So führen Sie Ihre KI-Projekte zum Erfolg

Künstliche Intelligenz (KI) hat überraschend schnell den Weg aus den Laboren in die Praxis gefunden. Immer mehr Unternehmen initiieren Projekte für KI und maschinelles Lernen, um ihre Geschäftsprozesse zu verbessern, Entscheidungen fundierter zu treffen oder neue Business-Modelle zu etablieren. Sieben von zehn deutschen Unternehmen werden in den nächsten zwölf Monaten ein KI-Projekt umsetzen, haben die Marktforscher von IDC in einer eben veröffentlichten Studie herausgefunden. Gut ein Viertel der befragten Unternehmen hat sogar bereits KI-Projekte abgeschlossen.

„Wir sind davon überzeugt, dass Künstliche Intelligenz in zwei Jahren in jedem Unternehmen präsent sein wird“, sagt Matthias Zacher, Manager Research und Consulting bei IDC. „Aus diesem Grund sollte sich jede Organisation jetzt ganz gezielt mit KI beschäftigen, um schnellstmöglich Mehrwert aus den bereits am Markt verfügbaren Lösungen zu ziehen.“

IDC hat allerdings beobachtet, dass vielerorts noch Unklarheit darüber herrscht, wie KI-Projekte angegangen werden sollten. Das ist nicht weiter erstaunlich. Denn KI und maschinelles Lernen stellen sich für die meisten Unternehmen ganz anders dar als die herkömmliche IT. Oft benötigen KI-Projekte eine grundsätzlich andere Herangehensweise, als Unternehmen sie traditionell gewöhnt sind. Sie erfordern zudem andere Hardware, andere Software und völlig neues Wissen.

Wenn es darum geht, KI-Projekte umzusetzen, tappen deshalb viele Unternehmen im Dunkeln und wünschen sich konkrete Best Practices. Die Analysten von Crisp Research haben in ihrer Studie „Machine Learning im Unternehmenseinsatz“ auf Basis der Befragung von KI-Anwendern einige Best Practices und handlungsleitende Empfehlungen herausgearbeitet, von denen com! professional hier einige vorstellt – zusammen mit den Erkenntnissen anderer Analysten.

Geeignete Anwendungsfälle ausfindig zu machen, dürfte nicht das Problem sein. KI-Use-Cases sollten aber möglichst früh identifiziert und als Prototypen schnell umgesetzt werden. So gewinnen Unternehmen erste Erfahrungen und es lassen sich Feedback- und Lernprozesse in Gang setzen. Dafür können neue Teams gebildet oder bestehende – wie BI- oder Cloud-Teams – erweitert werden. Im Vorteil sind hier Unternehmen, die frühzeitig auf Technologietrends setzen und es gewohnt sind, neue Technologien schnell zu realisieren.

Prototypen sind das eine, doch letztendlich müssen mit KI und Machine Learning bestimmte Unternehmensziele erreicht werden. Trotz der frühen Markt- und Entwicklungsphase sollten mit KI-Projekten deshalb auch schon ganz konkrete Ziele gesetzt werden – etwa die Minimierung von Fehlern bei Produkten und Dienstleistungen. Die Ziele und die Rolle, die Machine Learning im unternehmenseigenen „Tech-Stack“ beziehungsweise der IT-Architektur spielen soll, sollten möglichst früh reflektiert und festgelegt werden.