Hackmann identifizierte vier Anwendungsbereiche, in denen AI eine immer wichtigere Rolle spielt: Enhanced Analytics, Digital CX Chatbots, intelligente Assistenten und Robotic Process Automation (RPA). Die größten Mehrwerte würden Unternehmen derzeit vor allem in der Automatisierung, dem Finanz- und Rechnungswesen, der Betrugsbekämpfung anhand von Prognosedaten sowie dem Supply-Chain Management identifizieren. Schwierigkeiten sehen die Anwenderunternehmen weniger in der Technik als vielmehr in Fragen rund um rechtliche und personelle Aspekte - zum Beispiel: "Wo bekomme ich KI-Experten für mein Unternehmen?"

Hausaufgaben rund um die Daten

Aus Sicht von Sebastian Derwisch, Data Scientist am Business Application Research Center (BARC), dreht sich in den Unternehmen derzeit noch viel um grundlegende Hausaufgaben. Es gelte beispielsweise, einen integrierten Datenhaushalt innerhalb des eigenen Betriebs zu schaffen. Des Weiteren müssten sich die Verantwortlichen um das Thema "Data Governance" kümmern, um die Qualität von Daten sicherzustellen. Denn, so betonte Derwisch, Daten seien schließlich die Grundlage für den Einsatz von AI.

Die Einschätzung der Analysten bestätigte sich in der anschließenden Podiumsdiskussion. Viele Projekte scheiterten, weil die Trainingsdaten nicht korrekt aufbereitet seien, erklärte Stefan Ebener von Google. "Machine Learning wird bei KI-Projekten immer als Kern angesehen, aber am Ende macht der Lernprozess nur zirka 20 Prozent des Aufwands aus." Dabei gebe es vorher organisatorisch ein viel größeres Problem. In vielen Unternehmen fehle es an einer Open Data Policy, was zu vielen kleinen Königreichen führe. Daher gebe es auch viel zu viele Kopien von Daten und am Ende wisse niemand mehr, was die Masterdaten seien. Lösen könnte das Problem aus Ebeners Sicht ein Data Engineer, der die gesamte Data Pipeline konzeptioniert und aufbaut.

Ein weiterer wichtiger AI-Aspekt sind Fragen der richtigen Kultur im Unternehmen, stellte Marcus Schweighart vom Hamburger BeraterContor fest. "Das ist ein Lernprozess, in dem erst einmal ganz viel Unsicherheit entsteht." Das Ziel sei zwar, Vertrauen durch Verlässlichkeit zu gewinnen, doch noch nicht überall sei diese Verlässlichkeit von Beginn an gegeben. Aus Schweigharts Sicht ist daher der Dialog ganz wichtig, um das Gefühl von Macht und Ohnmacht in der Organisation zu thematisieren. "Manchmal ist es gar kein Widerstand sondern Erschöpfung, weil die Mitarbeiter schon so viele Aufgaben haben."

Ähnlich disruptiv wie das Internet

Wie intensiv sich die Unternehmen bereits mit AI-Technologien auseinandersetzen, wurde in den zahlreichen Hands-on-, Breakout- und Master-Class-Sessions deutlich. Hier teilten Experten ihr Wissen und ihre Erfahrungen in den unterschiedlichsten Teildisziplinen von AI und Machine Learning. Konkret erklärt wurden beispielsweise Techniken wie Digital Twins, Text Mining und Chatbots.

Wie Anwender mit dem Thema Machine Learning umgehen, lesen Sie in unserer aktuellen Studie Machine Learning/Deep Learning 2018

Karsten Johannsen, Business Development Executive von TechData, und sein Kollege Jens Mannteufel, IT-Architect IBM AI Acceleration Team Tech Data, erläuterten zum Beispiel, wie AI Produkte, Dienstleistungen und Geschäftsmodelle verändert - ähnlich wie es das Internet vor 20 Jahren getan hat. Dementsprechend veränderten sich auch Unternehmen in ihrer Organisation.

Darüber hinaus drehten sich viele der Diskussionen rund um den konkreten Praxiseinsatz von AI und ML. Wie können Betriebsabläufe optimiert werden? Welche rechtlichen Dimensionen ergeben sich aus dem AI-Einsatz? Und: Wie lassen sich datengetriebene Geschäftsmodelle durch AI beschleunigen? Das waren nur einige der Fragen, auf die Experten in den Sessions Antworten gaben.