Machine Learning und KI
Barrieren beseitigen
Nicht immer erbringen ML- und KI-Projekte in Unternehmen bahnbrechende Erkenntnisse – manchmal scheitern sie auch vor der eigentlichen Umsetzung. Die Gründe dafür liegen nicht allein auf technischer Seite. Manchmal ist es mitunter lediglich eine fehlende Aussage zum Return on Investment (ROI).
Die Anwendungsmöglichkeiten von Daten und deren Verarbeitung durch Machine Learning (ML) sowie Künstliche Intelligenz (KI) sind vielfältig und versprechen signifikante Wettbewerbsvorteile. Themen wie zum Beispiel Fraud Detection, Predictive Maintenance, Qualitätssicherung/QA oder Churn Prediction sind nur einige Anwendungs-bereiche. Datengetriebene Lösungen und Geschäftsmodelle sind zudem der Grundstein für einige der erfolgreichsten und wertvollsten Unternehmen unserer Zeit. Doch noch längst nicht überall werden ML- und KI-Projekte erfolgreich umgesetzt. Dabei wäre die Technik bereit und auch an den finanziellen Aspekten sollte es nicht liegen: Die Technik für entsprechende Anwendungen ist dank den Plattformen der Hyperscaler vorhanden und leicht zugänglich. Aufgrund der Pay-per-Use-Modelle der Cloud-Anbieter sind dabei meist keine Vorabinvestitionen (OPEX statt CAPEX) oder kein festes Commitment nötig. Zu beobachten sind jedoch durchaus unterschiedliche Ausgangslagen: So fehlt es in vielen Organisationen mitunter an Initiativen zur Digitalen Transformation – einer wesentlichen Voraussetzung für diese Projekte. In anderen Unternehmen wiederum werden solche Vorhaben zwar geplant, die Umsetzung jedoch nicht gestartet. Ein drittes Szenario ist, dass die Projekte Insellösungen darstellen, die nur ein spezifisches Problem lösen, nicht aber die Digitale Transformation des gesamten Unternehmens voranbringen.
Strategische Vorarbeit
Rom wurde nicht an einem Tag erbaut – das gilt auch für datengetriebene Unternehmen unserer Zeit. Die oben erwähnten Anwendungsszenarien versprechen durchaus einen hohen ROI, rangieren allerdings am (momentanen) oberen Ende der Digitalisierungsskala. Das heißt: Machine Learning und Künstliche Intelligenz sind keine Low Hanging Fruits für Unternehmen, die sich noch am Anfang der Digitalisierungsreise befinden. Wo genau sie stehen, und was ihnen möglicherweise fehlt, merken sie oft erst in dem Moment, in dem sie entsprechende Lösungen einführen wollen. Erst dann setzt sich die Erkenntnis durch, dass als erstes die grundlegenden Digitalisierungsschritte erfolgreich umgesetzt werden müssen. Je nach Organisation kann das ein recht umfangreiches Unterfangen sein; der Einführungsprozess der Lösungen kommt dann noch on top hinzu.
Der plötzlich auftretende Modernisierungsbedarf kann durchaus entmutigend wirken, wobei darüber hinaus in Zeiten des Fachkräftemangels oft auch eine Strategie fehlt, wie die erforderliche Expertise beschafft werden kann. Projekte werden also teilweise nicht gestartet oder schon nach dem PoC (Proof of Concept) abgebrochen, weil die Aufgabe zu groß, zu komplex, zu teuer erscheint, und die erforderlichen Experten fehlen.
Zu dieser generellen Problematik kommt ein spezifisch deutsches Problem hinzu: die Ingenieursmentalität. Alles soll im Vorfeld schon genau berechnet sein. Was kostet es und was bringt es ein? Die Kosten von KI und ML gegebenenfalls im Rahm von Cloud-Modellen kalkulierbar. Um den ROI einschätzen zu können, müsste jedoch noch der finanzielle Output klar definiert werden. Doch was bei anderen Investitionen möglich ist, stößt hier auf eine besondere Situation: Der genaue Nutzen dieser mächtigen Systeme lässt sich (noch) schwer beziffern, insofern lässt sich auch der ROI meist nicht berechnen – ein weiterer Grund, warum Initiativen ins Stocken geraten können. Dieser Aspekt wirft eine alte, aber dennoch zukunftsweisende Frage auf: Überlässt man dem Controlling die Führung von Unternehmen oder dürfen Techniker und Ingenieure mitreden?
- Barrieren beseitigen
- ROI-Fixierung als Innovationsbremse
Lesen Sie mehr zum Thema
