Wichtigste Erkenntnisse
KI als langfristige Investition betrachten, nicht als kurzfristiges Wunder
Große Versprechen können ins Stocken geraten. Das Krebsberatungsprojekt von M.D. Anderson mit IBM Watson kostete 62 Millionen Dollar und wurde nie zur Behandlung eines Patienten eingesetzt. Trotz der Begeisterung über Watsons Sieg in einer Quizshow hatte das Projekt mit Management- und Systemintegrationsproblemen zu kämpfen. Auch die DBS Bank stellte einen ehrgeizigen Pilotversuch mit einem KI-gestützten Vermögensberater ein, als die Technologie die unterschiedlichen Diagramme und Forschungsberichte der Bank nicht zuverlässig interpretieren konnte.
Auch stille Fortschritte zählen. DBS lenkte seine Bemühungen auf eng umrissene betriebliche Probleme um. Maschinelles Lernen half vorherzusagen, wann Geldautomaten Bargeld benötigten. Dadurch verlängerte sich der durchschnittliche Abstand zwischen Bargeldengpässen von drei Monaten auf fünfeinhalb Jahre, und die Zahl der Auffüllfahrten sank um mehr als 10 Prozent. Auch der Gründer von Amazon beschrieb einen großen Teil des maschinellen Lernens im Unternehmen als unsichtbare Verbesserungen alltäglicher Abläufe.
Der Gegensatz zwischen einem ins Stocken geratenen Großprojekt und einem stillen betrieblichen Fortschritt macht den Reifegrad der Technologie greifbar: Beeindruckende Vorführungen garantieren keine zuverlässige Leistung in einer realen Institution. Kleinere Anwendungen bieten außerdem die Möglichkeit, etwas über Daten, Arbeitsabläufe und Verantwortlichkeit zu lernen, ohne das gesamte Unternehmen auf ein einziges System zu setzen. Schrittweises Vorgehen sollte jedoch keine Ausrede dafür werden, strategischen Wandel zu vermeiden. Ein ausgewogenes Portfolio kann risikoarme Anwendungen mit gezielten Experimenten verbinden, die auf größere Chancen abzielen, und anhand der Ergebnisse die Erwartungen der Organisation anpassen.
Das Werkzeug auf die Aufgabe abstimmen, bevor man der KI-Erzählung glaubt
KI ist ein Werkzeugkasten, keine einzelne Maschine. Das Buch fasst mehrere unterschiedliche Methoden unter einem weit gefassten Begriff zusammen. Maschinelles Lernen erkennt Muster in Daten und sagt Ergebnisse voraus. Die Verarbeitung natürlicher Sprache arbeitet mit gesprochener und geschriebener Sprache. Deep Learning, eine mehrschichtige Form des maschinellen Lernens, eignet sich besonders für Bilder und Sprache, auch wenn seine Entscheidungen schwer zu interpretieren sein können. Regelbasierte Systeme wenden von Menschen formulierte Logik an, während Roboterprozessautomatisierung Anweisungen über digitale Systeme hinweg ausführt.
Die Unterschiede verändern das Ergebnis. Eine Bank kann maschinelles Lernen zur Betrugsvorhersage einsetzen, doch wenn die Entscheidungslogik transparent sein muss, ist möglicherweise ein regelbasiertes Werkzeug vorzuziehen. DBS stellte fest, dass ein als intelligenter Berater beworbenes System mit den zahlreichen Formaten der Diagramme und Berichte, auf die sich die Mitarbeitenden stützten, nicht zurechtkam. Eine Technologie kann allgemein leistungsfähig und für eine bestimmte Aufgabe dennoch ungeeignet sein.
Die Auswahl nach der Aufgabe statt nach der Marke ist Ausdruck einer disziplinierten Problemdefinition. Sie zwingt Führungskräfte zu fragen, welche Eingaben das System verarbeiten muss, welches Ergebnis als Erfolg gilt und wie viel Erklärbarkeit Nutzende oder Aufsichtsbehörden verlangen. Diese Fragen verhindern auch einen häufigen Kategorienfehler: Die Fähigkeit, Sprache flüssig zu erkennen, bedeutet nicht automatisch, komplexe Fragen kompetent beantworten zu können. Der umfassende KI-Begriff des Buches ist für die Geschäftspraxis nützlich, kann aber Unterschiede bei Risiko, Kosten und Leistungsfähigkeit verwischen. Klare technische Unterscheidungen machen Vergleiche ehrlicher.
Bei betrieblichen Engpässen ansetzen und dann ein Portfolio kleiner Erfolge aufbauen
Zuerst das Problem auswählen. Eine kognitive Strategie verknüpft KI-Projekte mit geschäftlichen Prioritäten, etwa der Verbesserung von Kundenangeboten, fundierteren Entscheidungen oder reibungsloseren Abläufen. In einer Umfrage von 2017 unter 250 Führungskräften, die bereits mit kognitiven Technologien vertraut waren, sagten 88 Prozent, diese Technologien seien für Produkte und Dienstleistungen wichtig, und 93 Prozent hielten sie für interne Prozesse für bedeutsam. Die Ergebnisse spiegeln die Begeisterung aktiver Anwender wider, nicht eine allgemeine Bereitschaft.
Nach unzugänglichem Wissen suchen. Das Buch nennt drei aussichtsreiche Ansatzpunkte: in Silos eingeschlossenes Fachwissen, eine wertvolle Dienstleistung, deren Ausweitung zu teuer ist, oder mehr Daten, als Menschen analysieren können. Ein Unternehmen könnte mit einem internen Helpdesk oder einer Absatzprognose beginnen statt mit einem universell einsetzbaren virtuellen Berater. Pilotprojekte sollten nach Geschäftswert und Machbarkeit ausgewählt werden. Erfolgreiche Komponenten sollten anschließend in den regulären Betrieb überführt werden, statt Vorführungen anzuhäufen, die an der Arbeit nichts ändern.
Der Blick auf Engpässe macht eine KI-Strategie konkreter als eine Liste angesagter Technologien. Er fragt, wo ein besserer Zugang zu Wissen eine Entscheidung oder Dienstleistung verändern könnte und ob das vorgeschlagene System diese Stelle im Arbeitsablauf tatsächlich erreicht. Die Umfragewerte sind aufschlussreich, doch die Befragten waren bereits auf KI-Kenntnis und -Nutzung hin ausgewählt worden. Sie belegen daher keine allgemeine Bereitschaft von Unternehmen. Eine bessere Strategie behandelt das Vertrauen von Führungskräften als zu prüfende Hypothese und misst Kundennutzen, betriebliche Leistung und Nutzung statt bloßer Begeisterung.
Aufgaben automatisieren und anschließend den gesamten Prozess neu gestalten
Automatisierung ist keine Neugestaltung. Roboterprozessautomatisierung, kurz RPA, nutzt Software, um strukturierte digitale Aufgaben systemübergreifend auszuführen – ähnlich wie ein Mensch, der einem Skript folgt. In einer Auswertung von 152 Beratungsprojekten war Prozessautomatisierung die häufigste KI-Aktivität und kam in 71 Projekten vor. Die NASA erprobte vier RPA-Pilotprojekte in Verwaltungsbereichen; eine Anwendung im Personalwesen wickelte 86 Prozent der Vorgänge ohne menschliches Eingreifen ab.
Auch den Arbeitsablauf verbessern. Wer jeden bestehenden Schritt automatisiert, kann unnötige Komplexität oder überholte Regeln beibehalten. Das Buch plädiert dafür, den Prozess vor der Einführung zu überprüfen, Schritte ohne zusätzlichen Nutzen zu entfernen und festzulegen, welche Ausnahmefälle weiterhin Menschen erfordern. Die Integration ist eine große Hürde: 47 Prozent der befragten, KI-bewussten Führungskräfte sagten, die Verbindung von Projekten mit bestehenden Systemen und Prozessen sei schwierig. Einige wenige Bots mögen einfach sein; Tausende zu verwalten kann zu einer Architekturfrage werden.
Automatisierung verändert ein Arbeitssystem, nicht bloß eine Aufgabenliste. Wird ein Schritt beschleunigt, kann sich der Engpass auf Genehmigungen, Ausnahmefälle oder die nächste Abteilung verlagern. Eine lokale Effizienzsteigerung garantiert daher keine Verbesserung von Anfang bis Ende. Prozessmapping und die Beteiligung der Beschäftigten helfen, solche Abhängigkeiten sichtbar zu machen, bevor sie festgeschrieben werden. Außerdem besteht die Gefahr, Software für grundsätzlich fehlerfrei zu halten: Ein Bot kann eine fehlerhafte Regel konsistent und in großem Maßstab wiederholen. Eine wirksame Neugestaltung umfasst deshalb den Umgang mit Ausnahmefällen, Überwachung und die Zuständigkeit für Fehlerkorrekturen.
KI zur Unterstützung von Beschäftigten einsetzen, statt vorschnell von Jobabbau auszugehen
Berufe setzen sich aus Aufgaben zusammen. Die Schätzungen zur künftigen Automatisierung unterscheiden sich stark. Einige der im Buch zitierten Studien sagen voraus, dass bis zu 47 Prozent der Arbeitsplätze automatisiert werden könnten; eine andere schätzt, dass rund 9 Prozent der Arbeitsplätze in den untersuchten Ländern einem hohen Risiko ausgesetzt sind. Der Unterschied hängt teilweise davon ab, ob Forschende ganze Berufe oder einzelne Aufgaben klassifizieren und ob sie Kosten, Regulierung und gesellschaftliche Akzeptanz berücksichtigen.
In der Praxis geht es oft um Unterstützung. In der Deloitte-Umfrage nannten nur 6 Prozent der Befragten den Personalabbau als ihr wichtigstes KI-Ziel, und 22 Prozent zählten ihn zu ihren drei wichtigsten Zielen. Bei den untersuchten Projekten war der Stellenabbau begrenzt und betraf häufig ausgelagerte Tätigkeiten. Bei Vanguard übernahmen automatisierte Anlagetools routinemäßige Aufgaben der Portfoliobetreuung, während menschliche Beraterinnen und Berater sich stärker darauf konzentrierten, Kunden zu beraten und ihnen zu helfen, an ihren Plänen festzuhalten.
Die Unterscheidung zwischen Aufgabe und Beruf ist wesentlich, beantwortet aber nicht die Frage, wer die Kosten des Übergangs trägt. Eine Stelle kann bestehen bleiben, während sich ihr Status, ihre Bezahlung, ihre Autonomie oder die Einstiegsmöglichkeiten erheblich verändern. Unterstützung durch KI ist eine vielversprechende Gestaltungsentscheidung, aber kein automatisches Ergebnis. Sie erfordert Schulungen, benutzerfreundliche Schnittstellen und einen konkreten Plan für Aufgaben, die innerhalb einer Stelle wegfallen. Am überzeugendsten ist die Darstellung, wenn sie die Folgen für die Belegschaft als etwas behandelt, das Organisationen gestalten können, statt anzunehmen, allein die technologischen Fähigkeiten bestimmten die Beschäftigung.
Die Datengrundlage schaffen, bevor man maschinelle Intelligenz erwartet
Modelle brauchen verwertbare Belege. Maschinelles Lernen ist auf relevante und ausreichend umfangreiche Daten angewiesen, die häufig mit bekannten Ergebnissen gekennzeichnet sind. Doch in großen Organisationen sind die Datenbestände oft fragmentiert oder uneinheitlich. Bei GSK stellten Forschungsteams fest, dass es den Wissenschaftlerinnen und Wissenschaftlern schwerfiel, Daten außerhalb der eigenen Abteilungssilos zu nutzen. Das Unternehmen entschied sich für Werkzeuge des maschinellen Lernens, um Forschungsdaten abzugleichen und zusammenzuführen, statt sich ausschließlich auf einen langsameren, manuellen Datenmanagementansatz zu verlassen.
Datenaufbereitung eröffnet neue Fragen. GSK priorisierte zunächst zehn Forschungsanwendungsfälle und erweiterte sie nach dem Aufbau einer integrierten Datenumgebung auf 250. Die Daten aus klinischen Studien ließen sich auf gemeinsame Branchenformate abbilden, wodurch Vergleiche zwischen Studien praktikabler wurden. Auch die BMO Bank investierte in Daten-Governance, einheitliche Datensätze und Infrastruktur, bevor sie den Einsatz von Analytik und Automatisierung ausweitete. Datenaufbereitung ist nicht glamourös, aber ohne sie können selbst ausgefeilte Modelle unzuverlässige oder unbrauchbare Ergebnisse liefern.
Datenqualität ist keine vorbereitende Aufgabe, die mit dem Bau eines Modells endet. Sie ist eine dauerhafte organisatorische Fähigkeit, die Definitionen, Zugriffsrechte, Herkunftsnachweise und die Zuständigkeit für Aktualisierungen umfasst. Das Beispiel von GSK zeigt, dass die Verknüpfung von Informationen wissenschaftliche Fragen ermöglichen kann, die zuvor kaum praktikabel waren. Ein größerer Datenbestand ist jedoch nicht automatisch ein besserer. Wenn Datensätze bestimmte Gruppen oder Kontexte systematisch auslassen, kann eine größere Datenmenge diese Lücken mit noch größerer Sicherheit reproduzieren. Zur Datenbereitschaft gehört daher auch die Prüfung dessen, was die Organisation nicht erfasst hat.
Fairness und Erklärbarkeit von Anfang an in die Modellentwicklung einbeziehen
Vorhersagen können Schaden ungleich verteilen. Das Instrument COMPAS zur Unterstützung von Strafzumessungen wurde kritisiert, nachdem eine Untersuchung ergeben hatte, dass es das Rückfallrisiko bei Schwarzen Angeklagten offenbar überschätzte und bei weißen Angeklagten unterschätzte. Der Entwickler widersprach dieser Analyse. Das veranschaulicht, dass die Bewertung von Fairness teilweise davon abhängt, welche Kennzahl verwendet wird. Auch Facebook stand in der Kritik, weil seine Werbetools eine Zielgruppenansprache anhand menschenverachtender Kategorien ermöglichten. Das zeigt, dass automatisierte Systeme schädliche Muster reproduzieren können, ohne dass jemand diese Absicht ausdrücklich programmiert hat.
Die Überprüfung in den Einführungsprozess einbauen. Vor der Wahl eines Modells sollte feststehen, wie viel Erklärbarkeit eine Entscheidung erfordert. Bei Anwendungen mit weitreichenden Folgen, etwa für Kreditvergabe, Gesundheit oder Strafzumessung, ist eine genauere Prüfung nötig als bei der Platzierung von Werbung mit geringem Risiko. Eingaben sollten auf ungerechtfertigte Stellvertretermerkmale geprüft, fehlende oder ungewöhnliche Daten untersucht, Ergebnisse für betroffene Gruppen getestet und Modelle bei veränderten Daten erneut bewertet werden. Wo möglich, sollten Methoden eingesetzt werden, die die Faktoren hinter einer einzelnen Vorhersage erklären können.
Fairness ist keine einzelne technische Einstellung. Verschiedene Definitionen können miteinander in Konflikt geraten. Teams müssen daher benennen, welche Schäden sie verhindern wollen und wer befugt ist, diese Entscheidung zu treffen. Erklärbarkeit ermöglicht eine Überprüfung, doch ein verständliches Modell ist nicht zwangsläufig fair; auch ein undurchsichtiges Modell kann im Durchschnitt gute Ergebnisse erzielen und zugleich bei bestimmten Gruppen versagen. Der Entwicklungsprozess erfordert deshalb sowohl technische Tests als auch institutionelle Rechenschaftspflicht. Das ist besonders wichtig, wenn ein automatisierter Wert den Zugang einer Person zu Rechten, Dienstleistungen oder Chancen beeinflusst.
Vertrauen gewinnen, indem man Grenzen offenlegt und Menschen in der Verantwortung hält
Eine Maschine nicht verschleiern. In einer im Buch beschriebenen Verbraucherumfrage sprachen sich 87 Prozent für Regeln gegen KI-Systeme aus, die sich als Menschen ausgeben. Kunden mögen automatisierte Hilfe akzeptieren, müssen aber wissen, ob sie mit einem System sprechen und was dieses tatsächlich leisten kann. Die schwedische Bank SEB führte ihren digitalen Agenten als Auszubildenden ein und beschrieb damit eine begrenzte Rolle, statt menschliche Kompetenz zu suggerieren.
Eine verantwortungsvolle Ausweichmöglichkeit vorsehen. Die Bemühungen von Facebook, Falschmeldungen und schädliche Inhalte zu erkennen, zeigten, wo die Grenzen rein automatisierter Filter liegen. Das Unternehmen setzte menschliche Prüferinnen und Prüfer ein und testete weitere Maßnahmen, doch die Ergebnisse blieben ungewiss. Ein verantwortungsvoller Dienst ermöglicht die Weiterleitung an eine zuständige Person, informiert Nutzer darüber, was das System nicht bewältigen kann, und prüft, ob Fehler oder schädliche Folgen auftreten. Übertriebene Versprechen können zunächst Aufmerksamkeit erregen, doch gebrochene Versprechen erschweren die spätere Einführung.
Vertrauen ist zum Teil eine Frage realistischer Einschätzung: Nutzende müssen wissen, was ein System kann und was nicht. Offenheit hilft ihnen dabei, während eine menschliche Ausweichmöglichkeit verhindert, dass eine automatisierte Interaktion zur Sackgasse wird. Das Facebook-Beispiel zeigt außerdem, dass Sicherheit sich nicht auf einen Klassifikator reduzieren lässt, der Inhalte korrekt kennzeichnet. Auch Anreize, Plattformgestaltung und menschliches Verhalten beeinflussen die Ergebnisse. Menschliche Prüfung ist keine Universallösung, denn Prüferinnen und Prüfer brauchen Zeit und Befugnisse. Die Verantwortung lässt sich jedoch nicht an das Modell auslagern.
Beschäftigte einbeziehen, bevor Bots in den Regelbetrieb gehen
Beteiligung verändert die Akzeptanz. KI kann Menschen bedrohen, deren Fachwissen erfasst wird oder deren Routinen sich verändern. Das Buch empfiehlt, betroffene Beschäftigte daran zu beteiligen, die Aufgabenverteilung zwischen Menschen und Systemen zu gestalten. Bei einem Bekleidungshändler widersetzten sich Einkäufer einem KI-Pilotprojekt, das Empfehlungen für die Sortimentsgestaltung aussprach. Sie fragten, welche Rolle ihnen bliebe, wenn das System vertraute Aufgaben übernähme. Der Chief Merchandising Officer hielt am Projekt fest, musste aber zeigen, wie sich die Einkäufer stärker auf das Verständnis der Kundschaft und der Hersteller konzentrieren könnten.
Menschen auf neue Aufgaben vorbereiten. Beschäftigte müssen möglicherweise Empfehlungen interpretieren, Ausnahmefälle bearbeiten, Entscheidungen erläutern oder die Leistung des Systems überwachen. Dafür braucht es praktische Schulungen, klare Kommunikation und ausreichend Zeit zur Anpassung. Die Mitarbeitenden von SEB halfen, den digitalen Agenten zu trainieren, und betrachteten das Vorhaben als Experiment und nicht als unmittelbare Sparmaßnahme. Beteiligung garantiert keine Zustimmung, doch wenn Beschäftigte ausgeschlossen werden, wird es schwieriger, brauchbare Prozesse zu entwickeln und Probleme frühzeitig zu erkennen.
Die Einbeziehung der Beschäftigten ist sowohl eine Maßnahme des Veränderungsmanagements als auch eine Quelle betrieblicher Erkenntnisse. Mitarbeitende kennen oft Ausnahmefälle, unausgesprochene Kundenbedürfnisse und Umgehungslösungen, die in Prozessdiagrammen nicht auftauchen. Ihre Beiträge können zeigen, an welchen Stellen Automatisierung versagen wird, bevor diese Fehler die Kundschaft erreichen. Die Beteiligung sollte jedoch nicht zu einer symbolischen Anhörung werden, nachdem die wichtigen Entscheidungen bereits gefallen sind. Glaubwürdige Mitwirkung umfasst Einfluss auf die Aufgabenverteilung, Schulungen und den Umgang mit veränderten Rollen – besonders dann, wenn die Organisation einen tatsächlichen Anreiz hat, Arbeitskosten zu senken.
Analyse
Der zentrale Beitrag des Buches liegt darin, neu zu bestimmen, worin eine KI-Entscheidung besteht. Statt zu fragen, ob ein Unternehmen künstliche Intelligenz einführen sollte, fragt es, welche Aufgaben sich dafür eignen, welche Daten und organisatorischen Veränderungen dafür erforderlich sind und wie die daraus entstehenden Fähigkeiten in die tatsächliche Arbeit einfließen. Dieser Perspektivwechsel entzaubert sowohl technologische Inszenierungen als auch passive Skepsis. Die Krebsprojekte mit Watson zeigen, dass selbst ein gefeiertes System die Strecke zwischen Vorführung und klinischem Einsatz möglicherweise nicht bewältigt. Die Prognose des Bargeldbedarfs an Geldautomaten bei DBS veranschaulicht dagegen, wie eine bescheidene Anwendung dauerhaften betrieblichen Nutzen schaffen kann.
Das Buch behandelt KI außerdem als Managementaufgabe und nicht bloß als Softwarekauf. Modelle brauchen Integration, Datenaufbereitung, neu gestaltete Prozesse, Fachleute, die zwischen Geschäftsanforderungen und technischen Methoden vermitteln, sowie Beschäftigte, die mit automatisierten Systemen zusammenarbeiten können. Das ist eine realistischere Darstellung der Einführung als Behauptungen, ein Modell allein verwandle ein Unternehmen. Die Beispiele legen wiederholt nahe, dass organisatorische Reibungsverluste – nicht algorithmische Neuartigkeit – darüber entscheiden, ob aus einem Pilotprojekt eine nützliche Infrastruktur wird.
Die Betonung schrittweiser Fortschritte überzeugt, schafft aber auch eine Spannung. Eine Ansammlung kleiner Effizienzgewinne kann die Leistung verbessern, ohne daran etwas zu ändern, wer davon profitiert, wessen Arbeit an Wert verliert oder wie Entscheidungen geregelt werden. Der Autor erkennt Voreingenommenheit, Datenschutz, Arbeitsplatzverlust und Vertrauen als Probleme an, doch sie sind keine nebensächlichen Schutzvorkehrungen. Sie prägen bereits die Definition von Erfolg. Ein System, das Kosten senkt, während es Kunden undurchsichtigen Fehlern aussetzt, ist nicht einfach eine technisch erfolgreiche Einführung, an die sich nachträglich ein ethisches Problem anfügt.
Das Buch ist auch eine Momentaufnahme des Jahres 2018, als die Grenzen bestimmter Plattformen und die Einführung in Unternehmen besonders im Vordergrund standen. Seine bleibende Lehre betrifft weniger bestimmte Anbieter oder Modelle als vielmehr eine disziplinierte Abstimmung: mit einem bedeutsamen Geschäftsproblem beginnen, Methoden auswählen, deren Stärken und Schwächen dazu passen, die Organisation auf die Aufnahme des Ergebnisses vorbereiten und mehr als nur den Pilotversuch messen. Der Vorteil von KI besteht nicht darin, dass Maschinen menschliches Urteilsvermögen vollständig ersetzen. Er besteht darin, dass Organisationen Informationen und Arbeit neu strukturieren können – sofern sie für das Handeln ihrer Systeme verantwortlich bleiben.
Rezensionsübersicht
Leser fanden, dass The AI Advantage eine starke Kernaussage hat, kritisierten jedoch die mangelnde Tiefe und die Abhängigkeit von weithin bekannten Beispielen. Einige meinten, das Buch biete praktische Erkenntnisse für Unternehmen, die den Einsatz von KI erwägen, während andere es für veraltet und repetitiv hielten. Positive Rezensionen lobten die Zugänglichkeit und den Überblick über geschäftliche Einsatzmöglichkeiten von KI. Zu den Kritikpunkten zählten die oberflächliche Behandlung von KI-Technologien, der beratungsähnliche Schreibstil und die begrenzte Auseinandersetzung mit komplexeren KI-Konzepten. Insgesamt gingen die Meinungen auseinander; Leser wünschten sich eine gründlichere Analyse der Auswirkungen von KI auf Arbeit und Industrie.
Andere lasen auch
Glossar
Kognitive Technologien
KI für eng umrissene AufgabenDavenports weit gefasste Bezeichnung für Technologien, die Aufgaben ausführen, die mit menschlichem Wissen, Wahrnehmungsvermögen oder Erkenntnis verbunden sind, gewöhnlich innerhalb begrenzter Anwendungsbereiche. Dazu zählen maschinelles Lernen, die Verarbeitung natürlicher Sprache, Expertensysteme, physische Roboter und Roboterprozessautomatisierung. Der Begriff ist bewusst umfassend, obwohl sich die darunter zusammengefassten Systeme stark darin unterscheiden, wie intelligent sie arbeiten.
Roboterprozessautomatisierung
Software für strukturierte AufgabenSoftware, die repetitive digitale Arbeit erledigt, indem sie Regeln befolgt und mit bestehenden Informationssystemen interagiert, ähnlich wie ein menschlicher Nutzer. Trotz des Namens kommt dabei normalerweise kein physischer Roboter zum Einsatz. RPA ist vergleichsweise kostengünstig und einfach zu konfigurieren, lernt jedoch nicht von sich aus; umfangreiche Implementierungen können außerdem Wartungs- und Integrationsprobleme verursachen.
Kognitive Erkenntnis (Cognitive Insight)
Aus Daten gewonnene MusterEine Kategorie von KI-Anwendungen für Unternehmen, die Algorithmen – meistens maschinelles Lernen – nutzt, um Muster in großen Mengen strukturierter Daten zu erkennen und damit Ergebnisse vorherzusagen oder zu klassifizieren. Beispiele sind die Erkennung von Betrug, die Vorhersage des Kundenverhaltens und die Antizipation von Geräteausfällen. Diese Werkzeuge können mehr Daten analysieren und detailliertere Modelle erstellen als herkömmliche Verfahren, benötigen jedoch häufig gekennzeichnete Beispiele.
Kognitive Interaktion (Cognitive Engagement)
Personalisierte Interaktion mit MaschinenEine Kategorie von KI-Anwendungen, die über Sprache oder Bilder mit Kunden oder Beschäftigten interagiert. Dazu gehören Chatbots, intelligente Agenten, Empfehlungssysteme und einige Werkzeuge zur Behandlungsempfehlung. Diese Anwendungen können Dienste rund um die Uhr verfügbar machen, ihre Fähigkeiten sind jedoch meist auf bestimmte Themen oder Aufgaben begrenzt. Wichtig bleibt, dass die Interaktion bei Bedarf reibungslos an einen Menschen weitergegeben werden kann.
Digitaler Zwilling
Datenmodell einer AnlageEine digitale Darstellung einer physischen Maschine oder einer Maschinengruppe, die anhand von Daten aus Sensoren und anderen Quellen aktualisiert wird. Eine Organisation kann das Modell nutzen, um Anomalien zu erkennen, die Leistung zu bewerten und den Wartungsbedarf vorherzusagen. Dieser Ansatz ist nützlich, wenn Anlagen kontinuierlich Daten erzeugen; sein Vorhersagewert hängt jedoch von der Datenqualität und geeigneten Modellen ab.
Wissensgraph
Verknüpfte Fakten und EntitätenEine strukturierte Sammlung von Entitäten, etwa Personen, Orten oder Produkten, zusammen mit Fakten über sie und ihre Beziehungen. Wissensgraphen können natürlichen Sprachsystemen dabei helfen, Begriffe in einem bestimmten Fachgebiet zu interpretieren und Fragen zu beantworten. Ihre Erstellung oder Anpassung erfordert oft erheblichen Aufwand, um Konzepte, Beziehungen und relevante Sprache festzulegen.
Probabilistischer Abgleich (Probabilistic Matching)
Wahrscheinliche Identifizierung von DatensätzenEin Verfahren, mit dem Datensätze ermittelt werden, die sich wahrscheinlich auf dieselbe Person, Organisation, dasselbe Produkt oder eine andere Entität beziehen, auch wenn Namen oder Einzelheiten voneinander abweichen. Mithilfe maschinellen Lernens lassen sich solche Übereinstimmungen in großen Datenbanken effizienter schätzen als durch manuelle Prüfung oder umfangreiche Regelwerke. Das Verfahren unterstützt die Datenintegration, doch unsichere Zuordnungen müssen möglicherweise weiterhin überprüft werden.
LIME
Lokale Erklärung einer VorhersageLokal interpretierbare, modellunabhängige Erklärungen – eine im Buch beschriebene Technik, mit der sich ermitteln lässt, welche Merkmale eine bestimmte Modellvorhersage am stärksten beeinflusst haben. Sie kann helfen, ein einzelnes Ergebnis zu erklären, etwa warum eine Bank eine Transaktion als potenziell betrügerisch eingestuft hat. Sie macht nicht jedes Modell insgesamt transparent, kann aber eine auf den jeweiligen Nutzer zugeschnittene Erklärung einer Entscheidung liefern.
FAQ
Worum geht es in „The AI Advantage: How to Put the Artificial Intelligence Revolution to Work“ von Thomas H. Davenport?
- KI in Großunternehmen: Das Buch untersucht, wie große Organisationen künstliche Intelligenz (KI) und kognitive Technologien wirksam in Geschäftsprozessen, Produkten und Strategien einsetzen und nutzen können.
- Praxis statt Hype: Davenport betont konkrete Anwendungen und realistische Erwartungen und vermeidet übertriebene Behauptungen über die Fähigkeiten von KI.
- Historischer und aktueller Kontext: Das Buch zeichnet die Entwicklung von KI nach – von frühen Expertensystemen bis zum modernen maschinellen Lernen – und nutzt Fallstudien von Unternehmen wie Amazon und DBS Bank.
- Strategische und organisatorische Einblicke: Das Buch beleuchtet die Auswirkungen von KI auf Organisationsstrukturen, Arbeitsplätze und Geschäftsmodelle und gibt Hinweise zum Umgang mit diesen Veränderungen.
Warum sollte ich „The AI Advantage“ von Thomas H. Davenport lesen?
- Ausgewogene, realistische Perspektive: Davenport bietet eine differenzierte Sicht auf KI und konzentriert sich darauf, was sie für Unternehmen kurz- und langfristig realistisch leisten kann.
- Umsetzbare Ratschläge für Führungskräfte: Das Buch enthält praktische Hinweise für Unternehmensverantwortliche zur Entwicklung von KI-Strategien, zur Auswahl von Technologien und zum Ausbau von Projekten.
- Umfassende Behandlung: Es befasst sich mit KI-Technologien, geschäftlichen Anwendungen, Auswirkungen auf die Belegschaft und ethischen Fragen und ist damit für Fachleute und Entscheidungsträger wertvoll.
- Vorbereitung auf Veränderungen: Leser erhalten Einblicke in den Umgang mit organisatorischem Wandel, Veränderungen in der Belegschaft und einer verantwortungsvollen Einführung von KI.
Was sind die wichtigsten Erkenntnisse aus „The AI Advantage“ von Thomas H. Davenport?
- KI erweitert menschliche Fähigkeiten, statt Menschen zu ersetzen: Das Buch argumentiert, dass KI menschliche Arbeitskräfte eher unterstützen und erweitern als ganze Arbeitsplätze vollständig automatisieren wird. Daraus entstehen neue Rollen und Anforderungen an Fähigkeiten.
- Integration ist schwierig: KI in bestehende Systeme und Prozesse einzubetten, ist oft schwieriger als die KI-Modelle selbst zu entwickeln.
- Daten und Fachkräfte sind entscheidend: Hochwertige Daten und qualifizierte KI-Fachleute sind für eine erfolgreiche Einführung von KI unerlässlich.
- Ethik und Transparenz zählen: Algorithmische Verzerrungen, Erklärbarkeit und ein verantwortungsvoller Einsatz von KI müssen berücksichtigt werden, um langfristig erfolgreich zu sein.
Wie definiert Thomas H. Davenport KI und kognitive Technologien in „The AI Advantage“?
- Breite, inklusive Definition: KI und kognitive Technologien sind Systeme, die menschenähnliche Fähigkeiten – etwa Wissen, Wahrnehmung und Erkenntnis – nutzen, um eng umrissene Aufgaben zu lösen.
- Aufgabenorientierter Ansatz: Das Buch betont, dass sich heutige KI-Technologien am besten dafür eignen, bestimmte menschliche Aufgaben zu erweitern, nicht ganze Berufe oder die gesamte menschliche Kognition nachzubilden.
- Einbezogene Technologien: Davenport fasst maschinelles Lernen, die Verarbeitung natürlicher Sprache (NLP), Roboterprozessautomatisierung (RPA), Expertensysteme und physische Roboter unter dem Oberbegriff KI zusammen.
- Sich weiterentwickelnde Intelligenz: Die Definition berücksichtigt, dass diese Technologien zunehmend ausgefeilt und in Unternehmen integriert werden.
Welche wichtigen geschäftlichen Anwendungen von KI werden in „The AI Advantage“ behandelt?
- Prozessautomatisierung: Einsatz von RPA und KI zur Automatisierung repetitiver, strukturierter Backoffice-Aufgaben, um die Effizienz zu steigern und Fehler zu verringern.
- Kognitive Erkenntnis: Einsatz maschinellen Lernens zur Analyse großer Datensätze, etwa zur Betrugserkennung, vorausschauenden Wartung und personalisiertem Marketing.
- Kognitive Interaktion: Einsatz von Chatbots und intelligenten Agenten zur Interaktion mit Kunden und Beschäftigten und zur Verbesserung von Service und Unterstützung.
- Verbesserung von Produkten und Dienstleistungen: Einbettung von KI in Produkte (z. B. autonome Fahrzeuge und intelligente Haushaltsgeräte) und Entwicklung neuer, KI-gestützter Geschäftsmodelle.
Welche wichtigen KI-Technologien und -Methoden werden in „The AI Advantage“ erläutert?
- Maschinelles Lernen und Deep Learning: Statistische Verfahren, mit denen Modelle anhand von Daten trainiert werden, um Ergebnisse vorherzusagen oder zu klassifizieren. Deep Learning nutzt neuronale Netze für komplexe Aufgaben.
- Verarbeitung natürlicher Sprache (NLP): Verfahren zur Analyse und zum Verständnis menschlicher Sprache, darunter Chatbots und Spracherkennung.
- Roboterprozessautomatisierung (RPA): Software-Roboter, die strukturierte digitale Aufgaben automatisieren, indem sie die Interaktion von Menschen mit IT-Systemen nachahmen.
- Regelbasierte Expertensysteme und physische Roboter: Ältere Formen der KI, die Wenn-dann-Regeln und Roboter für physische Aufgaben nutzen und zunehmend mit kognitiven Fähigkeiten verbunden werden.
Was sind die wichtigsten technischen Ansätze zur Einführung von KI in „The AI Advantage“?
- In Software eingebettete KI: Integration von KI-Funktionen in bestehende Unternehmenssysteme (z. B. Salesforce Einstein), um ihre Einführung zu erleichtern.
- RPA als Einstieg: Einsatz von RPA zur Automatisierung strukturierter Aufgaben, oft als Einstieg in fortgeschrittenere KI.
- Kognitive Plattformen und Strategien mit mehreren Anbietern: Größere Unternehmen können umfassende KI-Plattformen entwickeln oder kaufen oder proprietäre und quelloffene Werkzeuge kombinieren. Dafür ist eine anspruchsvolle Integration erforderlich.
- Datenbereitschaft: Hochwertige, gut integrierte Daten sind unerlässlich; Unternehmen können auch KI selbst einsetzen, um Datenverwaltung und -integration zu verbessern.
Welche organisatorischen Veränderungen und Veränderungen in der Belegschaft prognostiziert „The AI Advantage“ als Folge von KI?
- Erweiterung von Aufgaben: KI wird die Arbeitswelt verändern, indem sie viele menschliche Aufgaben erweitert und neue Fähigkeiten und Rollen erforderlich macht.
- Neue Rollen und Fähigkeiten: Die Nachfrage nach Datenwissenschaftlern, KI-Fachleuten und „Übersetzern“, die zwischen Geschäft und Technologie vermitteln, wird steigen.
- Neugestaltung von Prozessen und Strukturen: Organisationen müssen Geschäftsprozesse und Strukturen überdenken, um die Zusammenarbeit zwischen Mensch und Maschine zu verbessern.
- Allmähliche Auswirkungen auf die Belegschaft: Verdrängung dürfte zunächst langsam und begrenzt erfolgen; Produktivitätssteigerungen sollen das Wirtschaftswachstum unterstützen.
Wie rät Thomas H. Davenport Unternehmen in „The AI Advantage“, eine KI-Strategie zu entwickeln?
- An Geschäftszielen ausrichten: Zentrale Probleme oder Chancen identifizieren, bei denen KI Mehrwert schaffen kann, und sich auf strategische Prioritäten konzentrieren.
- Projekte priorisieren und erproben: Anwendungsfälle auf Umsetzbarkeit und Wirkung prüfen und ein Portfolio aus Pilotprojekten und Machbarkeitsnachweisen aufbauen.
- Interne Kompetenzen aufbauen: KI-Fachkräfte ausbilden oder einstellen, in Dateninfrastruktur investieren und das organisatorische Verständnis von KI fördern.
- Skalierung planen: Auf Integrationsprobleme, Veränderungsmanagement und kontinuierliche Verbesserung vorbereitet sein, um Pilotprojekte in den produktiven Betrieb zu überführen.
Welche Herausforderungen und Grenzen der Einführung von KI werden in „The AI Advantage“ hervorgehoben?
- Integrationsprobleme: KI in bestehende Systeme und Prozesse einzubetten, ist oft die größte Herausforderung.
- Mangel an Fachkräften: Es fehlt an qualifizierten KI-Fachleuten, was den Aufbau und die Aufrechterhaltung entsprechender Kompetenzen erschwert.
- Datenqualität und -verfügbarkeit: Schlechte oder in Datensilos eingeschlossene Daten können die Wirksamkeit von KI beeinträchtigen und Investitionen in Dateninfrastruktur erforderlich machen.
- Widerstand in der Organisation: Beschäftigte und Führungskräfte können sich Veränderungen widersetzen; daher sind durchdachtes Veränderungsmanagement und klare Kommunikation nötig.
Welche ethischen und gesellschaftlichen Auswirkungen von KI werden in „The AI Advantage“ behandelt?
- Algorithmische Verzerrungen und Fairness: KI-Systeme können Verzerrungen fortschreiben oder verstärken und damit Fragen zu Fairness und Diskriminierung aufwerfen.
- Transparenz und Erklärbarkeit: Das Buch betont die Notwendigkeit erklärbarer KI, insbesondere in regulierten Branchen und bei Entscheidungen mit weitreichenden Folgen.
- Datenschutz und Sicherheit: Die Fähigkeit von KI, große Mengen personenbezogener Daten zu analysieren, wirft Datenschutzfragen auf. Zudem ist KI sowohl ein Werkzeug als auch ein Ziel von Cyberangriffen.
- Verantwortungsvolle Einführung: Davenport betont, dass die organisatorischen, gesellschaftlichen und ethischen Auswirkungen von KI vorausschauend gesteuert werden müssen.
Welche bemerkenswerten Beispiele für den geschäftlichen Einsatz von KI aus der Praxis werden in „The AI Advantage“ genannt?
- Amazon-Go-Filialen: Einsatz von Bilderkennung und Sensorfusion für Einkäufe ohne Kassiervorgang, wodurch der Einzelhandel verändert wird.
- Bank of Montreal: Einsatz von maschinellem Lernen und RPA für Kundensegmentierung, Betrugserkennung und Prozessautomatisierung.
- Forschung und Entwicklung bei GlaxoSmithKline: Einsatz von KI und maschinellem Lernen zur Integration von Forschungsdaten und Beschleunigung der Arzneimittelforschung.
- Inhaltsmoderation bei Facebook: Herausforderungen beim Einsatz von KI zur Erkennung von Falschmeldungen und schädlichen Inhalten, die sowohl Möglichkeiten als auch Grenzen veranschaulichen.
Welche Zitate aus „The AI Advantage“ von Thomas H. Davenport sind besonders bemerkenswert, und was bedeuten sie?
- Amaras Gesetz: „Wir neigen dazu, die Wirkung einer Technologie kurzfristig zu überschätzen und langfristig zu unterschätzen.“ Das mahnt Leser, realistische Erwartungen an die unmittelbaren Auswirkungen von KI zu haben und zugleich ihr transformatives Potenzial anzuerkennen.
- Kevin Kelly über KI: KI ist „billige, zuverlässige, industrielle digitale Intelligenz, die überall im Hintergrund läuft und fast unsichtbar ist – außer, wenn sie aussetzt.“ Das hebt die künftige Rolle der KI als allgegenwärtige, im Hintergrund arbeitende Infrastruktur hervor.
- Jeff Bezos über die Wirkung von KI: „Vieles von dem, was wir mit maschinellem Lernen tun, geschieht unter der Oberfläche … es verbessert unauffällig, aber wirkungsvoll zentrale Abläufe.“ Das unterstreicht, dass die bedeutendsten Vorteile von KI möglicherweise im operativen Bereich liegen und nicht in spektakulären oder direkt kundenorientierten Anwendungen.
PDF herunterladen
EPUB herunterladen
.epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.