In den letzten zwei Jahren gab es wohl kaum ein Gespräch ohne die Erwähnung von KI oder generativer KI – insbesondere in Führungskreisen und der Tech-Community. Es ging vor allem darum, wie man generative KI in den Arbeitsalltag integrieren kann und wie man am besten damit beginnt. Doch nachdem der anfängliche Hype etwas nachgelassen hat, wollen wir uns nun ansehen, was funktioniert und was nicht!
Generative KI hat zweifellos einen großen Mehrwert geschaffen. Zu den Vorteilen zählen die Automatisierung von Aufgaben, die Personalisierung von Interaktionen, die einfachere Datenkommunikation und schnellere Problemlösungen. Es gibt aber auch Probleme wie Verzerrungen, Fehlinterpretationen, den Umgang mit den logischen Fähigkeiten generativer KI, die Auswahl zwischen verschiedenen Sprachmodellen usw. Daher stellt sich die Frage: Wie fortschrittlich sind wir tatsächlich bei der Einführung generativer KI?
Die Realität ist differenzierter, als es die Schlagzeilen vermuten lassen. Zwar liegt die Verbreitung von KI in Unternehmen laut verschiedenen Berichten zwischen 75 % und 85 %, doch unsere Erfahrung zeigt, dass die meisten noch in der Pilot- oder Proof-of-Concept-Phase stecken oder nur einen begrenzten Implementierungsumfang haben. Im Gegensatz dazu hat sich gezeigt, dass KI die persönliche Produktivität steigert, insbesondere in Kombination mit menschlicher Intelligenz.
FOMO war noch nie ein guter Ansatzpunkt für neue Dinge – denn es verweist auf das, was von Natur aus fehlt:
Infrastrukturbereitschaft: Um die Möglichkeiten der generativen KI voll auszuschöpfen, müssen Sie veraltete Systeme, Datensilos und inkonsistente Datenqualität hinter sich lassen.
Fachkräftemangel: Es herrscht ein erheblicher Mangel an Experten, die sowohl die technischen Aspekte von Gen AI als auch deren Geschäftsanwendungen verstehen. Sie benötigen mehr Mitarbeiter, die die Feinheiten der Arbeit mit KI beherrschen.
Kostenrealität: Bei der Nutzung von APIs für beliebige Tools, sei es OpenAI, GPT oder AWS, wird der Preis üblicherweise in Token gemessen, oder der Aufwand für Wartung und Modelltraining wird stark unterschätzt.
Tatsächlich berichten 63 % der Verantwortlichen für Kundenerlebnisse (CX), dass die Gesamtinvestitionen für die Implementierung von KI höher als erwartet ausgefallen sind, was die Diskrepanz zwischen Erwartungen und Realität verdeutlicht. Laut Goldman Sachs wären zudem in den nächsten Jahren rund 1 Billion US-Dollar nötig, um die von Unternehmen angestrebten Funktionen zu realisieren und die entsprechende Infrastruktur, einschließlich Rechenzentren, Versorgungseinrichtungen und Anwendungen, aufzubauen.
Auch wenn manche anderer Meinung sein mögen, glauben wir weiterhin, dass KI der nächste große Schritt in der Transformation ist. Die gesamte Diskussion sollte sich um das Warum und das Wie drehen. Generative KI hat die Debatte in einem außergewöhnlich schnellen Tempo in Richtung KI gelenkt. (Alle wollten einfach nur damit anfangen.)
Dies führte zu einer Vielzahl realisierter Anwendungsfälle – vor allem zur Produktivitätssteigerung. Ein gutes Beispiel hierfür ist die Integration von Codegenerierungsfunktionen in unsere MDM-Lösung . Diese generiert den passenden Code basierend auf den Parametern und der zu erstellenden Datenpipeline. Wir schätzen, dass Aufgaben, die zuvor Stunden in Anspruch nahmen, nun in nur 5–10 Minuten erledigt werden können – was wertvolle Zeit spart.
Einige der wichtigsten Anwendungsfälle, die sich als erfolgreich erwiesen haben, sind:
Codeentwicklung: Künstliche Intelligenz hat sich bei der Automatisierung des Low-Level-Code-Schreibens bewährt, wodurch sich die Entwickler auf komplexere und produktivere Aufgaben konzentrieren können.
Kreatives Design: Generative KI kann in Minuten Designideen generieren, für die man früher Stunden gebraucht hätte, und beschleunigt so den Prozess, neue Ideen auf den Markt zu bringen (ganz zu schweigen von der Erstellung hypothetischer Bilder auf der Grundlage von Text).
Kundenservice: ServiceNow berichtet von einer 80%igen Reduzierung der durchschnittlichen Zeit, die zur Lösung von Kundendienstproblemen benötigt wird, durch den Einsatz von KI.
Durch den Einsatz von LLMs zur Testgenerierung können Ingenieure in kürzerer Zeit mehr Tests erstellen, was zu einer verbesserten Codequalität und weniger Fehlern führt.
Datenabfrage- und -zugriffsanwendungen wie P.AI , die sich in bestehende Arbeitsabläufe wie Teams integrieren lassen, um Fragen zu Daten zu stellen und so die Analyse zu vereinfachen (ohne dass man ein technischer Experte sein muss).
Für einige mag dies ein einfacher Weg sein, für andere hingegen eine echte Wertschöpfung. Man könnte argumentieren, dass es andere Werkzeuge wie NLP usw. gäbe, die einige dieser Aufgaben hätten erledigen können, doch der Zeitaufwand wäre deutlich höher gewesen.
Dies ist erst der Anfang. Um wertschöpfende und umfassende KI-Lösungen zu entwickeln, muss der gesamte Ansatz und Prozess grundlegend verändert werden. Dieser Weg muss sowohl das Potenzial als auch die Grenzen von KI berücksichtigen. Erfolg entsteht nicht durch die überstürzte Einführung jeder neuen KI-Funktion, sondern durch die durchdachte Integration dieser Technologien, die nachhaltigen Wert für alle Beteiligten schafft.
Die Aspekte sind vielfältig. Von der Klärung der Funktionsweise verschiedener Modelle, z. B. Transformer-Modelle wie Claude und GPT-4 oder Diffusionsmodelle wie Midjourney und DALL-E, und deren Lizenzbestimmungen. Auch die Art der Abfrage, die Unterstützung des Entwicklers und die Tipps sollen die Arbeit erleichtern und die Umsetzung verbessern – schließlich zählt logisches Denken noch nicht zu den Stärken der KI.
Und dann stellt sich die Frage nach dem Einstieg. Wir empfehlen, vorab eine Machbarkeitsmatrix hinsichtlich Nutzen und Leistung zu erstellen, um die vielversprechendsten, schnell umsetzbaren Maßnahmen zu identifizieren. Bedenken Sie außerdem, dass generative KI immer noch KI ist – die zugrundeliegenden Feinheiten und die Basis sollten solide sein. Stellen Sie daher sicher, dass Sie über geeignete Data-Engineering-Praktiken wie ein Data Lakehouse oder ein passendes Datenökosystem wie eine Data Fabric verfügen, um Ihr Vorhaben zu unterstützen.
Habt auch keine Angst vor Experimenten. Wisst nur, wann ihr aufhören solltet!