Die Zukunft der künstlichen Intelligenz

(27.11.2024) Künstliche Intelligenz (KI) - Artificial Intelligence (AI) - wird in disruptiven und interaktiven Märkten immer wichtiger. Seien es semantische Systeme, Spracherkennung oder Agentenlösungen. Das iBusiness-Onlinedossier zeigt, welche Techniken sich durchsetzen werden, welche Strategien Anbieter und Nutzer verfolgen und welche Perspektiven die Entwicklung bietet.

KI und Hundebabys: Warum KI-Projekte scheitern, wenn sie erfolgreich sind

(31.05.2024) Aktuell wird in Unternehmen sehr viel über Künstliche Intelligenz nachgedacht und ausprobiert. Doch das eigentliche Problem kommt danach.
Wenn man mit denjenigen spricht, die Systeme mit Künstlicher Intelligenz im Unternehmensalltag betreiben, der erfährt: Ganz oft ist man in das Problem gelaufen, dass das KI-Pilotprojekt gut lief, aber man dann in schier unüberwindliche Schwierigkeiten geraten ist. Diese hatten nur zum Teil mit Systemen und Technik zu tun - und auch nur selten etwas mit der mangelnden Akzeptanz. Ich höre oft: Man habe unterschätzt, wie weit es vom gelungenen Piloten zur Alltags-Einführung von KI ist.

Herauskristallisiert haben sich folgende Knackpunkte, warum ein KI-Pilot anders funktioniert als die unternehmensweite Einführung:

• Daten-Genügsamkeit:
  Für einen Piloten sind aufgrund seiner begrenzten Natur weniger Daten notwendig als für die finale Einführung. Ob also etwas für den Alltagsbetrieb fehlt, zeigt sich eventuell erst später.
  
  
• Technisches Insel-Dasein:
  Der Pilot läuft losgelöst vom Restunternehmen. Widerstände anderer Abteilungen und abteilungsbezogene technische Hürden tauchen erst später auf: So sind etwa die Hälfte der Tools, die KI-Verantwortliche nutzen, Insellösungen. So wird es kompliziert beim Rollout, wenn man die KI für mehrere Abteilungen nutzbar machen will.
  
  
• Abgespeckter Funktionsumfang:
  Im Piloten wird ein MVP - Minimum Viable-Product - mit begrenztem Funktionsumfang verwendet. Diese abgespeckte Anwendung lässt also keine Schlüsse auf die volle Palette von Problemen zu, die sich im Echtbetrieb auftun.
  
  
• Zu wenig Zeit zum Nachbessern:
  Je komplexer eine Lösung ist, um so länger dauert es, bis die wirklich gewichtigen Fehler auftauchen. Wie bei einem Motor im Auto, den man einfahren muss, ist es auch bei einer KI-Lösung so. Doch gierige Product-Owner drängen oft auf schnelle Einführung. Und der noch nicht entdeckte Fehler rutscht mit in den Rollout.
  
  
• Welpenschutz:
  Man arbeitet im Piloten losgelöst von den Unternehmensregeln in einem Schutzraum - die Konflikte sind also überschaubar und nehmen zu, sobald man die unternehmensweite Einführung anpackt.

Industrie erwartet durch KI deutlichen Produktivitätsschub

(17.05.2024) Vor allem in der Datenanalyse werden große Potenziale gesehen, um Schwachstellen schneller identifizieren und entsprechende Ergebnisverbesserungen erzielen zu können.