Vordenker
Erfolgreiche KI-Einführung erfordert 3 Komponenten — Die meisten Unternehmen haben nur 2
Zu diesem Zeitpunkt ist KI keine neue Technologie mehr. Ihre bewiesene Effizienz bei der Datenanalyse, Mustererkennung und Wissenssynthese kann Teams effizienter machen. Aber trotz des unbestreitbaren Wertes von KI zeigt neue Forschung, dass nur 13% der Unternehmen sie umfassend eingesetzt haben. Die meisten Unternehmen spielen es sicher und verwenden KI nur für Aufgaben mit dem geringsten Risiko. Was hindert Marken daran, sich voll einzubringen und die Vorteile zu nutzen? Die Lücke zwischen KI-Aspirationen und -Erreichungen lässt sich auf ein strukturelles Defizit zurückführen.
Das fehlende Glied.
Eine erfolgreiche, umfassende KI-Einführung erfordert drei Komponenten: Infrastruktur, Anwendung und Daten. Die Infrastrukturschicht umfasst das KI-Modell, dessen Rahmen direkt die Nutzung und die möglichen Ausgaben formt.
Die Anwendungsschicht ist der Ort, an dem die Softwarelösungen leben. Hier wird der Großteil des KI-Werts generiert; hier interagieren die Benutzer (vielleicht indirekt) mit der KI und überprüfen ihre Ausgaben; hier liegt der Mittelpunkt der KI-gesteuerten Entscheidungsfindung.
Zwischen diesen Schichten liegt die Datenschicht, und es ist diese Komponente, mit der die meisten Unternehmen Schwierigkeiten haben – ob sie sich dessen bewusst sind oder nicht. Diese Schicht enthält alle Daten; Daten, die in die zugrunde liegenden KI-Modelle passen und die zu erstellenden Anwendungen leiten. Die Qualität der Datenschicht informiert direkt über die Ausgabe auf der Anwendungsebene. Hohe Qualität und reichlich Daten können robuste Anwendungsfälle unterstützen, während fragwürdige oder unzureichende Daten dies nicht können.
Solange Organisationen nicht in der Lage sind, alle drei Schichten der KI-Einführung aufzubauen oder mit Unternehmen zusammenzuarbeiten, die dies tun, werden sie nicht den maximalen Wert ableiten.
Die Auswirkungen des Ungleichgewichts.
Die Ausgabe der KI wird immer von den Daten bestimmt, die sie erhält. Wenn eine Organisation möchte, dass ihre KI in der Lage ist, synthetische Molekülstrukturen vorherzusagen, müssen sie ihr viele physikalische Daten füttern. Wenn ein Einzelhändler die KI nutzen möchte, um das Verhalten der Benutzer vorherzusagen und die digitalen Erfahrungen zu verbessern, müssen sie ihr Verhaltensdaten füttern.
Wenn Unternehmen (oder ihre Partner) ihre KI-Tools nicht mit ausreichenden Daten unterstützen können, werden die Auswirkungen weitreichend sein. Zunächst gibt es die KI-Lösung selbst. Im besten Fall wird sie technisch funktionsfähig sein, aber nicht im gewünschten Umfang. Die Ausgaben können schwach, uninteressant oder völlig ohne Erkenntnisse sein. Jenseits dieses “besten” Ergebnisses liegt ein wahrscheinlicheres Ergebnis: KI-Halluzinationen, fehlerhafte Ausgaben und negativer ROI. Nicht nur wird die Investition verschwendet, sondern Unternehmen müssen möglicherweise mehr für Schadensbegrenzungsmaßnahmen ausgeben.
Wenn man sich von den unmittelbaren Folgen entfernt, kann man die umfassenderen Auswirkungen einer datenarmen KI-Lösung sehen. Im Allgemeinen adoptieren Unternehmen KI, um mehr zu tun: mehr Erkenntnisse zu gewinnen, mehr Kunden zu bedienen, effizienter zu arbeiten. Wenn Organisationen Zeit und Ressourcen in ein KI-Tool investieren, das nicht funktioniert, haben sie ihr eigenes Wachstum effektiv behindert und ihre Fähigkeit eingeschränkt, sich an den Markt anzupassen und die Konkurrenz auszustechen. Das bringt sie in eine Nachteilsposition und lässt sie um die Wiederherstellung verlorener Zeit, Ressourcen und – möglicherweise – Kunden kämpfen.
Aber die Hoffnung ist nicht verloren; es gibt viel, was Organisationen tun können, um sich gut zu positionieren, eine KI-Ungleichgewicht zu korrigieren (oder vorzubeugen) und voranzuschreiten.
Die Lücke mit den richtigen Daten füllen.
Um es nicht zu übertreiben, ist das Beste, was Führungskräfte tun können, um ein KI-Ungleichgewicht zu vermeiden, ihre Hausaufgaben zu machen, bevor sie mit einer KI-gesteuerten Lösung fortfahren. Bevor sie ein neues Tool einsetzen, sollten sie sich Zeit nehmen, um zu erfahren, woher die Daten stammen und wie sie generiert werden.
Wenn Ihr Lösungsanbieter oder Ihr leitender Ingenieur Ihnen keine geradlinige Antwort über die Quelle, Qualität oder Menge der zugrunde liegenden Daten geben kann, sollte dies Alarmglocken auslösen. Holen Sie sich eine zweite oder dritte Meinung von Channel-Partnern und Integratoren. Sammeln Sie Informationen, indem Sie Benutzerdiskussionsnetzwerke wie Reddit und Discord anzapfen; sehen Sie, wo andere Adoptierer auf Hindernisse oder Hürden gestoßen sind. Wenn Führungskräfte wissen, nach welchen Warnsignalen sie suchen müssen, bevor sie eine Entscheidung treffen, können sie eine Welt von Kopfschmerzen und enttäuschten Erwartungen vermeiden.
Natürlich ist diese Voraussicht nicht immer möglich und wird Organisationen nicht helfen, die bereits von einem KI-Datendefizit betroffen sind. Wenn das Scrapping der bestehenden Lösung keine Option ist, ist das nächstbeste, einen Weg zu finden, um mehr Daten einzuspeisen, damit das Tool mehr Kontext, Muster und Erkenntnisse hat, auf die es zurückgreifen kann.
Synthetische Daten sind hier eine Option, aber sie sind kein Allheilmittel. Es kann schwierig sein, den genauen Ursprung synthetischer Daten zu bestimmen, daher ist sie nicht immer der beste Weg vorwärts. Es gibt jedoch einen Zeitpunkt und einen Ort für synthetische Daten. Zum Beispiel sind sie hervorragend geeignet, um KI-Sicherheitsmodelle zu trainieren, insbesondere auf feindliche Weise. Wie immer wird die Durchführung von Recherchen im Voraus Führungskräften helfen, die besten Entscheidungen für ihr Unternehmen zu treffen.
Für Branchen wie den Einzelhandel oder Quick-Service-Restaurants wird menschliche Daten bevorzugt. Unternehmen in diesen Branchen nutzen wahrscheinlich KI, um die Kundenerfahrung zu optimieren, daher sollten ihre Tools mit menschlichem Verhaltensdaten trainiert werden. Zum Beispiel, wenn Sie vorhersagen möchten, wie weit Benutzer auf einer Seite herunterscrollen, möchten Sie, dass die KI ihre Vorhersage auf tatsächlichem menschlichem Verhalten unter ähnlichen Bedingungen basiert.
In einigen Fällen ist es nicht so sehr darum, neue Daten zu erhalten, sondern darum, vorhandene Daten zu aktivieren. Die Besucher der Website und der App sind bereits da – es geht nur darum, ihre Verhaltensdaten zu erfassen, zu strukturieren und zu analysieren, damit KI-Tools sie nutzen können.
Am Ende des Tages ist es besser, unzureichende Daten zu haben als schlechte Daten; alles, was Organisationen tun können, um ihre Lösungen zu bereinigen, wird zu besseren Ergebnissen führen.
Wo man anfangen soll.
Ein Mangel an KI-Daten kann für Organisationen jeder Größe eine erhebliche Herausforderung darstellen, und es kann überwältigend sein, nur daran zu denken, was die nächsten Schritte sein könnten. Aber bereits die Anerkennung des Problems ist ein Erfolg in sich. Von dort aus geht es darum, die machbaren, schrittweisen Schritte zu finden, die man einer nach dem anderen angehen kann.
KI hält enormes Versprechen – aber nur für diejenigen, die in alle ihre Schlüsselkomponenten investieren: Infrastruktur, Anwendung und Daten. Ohne diese Schichten wird sogar die eleganteste KI-Lösung nicht funktionieren. Die Organisationen, die die Datenlücke jetzt schließen, werden nicht nur ein Zurückbleiben vermeiden; sie werden das Tempo vorgeben.
