Daten sind das Wasser auf den Mühlen von Künstlicher Intelligenz. Liegen sie nicht in ausreichender Qualität und Quantität vor, bringt auch der Einsatz KI-gesteuerter Chatbots wenig.
KI funktioniert nicht ohne Datenmanagement
Muster in großen Datenmengen zu erkennen, um daraus selbstständig Entscheidungen zu treffen – dies ist der Wesenskern von Machine Learning, der gegenwärtig wohl gängigsten Anwendung von Künstlicher Intelligenz. Damit ist schon gesagt, womit KI steht und fällt: Datenverwaltung und Stammdatenmanagement müssen auf dem neuesten Stand sein. Nur was man vorne hineinsteckt, kann am Ende zu einem brauchbaren Ergebnis führen.
KI-Ansätze gibt es in der Unternehmenswelt heute zuhauf, denkt man etwa allein an die zahlreichen Kundenservice-Chatbots auf Webseiten. Häufig jedoch leisten sie nicht, was sie sollen. Feedback-Möglichkeiten sind eingeschränkt, es hakt in der Kommunikation, falsche oder unpräzise Antworten verwirren den User nur. Grund dafür ist zumeist ein unzureichendes Datenmanagement, das im Hintergrund, wo immer mehr Anwendungen miteinander kommunizieren, zum Chaos führt. Aufgrund unterschiedlicher Datenquellen, die nicht aufeinander abgestimmt sind, scheint es, als würde man eine Krake füttern, über die man keine Kontrolle hat.
In einem Kundenprojekt – ein Softwarehersteller, der digitale Applikationen entwickelt – stellte Solita fest: Das Development arbeitet zwar mit agilen Methoden und hat seine Entwicklungsdaten unter Kontrolle. Daten aus anderen Abteilungen und Systemen, zum Beispiel Finance, zu erhalten, sei jedoch schwer bis unmöglich. Weil zunächst einmal die Grundlage geschaffen werden musste, um dem KI-System die richtigen Daten zur Verfügung zu stellen, dehnte sich das Projekt von den ursprünglich avisierten drei Monaten auf 1,5 Jahre aus.
Entscheidungen, die eine KI auf Grundlage eines inkonsistenten Datenwusts trifft, sind in ihrer Aussagekraft fragwürdig. Wer die folgenden drei Grundregeln beachtet, sorgt dafür, dass es nicht soweit kommt. Sie bilden das Fundament eines guten Datenmanagements und sind die Voraussetzung für das Funktionieren von KI-Technologien.
1. Data Scientists raus aus dem Elfenbeinturm!
In dem Maße, wie Daten angesichts ihrer schieren Menge in den vergangenen Jahren an Bedeutung gewonnen haben, betrachten viele Menschen in Unternehmen ihr Handling inzwischen als eine Kernaufgabe. So prosperiert das Berufsfeld der Data Scientists. Kurioserweise sind diese nur selten an der Kernentwicklung neuer Anwendungen beteiligt, bei denen Daten eine wichtige Rolle spielen.
Der Grund: Data Scientists sind oft Teil der IT- oder Business-Intelligence-Abteilung. Vielmehr sollte ihre Rolle aber auch in Vertrieb, Marketing oder Finanzwesen verankert werden. Dies fördert ihre Kommunikation untereinander und sie können andere Abteilungen mit ihren Erkenntnissen bereichern. Erst dann ist sichergestellt, dass ein gemeinsamer Backlog vorliegt, eine Datenfreigabe eingerichtet wird und alle mit demselben Datenmaterial arbeiten. APIs und Datentools sorgen dafür, dass jede Anwendung über die richtigen Daten verfügt.
2. Gemeinsames Verständnis zwischen IT und Fachabteilung
Künstliche Intelligenz technisch zum Laufen zu bringen, ist vom Grunde her einfach. Alle Daten müssen dafür der KI-Engine übergeben werden. Problem in der Praxis: Die für die Datenanlieferung verantwortlichen Personen aus IT und Fachabteilungen sitzen selten gemeinsam an einem Tisch. Nur aber wenn sie zusammenarbeiten und sich gegenseitig verstehen, lässt sich
überhaupt erst ein gemeinsames Verständnis für das Datenmanagement im Hinblick auf eine funktionierende KI entwickeln.
Dafür muss man sich einen Überblick über alle Systeme und Bedürfnisse verschaffen und sie miteinander verknüpfen. Datenmanagementsysteme sollten deshalb über ein Ampelsystem verfügen. Jedes darin aufgelistete System erhält eine Farbe: Rot bedeutet, dass die Daten für andere Tools nicht verfügbar sind, gelb, dass sie in verschiedenen Systemen liegen, und grün steht für Daten, die in Echtzeit verfügbar und skalierbar sind. Damit KI funktioniert, bedarf es genau dieser Übersicht. Sonst nämlich passiert folgendes: Mit viel Ambitionen wird ein KI-basierter Chatbot für die automatisierte Kundenbetreuung eingeführt, nur weiß dieser gar nicht, ob der Kunde in der Vergangenheit überhaupt bereits einmal etwas gekauft hat.
Investitionen in KI sind immer strategisch. Man kann damit keine strategischen Lücken, sprich Mängel in der Datenqualität, schließen. Liegen diese vor, wird der Kundendienst auch durch Einführung eines Chatbots nicht besser. Deshalb sind Daten das Wasser auf den Mühlen von KI. Sie ermöglichen bessere Kundenerfahrungen erst dann, wenn sie in Qualität und Quantität dort vorliegen, wo sie Nutzen stiften können.
3. Daten in den Mittelpunkt von Unternehmensstrategie und -architektur!
Wer den vorigen Schritt geht, stellt Daten bereits automatisch in den Mittelpunkt der Unternehmensstrategie und -architektur. Beginnen sollte man mit dem Stammdatenmanagement. Kunden- und Kontaktdaten, Verträge, Beschäftigtendaten gehören in eine intelligente Datendrehscheibe wie Semarchy. Damit ist sichergestellt, dass verschiedene Anwendungen sie gemeinsam (über APIs) nutzen können.
Wie managed ein großes Unternehmen nun die Datenverfügbarkeit, wenn sieben Datenzulieferer und Datentool-Anbieter mit am Tisch sitzen? Dafür muss es alle Partner im Daten-Ökosystem an einen Tisch bringen. Wer es gewohnt ist, die Verantwortung einem einzigen Anbieter zu übertragen, muss sie bei diesem Ansatz zwischen vielen verschiedenen Parteien und Anbietern aufteilen. Einfach ist es nicht, einen solchen Wandel in der unternehmensweiten Denkweise herbeizuführen und die Daten in den Mittelpunkt des Geschäfts- und IT-Managements zu stellen. Nur so aber trägt eine Initiative für künstliche Intelligenz letztlich Früchte.
ChatGPT & Co. in betriebliche Prozesse deutscher KMUs zu integrieren, ist nicht einfach.
Wie jede Veränderung, so ist auch das Thema generativer KI in Deutschland erst einmal schwierig. Skepsis und Reserviertheit finden sich vielerorts. Hier muss man daher grundsätzlich herangehen: Was ist und kann genAI überhaupt? Schnell wird dann klar: Ähnliche Techniken gibt es schon viel länger und sie werden schon vielseitig eingesetzt. Neu ist allerdings, dass sie nun konsumierbar und deshalb in aller Munde sind.
Dies so einzuordnen, ist für KMUs schwierig, wenn sie die ganze Entwicklung, d.h. die Transformation und Digitalisierung, nicht mitgegangen sind. Das bedeutet: digital zu sein, mit (vielen) Daten zu arbeiten, zu verstehen, was ein Algorithmus ist und dass man mit Automatismen arbeiten kann. Natürlich gibt es auch in Deutschland Front Runner, aber die großen Mehrheit ist von dem Thema noch relativ weit weg.
Was sind die gebräuchlichsten Use Cases?
Ein Unternehmen hat zum Beispiel ein großes Kundennetzwerk und möchte seine Kunden automatisiert durch einen Chatbot unterstützen. Die bisherigen solcher Assistenten, wie man sie von vielen Firmenseiten kennt, sind erst mal dumm und müssen stark vorkonfiguriert werden, bis sie dann linear wachsen. KI soll aber mitdenken und kann hier durch einen guten Algorithmus schlaue Antworten geben. In solche Assistenten kann man ChatGPT einbauen. Natürlich funktioniert ein genAI-unterstützter Assistent nicht grundsätzlich besser. Wichtig ist
es daher, sich den Use Case zunächst genau anzuschauen, um zu beurteilen, ob genAI-Einbindung hier überhaupt sinnvoll ist.
Wenn es an der technischen Bereitschaft mangelt
Ein weiteres beliebtes Thema ist der Einsatz von genAI im Verkauf. KI schlägt zum Beispiel aus einer Liste von Kontakten im CRM diejenigen vor, die die Servicefachkraft als erstes anrufen soll. Aus Feldversuchen bei Kunden weiß Solita, dass Telefonate bis zu 25 Prozent erfolgreicher sind, wenn klar ist, welche Personen man zu welchem Thema ansprechen sollte.
Dafür müssen die CRM-Daten jedoch entsprechend aufbereitet sein, was keineswegs überall der Fall ist. Grundsätzlich muss jedes Unternehmen deshalb versuchen, das eigene Geschäft digitaler zu betrachten, um den Mehrwert einer genAI überhaupt erst einordnen zu können. Daten müssen in höherer Qualität und miteinander verbunden zur Verfügung stehen, damit man überhaupt mit den ersten AI-Experimenten starten kann.