Obwohl das Interesse an künstlicher Intelligenz unaufhörlich steigt, halten sich einige Mythen rund um die Technologie hartnäckig. CIOs sollten diese erkennen und entkräften können, um erfolgreiche KI-Strategien entwickeln und bestehende Prozesse optimieren zu können.

Mythos: "KI ist in der Pandemie ein Luxusgut"

Realität: Auch während der Pandemie steigt das Interesse an und die Investitionen in künstliche Intelligenz. Laut einer Gartner-Umfrage haben 24 Prozent der Unternehmen ihre KI-Investitionen seit dem Beginn der COVID-Krise erhöht, bei 42 Prozent blieben diese unverändert.

Während der Pandemie hat KI nicht nur CIOs im Gesundheitswesen entscheidend dabei unterstützt, die Ausbreitung des Virus zu prognostizieren und Notfallressourcen optimal zu steuern, sondern auch die wirtschaftliche Regeneration von Unternehmen aller Art beschleunigt. Eine zentrale Rolle nahm KI bei Kostenoptimierungs- und Business-Continuity-Initiativen ein, wodurch Umsatzwachstum und die Verbesserung der Kundenbeziehungen trotz Krise vorangetrieben werden konnten.

Auch wenn künstliche Intelligenz kein Allheilmittel ist, können es sich die meisten Unternehmen schlicht nicht leisten, das Potenzial zu ignorieren, das KI bei der Bewältigung von Kurz- und Langzeitfolgen der Pandemie bietet. CIOs sollten den Einsatz von künstlicher Intelligenz deshalb proaktiv fördern, statt die Technologie zum Luxusgut zu stilisieren. KI sollte als leistungsfähige Technologie wahrgenommen werden, die für pragmatische Szenarien wie zum Beispiel eine schnellere Datenauswertung oder eine verbesserte Entscheidungsfindung genutzt werden kann.

Mythos: "Wir brauchen keine KI-Strategie"

Realität: Künstliche Intelligenz kann viele Business-Probleme lösen. Echten Mehrwert wird sie allerdings erst generieren, wenn es eine dazu passende Strategie gibt.

KI ist dann besonders wertvoll, wenn CIOs ihren Einsatz mit den Geschäftsprioritäten und kurzfristigen Möglichkeiten in Einklang bringen - speziell solchen, bei denen künstliche Intelligenz und die Belegschaft zusammenwirken. Im ersten Schritt sollten die KI-Anwendungsoptionen ermittelt werden, die am besten zu den strategischen Initiativen und erfolgskritischen Geschäftsfunktionen passen. Zum Beispiel lassen sich Verwaltungsaufgaben automatisieren, um mehr Zeit und Raum für Innovation zu schaffen. Ist der KI-Einsatz erstmal etabliert, gilt es, den ausgearbeiteten Ansatz regelmäßig zu überprüfen, um sicherzustellen, dass Entscheidungen bezüglich der KI-Implementierung (beziehungsweise gegen die Nutzung von künstlicher Intelligenz) durch Daten und gewissenhafte Abwägungen unterfüttert werden.

Mythos: "KI ersetzt nur banale Tätigkeiten"

Realität: Im Laufe der Zeit haben viele Technologien beeinflusst, wie Menschen arbeiten und welche Skills sie für den Zugang zu gutbezahlten Stellen benötigen. Das führt dazu, dass manche Berufe verschwinden, während konstant neue entstehen. Spezialisten an der Schreibmaschine sind heute beispielsweise eher selten anzutreffen, während es vor zehn Jahren kaum Social Media Manager gab.

KI-Technologien werden künftig erheblichen Einfluss darauf nehmen, wie (und in welchen Bereichen) wir arbeiten und lernen. Dabei hat künstliche Intelligenz nicht nur das Potenzial, repetitive Aufgaben zu automatisieren, sondern kann auch anspruchsvollere Tätigkeiten erleichtern. Eine KI kann beispielsweise Tausende von Verträgen innerhalb von Minuten analysieren und alle relevanten Informationen extrahieren - wesentlich schneller und mit geringerer Fehlerquote als jeder Anwalt.

CIOs können das Potenzial von künstlicher Intelligenz ermitteln, indem sie zuerst automatisierbare Tätigkeiten (zum Beispiel im Kundenservice oder Projektmanagement) identifizieren. Darauf aufbauend kann die betroffene Belegschaft im effizienten Umgang mit der KI geschult werden. Wichtig ist dabei, regelmäßig und offen mit Mitarbeitern und Stakeholdern über mögliche Bedenken hinsichtlich des KI-Einsatzes zu kommunizieren. Dies hilft dabei, negative Schwingungen abzubauen und die Teams auf den Change vorzubereiten.

Mythos: "KI gleich Machine Learning"

Realität: Künstliche Intelligenz ist ein Dachbegriff, der verschiedene Methoden beinhaltet - eine davon ist Machine Learning (ML). Hierbei geht es um die Fähigkeit von Maschinen zu "lernen" - ohne vorher explizit dafür programmiert zu werden. Mit Hilfe von Machine Learning lassen sich Muster in Daten erkennen und spezifische Aufgaben lösen. Beispielsweise können E-Mails mit ML als Spam klassifiziert werden.

Machine Learning darf wiederum nicht mit Deep Learning gleichgesetzt werden, welches eine Unterkategorie von ML darstellt, die erstaunliche Fortschritte ermöglichen kann. Das heißt im Umkehrschluss aber nicht, dass sich Deep Learning zur Lösung aller Probleme im Einzugsbereich von KI eignet oder dass Deep Neural Networks (DNNs) für jeden konkreten Anwendungsfall das beste KI-Tool darstellen. Viele gegenwärtige Probleme lassen sich effektiv durch traditionelle, regelbasierte Systeme oder traditionelles Machine Learning lösen.

Das Neueste vom Neuesten bietet also nicht immer eine angemessene Lösung für geschäftsrelevante Probleme. Vielmehr gilt es, Data Scientists zu einer ganzheitlichen Betrachtung der verfügbaren KI-Technologien zu motivieren und am Ende die Option zu implementieren, die am besten zu Geschäftsmodell und strategischen Zielen passt. Bei komplexen Problemstellungen (insbesondere solchen, die menschliche Insights erfordern) empfiehlt sich eine Kombination von Deep Learning und anderen KI-Methoden.

Im Gespräch mit Stakeholdern sollten CIOs auf die Unterschiede zwischen oft synonym gebrauchten Buzzwords hinweisen. Als Faustregel gilt: Brechen Sie allgemeingehaltene Diskussionen über KI auf konkrete Methoden wie Machine Learning herunter und erläutern Sie, wie diese zur Lösung spezifischer Probleme in der Praxis beitragen können.

Mythos: "KI dreht sich nur um Algorithmen und Modelle"

Realität: Die Konzeption und Anwendung von ML-Algorithmen für Prognosemodelle stellt oft den einfachsten Part eines KI-Projekts dar. Schwieriger wird es, wenn es darum geht, das zu lösende Problem klar zu definieren und ausreichend aussagekräftige Daten zu sammeln und aufzubereiten. Das Deployment stellt schließlich den diffizilsten Part eines KI-Projekts dar. Bis 2023 werden mindestens 50 Prozent der IT-Entscheider Schwierigkeiten haben, ihre KI-Projekte über den Status eines Proof of Concept hinaus zu zu führen.

CIOs sollten sich mit den wichtigsten Stakeholdern konsultieren, um das Problem definieren zu können, dass KI lösen soll. Außerdem müssen Mitarbeiter, Prozesse und Tools organisiert und gemanagt werden, die für Testing, Deployment und andere Komponenten der KI-Operationalisierung unentbehrlich sind.

Mythos: "Jede Blackbox-KI unterliegt strengen Regularien"

Realität: Bei einer "Blackbox-KI" handelt es sich um ein KI-System, dessen Input und Prozesse den Nutzern verborgen bleiben. Abhängig vom Kunden und bestehenden Richtlinien zu Datenschutz, Sicherheit, KI-Ethik und der Transparenz von Algorithmen können KI-Applikationen unterschiedliche Anforderungen in Sachen Explainability aufwerfen. Ein KI-System, das Insights für interne Zwecke generiert, muss nicht unbedingt in allen Aspekten nachvollziehbar sein. Anders sieht es aus, wenn KI-Entscheidungen Menschenleben beeinflussen, etwa wenn es um die Bereitstellung von Krediten geht.

Eine KI, die Entscheidungen innerhalb eines geschlossenen Kreislaufs trifft (wie das beim Autonomen Fahren der Fall ist), unterliegt aus ethischen und möglicherweise rechtlichen Gründen hohen Anforderungen in Bezug auf die Nachvollziehbarkeit.

CIOs müssen gewährleisten, dass ihre KI-Anwendungen den geltenden ethischen und rechtlichen Maßstäben entsprichen. Da die Daten, die beim Testing und der Validierung gesammelt werden Aufschluss über den nötigen Grad an Explainability geben, tun IT-Entscheider gut daran, die dafür zuständigen Teams bestmöglich zu unterstützen.

Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.