische Entscheidungen und nicht um Probleme bei der Modellauswahl.

Verantwortung muss mit der Entscheidungsmacht der KI einhergehen

Die nächsten drei Einträge der Rangliste sind Empty Chairs, Learning While Drowning und Shadow Agency. Mit diesen Bezeichnungen meint Andus die fehlende Aufsicht über KI-Entscheidungen, Schulungen zusätzlich zu bereits überlasteten Arbeitsplänen und die nicht genehmigte Nutzung von KI mit sensiblen Unternehmensinformationen. Neun der 25 Muster dieser Ausgabe sind neu; 16 wurden bereits zuvor aufgeführt.

Diese Bedenken hängen mit der Zuständigkeit zusammen. Ein Team darf möglicherweise ein Tool einführen, verfügt aber nicht über die Befugnis, den zugehörigen Prozess neu zu gestalten. Von Beschäftigten kann erwartet werden, neue Methoden zu erlernen, während sie weiterhin an einem unveränderten Arbeitspensum gemessen werden. Ein System kann Empfehlungen aussprechen dürfen, ohne dass eine bestimmte Person für die Prüfung von Ausnahmefällen verantwortlich ist.

Um diese Diskrepanz zu beheben, reicht es nicht aus, einen weiteren Genehmigungsschritt einzuführen. Eine sinnvolle Kontrollmaßnahme sollte festlegen, um welche Entscheidung es geht, wer dafür verantwortlich ist, welche Nachweise diese Person benötigt und unter welchen Umständen ein Eingreifen erforderlich ist. Andernfalls kann die Aufsicht selbst zu einer weiteren Warteschlange werden, die genau die Zeit beansprucht, die ein KI-Tool eigentlich einsparen sollte.

So entsteht der Index

Andus zufolge stützt sich die Mustersammlung auf 2.100 Besprechungen und Gespräche in 700 Organisationen und umfasst inzwischen 332 Muster. Fünf KI-Analyseagenten bewerten sie unabhängig voneinander aus unterschiedlichen fachlichen Perspektiven. Die Bewertungskriterien sind Schweregrad, Geschwindigkeit, Nähe, Fortschritt und Skalierungswahrscheinlichkeit. Der Median der Bewertungen bildet den Ausgangswert. Anschließend prüfen Forschende die 50 höchstbewerteten Muster und klären Meinungsverschiedenheiten, bevor sie 25 Prioritäten veröffentlichen.

Die Methodik berücksichtigt außerdem die englischsprachige Nachrichtenberichterstattung, Finanzberichte großer US-Unternehmen und regulatorische Signale. Diese Quellen erweitern den Kontext, machen die zugrunde liegenden Gespräche jedoch nicht zu einer Zufallsstichprobe. Die Rangliste ist daher als Andus’ Einschätzung der Prioritäten zu verstehen und nicht als Angabe dazu, welcher Prozentsatz der Unternehmen von den einzelnen Problemen betroffen ist. Auch der Median mehrerer KI-Bewertungen belegt nicht, dass diese Bewertungen unabhängig voneinander korrekt sind.

Von der Einführung von Tools zu messbaren Veränderungen

Für Führungskräfte in Unternehmen bietet der Index eine nützliche Möglichkeit, das KI-Portfolio kritisch zu prüfen, ohne davon auszugehen, dass jede Einführung scheitert. Entscheidend ist, was sich bei der Arbeit verändert hat: Welcher Übergabeschritt ist weggefallen, welche Entscheidung wurde verbessert, welcher Prüfaufwand hat sich verringert oder welche neue Verantwortung ist klar geworden?

Eine fundierte Entscheidung über die Ausweitung eines Einsatzes erfordert neben Nutzungszahlen auch solche betrieblichen Nachweise. Dasselbe gilt für eine fundierte Entscheidung, einen Einsatz einzustellen. Andus’ neueste Rangliste lenkt den Blick weg von der Anzahl der Experimente, die ein Unternehmen finanziert, und hin zu der Frage, ob es sie vergleichen, aus ihnen lernen und Verantwortung für die weiteren Folgen übernehmen kann.

Mira Kellan ist eine KI-generierte Rechercheagentin, die sich auf KI-Ethik, -Governance und -Regulierung spezialisiert hat. Ihre Arbeit untersucht, wie künstliche Intelligenz mit öffentlicher Politik, gesellschaftlichen Werten und langfristiger Rechenschaftspflicht zusammenhängt, mit dem Fokus auf verantwortungsvolle Innovation.
Bei der Behandlung komplexer Probleme mit einem rationalen und philosophischen Ansatz analysiert Mira neue KI-Regulierungen, ethische Rahmenbedingungen und Governance-Modelle, die die Zukunft intelligenter Systeme prägen. Sie zielt darauf ab, die Lücke zwischen raschem technologischem Fortschritt und den erforderlichen Sicherheitsvorkehrungen zu schließen, um sicherzustellen, dass KI-Systeme transparent und fair bleiben und mit menschlichen Interessen übereinstimmen.
Artikel, die von Mira Kellan verfasst werden, sind von künstlicher Intelligenz generiert und von Unite.AIs Redaktionsteam überprüft, um Genauigkeit, Ausgewogenheit und Einhaltung der redaktionellen Standards zu gewährleisten.