Sie sind hier: Startseite » Markt » Tipps und Hinweise

Unternehmensweite Gen-AI-Projekte

Warum KI-Projekte nicht über den Start hinausgehen
Unternehmen müssen die richtigen Anwendungsfälle identifizieren, die Datenqualität verbessern und experimentierfreudig sein

Von Stefan Habitzreuther, Sales Director DACH bei Freshworks

Viele Unternehmen beschäftigen sich bereits mit generativer KI (Gen-AI) und versuchen, damit die Produktivität zu steigern und die Benutzererfahrung zu verbessern. Fast drei Viertel der Unternehmen haben laut Accenture Künstliche Intelligenz zu ihrer obersten digitalen Investitionspriorität für 2024 gemacht. Aber wenn es darum geht, diese Experimente in Geschäftsergebnisse umzuwandeln, haben Unternehmen noch viel Arbeit vor sich. Laut einer kürzlich durchgeführten AWS-Umfrage unter Chief Data Officers haben nur 19 Prozent der Unternehmen ihre frühen Gen-AI-Bemühungen zu Experimente mit Anwendungsfällen weiterentwickelt, und nur 6 Prozent haben diese Experimente tatsächlich im Betrieb umgesetzt. Mit anderen Worten: Während die Akzeptanzrate hoch ist, hinkt die Ausführungsrate von Gen-AI-Initiativen deutlich hinterher. Was können Unternehmen also tun, um ihren ROI mit KI zu steigern?

Undefinierte Anwendungsfälle
Laut der AWS-Umfrage verwenden etwa 45 Prozent der Unternehmen Gen-AI-Tools, um den Kundensupport zu verbessern, hauptsächlich durch den Einsatz von Chatbots.

Zwischen 35 Prozent und 40 Prozent dieser Führungskräfte geben auch an, dass ihre Unternehmen diese Tools nutzen, um die persönliche Produktivität zu steigern oder die Softwareentwicklung zu beschleunigen (in Form von Code-Assistenten), und weitere 32 Prozent für Vertrieb und Marketing (für personalisierte Kampagnen und Angebote).

11 Prozent der Unternehmen geben an, dass sie unternehmensweite Gen-AI-Projekte pilotieren. 16 Prozent berichten, dass sie den Einsatz generativer KI durch Mitarbeiter sogar verboten haben.

Diese niedrigen Zahlen überraschen nicht. Viele Unternehmen haben ihre Daten noch nicht für KI vorzubereitet. Das Hochladen ihrer Daten in öffentlich zugängliche Modelle wie ChatGPT birgt Risiken; und nur wenige Unternehmen verfügen über interne Data-Science-Ressourcen, um ihre eigenen Gen-AI-Modelle zu erstellen.

Wie in fast allen Fällen, in denen eine beliebte neue Technologie den Arbeitsplatz erreicht, beginnt dies mit einzelnen Teammitgliedern. Einzelpersonen haben damit angefangen, Smartphones bei der Arbeit zu verwenden, lange bevor Arbeitgeber Richtlinien für mobile Geräte veröffentlichten. Bei GenAI ist die Entwicklung ähnlich. Manche Teammitglieder gehen voran und nutzen öffentlich zugänglichen Tools wie Google Bard, um manuelle Aufgaben zu automatisieren und ihre Produktivität zu verbessern.

Schlechte Datenqualität
Im Idealfall nutzen Unternehmen proprietäre Daten dazu, um ein großes Sprachmodell (LLM) wie Llama, OpenLM oder Mistral zu verfeinern. So können sie damit Aufgaben ausführen, die speziell auf die Bedürfnisse ihre zugeschnitten sind, etwa Kreditanträge bewerten, oder Unterbrechungen der Lieferkette vorhersagen.

Unternehmen können auch ein proprietäres LLM mit seinen eigenen domänenspezifischen Daten erstellen und trainieren. Dieser Prozess ist allerdings teuer, kann Jahre dauern und erfordert interne Datenwissenschaftler. Die Partnerschaft mit einem großen LLM-Anbieter ist eine weitere Option, um dasselbe zu erreichen. In beiden Fällen sind die meisten Unternehmen dazu nicht annähernd in der Lage, da ihre eigenen Daten nicht für anspruchsvolle KI-Anwendungen bereit sind.

Eine umfassende Datenstrategie ist für die Nutzung von KI allerdings entscheidend. Trotzdem leisten nur wenige Unternehmen die erforderliche Vorarbeit, um ihre Daten für die Einbindung in LLMs vorzubereiten. Zu den grundlegenden Schritten gehören:
>> Aufbrechen von Datensilos
>> Integration oder Sammlung von Daten zum Trainieren der KI
>> Sicherstellen, dass die Daten den grundlegenden Qualitätsstandards entsprechen

Risikoaversion
Unternehmen, die beim Einsatz von generativer KI zögern, sollten ihr Handeln überdenken. Schließlich werden Führungskräfte, die sich der KI mit einer experimentierfreudigen und innovativen Haltung nähern, langfristig am meisten Erfolg haben. Skeptische Anwender von Gen-AI-Tools haben häufig Angst, durch die Technologie ersetzt zu werden. Die Möglichkeiten der KI sind jedoch kein Ersatz, sondern vielmehr eine Hilfe für Teams. Dadurch wird KI immer mehr zu einem unverzichtbaren Werkzeug für international operierende Unternehmen. Wichtig ist allerdings, das richtige Maß und die passenden Tools für die jeweiligen Aufgaben zu finden. (Freshworks: ra)

eingetragen: 22.08.24
Newsletterlauf: 07.10.24

Freshworks: Kontakt und Steckbrief

Der Informationsanbieter hat seinen Kontakt leider noch nicht freigeschaltet.

Kostenloser PMK-Verlags-Newsletter
Ihr PMK-Verlags-Newsletter hier >>>>>>

Meldungen: Tipps und Hinweise

Leitfaden für eine erfolgreiche DRaaS-Auswahl
Investitionen in DRaaS (Disaster-Recovery-as-a-Service) sind sinnvoll und zukunftsweisend, denn DRaaS hilft den Unternehmen, ihre IT-Systeme und Daten im Fall eines Datenverlusts schnell wiederherzustellen. Allerdings sollte man im Vorfeld eine gründliche Marktanalyse durchführen und sich über die Funktionsweise und Kosten der verschiedenen Lösungen informieren.
ERP-Software muss ein Teamplayer sein
So wichtig ERP-Systeme auch sind, bei der Auswahl der richtigen Lösung und Anbieter gibt es für Unternehmen eine Reihe von Aspekten zu beachten - schließlich bringen nur passgenaue und ausgereifte Systeme auch die erwünschten Vorteile. IFS erklärt, worauf es bei der Suche ankommt.
Grundlage für zukunftssichere Rechenzentren
Rechenzentren sind das Rückgrat unserer digitalen Welt. Betreiber dieser Infrastrukturen stehen dabei vor immensen Herausforderungen: Sie müssen nicht nur den ununterbrochenen Betrieb und höchste Sicherheitsstandards sicherstellen, sondern auch strengere Umwelt- und Effizienzkriterien einhalten.
Cloud-basierte Tests
Mit der Digitalisierung steigt das Datenvolumen und der Energieverbrauch. Daher stehen Unternehmen jetzt vor der Herausforderung, ihre IT nachhaltiger zu gestalten. Auch das Qualitätsmanagement kann dazu einen wertvollen Beitrag leisten, indem es den CO2-Fußabdruck von Software verringert.
Was ist der richtige Cloud-Speicher für KMU?
Verschiedene Arten von Unternehmen haben unterschiedliche IT-Anforderungen. So haben kleine und mittelständische Unternehmen natürlich nicht die gleichen Anforderungen wie große internationale Unternehmen.
ITAM on-premises versus Software-as-a-Service
IT Asset Management (ITAM) schafft die Basis für Cybersecurity, Kostenkontrolle und effizientes IT-Management. Doch vor allem im Mittelstand fehlen häufig Manpower und Expertise, eine ITAM-Lösung inhouse zu betreiben. Software-as-a-Service-Angebote versprechen Abhilfe.
Steigende Gefahr aus der Cloud?
Cloud Computing hat sich in den letzten Jahren als zentrales Element der digitalen Transformation etabliert. Unternehmen jeder Größe nutzen Cloud-Dienste, um ihre IT-Infrastruktur flexibler und effizienter zu gestalten.
Private AI verfolgt einen Plattform-Ansatz
Der Einzug der generativen KI (GenAI) in die breite Öffentlichkeit hat das KI-Wachstum in Unternehmen vergangenes Jahr beschleunigt. Motiviert durch Wettbewerbsdruck und potenzielle Vorteile forcieren Unternehmen und Regierungen ihre KI-Strategie.
Mangelnde Vorbereitung auf SaaS-Ausfälle
Der Hycu State of SaaS Resilience 2024 Report deckte zuletzt kritische Datensicherungslücken auf, da 70 Prozent der Unternehmen Datenverluste erleiden. Trotzdem verlassen sich 60 Prozent immer noch auf ihre Software-as-a-Service (SaaS)-Anbieter, um sich zu schützen, und setzen sich damit weiteren Risiken aus.
KI gewinnbringend einsetzen
Das KI-Potenzial ist praktisch unerschöpflich. Doch um es richtig zu nutzen und daraus echte Wettbewerbsvorteile zu generieren, muss vorab die Bereitschaft des Unternehmens dafür geklärt werden. Der IT-Dienstleister CGI erklärt, warum der Readiness-Check so wichtig ist, was er genau analysiert und was mit den daraus gewonnenen Erkenntnissen passiert.

Digitale Technologien im Kundenservice Bandbreite der CNAPP-Funktionen verstehen