Die Lösung des Wie und Wann: Die Einbindung der Geschäftsstrategie in die Adoption von KI

Wir haben einen Wendepunkt bei der künstlichen Intelligenz (KI) erreicht, an dem die Diskussionen im Vorstand von der Debatte über die Wirksamkeit zur Beschleunigung der Adoption übergegangen sind. Es ist eine aufregende Zeit, besonders wenn man den Tempo der Veränderung betrachtet, der nie wieder so langsam sein wird. Laut BCG hat sich die Innovation trotz globaler wirtschaftlicher Unsicherheit im Jahr 2023 zu einem der wichtigsten Unternehmensziele entwickelt, mit 79 % der Unternehmen, die sie unter ihren Top-3-Zielen einordnen.

Innovation um der Innovation willen ist jedoch keine vernünftige Geschäftsstrategie, und Unternehmen, die sich in den KI-Hype verstricken, riskieren, in Hype statt in Lösungen zu investieren, die langfristigen Wert schaffen. Das Verständnis des Unterschieds erfordert eine sorgfältige Abwägung der aktuellen Fähigkeiten und die Geduld, nachhaltiges Wachstum gegenüber kurzfristigen Trends zu priorisieren.

Die Goldilocks-Zone

Die Geschäftsgeschichte ist voll von Beispielen von Unternehmen, deren strategische Entscheidungen zu wichtigen Momenten für ihr Überleben konsequent waren. Zum Beispiel überlebte Amazon die Dotcom-Blase, indem es die Bedeutung der Anpassung seiner Rechnungslegungsstrategie und der Aufstockung seiner Reserven erkannte, während andere Unternehmen durch Cash verbrannten, als gäbe es kein Morgen. Der Punkt ist, dass vernünftige Geschäftsentscheidungen wichtiger sind als je zuvor in Zeiten der Massenbegeisterung, und die Planung für morgen erfordert die Fähigkeit, alle möglichen Szenarien sorgfältig durchzudenken.

Insgesamt gibt es ein allgemeines Gefühl von KI-FOMO („Angst, etwas zu verpassen“), das Führungsteams durchdringt, weiter kompliziert durch die Realität, dass das Nichtstun (d. h. der Verfall in „Paralyse durch Analyse“) auch eine reale Bedrohung darstellt. (Man kann Kodak fragen.) Hier sind 3 Überlegungen für Unternehmen, die nach dieser „Goldilocks-Zone“ von KI suchen – nicht zu schnell oder zu langsam investieren, sondern den süßen Punkt der nachhaltigen Innovation finden.

1. Konzentrieren Sie sich zunächst auf das Wachstum der Daten

Wie bei jeder Maschine ist es wichtig, ihre inneren Abläufe zu verstehen, um zu erkennen, woher der Wert kommt. Bedeutet, KI ist kein fertiges Produkt, sondern ihre großen Sprachmodelle (LLMs) verlassen sich auf eine enorme Menge von diversen Datenpunkten, um Muster, Kontext und sprachliche Nuancen zu lernen. Die enorme Größe und Komplexität von LLMs erfordern umfangreiche Trainingsdaten, um effektiv in verschiedenen Bereichen und Aufgaben zu funktionieren. Die Qualität und Quantität dieser Daten werden die Leistung von LLMs und damit die Suite von KI-Tools eines Unternehmens erheblich beeinflussen.

Die Schaffung robusterer Datenökosysteme ist daher eine kluge erste Investition für jedes Unternehmen, das eine KI-Transformation plant, und diese Daten werden als Grundlage für LLMs dienen, wenn sie wachsen und sich weiterentwickeln. Es ist in dieser Evolution, in der hochwertige Daten noch kritischer werden. Während Studien festgestellt haben, dass LLMs mit minimalen Daten kompetent sein können, sagen Experten jetzt, dass „die Auswirkung der Datenqualität und -vielfalt auf die Ausrichtung und andere Wege der LLM-Schulung (Vorschulung, Feinschulung, Steuerbarkeit usw.) absolut massiv ist“.

2. Identifizieren Sie einen Geschäftsanwendungsfall

Während KI sicherlich die Fähigkeit für breite externe Anwendungen hat, konzentrieren sich die meisten Unternehmen darauf, die Technologie zu nutzen, um ihre internen Prozesse zu optimieren. „Optimieren“ ist das Schlüsselwort hier, was bedeutet, dass Unternehmen nicht erwarten sollten, einfach KI-Software zu verwenden, um ihre Ausgabe magisch zu verbessern. Vielmehr sind einige der erfolgreichsten KI-Anwendungsbeispiele das Analysieren von Daten, um wertvolle Erkenntnisse über Kundenverhalten, Markttrends und potenzielle Risiken zu gewinnen. Es hat sich auch bewährt, interne Aktivitäten zu rationalisieren, einschließlich Dinge wie die Automatisierung manueller Aufgaben, um die Zeit der Mitarbeiter für höherwertige Aktivitäten zu allozieren.

Kurz gesagt, anstatt Zeit zu verschwenden, um herauszufinden, welche KI-Modelle zu verwenden sind, müssen Organisationen sich auf spezifische Probleme konzentrieren, die sie mit ihrer KI lösen müssen. (d. h. beginnen Sie mit der Nadel, die Sie bewegen möchten, legen Sie den KPI fest, den Sie beeinflussen möchten, und arbeiten Sie dann rückwärts, um herauszufinden, welche KI-Tools diese Ziele erreichen werden.) Laut MITs Global Executive AI Survey sagen 90 % derjenigen, die KI verwenden, um neue KPIs zu erstellen, dass sie ihre KPIs verbessern sehen. „Diese KI-informierten KPIs bieten Geschäftsvorteile und demonstrieren neue Fähigkeiten: Sie führen oft zu mehr Effizienz und größerem finanziellen Nutzen und sind detaillierter, zeitnaher und auf Unternehmensziele ausgerichtet.“

3. Erstellen Sie maßgeschneiderte KI-Tools mit Open-Source-LLMs

Zu bauen oder zu kaufen – das ist die Frage. Das Erstellen einer maßgeschneiderten KI-Lösung kann einschüchternd erscheinen, und viele Unternehmen entscheiden sich dafür, eine Lizenz von einem externen Anbieter mit einem proprietären LLM zu erwerben, um diesen Weg zu vermeiden. Die Lizenz kann jedoch die Nutzung des LLM einschränken, und Lizenzgebühren können im Laufe der Zeit sehr teuer werden. Andererseits sind Open-Source-LLMs kostenlos, und die zugrunde liegende Architektur ist für Entwickler verfügbar, um auf die spezifischen Bedürfnisse des Unternehmens zuzugreifen, zu bauen und zu modifizieren.

Dieses Open-Source-Modell-Ökosystem hat an Popularität gewonnen, da Unternehmen versuchen, sensible Informationen in ihrem Netzwerk zu halten und die Kontrolle über ihre Daten zu behalten. Open-Source-LLMs bieten Unternehmen diese Transparenz und Flexibilität, zusammen mit den zusätzlichen Vorteilen reduzierter Latenzprobleme und verbesserter Leistung. IBM und NASA haben kürzlich zusammen gearbeitet, um ein Open-Source-LLM auf geospatialen Daten zu entwickeln, um Wissenschaftlern zu helfen, den Kampf gegen den Klimawandel zu führen, Teil von NASAs zehnjähriger Open-Source-Science-Initiative, um eine zugänglichere, inklusivere und kooperativere wissenschaftliche Gemeinschaft aufzubauen.

Wie bei jeder Open-Source-Technologie gibt es Risiken im Zusammenhang mit Open-Source-LLMs, einschließlich potenzieller Sicherheitslecks/Verletzungen, Halluzinationen/Voreingenommenheit aufgrund ungenauer oder fehlerhafter Informationen und böswilliger Manipulation von Daten durch böse Akteure. Aber Open-Source-Modelle werden mit der Zeit intelligenter und sicherer, was einige Experten dazu bringt, zu glauben, dass Open-Source-LLMs bald das Niveau der besten Closed-Source-LLMs erreichen werden, was die Investition in die frühe Adoption und die Zeit, die Teams aufbauen, rechtfertigt.

Die KI-Adoption wird mehrere schnelle Sprints in einem Marathon sein

Basierend auf jüngsten Zahlen gibt es in den Vereinigten Staaten etwa 15.000 KI-Unternehmen, mehr als doppelt so viele wie 2017. Weltweit erhöhen sich diese Zahlen fast vierfach. Mit so vielen Anbietern und heißen Start-ups, die ihre Dienstleistungen bewerben, ist es kein Wunder, dass Unternehmen Schwierigkeiten haben, zu entscheiden, wo sie ihre Zeit und ihr Geld investieren sollen. Aber durch die sorgfältige Bewertung ihrer Bedürfnisse und der Risiken/Chancen, die durch die Innovation entstehen, werden Führungskräfte die richtige Mischung aus KI finden, um ihre Unternehmen in eine Zukunft des nachhaltigen Wachstums zu katapultieren.