Künstliche Intelligenz durchdringt immer mehr Anwendungsbereiche: Im Sommer dieses Jahres soll sogar eine Künstliche Intelligenz die Astronauten zur internationalen Raumstation ISS in den Orbit begleiten und dort bei ihrer Arbeit unterstützen. Einige der meist diskutierten Anwendungen von KI sind Robo-Advisors und Robo-Traders in der Finanzindustrie, Chatbots und persönliche Einkaufsassistenten im Einzelhandel, Anwendungen zur medizinischen Diagnostik wie zum Beispiel Fernüberwachung von Patienten, KI-Tutoren für die personalisierte Ausbildung und digitale Sprachassistenten für die End-Konsumenten.
Foto: Jackie Niam - shutterstock.com
Bis 2021 werden 40 Prozent aller neuen Unternehmensanwendungen, die von Service-Providern implementiert werden, Technologien mit Künstlicher Intelligenz enthalten. Doch wie wirkt sich der Einsatz von KI auf die Verbesserung von Geschäftsergebnissen aus? Und lässt sich dies messen?
Den Geschäftswert durch Künstliche Intelligenz steigern
Setzen Unternehmen Künstliche Intelligenz effektiv ein, erwartet sie eine breite Palette an neuen Möglichkeiten. Um allerdings das volle Potenzial der Technologie auszuschöpfen, müssen Data & Analytics-Spezialisten ihre Strategie breiter anlegen und weiter fassen: Das heißt, sie müssen die Auswirkungen auf Geschäftsmodelle und die Kundenzufriedenheit bewerten und sich auf neue strategische Herausforderungen vorbereiten.
Tatsächlich beginnen viele Unternehmen gerade erst mit ihrer KI-Reise, sammeln Wissen und entwickeln erste Strategien für konkrete Anwendungsszenarien. Eine aktuelle Befragung unter Mitgliedern des Gartner Research Circle hat ergeben, dass es zu den größten Herausforderungen bei der Einführung von KI gehört, eine geeignete Strategie und Anwendungsfälle zu identifizieren. Deshalb müssen Daten- und Analyse-Verantwortliche ihre Strategien permanent überprüfen und beurteilen.
Alles Wissenswerte rund um das Thema Künstliche Intelligenz finden Sie hier
Die Fortschritte in diesem Bereich haben jedoch dazu geführt, dass Unternehmen mittlerweile eine wichtige Schwelle bei der Entwicklung von Daten- und Analysestrategien überschritten haben: Immer mehr Firmenverantwortliche stellen fest, dass KI nicht nur das Potenzial bietet, bestehende Geschäftsaktivitäten zu verbessern, sondern auch Möglichkeiten für datengetriebene Geschäftsstrategien schafft, die zuvor nicht möglich gewesen wären. Deshalb müssen die Spezialisten nicht nur die geeigneten und neu entstehenden Anwendungen der KI verstehen, sondern auch mit neuen Methoden der Strategieentwicklung vertraut werden, um das volle Potenzial von KI im Unternehmen effektiv und genau einschätzen zu können.
Künstliche Intelligenz, Machine Learning und Advanced Analytics
Ein großer Teil der aktuellen Aufmerksamkeit rund um KI richtet sich auf das Zusammenspiel von Advanced Analytics und Machine Learning - damit erhalten IT-Systeme die Fähigkeit zu lernen und sich selbständig weiterzuentwickeln, ohne explizit programmiert zu werden. Gerade im Bereich von Machine Learning und Deep Learning beschleunigen sich die Fortschritte und werden Teil von fast allem, was von Unternehmen in Zukunft gekauft oder implementiert wird. Machine Learning stellt eine besonders stark disruptive Technologie dar, die tendenziell Bestandteil aller Formen von KI ist: Viele der Vorteile der KI resultieren aus den Vorhersagen, die mit Hilfe von Machine Learning gewonnen werden. Damit lassen sich Muster in Daten identifizieren und klassifizieren. Dies macht Machine Learning zu einem geeigneten Werkzeug, tiefergehende Einsichten aus Daten zu gewinnen, die früher eher schwierig zu finden waren.
Lesen Sie mehr zum Thema Machgine Learning:
Machine Learning - darum geht es
Machine Learning - das haben deutsche Unternehmen vor
Machine Learning - die Technik
Oft sind Unternehmen aber schlecht darauf vorbereitet, diese Daten auszuwerten und gewinnbringend zu verwenden. Advanced Analytics, Geschäftsalgorithmen und Machine Learning gehören heute zu den fünf stärksten disruptiven Technologien. Das macht es wiederum erforderlich, deren Potenzial für KI in der Geschäftsstrategie genauer zu untersuchen. So reicht es heute nicht mehr aus, KI in der gleichen Weise zu betrachten, wie typischerweise eine Daten- und Analysestrategie als Nebenprodukt einer anderen Strategiearbeit erstellt wird. Es ist deshalb allen CDOs und CIOs zu empfehlen, sich auf die folgenden drei Bereiche zu konzentrieren:
1. Den Nutzen für den Unternehmenswert im Blick behalten
Bewerten Sie zu Beginn, wie relevant Künstliche Intelligenz für Ihre wichtigsten Geschäftsergebnisse ist. Stellen Sie sich dabei immer die Frage, ob und wie KI neue datengetriebene Modelle sowie spezifische betriebliche und IT-Herausforderungen beflügeln kann. Denn viele Unternehmen sind zwar von den Fähigkeiten der KI begeistert, versäumen es dabei aber, die strategisch wirklich wichtigen Werttreiber zu ermitteln.
Die Verantwortlichen in den Unternehmen sollten daher ihr Repertoire für die Strategieentwicklung erweitern, indem sie Frameworks wie beispielsweise das Business Model Canvas verwenden. So lässt sich eine klare Sichtweise auf den Geschäftswert entwickeln und die Relevanz von KI für die verschiedenen Komponenten des eigenen Business bewerten. Es ist die Aufgabe des CDOs, die organisatorischen Auswirkungen auf der Grundlage der Erwartungen an die Steigerung des Geschäftswerts, die mit der KI verbunden sind, adäquat zu bewerten.
2. Das disruptive Potenzial der KI zur Verbesserung der Kundenerfahrung nutzen
Eine Umfrage unter den Mitgliedern des Gartner Research Circle hat ergeben, dass die drei wichtigsten Arten von KI-Anwendungen, die die Befragten verwendet haben beziehungsweise zu verwenden beabsichtigen, alle auf die Verbesserung der Kundenzufriedenheit abzielen. KI biete einzigartige Möglichkeiten, tiefere Einblicke zu gewinnen und die Kunden-Personalisierung zu verbessern, hieß es. Bis 2020 werden 25 Prozent der Kundenservice- und Support-Aufgaben virtuelle Kundenbetreuer mit intelligenter Technologie über alle Verbindungskanäle hinweg integrieren.
Die Fähigkeiten von KI können dabei genutzt werden, um tiefere Einblicke in Daten zu bekommen und die Kunden besser zu verstehen. KI bietet die Möglichkeit, Kundenbeziehungen mit detaillierten Verhaltensanalysen zu personalisieren und neue Kanäle zu eröffnen, die Teil von Go-to-Market-Strategien sind. Mit Hilfe des disruptiven Potenzials von KI und Machine Learning in der Customer Experience lässt sich die vollständige KI-Reise abbilden, was zu ergebnisorientierten Innovationen führt. Mittels KI haben Data & Analytics-Spezialisten die Möglichkeit, Echtzeit-Erlebnisse und eine vollständige Analyse der Customer Journey zu erhalten und gestalten so die Zukunft des Kundenerlebnisses in der digitalen Welt neu. Dabei sollten sie eng mit Geschäftsführern und Marketingverantwortlichen zusammenarbeiten - durch die Auswertung aller Daten bekommen sie die Chance, die Erfahrungen, Bedürfnisse, Wahrnehmungen und Prozesse der Kunden übergreifend zu erfassen.
3. Organisatorische und technologische Auswirkungen beachten
Zahlreiche Geschäftsbereiche werden sicherlich von den Erkenntnissen und Fähigkeiten der KI profitieren. Aber die KI-Technik zu beherrschen, kann auch zu einer Herausforderung werden. Hinsichtlich der organisatorischen Umsetzung und Entwicklung von KI sind die dafür notwendigen Kompetenzen entscheidend. Die Teilnehmer der Gartner Research Circle Umfrage betonten, dass der Mangel an notwendigen Fähigkeiten ihres Personals die größte Hürde bei die Einführung von KI darstellt. Unternehmen sollten sich daher ausreichend auf die organisatorischen, technologischen und auch rechtlichen Herausforderungen von KI vorbereiten. Der Fokus sollte darauf liegen, Daten aus der Geschäftsperspektive "sprechen" zu lassen. Ebenso sollten regulatorische und ethische Überlegungen in die Entscheidungsfindung mit einfließen und eine datengetriebene Kultur sowie kritische Fähigkeiten im Bereich der Data Science unter allen Mitarbeitern gefördert werden.
COMPUTERWOCHE-Studien zum Thema Analytics finden Sie hier:
Es ist möglich, dass dieselben Daten mit den gleichen Analysen je nach Nutzungskontext unterschiedlich behandelt werden - eine Option davon ist ethisch korrekt, eine andere möglicherweise nicht. Das gleiche gilt auch für Sicherheit, Datenschutz, Compliance und Daten-Aufbewahrung. Folglich müssen Daten- und Analyse-Verantwortliche im Rahmen der Geschäftsdiskussionen auch mögliche rechtliche Probleme ansprechen. Und dies ab Mai 2018 umso mehr, wenn die EU-Datenschutz-Grundverordnung (EU-DSGVO) greift.