Kommentar von Adriana Calomfirescu, Endava KI und Big Data – Mehrwert jenseits des Hypes schaffen

Anbieter zum Thema

Endava

Fsas Technologies GmbH

Kentix GmbH

Data Center Group – Büro Köln

Egal in welcher Branche, Künstliche Intelligenz (KI) – und insbesondere generative KI – ist derzeit das Thema schlechthin. Doch Unternehmen sollten sich vom Hype nicht treiben lassen und die Technologie unüberlegt und unvorbereitet einführen. Denn das kann schwerwiegende Folgen haben – nicht nur in finanzieller Hinsicht.

Selbst in die Jahresliste der wichtigsten Forscher des Fachmagazins Nature hat es ChatGPT zuletzt geschafft. Kein Wunder, der intelligente Chatbot ist heute schon für viele Menschen unentbehrlich geworden und dient nicht mehr nur in der Forschung als Recherchehilfe, Inspiration und Sparringspartner. Die Veröffentlichung hat einen regelrechten KI-Boom ausgelöst, der auch mehr als ein Jahr später nicht nachzulassen scheint. Im Gegenteil, Google hat mit Gemini zuletzt ein womöglich ebenbürtiges oder sogar fortschrittlicheres KI-Modell veröffentlicht.

Unternehmen in Deutschland wollen das Potenzial von KI nutzen, das zeigt zum Beispiel der neue Technology Acceleration Report von Endava: Demnach hat die Technologie in vier von fünf Unternehmen (80 Prozent) derzeit eine hohe oder sehr hohe Priorität. Das gilt ebenfalls für Big Data, das eng mit (generativer) KI verknüpft ist. Damit ist die Einführung dieser Technologien für deutsche Unternehmen ein vorrangiges Ziel. Dazu passt, dass 60 Prozent von ihnen ihre IT-Ressourcen vor allem nutzen wollen, um Innovationen voranzutreiben, während sich lediglich ein Zehntel (neun Prozent) auf die betriebliche Stabilität konzentriert.

Datenmanagement ist der Schlüssel

Ob das in der Realität tatsächlich gelingt, hängt allerdings von einer Reihe von Faktoren ab, die Unternehmensverantwortliche nicht unterschätzen dürfen. Als Erstes sind dabei die Daten eines Unternehmens zu nennen, die die Grundlage für KI-Modelle und Big-Data-Analysen bilden. Dafür müssen sie aber von hoher Qualität, vertrauenswürdig und zuverlässig sein – und genau das ist vielerorts ein Problem.

Denn allein die schiere Menge an Daten, die in Unternehmen vorhanden sind, macht dies schwierig. Ob in der Produktion, dem Marketing, der Forschung und Entwicklung oder einem anderen Unternehmensbereich – täglich kommen neue Daten in unterschiedlichen Systemen und Anwendungen hinzu. Letztere sind allerdings häufig nicht miteinander verbunden, sprich die Daten befinden sich in Silos. Oft ist sich daher auch nur eine begrenzte Anzahl an Mitarbeitern ihrer Existenz überhaupt bewusst.

Manchmal setzten Unternehmen aber auch auf ein zentrales Datenmanagement, bei dem – zumindest in der Theorie – alle oder zumindest alle relevanten Daten in ein zentrales Data Repository bewegt werden. Was im ersten Moment nachvollziehbar klingt, bringt seine ganz eigenen Herausforderungen mit sich, etwa mit Blick auf die Datenqualität, denn das Bewegen kann diese verschlechtern. Gleichzeitig ist auch nicht sichergestellt, dass tatsächlich alle oder alle relevanten Daten ihren Weg in den zentralen Datenspeicher finden oder im Laufe der Zeit nicht weitere hinzukommen. Hinzu kommt, dass Veränderungen an den Daten an ihrem Originalspeicherort nicht im Data Repository übernommen werden. Entsprechend ist dieses Vorgehen mit viel Aufwand verbunden, um dauerhaft für eine hohe Datenqualität zu sorgen.

Dezentrales Datenmanagement

Eine Möglichkeit, mit diesen Herausforderungen umzugehen, ist ein dezentraler Ansatz für das Datenmanagement. Hierbei verbleiben die verteilten Daten an ihrem ursprünglichen Speicherort, die Datenquellen werden aber beispielsweise an eine zentrale Datenplattform angebunden, über die sich auch Sicherheits- und Governance-Richtlinien umsetzen lassen. So bleibt die Qualität der Daten erhalten, potenzielle Änderungen gehen nicht verloren und es lassen sich Daten aus allen Bereichen des Unternehmens und aus nahezu allen Datenquellen nutzen.

Ob Unternehmen bei einem zentralen Ansatz bleiben oder lieber auf einen dezentralen wechseln sollten, hängt vom Einzelfall ab. Unabhängig davon müssen sie jedoch sicherstellen, dass ihre Daten qualitativ hochwertig sind. Doch das allein reicht noch nicht.

Ohne Akzeptanz in der Belegschaft funktioniert es nicht

Die Einführung von KI und Big Data Analytics sollte auch gut überlegt und geplant werden und nicht als Schnellschuss aus dem aktuellen Hype heraus geschehen. Denn auch wenn die Vorteile – eine höhere Produktivität und Effizienz, fundiertere Entscheidungen oder mehr Freiraum für die Mitarbeiter für strategische und kreative Arbeiten – natürlich attraktiv scheinen, stellen sich diese nicht automatisch ein, nur weil man auf einmal eine neue Technologie nutzt. Stattdessen besteht die Gefahr, durch kostspielige Lösungen Geld zu verlieren, wenn diese gar nicht zu den Bedürfnissen des Unternehmens, seiner Mitarbeiter und Kunden passen und Prozesse womöglich mühsamer machen, als sie zuvor waren. Zudem können schlagartige Veränderungen die Mitarbeiter verunsichern oder gar verprellen – gerade bei einer Technologie wie KI, der weiterhin ein Stück weit der Ruf als Jobkiller anhaftet.

Vielmehr bedarf es einer gründlichen Prüfung aller Systeme und Prozesse im Unternehmen, um Schwachstellen, Nadelöhre und Verbesserungspotenziale zu identifizieren. Dies ist sicherlich mit einigem Aufwand verbunden und ist es sinnvoll, die Mitarbeiter in dieses Vorhaben einzubinden. Schließlich wissen sie aus ihrer täglichen Arbeit am besten, wo es hakt oder welche Aufgaben echte Zeitfresser sind.

Dieses Vorgehen lohnt sich auch noch aus einem anderen Grund: Durch die Beteiligung der Belegschaft steigt die Akzeptanz für weitere KI-Lösungen, die später eingeführt werden. Denn so wird deutlich, dass KI niemanden ersetzen, sondern als Unterstützung und Hilfsmittel dienen soll. Und die Mitarbeiter können selbst mitbestimmen, wo und wie sie dies nutzen wollen.

Schrittweises Vorgehen führt zum Erfolg

Am Ende dieser Analyse haben Unternehmen voraussichtlich eine lange Liste mit potenziellen Einsatzgebieten für KI und Big Data. Und auch jetzt gilt es, mit Bedacht vorzugehen. Das bedeutet zum Beispiel, mit einem kleineren Projekt für einen bestimmten Geschäftsbereich anzufangen, dessen Daten vielleicht nur ein paar Mitarbeiter nutzen. Oder man probiert die Technologie in einem Proof of Concept (PoC) aus und darauf aufbauend kann das Projekt schrittweise auf weitere Bereiche ausgeweitet werden. Genau mit einem solchen Pilotversuch lassen sich wichtige Erkenntnisse für weitere, größere Projekte sammeln, etwa wie sich die Integration von KI-Lösungen technisch umsetzen lässt, inwieweit Trainings für die Mitarbeiter notwendig sind oder auf welchen Ebenen Analysen tatsächlich praktischen Nutzen bringen.

Darüber hinaus haben kleinere Projekte den Vorteil, dass sich Verbesserungen leichter umsetzen lassen, um die Lösung nach und nach an die tatsächlichen Bedürfnisse anzupassen. Denn Verantwortliche sollten nicht davon ausgehen, dass neue Lösungen sofort den Idealzustand repräsentieren. Stattdessen braucht es eine kontinuierliche Anpassung an die realen Anforderungen, unterstützt durch agiles Vorgehen und Nutzerfeedback, damit Unternehmen die Potenziale von KI und Big Data Analytics voll ausschöpfen können. Dadurch eröffnet sich ein nachhaltiger Weg, um bessere Geschäftsentscheidungen zu treffen, die Produktivität zu steigern und Innovationen voranzutreiben – und das alles, ohne die Organisation zu überfordern oder unnötige finanzielle Risiken einzugehen.

(ID:49959980)