Die Lösung für das Wie und Wann: Die Einbindung von Geschäftsstrategie in die KI-Einführung

Wir haben einen Wendepunkt mit künstlicher Intelligenz (KI) erreicht, an dem sich die Diskussionen im Vorstand von der Debatte über die Wirksamkeit zur Beschleunigung der Einführung verlagert haben. Es ist eine aufregende Zeit, insbesondere wenn man bedenkt, dass der Tempo der Veränderung nie wieder so langsam sein wird. Laut BCG ist die Innovation trotz globaler wirtschaftlicher Unsicherheit im Jahr 2023 zu einem der wichtigsten Unternehmensziele aufgestiegen, mit 79 % der Unternehmen, die sie unter ihre drei wichtigsten Ziele 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 über kurzfristige Trends zu priorisieren.

Die Goldilocks-Zone

Die Geschäftsgeschichte ist voll von Beispielen von Unternehmen, deren strategische Entscheidungen zu wichtigen Momenten existenziell 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 wie es kein Morgen gäbe brannten. 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 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. das Erliegen der „Analyseparalyse“) auch eine reale Bedrohung darstellt. (Fragen Sie einfach Kodak.) Hier sind 3 Überlegungen für Unternehmen, die nach dieser „Goldilocks-Zone“ von KI suchen – nicht zu schnell oder zu langsam investieren, sondern den sweet spot des nachhaltigen Innovations finden.

1. Fokus auf Datenwachstum zuerst

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

Die Schaffung robusterer Datenökosysteme ist daher eine weise erste Investition für jedes Unternehmen, das eine KI-Transformation plant, und diese Daten werden als Grundlage für LLMs dienen, wenn sie wachsen und evolvieren. 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 Aspekte der LLM-Schulung (Vorschulung, Feinabstimmung, Steuerbarkeit usw.) absolut massiv ist“.

2. Identifizieren Sie einen Geschäftsanwendungsfall

Während KI sicherlich die Fähigkeit hat, breite externe Anwendungen zu haben, 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 die Ausgabe zu verbessern. Vielmehr sind einige der erfolgreichsten KI-Anwendungen das Analysieren von Daten, um wertvolle Einblicke in Kundenverhalten, Markttrends und potenzielle Risiken zu gewinnen. Es hat sich auch bewährt, interne Aktivitäten zu straffen, einschließlich Dinge wie die Automatisierung manueller Aufgaben, um die Zeit der Mitarbeiter für höhere Aktivitäten zu allozieren.

Kurz gesagt, anstatt Zeit zu verschwenden, um herauszufinden, welche KI-Modelle zu verwenden sind, müssen Unternehmen 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 mit den Unternehmenszielen 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 sein, und viele Unternehmen entscheiden sich dafür, eine Lizenz von einem externen Anbieter mit einem proprietären LLM zu erwerben, um diesen Weg zu vermeiden. Allerdings kann die Lizenz die Nutzung des LLMs einschränken, und Lizenzgebühren können im Laufe der Zeit sehr teuer werden. Alternativ sind Open-Source-LLMs kostenlos, und die zugrunde liegende Architektur ist für Entwickler zugänglich, um sie basierend auf den spezifischen Unternehmensanforderungen zu bauen, zu modifizieren und zu ändern.

Dieses Open-Source-Modell-Ökosystem hat an Popularität gewonnen, da Unternehmen versuchen, sensible Informationen auf ihrem Netzwerk zu halten und mehr Kontrolle über ihre Daten zu behalten. Open-Source-LLMs bieten Unternehmen diese Transparenz und Flexibilität, zusammen mit den zusätzlichen Vorteilen geringerer 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 Klimawandel zu bekämpfen, 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, die mit Open-Source-LLMs verbunden sind, einschließlich potenzieller Sicherheitslecks / -verletzungen, Halluzinationen / Voreingenommenheit aufgrund ungenauer oder fehlerhafter Informationen und böswilliger Manipulation von Daten. Aber Open-Source-Modelle werden mit der Zeit cleverer 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 Einführung und die Zeit, die Teams für die Weiterbildung aufwenden, rechtfertigt.

KI-Einführung wird Multiple Quick Sprints in einem Marathon sein

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