Künstliche Intelligenz hat unser hektisches Privatleben bereits verändert - wenn Sie das nicht glauben, fragen Sie einfach nach bei Alexa oder Siri. Nun bestimmt sie zunehmend auch die Funktionsweise von Unternehmen. Einer Umfrage von Appen zufolge sind 2021 die Ausgaben für die Entwicklung von KI-Anwendungen in Unternehmen um 55 Prozent gestiegen.

Die Liste der Anwendungen ist lang:

• Mastercard und andere Zahlungsdienstleister nutzen KI, um potenziell betrügerische Transaktionen innerhalb von Millisekunden zu erkennen.

• Hersteller wie Boeing nutzen sie, um vorherzusagen, wann ein Flugzeugteil wahrscheinlich ausfallen wird, um daraufhin rechtzeitig vorbeugende Wartungsmaßnahmen einzuplanen.

• UPS und andere Transportunternehmen nutzen maschinelles Lernen, um die Routen ihrer Fahrer zu optimieren, die Liefertreue zu verbessern und den Kraftstoffverbrauch zu senken.

• Laut einer Studie von Gartner nutzt fast ein Drittel der B2B-Unternehmen bereits KI, um Umsatzprognosen zu erstellen, potenzielle Leads zu identifizieren oder Vertriebsmitarbeiter bei der Personalisierung von Kundengesprächen zu unterstützen.

Es gibt jedoch wesentliche Unterschiede zwischen KI-Anwendungen für Verbraucher und KI-Tools für Unternehmen. Enterprise AI hat die Aufgabe, intelligentere Geschäftsentscheidungen zu ermöglichen, um damit ehrgeizige Business-Ziele zu verwirklichen. Der geschäftliche Nutzen von KI lässt sich wiederum am besten erschließen, wenn die besonderen Fähigkeiten der Enterprise AI verstanden, geeignete Anwendungsbereiche identifiziert und die dazu passenden KI-Lösungen entwickelt werden.

Was genau ist Enterprise AI?

Verbraucherorientierte KI-Anwendungen wie die Empfehlungssysteme von Netflix oder Amazon trainieren ihre Machine-Learning-Lösungen mithilfe großer Datensätze, die oft Hunderte von Millionen von Nutzern umfassen. Sie stützen sich auf komplexe und oft intransparente Algorithmen, die einmal oder regelmäßig auf großen Datensätzen trainiert werden, um Filme oder Produkte zu empfehlen.

Im Gegensatz dazu wird Enterprise AI oft für Anwendungsfälle angesetzt, für die nur in eingeschränktem Umfang nutzbare Datensätze zum Trainieren der Algorithmen existieren. Dazu gehört beispielsweise die Verbesserung der User Experience bei einer serviceorientierten Website. Die Probleme, die damit gelöst werden, sind also vielschichtiger und die Anwendungsfälle nur für eine einzelne Branche oder ein einzelnes Unternehmen bestimmt.

Die Anforderungen eines Chatbots für den Kundenservice eines Versorgungsunternehmens beispielsweise werden sich wahrscheinlich nicht mit denen eines Chatbots für das Gesundheitswesen überschneiden. Daher muss ein KI-System für Unternehmen in der Lage sein, schnell und effizient zu lernen und die Feinheiten eines bestimmten Anwendungsfall oder einer Branche zu verstehen, selbst bei kleinen Datenmengen.

Diese maßgeschneiderten KI-Lösungen, die mit einem geringen Datenvolumen fürs Training auskommen müssen, werden typischerweise in taktischen Umgebungen wie beispielsweise zur Entscheidungsunterstützung eingesetzt. Sie müssen hohen Anforderungen hinsichtlich Robustheit, Interpretationssicherheit und Reproduzierbarkeit genügen, um dem jeweiligen Anwendungsfall gewachsen zu sein.

Enterprise AI-Anwendungen müssen oft auch strenge regulatorische Anforderungen erfüllen, insbesondere wenn sie persönliche Daten verarbeiten, Einstellungsentscheidungen im Personalwesen beeinflussen oder in sensiblen Branchen wie dem Gesundheitswesen und Finanzdienstleistungen eingesetzt werden. Von diesen KI-Systemen wird zunehmend erwartet, dass deren Algorithmen transparent und erklärbar sind, damit ihre Betreiber und Anwender nachvollziehen können, wie Vorhersagen oder Entscheidungen zustande kommen.

Die drei häufigsten Einsatzbereiche der Enterprise AI

Moderne Unternehmen setzen KI meist in diesen Anwendungsbereichen ein:

1. Prozessautomatisierung

In diesem Fall analysiert das KI-System historische Daten, um die routinemäßigen Merkmale eines Entscheidungsprozesses zu modellieren. Anschließend wendet es die Modelle an, um Entscheidungen zu automatisieren oder Self-Service-Dienste zu entwerfen. Dazu gehören beispielsweise HR-Apps, die automatisch Antworten auf Benutzerfragen zu Sozialleistungen oder Reisekostenabrechnungen liefern, oder KI-Systeme, das eingehende Anfragen automatisch an den richtigen Sachbearbeiter weiterleiten.

2. Assistierende KI

Viele KI-Systeme in Unternehmen unterstützen Mitarbeiter im Tagesgeschäft, indem sie ihnen einfache, wiederkehrende Aufgaben abnehmen und sie schnell und geräuschlos erledigen. Die Mitarbeiter können sich dadurch auf anspruchsvollere Aufgaben konzentrieren, bei denen ihre Kreativität und ihr Fachwissen gefragt sind.

Beim Betrieb von Rechenzentren beispielsweise analysieren KI-Systeme riesige Mengen an Warnungen und Fehlermeldungen aus den Logs von Servern, Netzwerken, Diensten und Anwendungen, um einige plausible Ursachen zu ermitteln. Ein Rechenzentrumsadmin kann diese Informationen dann nutzen, um geeignete Maßnahmen einzuleiten.

3. Automation Discovery

Einige große Unternehmen setzen bereits KI zur Identifizierung von Prozessen ein, die sich für die Automatisierung eignen. In diesem Fall sieht sich ein Algorithmus alle an einer bestimmten Aufgabe beteiligten Prozesse an, analysiert die Abfolge und ermittelt effizientere Workflows. Oder er analysiert die Interaktionen des Supports mit den Kunden über einen Zeitraum von drei Monaten, findet typische Merkmale, die Probleme verursachen und leitet die Erkenntnisse automatisch an die Entwickler weiter, die an der nächsten Produktversion arbeiten.

Der zunehmende Einsatz natürlicher Sprache

Mit zunehmender Reife der Enterprise AI werden wir weitere KI-gestützte Anwendungen in diesen drei grundlegenden Kategorien sehen. Da sich das Verständnis für natürliche Sprache verbessert, werden Mitarbeiter und Kunden zunehmend in der Sprache ihrer Wahl mit Unternehmen interagieren - egal ob per E-Mail, Telefon, Webportal oder Chatbot. Die Bots werden Absicht und Kontext verstehen, sich mit dem Benutzer unterhalten und es ihm ermöglichen, Informationen zu finden, Hilfe zu bekommen oder eine bestimmte Aufgabe zu erledigen.

So können Unternehmen beispielsweise KI in einer Weise nutzen, die Stimmungsanalyse mit Prozessautomatisierung und assistierender KI kombiniert, um das Service-Management zu optimieren. In beiden Fällen wird die KI die Sensibilität des Problems einschätzen, ein Ticket erstellen, unkritische Probleme per Self-Service lösen und sensiblere Probleme automatisch an die am besten geeignete Person zur Lösung weiterleiten.

KI wird auch dazu beitragen, die Produktivität von Entwicklern zu verbessern. Citizen Developer werden beispielsweise in der Lage sein, mithilfe von Anweisungen in natürlicher Sprache richtig strukturierte, maschinenausführbare SQL-Skripte für die Datenanalyse zu erstellen oder Javascript- und Python-Apps für die Bereitstellung von Diensten zu entwickeln. Wenn man ein KI-System darauf trainiert, eine Funktionsbeschreibung in natürlicher Sprache zu verstehen und daraus Javascript zu generieren, kann man Entwicklern mit unterschiedlichem Fachwissen helfen, Apps schneller zu erstellen und zu verstehen, indem man Tools wie die App Engine von ServiceNow einsetzt.

KI im Unternehmen steckt noch in den Kinderschuhen. Schon jetzt aber werden die Arbeitsabläufe dank KI intelligenter und automatisierter. Unternehmen verbessern ihre Fähigkeit, Geschäftsergebnisse vorherzusagen und schneller auf unerwartete Ereignisse zu reagieren. Mit zunehmender Reife der KI im Unternehmen werden sich diese Vorteile vervielfachen.

Auch ServiceNow setzt bei der Weiterentwicklung seiner Now Platform verstärkt auf KI, zum Beispiel um über AIOps den IT-Betrieb zu optimieren. Mehr über die KI-Pläne von ServiceNow finden Sie hier.