Warum KI-Projekte oft nicht vorankommen

Der Anbieter von KI-unterstützter Business-Software Freshworks sagt, dass sich zwar viele Unternehmen mit generativer KI beschäftigen, doch nicht einmal ein Fünftel Testprojekte durchführen und nur sechs Prozent Gen-AI in Betrieb genommen haben. Gründe dafür nennt Freshworks auch.

ast drei Viertel der Unternehmen haben laut Accenture Künstliche Intelligenz zu ihrer obersten digitalen Investitionspriorität für 2024 gemacht. Aber wenn es darum geht, diese Experimente in Geschäftsergebnisse umzuwandeln, haben Unternehmen noch viel Arbeit vor sich.

Laut einer kürzlich durchgeführten AWS-Umfrage unter Chief Data Officers haben nur 19 Prozent der Unternehmen ihre frühen Gen-AI-Bemühungen zu Experimenten mit Anwendungsfällen weiterentwickelt, und nur sechs Prozent haben diese Experimente tatsächlich im Betrieb umgesetzt. Mit anderen Worten: Während die Akzeptanzrate hoch ist, hinkt die Ausführungsrate von Gen-AI-Initiativen massiv hinterher.

Nach Einschätzung von Freshworks überraschen diese niedrigen Zahlen nicht. Viele Unternehmen hätten ihre Daten noch nicht für KI vorzubereitet. Das Hochladen ihrer Daten in öffentlich zugängliche Modelle wie ChatGPT berge Risiken; nur wenige Unternehmen verfügen über interne Data-Science-Ressourcen, um ihre eigenen Gen-AI-Modelle zu erstellen.

Frühes Stadium

Freshworks sieht die Einführung der KI-Technologie ähnlich wie in der Anfangsphase der Smartphones: Einzelpersonen hätten damit angefangen, Smartphones bei der Arbeit zu verwenden, lange bevor Arbeitgeber Richtlinien für mobile Geräte veröffentlichten. Bei GenAI sei die Entwicklung ähnlich. Manche Teammitglieder gehen voran und nutzen öffentlich zugänglichen Tools wie Google Bard, um manuelle Aufgaben zu automatisieren und ihre Produktivität zu verbessern.

Hauptproblem Datenqualität

Im Idealfall nutzen Unternehmen proprietäre Daten dazu, um ein großes Sprachmodell (LLM) wie Llama, OpenLM oder Mistral zu verfeinern. So können sie damit Aufgaben ausführen, die speziell auf ihre Bedürfnisse zugeschnitten sind, etwa Kreditanträge bewerten, oder Unterbrechungen der Lieferkette vorhersagen.

Unternehmen können auch ein proprietäres LLM mit seinen eigenen domänenspezifischen Daten erstellen und trainieren. Dieser Prozess ist allerdings teuer, kann Jahre dauern und erfordert interne Datenwissenschaftler. Die Partnerschaft mit einem großen LLM-Anbieter ist eine weitere Option, um dasselbe zu erreichen. In beiden Fällen sind die meisten Unternehmen dazu nicht annähernd in der Lage, da ihre eigenen Daten nicht für anspruchsvolle KI-Anwendungen bereit sind.

Eine umfassende Datenstrategie ist für die Nutzung von KI allerdings entscheidend. Trotzdem leisten nur wenige Unternehmen die erforderliche Vorarbeit, um ihre Daten für die Einbindung in LLMs vorzubereiten. Zu den grundlegenden Schritten gehören:

- Aufbrechen von Datensilos

- Integration oder Sammlung von Daten zum Trainieren der KI

- Sicherstellen, dass die Daten den grundlegenden Qualitätsstandards entsprechen

Skepsis gegenüber Gen-AI-Tools

Stefan Habitzreuther, Sales Director DACH bei Freshworks, appelliert an Unternehmen, die beim Einsatz von generativer KI zögern, ihr Handeln zu überdenken. Führungskräfte, die sich der KI mit einer experimentierfreudigen und innovativen Haltung näherten, würden langfristig am meisten Erfolg haben, meint der Vertriebsleiter. Skepsis gegenüber Gen-AI-Tools sei häufig auf Ängste zurückzuführen, durch die Technologie ersetzt zu werden. "Die Möglichkeiten der KI sind jedoch kein Ersatz, sondern vielmehr eine Hilfe für Teams. Dadurch wird KI immer mehr zu einem unverzichtbaren Werkzeug für international operierende Unternehmen." Wichtig sei es allerdings, das richtige Maß und die passenden Tools für die jeweiligen Aufgaben zu finden.