Seit fast drei Jahren erregt die generative KI (GenAI) die Fantasie von Unternehmen auf der ganzen Welt und verspricht einen Wandel KundenerlebnisseSchub Produktivität und neue Einnahmequellen erschließen.
Heutzutage müssen sich jedoch viele große Unternehmen mit der Realität hinter dem Hype auseinandersetzen. Marktforschungs- und Beratungsunternehmen haben GenAI fest in der Phase der Ernüchterung verankert, da die Unternehmen sich mit seinem wahren Potenzial und seinen Grenzen auseinandersetzen.
Executive Vice President bei HCLTech.
In der gesamten Branche wird weiterhin investiert, doch viele Unternehmen sind frustriert über langsame, messbare Renditen. In dieser kritischen Phase, Senior Geschäft und Technologieführer fragen: Wie können wir die Einführung und Skalierung von GenAI verwalten, um echten Geschäftswert zu liefern und zu vermeiden, Teil der 30 % der GenAI-Projekte zu werden, von denen Gartner prognostiziert, dass sie bis 2025 aufgegeben werden?
Vor welchen Herausforderungen stehen Unternehmen bei der Skalierung von GenAI?
Große Unternehmen, die sich für die Einführung von GenAI einsetzen, stehen vor einer Vielzahl praktischer Herausforderungen, darunter auch mangelhafter Daten Qualität, unzureichende Risikokontrollen, steigende Kosten und unklarer Geschäftswert, die drohen, Projekte zum Scheitern zu bringen, bevor sie in Produktion gehen.
Eine große Hürde ist das Missverhältnis zwischen Investition und unmittelbarer Rendite. Eine weitere wichtige Herausforderung ist die organisatorische Bereitschaft. Vielen Unternehmen fehlt die Datengrundlage und die KI-Kenntnisse, um GenAI in großem Maßstab zu unterstützen.
Organisationen mit geringem Reifegrad haben Schwierigkeiten, die richtigen Anwendungsfälle zu identifizieren, und hegen unrealistische Erwartungen, während reifere Unternehmen mit Talentlücken konfrontiert sind und GenAI-Kompetenz in allen Teams vermitteln müssen. Auch die Sicherstellung der Datenqualität ist wie jedes andere GenAI-System eine ständige Herausforderung KI Das Modell ist nur so gut wie die Daten, auf denen es trainiert wird.
Schlechte Daten führen zu unzuverlässigen Ergebnissen. Governance und Risikokontrollen müssen häufig aufholen, da Early Adopters mit Problemen wie Modellhalluzinationen, Voreingenommenheit und der Einhaltung neuer Vorschriften wie dem zukunftsweisenden, rechtsverbindlichen EU-KI-Gesetz konfrontiert sind.
All diese Herausforderungen machen deutlich, dass die Einführung von GenAI nicht nur eine technologische Herausforderung ist, sondern auch eine Herausforderung für Menschen und Prozesse. Isolierte Innovationsbemühungen scheitern ohne funktionsübergreifende Zustimmung, und Projekte, die isoliert von den Geschäftsanforderungen durchgeführt werden, laufen Gefahr, keine klaren Geschäftsergebnisse zu liefern.
Wie können Unternehmen das Scheitern von GenAI-Projekten vermeiden und den Wert steigern?
Um GenAI-Initiativen vom Pilotprojekt in die Produktion zu überführen, müssen Unternehmen von Anfang an einen strategischen, wertorientierten Ansatz verfolgen. Zunächst ist die Festlegung eines klaren Geschäftsszenarios und von Erfolgskennzahlen unerlässlich.
Anstatt KI um ihrer selbst willen einzusetzen, sollten Unternehmen damit beginnen, wirkungsvolle Anwendungsfälle zu identifizieren, in denen GenAI ein echtes Problem lösen oder messbare Verbesserungen ermöglichen kann, wie z. B. die Reduzierung der Wartezeiten beim Kundenservice oder die Automatisierung kostspieliger manueller Prozesse.
Gleichzeitig müssen Unternehmen die Gesamtkosten und den potenziellen Geschäftswert der Initiative im Vorfeld genau analysieren, um fundierte Investitionsentscheidungen treffen zu können.
Eine weitere bewährte Methode ist die Förderung einer starken funktionsübergreifenden Zusammenarbeit Zusammenarbeit vom ersten Tag an. Erfolgreiche GenAI-Programme brechen Silos zwischen IT, Datenwissenschaft, Geschäftseinheiten und Risikomanagement auf.
Dieser funktionsübergreifende Ansatz stellt sicher, dass technische Teams den Geschäftskontext und die Werttreiber verstehen, während die Geschäftsinteressenten über die Fähigkeiten und Einschränkungen der KI auf dem Laufenden bleiben. Durch die Förderung der teamübergreifenden Zusammenarbeit können Menschen auf allen Ebenen fundierte Entscheidungen treffen und gemeinsam Innovationen vorantreiben.
Ein Ansatz besteht darin, einen „KI-Rat“ oder ein ähnliches Leitungsgremium mit Vertretern mehrerer Abteilungen einzurichten, das sich für die Initiative einsetzen, sie an der Unternehmensstrategie ausrichten und ethische und Compliance-Überlegungen überwachen kann.
Ebenso wichtig ist das Management der Kultur- und Veränderungsaspekte. Da GenAI häufig Arbeitsplätze und Prozesse erweitert oder neu definiert, müssen Unternehmen ihre Belegschaft vorbereiten. Dies bedeutet, dass Weiterbildung und Änderungsmanagement helfen Mitarbeiter KI-Tools vertrauen und sie effektiv nutzen.
Einige Early Adopters haben es als nützlich empfunden, mit Pilotprojekten zu beginnen, an denen Endbenutzer beteiligt sind, und auf der Grundlage von Feedback zu iterieren; Der Nachweis kleiner Erfolge trägt dazu bei, Dynamik und Buy-in aufzubauen. Im aktuellen Klima hoher Erwartungen kann das Setzen realistischer Meilensteine und das Feiern schrittweiser Fortschritte einer Ernüchterung vorbeugen.
Auch wenn der Hype einen unmittelbaren Nutzen versprach, beruht der Erfolg von GenAI in der Praxis auf einer Abfolge gut ausgeführter, wertorientierter Schritte.
Welcher Rahmen kann eine erfolgreiche GenAI-Einführung in großem Maßstab leiten?
Die Einführung von GenAI in einem großen Unternehmen erfordert Struktur. Unternehmen benötigen ein Betriebsmodell, das die KI von der Ideenfindung bis zur industriellen Umsetzung führen kann, indem es multidisziplinären Teams ermöglicht, agil zu bleiben, ohne Kompromisse bei Sicherheit oder Verantwortlichkeit einzugehen.
Viele Unternehmen nutzen auch produktorientierte Betriebsmodelle, um die KI-Arbeit mit Geschäftsergebnissen zu verknüpfen.
Eine effektive Möglichkeit zur Steuerung von KI-Einsätzen ist die Anwendung eines dreistufigen Rahmenwerks vom Pilotprojekt bis zur Produktion.
Die erste Phase, Discovery and Baselining, konzentriert sich auf das Verständnis der Bereitschaft und Chancen des Unternehmens. Dazu gehört die Bewertung der aktuellen Datenlandschaft, des Technologie-Stacks und der KI-Reife sowie die Identifizierung vorrangiger Anwendungsfälle durch Workshops mit Unternehmensleitern.
Ziel ist es, das Problem zu definieren, sich an Erfolgskriterien auszurichten und ein gemeinsames Verständnis aller Beteiligten aufzubauen.
Die zweite Phase, Werkzeug und Design, umfasst die schwere Arbeit beim Erstellen der Lösung. Hier wählen Unternehmen die richtigen Tools und Modelle aus und entwerfen die Lösung unter Berücksichtigung von Skalierbarkeit, Sicherheit und Governance.
Es umfasst die Einrichtung des Wolke oder vor Ort Infrastruktur und Integration des GenAI-Modells in Geschäftsabläufe. Design erstreckt sich auch auf die Benutzererfahrung. Zum Beispiel, wie sich ein GenAI-gestützter Assistent in die täglichen Tools eines Mitarbeiters integriert.
In der letzten Phase, ROI und Skalierung, geht es darum, den Wert zu beweisen und dann zu skalieren, was funktioniert. In dieser Phase wird die GenAI-Lösung in einer realen Umgebung bereitgestellt, oft beginnend mit einem begrenzten Umfang oder einer begrenzten Benutzergruppe, und eng an den in der Entdeckungsphase festgelegten KPIs gemessen.
Wenn die Ergebnisse die Ziele erreichen oder übertreffen, kann die Organisation den Einsatz der KI getrost ausweiten und damit beginnen, sie als Fähigkeit zu institutionalisieren. Der Schwerpunkt liegt in dieser Phase auch auf der Einführung und dem unternehmensweiten Änderungsmanagement.
Verantwortungsvolle KI muss in alle drei Phasen der GenAI-Skalierung eingebettet sein. Definieren Sie bei der Ermittlung im Vorfeld die beabsichtigte Verwendung und Leitplanken, bewerten Sie die Herkunft und Qualität der Daten und legen Sie neben den Geschäfts-KPIs messbare Verantwortungsmetriken fest.
Konstruieren Sie das System beim Entwurf entsprechend diesen Standards, einschließlich der Einbeziehung von Richtliniendurchsetzung und Zugriffskontrollen sowie der Anwendung von Bias- und Sicherheitstests. Integrieren Sie bei der Skalierung und Einführung die Human-in-the-Loop-Überwachung für Schritte mit hohem Risiko, kontinuierliche Überwachung und Reaktion auf Vorfälle, Audit-Trails und eine regelmäßige Neubewertung des Modells.
Wo sehen Unternehmen Erfolge mit GenAI?
Mit dem richtigen Ansatz kann GenAI beeindruckende Ergebnisse liefern. Im Bankensektor beispielsweise wendete eine australische Bank GenAI auf ihren Softwaretestprozess an, der traditionell ein zeitintensiver, manueller Aufwand ist.
Durch den Einsatz von GenAI konnte die Bank ihren Testlebenszyklus deutlich beschleunigen, die Softwarequalität verbessern und so eine kollaborativere und anpassungsfähigere Testkultur fördern. In der Praxis bedeutete dies eine schnellere Veröffentlichung neuer Funktionen für Kunden und ein höheres Vertrauen in diese Veröffentlichungen.
Ein weiteres Beispiel stammt aus der Pharmaindustrie, wo ein nordamerikanisches Pharmaunternehmen GenAI nutzte, um seine Compliance- und Audit-Prozesse neu zu erfinden. Das bestehende regelbasierte Dokumentenprüfungssystem des Unternehmens war kostspielig und nicht benutzerfreundlich, daher arbeitete das Unternehmen mit einem Partner zusammen, um eine GenAI-Lösung zu integrieren.
Das Ergebnis war ein KI-gestützter Assistent, der Vorschriften überprüfen konnte Unterlagen und identifizieren Sie potenzielle Qualitätslücken mit einer Genauigkeit von über 95 %, reduzieren Sie gleichzeitig den manuellen Dokumententwicklungsaufwand um 65 % und erhöhen Sie die Lesbarkeitswerte um 50 %.
Ein Marathon, kein Sprint
Der Weg zur Einführung von GenAI in großen Unternehmen ist ein Marathon und kein Sprint. Viele Unternehmen befinden sich derzeit in einem Tiefpunkt der Ernüchterung, da erste Experimente noch nicht den versprochenen ROI erbracht haben. Aber diese Phase ist überlebbar, da Unternehmen ihre KI-Strategien vom Hype zur Realität überdenken.
Indem Unternehmen sich direkt mit der Datenqualität befassen, in die organisatorische Bereitschaft investieren und die Zusammenarbeit zwischen IT- und Geschäftsbereichen fördern, können Unternehmen häufige Fehlerquellen vermeiden. Entscheidend ist, dass Unternehmen durch den Einsatz produktorientierter Betriebsmodelle und die Festlegung realistischer Erwartungen einen erheblichen Mehrwert erschließen können.
Um dies jedoch in großem Maßstab zu erreichen, sind eine durchdachte, verantwortungsvolle KI, Governance, Iteration und eine kontinuierliche Fokussierung auf Geschäftsergebnisse erforderlich. Unternehmen, die den KI-Einsatz als ganzheitlichen Wandel betrachten und die Technologie auf Menschen, Prozesse und Zwecke abstimmen, sind diejenigen, die bereits anfängliche KI-Investitionen in einen nachhaltigen ROI umwandeln.
Wir haben die beste Business-Intelligence-Plattform vorgestellt.
Dieser Artikel wurde im Rahmen des Expert Insights-Kanals von TechRadarPro erstellt, in dem wir die besten und klügsten Köpfe der heutigen Technologiebranche vorstellen. Die hier geäußerten Ansichten sind die des Autors und nicht unbedingt die von TechRadarPro oder Future plc. Wenn Sie daran interessiert sind, einen Beitrag zu leisten, erfahren Sie hier mehr: https://www.techradar.com/news/submit-your-story-to-techradar-pro
