Was kann Artificial Intelligence für mein Business tun?

Artificial Intelligence – Ein Schlagwort, das in aller Munde ist. Doch was kann AI eigentlich? Wie smart ist sie schon heute? Und wie können Unternehmen vorgehen, um diese Technologie effizient zu implementieren? Wir haben darüber mit Clemens Wasner, Founder von EnliteAI, gesprochen.

Clemens Wasner Founder & CEO, Enlite AI GmbH.

Bereits in den 1950er-Jahren wurde Artificial Intelligence zum Schlagwort. Führende Wissenschaftler trafen sich zum sechswöchigen Dartmouth Summer Research Project on Artificial Intelligence und begründeten damit die wissenschaftliche Auseinandersetzung mit AI.

Es gibt zahlreiche Definitionen, was AI eigentlich ist. Rückwirkend betrachtet lässt sich festhalten, dass man immer dann von intelligenten Aktivitäten spricht, wenn diese bis jetzt von keinem Computer der Welt gelöst wurden. Sobald ein Computer diese komplexen Sachverhalte lösen kann, kommt es zum sogenannten AI-Effekt, bei dem sofort eine neue Definition von intelligenten Aktivitäten erfolgt. Das galt sowohl für die Schachpartie zwischen Kasparow und Deep Blue, bei der nach dem Sieg des Computers Schach in der landläufigen Meinung nichts mehr mit Intelligenz zu tun hatte, als auch in jüngerer Vergangenheit für AlphaGo.

Doch was bedeutet das für Unternehmen im Jahr 2019? Wie kann Artificial Intelligence sinnvoll eingesetzt werden?

Prozesse, die sinnvollerweise automatisiert werden

Andrew Ng, einer der Väter des aktuellen AI-Hypes, hat die Faustregel aufgestellt, dass alljene Tätigkeiten, die weniger als eine Sekunde Nachdenkzeit erfordern, gute Kandidaten für eine Automatisierung sind. Dazu gehören z.B. Supportprozesse wie HR, IT Support und alles, was sich um das Thema Forecasting dreht. Voraussetzung ist dabei lediglich, dass die Prozesse in ausreichend hoher Frequenz auftreten und somit genügend Daten für das Trainieren eines AI-Modells vorliegen.

Will man neue Geschäftsmodelle erarbeiten, ist von den Unternehmen jedoch etwas Kreativität gefordert. Das könnte beispielsweise bei einer Bank ein Projekt im Grenzbereich zwischen AI und Data Science sein: Dabei können etwa Kundendaten synthetisiert und diese Informationen anderen Unternehmen, etwa Versichungsanbietern, zur Verfügung gestellt werden. Ein solches Projekt ist in sechs bis zwölf Monaten umgesetzt, und ein neues Geschäftsmodell hätte sich entwickelt.

Von der Use Case Discovery zur AI

Um ein AI-Projekt effizient zu starten, macht es Sinn, nicht mit einer großen, alles erschlagenden Strategie anzufangen. Bei den Themen Cloud, Big Data oder Data Science gab es in den letzten zwei Jahren nicht nur Hunderte, sondern Tausende Best-Practice-Beispiele. Gleichzeitig ist es auf dem Arbeitsmarkt auch sehr entspannt und es finden sich sehr leicht Leute, die sich mit Cloud oder Big Data auskennen. Im besten Fall hat man diese Personen sogar im eigenen Unternehmen. Das hat aber eine falsche Erwartungshaltung in Bezug auf AI-Themen erzeugt. Einerseits gibt es kaum Best Practices. Egal in welchem Bereich, die Organisationen sind für fast alles, was sie machen, die ersten. Andererseits gibt es kaum Leute, die solche Projekte intern abwickeln können, weil die nötigen Kompetenzen in Machine Learning und AI fehlen.

Um ein AI-Projekt effizient zu starten, sollte man zu- nächst die Frage stellen, wo man AI überhaupt einsetzen kann. Das passiert am besten in der sogenannte Use Case Discovery Phase. Zunächst muss die Frage gestellt werden, ob die Tätigkeiten, die man durch den Einsatz von AI automatisieren möchte, in Zukunft outgesourct werden könnten, oder ob es sich dabei um eine Kernkompetenz des Unternehmens handelt. Mittelfristig macht es wenig Sinn, eine mit viel Entwicklungsaufwand einhergehende Tätigkeit zu automatisieren, um sie nach drei Jahren outzusourcen. Auf diese Art nähert man sich durch die Use Case Discovery der Frage an, was AI für das Business tun kann. Zunächst ist es wichtig, zu klären, was möglich ist und was nicht, und dass in Anwendungsfällen gedacht wird, nicht in Daten. Nachdem der erste Anwendungsfall identifiziert wurde, wird dieser in einem weiteren Schritt etwas genauer betrachtet. Dann stellt sich die Frage, was der Added Value ist. Das ist eigentlich schon die Vorphase eines Proof of Concept. Diese Überlegungen – von der Use Case Discovery bis zum Proof of Concept – sollten Unternehmen ein, zwei Mal machen, erst dann gibt es ein Verständnis dafür, welchen Mehrwert ein AI-Projekt für das Unternehmen bringen kann.

CFOs benötigen Experimentierfreudigkeit und Mut

AI-Projekte sind nicht automatisch erfolgreich. Daher brauchen Entscheider vor allen Dingen Mut. Die Erfahrung aus der Unternehmenspraxis zeigt, dass weniger als die Hälfte der gestarteten Projekte im AI-Bereich auch bis zum Ende umgesetzt werden.

Projekte in diesem Umfeld haben selten einen linearen Verlauf. Damit ist auch eine gewisse Harmonie zwischen CIO und CFO relevant. Wichtig ist es, „out of the box“ zu denken und auf abstrahierten Levels alle Unternehmensbereiche einzubeziehen.

Weiterbildungstipp

Interessiert? Entdecken Sie jetzt das Seminar:
Top Technologien der Digitalisierung am 11.03.2020