Warum sind moderne KI-Lösungen mittlerweile allgegenwärtig und die Zahl der KI-Experten, die ihr Wissen teilen, wächst stetig – und doch tun sich Unternehmen nach wie vor schwer damit, eine positive Rendite aus ihren KI-Investitionen zu ziehen?
Wo moderne KI ihre Stärken ausspielt
Die Entwicklung von Lösungen mit KI (oder maschinellem Lernen) war und ist schon immer eine Herausforderung in drei Bereichen: a) Daten auf die richtige Weise zu nutzen, b) das konkrete Geschäftsmodell zu verstehen und c) die Lösung nahtlos in die übergeordneten Prozesse zu integrieren.
Die neuen Technologien rund um Large Language Models (LLMs) bieten einen enormen Mehrwert bei der Übersetzung von menschlicher natürlicher Sprache in Maschinensprache. Dies eröffnet Möglichkeiten für völlig neue Arten der Interaktion zwischen Mensch und Software durch neuartige Benutzeroberflächen.
Darüber hinaus ermöglicht es uns die Fähigkeit von Maschinen, auf „natürliche“ Weise mit uns zu kommunizieren, uns über komplexere Themen auszutauschen, die ein logisch stringentes Denken erfordern. Dabei haben LLMs zwei Ebenen der Logik gelernt: a) den Aufbau grammatikalisch korrekter Sätze und b) Wissen über ein breites Spektrum an Themengebieten.
Moderne LLMs glänzen durch grammatikalische Korrektheit – eine bemerkenswerte Leistung. Dies verdeckt jedoch oft, dass ihnen die nötige Tiefe fehlt, um korrektes Wissen in spezialisierten Fachgebieten wiederzugeben. Sie haben die Sprache der Experten gelernt, ohne zwangsläufig die Expertise selbst erworben zu haben.
Grenzen überwinden
Das Schließen von Wissenslücken durch Retrieval-Augmented Generation (RAG) ist populär und funktioniert gut, um spezifische Informationen einzuspielen. Diese und andere Ansätze werden ständig verbessert, um eine wachsende Zahl von Anwendungsfällen abzudecken. Dennoch stoßen sie an Grenzen, insbesondere wenn es um die Interpretation und Anwendung von fachspezifischem Expertenwissen geht. Um diese Hürden zu nehmen, bedarf es mehr als nur fortschrittlicher Tools – es erfordert tiefgreifendes technisches Know-how.
Das Aufkommen von LLMs hat in weiten Teilen der Wirtschaft und Gesellschaft den Eindruck erweckt, dass diese Technologien mühelos auf jede beliebige Herausforderung angewendet werden können. Dieser Eindruck wird durch ihre Fähigkeit verstärkt, rhetorisch einwandfreie Sätze in korrekter Grammatik zu formulieren, sowie durch die Einfachheit, mit der sie in schnellen Machbarkeitsstudien (Proof-of-Concepts, PoCs) eingesetzt werden können.
Doch echter Geschäftswert geht über diese Aspekte hinaus. Die Anforderungen, eine KI auf ein konkretes Ziel hin zu optimieren und sie produktionsreif zu beherrschen, haben sich nicht geändert: Man muss nach wie vor Daten strategisch nutzen, das Geschäftsziel verstehen und die KI klug in eine Gesamtlösung integrieren. Die Schnelligkeit, mit der PoCs realisiert werden können, ist eine Stärke – entbindet aber nicht von der harten Arbeit, diese in ein produktives System zu überführen. Hier entstehen Aufwände, die im Business Case leicht übersehen werden können.
Immer mehr Unternehmen führen LLM-Lösungen ohne klassische Data-Science-Expertise ein. Getrieben von dem Wunsch, diesen wichtigen Trend nicht zu verpassen, und gelockt durch das Versprechen auf schnellen geschäftlichen Nutzen, ist dieser Drang zum Handeln verständlich. Und es ist richtig, schnell zu agieren, anstatt Probleme zu zerdenken. Dieser Ansatz muss jedoch durch die richtigen Kompetenzen flankiert werden.
Neben traditionellen Data-Science-Fähigkeiten entstehen neue Kompetenzfelder, die etabliert werden müssen. Dazu gehören unter anderem AI-Ops zur Leistungsüberwachung der KI, Guardrails (Leitplanken) zur Risikominimierung und ethische KI-Praktiken. Dies sind Investitionen, die kurzfristig Kosten verursachen, sich aber langfristig auszahlen.
Die richtigen Herausforderungen identifizieren
Damit sich die Investitionen wirklich lohnen, müssen wir auch besser darin werden, die Probleme richtig zu definieren. Wir müssen verstehen, was LLMs leisten können und was nicht. Wie jede neue Technologie haben sie ihre spezifischen Stärken. Gute KI-Strategien lassen sich nur entwickeln, wenn wir uns über diese Stärken im Klaren sind. Diese Herausforderung wird deutlich, wenn wir vier Kriterien betrachten, die bestimmen, ob LLMs schnellen Mehrwert liefern können:
- Wie anspruchsvoll muss die Lösung sein, um einen Mehrwert zu bieten – wie definieren Sie „gut genug“?
Antworten im Kundenservice zu geben, ist weniger komplex als die Analyse und Diagnose medizinischer Behandlungen für Patienten. - Ergibt sich der Mehrwert primär aus den Fähigkeiten zur Textverarbeitung?
Die Zusammenfassung eines Dokuments basiert auf anderen Datenstrukturen als die Vorhersage von Maschinenausfällen. - Wie tiefgreifend oder spezialisiert muss das eingebettete Wissen sein?
Feedback zu allgemeinen Wirtschaftsthemen erfordert eine andere Wissentiefe als die Auslegung des Steuerrechts in einer spezifischen Situation. - Wie tolerant sind Sie gegenüber Fehlern in Ihrer Lösung?
Eine ungenaue Formulierung, die im Marketing toleriert wird, kann in Finanzberichten immense Folgen haben.
Die richtigen Kompetenzen aufbauen
Dass LLMs nicht in der Lage sind, Wissen für alle Themen in hoher Qualität wiederzugeben, ist ein offenes Geheimnis. Ansätze, um dies zu umgehen, sind zwar grundsätzlich bekannt, aber vielen, die an diesen Themen arbeiten, nicht geläufig. LLMs schaffen bei bestimmten Herausforderungen auf neuartige Weise einen großen Mehrwert. Das bedeutet jedoch nicht, dass sie eine Superintelligenz darstellen, die für alle menschlichen Probleme schnelle Lösungen parat hat.
Wir müssen die Stärken dieser Technologien verstehen, um sie klug einzusetzen. Wenn wir mit moderner KI geschäftlichen Nutzen stiften wollen, wird ein starkes Fundament aus etablierten Data-Science-Fähigkeiten zusammen mit neuen Kompetenzen für den Betrieb dieser Technologien ein Umfeld schaffen, in dem die Versprechen der KI in der realen Welt ankommen.
Die wahre Herausforderung bei der Schaffung von Geschäftswert besteht nicht darin, einer mythischen Superintelligenz nachzujagen, sondern unsere eigene Intelligenz strategisch zu erweitern. Indem wir eine Basis aus essenziellen Datenkompetenzen aufbauen – sowohl traditionelle als auch neue –, können wir das Versprechen der KI endlich in realen geschäftlichen Erfolg verwandeln.