Wie Sie KI im Unternehmen nutzen: Der Guide für CIOs

Die KI-Revolution stellt aktuell sämtliche Wirtschaftsbereiche auf den Kopf. Es ergeben sich völlig neue Möglichkeiten für Anwendungen und Produkte. Gleichzeitig lassen sich Prozesse automatisieren, für die bisher ein Heer von Spezialisten nötig war. Ganz zu schweigen von der Datenanalyse: Mit Machine Learning und Co. können Unternehmen in kurzer Zeit entscheidende Markteinsichten gewinnen.

Aber wo Licht ist, ist auch Schatten. Wie steht es um die Sicherheit von Arbeitsplätzen, wenn plötzlich viele Aufgaben von der künstlichen Intelligenz übernommen werden? Was sind rechtliche Implikationen, zum Beispiel wenn es um das Training von Large Language Models geht? Und wie ist es um die Transparenz bestellt? Können wir überhaupt noch nachvollziehen, auf welche Weise die KI ihren Output generiert?

Mit all diesen Chancen, aber auch Herausforderungen, müssen sich CIOs in nächster Zeit befassen. Sie müssen einerseits sicherstellen, dass sie das Potenzial von KI im Unternehmen nutzen und andererseits müssen sie ethische und rechtliche Standards einhalten. Das ist ein Balanceakt.

Genau hier setzt dieser Artikel an. Wir betrachten im Detail, in welchen Unternehmensbereichen der Einsatz von KI heute schon Sinn macht. Das wird Ihnen dabei helfen, ähnliche Use Cases für Ihr Unternehmen zu entwickeln. Wir sprechen aber auch über die problematischen Seiten von KI und welche Best Practices es gibt.

So schaffen Sie es, die KI-Revolution für Ihr Unternehmen zu nutzen, und zwar auf eine nachhaltige Weise, bei welcher der Mensch nicht vergessen wird.

Warum CIOs und CDOs jetzt aktiv werden müssen

Viele IT-Verantwortliche zögern noch, wenn es um den Einsatz von KI im Unternehmen geht. Eine Bitkom-Studie unterstreicht das: 8 von 10 Unternehmen (79 Prozent) möchten beim Einsatz von KI für Geschäfts- und Verwaltungsprozesse erst einmal abwarten, welche Erfahrungen andere machen.

Diese Zurückhaltung kann sich leicht rächen.

KI ist eine exponentielle Technologie. Die Leistungsfähigkeit der Tools vervielfacht sich innerhalb kurzer Zeit. Wenn Unternehmen jetzt zu lange warten, werden Mitbewerber an ihnen vorbeiziehen und sie werden einen solchen Vorsprung haben, dass sie kaum noch einzuholen sind. KI birgt die reale Gefahr, dass zögerliche Organisationen aus dem Markt gedrängt werden.

Es drohen aber auch individuelle berufliche Konsequenzen. CIOs sind nicht länger nur die „Bereitsteller“ von IT-Infrastruktur. Im KI-Zeitalter sind sie diejenigen, die wesentlich über den Unternehmenserfolg entscheiden. Gelingt es ihnen, neue Technologien wie KI sinnvoll einzubinden, floriert das Unternehmen und der eigene berufliche Stern geht auf. Verschlafen sie aber Entwicklungen, steht das Unternehmen im schlimmsten Fall vor dem Aus.

Die Stakeholder wissen das und beobachten ihre IT-Verantwortlichen mit Argusaugen. Eine Untersuchung von Forbes beziffert die durchschnittliche Amtszeit eines Chief Data Officers mit 2,4 Jahren. Und eine Gartner-Studie besagt, dass 50 Prozent der CDOs scheitern.

KI entscheidet also nicht nur über den Erfolg von Unternehmen, sondern auch über den persönlichen Erfolg von IT-Executives. Das Thema muss adressiert werden.

Verstehen Sie KI?

Selbst Experten verwenden Ausdrücke wie KI, Machine Learning oder Large Language Model häufig austauschbar, obwohl sich dahinter unterschiedliche Konzepte verbergen. Es ist wichtig, hier klar zu trennen. Nur dann lassen sich diese Technologien auch gewinnbringend nutzen.

Was ist KI?

Künstliche Intelligenz (KI) ist ein Oberbegriff, der sich auf die Fähigkeit einer Maschine bezieht, die Denkweise des Menschen nachzuahmen. Dafür sammeln KI-Systeme Daten, zum Beispiel unter Verwendung von Sensoren. Diese Daten werden von der KI analysiert und zur Problemlösung eingesetzt. KIs sind damit in der Lage, ihr eigenes Handeln zu korrigieren.

Künstliche Intelligenz stellt die letzte in einer Reihe von vier Entwicklungsstufen dar, die unsere moderne Arbeitswelt revolutioniert haben:

Im Gegensatz zur vorhergehenden Stufe, der Robotik, können KI-Anwendungen über vordefinierte Regeln „hinausdenken“. Sie können historische Daten berücksichtigen und Entscheidungen für die Zukunft treffen.

Doch warum brauchen wir künstliche Intelligenz? Welche Vorzüge bietet sie gegenüber der menschlichen Intelligenz? Den Hauptunterschied bildet die Größe des Datensatzes. Zum Beispiel ist ein einzelner Chirurg immer auf den eigenen, begrenzten Erfahrungsschatz angewiesen. Die KI kann dagegen unendlich viel Input berücksichtigen. Sie kann Tausende von Mammografien analysieren und so unglaublich präzise Vorhersagen treffen.

KI vs. ML vs. DL

Diese drei Begriffe werden oft synonym verwendet, stehen aber tatsächlich in einem hierarchischen Verhältnis zueinander:

• Künstliche Intelligenz (KI) ist der Überbegriff, der die Technologie bezeichnet. Hierunter fallen alle Maschinen und Anwendungen, die eine menschenähnliche Intelligenz aufweisen.

• Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz. Hier wird die KI darauf trainiert, bestimmte Muster zu erkennen und vorherzusagen. Beispielsweise könnte ein E-Commerce-Unternehmen der KI die bisherigen Kaufentscheidungen von Kunden „füttern“, damit die KI dann passende Kaufempfehlungen gibt.

• Deep Learning (DL) ist ein Teilbereich des maschinellen Lernens. Einem DL-Algorithmus liegt eine besonders komplexe neuronale Netzwerkarchitektur zugrunde: Klassische ML-Modelle verwenden ein bis drei Rechenschichten, DL-Modelle hingegen mehr als drei. Dadurch können noch anspruchsvollere Anwendungsfälle wie das autonome Fahren realisiert werden.

Analytische vs. generative KI

Grundsätzlich wird zwischen analytischer und generativer KI unterschieden.

Die analytische KI befasst sich mit der Auswertung von Datensätzen, um daraus Einsichten zu gewinnen und Vorhersagen zu treffen (Predictive Analytics). Beispielsweise analysiert die KI einen Produktionsablauf und gibt Empfehlungen, welche Maschinen als Nächstes gewartet werden müssen. Analytische KI verwendet hauptsächlich strukturierte Daten, d. h. Daten, die bereits in einem vereinheitlichten Format vorliegen.

Weitere Anwendungsfälle sind:

• Vorhersage von Marktentwicklungen
• Vorhersage von Kundenverhalten
• Vorhersage von Bottlenecks bei der Prozessplanung
• Vorhersage von Umweltkatastrophen
• Kreditvergabe
• Vorauswahl von Bewerbern zu einem Bewerbungsgespräch

Im Gegensatz zur analytischen verwendet die generative KI verstärkt unstrukturierte Daten wie Texte, Bilder und Audiodateien. Indem die KI mit diesen Inhalten angereichert wird, kann sie in Zukunft eigene, neuartige Inhalte erzeugen.

Das bekannteste Beispiel ist ChatGPT. Dieser Algorithmus des Unternehmens OpenAI wurde jahrelang unter Verwendung von Internettexten trainiert. Nun können User mithilfe sogenannter Prompts Anfragen an die KI stellen und ChatGPT generiert neue, zum Prompt passende Texte. So können Zusammenfassungen, Social-Media-Inhalte und Webseiten-Texte erstellt werden. Ähnliche Angebote existieren bereits für die Bild-, Video- und Audioerstellung.

Large Language Models

Wenn eine generative KI unter Verwendung massenhafter Textdaten trainiert wurde, spricht man von einem Large Language Model (LLM). Wir hatten eben schon den Marktführer ChatGPT von OpenAI erwähnt. Aber auch Google hat mittlerweile sein eigenes LLM, Google Gemini, im Einsatz. Damit werden zum Beispiel oberhalb der regulären Suchergebnisse Antworten auf User-Fragen generiert. Der Vorteil: Der User muss sich nicht mehr in einzelne Websites hineinklicken.

Weitere Aufgaben, für die LLMs eingesetzt werden:

• Texterstellung: Unternehmen können sich ihre Marketingtexte unter Verwendung von LLMs generieren lassen.

• Chatbots: Website-Besucher können sich durch LLM-getriebene Chatbots sofort mit ihrem Anliegen weiterhelfen lassen.

• IoT-Geräte: User können mit ihren IoT-Geräten in natürlicher Sprache kommunizieren, zum Beispiel mit dem Navigationssystem im Auto oder mit Küchengeräten.

• Personalisierung: Eine PowerPoint-Präsentation kann mithilfe von LLMs schnell für verschiedene Zielgruppen angepasst werden.

• Wissensdatenbanken: Große Mengen Text, zum Beispiel Support-Tickets, können auf wiederkehrende Themen analysiert werden. Das LLM erstellt anschließend eine Wissensdatenbank, in der die häufigsten Fragen beantwortet werden.

Prompt Engineering

Prompts sind Befehle, die der User eingibt, um die generative KI zu einer Aktion zu bewegen. Dabei kann es sich um die Erstellung von Textantworten, aber auch um die Erzeugung von grafischen oder Videoinhalten handeln.

Im Unterschied zur typischen Google-Suchanfrage verwenden Prompts keine Schlagworte. Sie formulieren in ganzen, zusammenhängenden Sätzen, so als ob man mit einem Menschen sprechen würde. Je genauer diese Prompts sind, desto bessere Ergebnisse gibt die generative KI aus. Beispielsweise sollte ein Prompt Faktoren wie den Schreibstil und die Tonalität spezifizieren, um zum Unternehmen passende Inhalte zu erzeugen.

Dem Prompt Engineering, also dem Verfassen von möglichst ausgeklügelten Prompts, kommt in der neuen KI-Welt große Bedeutung zu. Unternehmen, die effektiver mit der KI kommunizieren als Mitbewerber, werden langfristig gewinnen.

In welchen Unternehmensbereichen KI heute schon Sinn macht

Viele CIOs zögern bislang, was den Einsatz von KI im Unternehmen angeht. „Das ist doch noch nicht ausgereift“, hört man oft. Tatsächlich kann KI schon in verschiedenen Branchen, etwa in der öffentlichen Verwaltung (siehe Blogartikel „KI in der Verwaltung: Die wichtigsten Einsatzmöglichkeiten„) oder sogar in der Kirche (siehe Blogartikel „KI und Kirche: Was heute schon funktioniert„) und in vielen Bereichen die Produktivität erhöhen. Hier ein Überblick über die wichtigsten Chancen:

KI zur Netzwerk-Optimierung

KI verändert das Netzwerk-Management. Anstatt Netzwerk-Komponenten manuell zu konfigurieren, kann dies die künstliche Intelligenz erledigen. So können Hunderte oder Tausende von Access Points, Switches und Routern in kürzester Zeit perfekt aufeinander abgestimmt werden.

Ein Beispiel sind Wi-Fi-Channels. KI-Lösungen wie die des Anbieters Juniper helfen bei der täglichen Anpassung der Kanäle. Denn praktisch jeder User im Unternehmen hat mobile Geräte im Einsatz, die früher oder später Verbindungsprobleme erleben. Erstellen nun alle diese User Support-Tickets, ist Ihr IT-Team bald überlastet.

Juniper löst dieses Problem durch „Reinforcement Learning“. Die KI lernt einzustufen, welche Wi-Fi-Kanäle mit öffentlichen Frequenzbereichen überlappen und deshalb häufiger Störungen erleben. Diese Kanäle können dann dynamisch abgeschaltet werden.

Es können auch andere Interferenzen vorhergesagt werden, beispielsweise um die Mittagszeit in der Cafeteria, wenn sich die User in der Nähe von Mikrowellen-Geräten aufhalten. Die KI stellt den Mobilgeräten dann vorsorglich alternative Kanäle zur Verfügung.

Ein weiterer wichtiger Einsatzbereich ist das Troubleshooting. KI-Algorithmen können schnell riesige Mengen Log-Files analysieren. So findet die KI defekte Kabel oder Fehlkonfigurationen bei Firewalls. Im Anschluss erstellt der Algorithmus eine grafische Vereinfachung des Problems. Das hilft Ihren Admins, die Situation nachzuvollziehen und schneller zu beheben.

KI kann viele Routineaufgaben übernehmen. Wird zum Beispiel ein Passwort falsch eingegeben, kann eine Chatbot-KI dem User dabei helfen, das Problem selbstständig zu lösen, ohne dass ein Support-Ticket erstellt werden muss. Ihr Inhouse-Team wird mit dem Vorgang nicht behelligt.

Bei der Netzwerk-Optimierung kommen auch LLMs zum Einsatz. Auf diese Weise können Admins mit Bots in natürlicher Sprache kommunizieren. Zum Beispiel könnte ein Teammitglied fragen, „Welche Aktivitäten gibt es für den Laptop von Herrn Fabian?“ Der Bot antwortet dann, „Der Laptop von Herrn Fabian war zuletzt am 12. Juni online, wobei es Verbindungsprobleme gab, die nach 1,5 Minuten behoben werden konnten.“ Diese natürliche Art der Kommunikation vereinfacht das Tagesgeschäft.

Ein weiterer Aspekt ist der Fachkräftemangel: Derzeit fällt es vielen Unternehmen schwer, gut ausgebildete Netzwerker zu finden. Ein KI-Netzwerk kann hier eine enorme Erleichterung bedeuten. Der Bot erklärt Ihrem Teammitglied Schritt für Schritt, was zu tun ist. Der Mitarbeiter kann die Schritte dann korrekt umsetzen, selbst wenn ihm die entsprechende Expertise fehlt.

In Summe lässt sich festhalten: Durch KI sind wir dem „self-driving“ Netzwerk einen großen Schritt nähergekommen. Ihre Mitarbeiter werden entlastet und können sich stattdessen auf Innovationsprojekte konzentrieren, welche das Unternehmen voranbringen.

KI-optimierte IT-Security

KI-Algorithmen können leicht große Mengen Telemetriedaten analysieren, um ungewöhnliche Aktivitäten auszumachen. Das betrifft sowohl externe Anfragen an die Cloud (North-South-Traffic) als auch Aktivitäten innerhalb des Netzwerks (East-West-Traffic). Bei Anomalien schlägt die KI sofort Alarm. So können Angriffe entweder im Vorfeld abgewehrt oder sofort isoliert werden, falls der Angreifer schon ins Netzwerk vorgedrungen ist.

Immer mehr XDR- und SIEM-Tools setzen deshalb auf KI. Das heißt aber nicht, dass der Mensch überflüssig wäre. Es bedarf immer noch eines SOC-Teams, das aus der großen Menge von Meldungen diejenigen auswählt, auf welche tatsächlich reagiert werden muss. Insofern ist IT-Security ein gutes Beispiel dafür, wie KI und Mensch sich gegenseitig ergänzen: Die KI übernimmt repetitive Analyseaufgaben, während sich der Mensch auf Strategieentscheidungen konzentrieren kann.

KI in der Vorgangserfassung

Organisationen erhalten jeden Tag Tausende von textbasierten Mitteilungen. Diese müssen von Mitarbeitern zeitintensiv gesichtet und weiterverarbeitet werden. Ein Großteil dieser Aufgaben kann von LLMs übernommen werden. Einige Beispiele:

• Input-Management: Die KI betrachtet die Kundenkorrespondenz über sämtliche Kanäle hinweg (Papierdokumente, Fax, E-Mail, Messenger-Nachrichten) und analysiert, worum es in dem Schriftstück geht. Anschließend ordnet sie die Anfrage dem richtigen Ansprechpartner zu.

• FAQs: Auf wiederkehrende Fragen von Kunden antwortet die KI automatisch, sodass Ihre Mitarbeiter nicht involviert werden müssen.

• Bestellprozesse: Die KI erfasst Bestelldaten aus unterschiedlichen Formaten (Vordruck, Freiform, Liste) und vereinheitlicht sie. Dann speist sie die Informationen z.B. in ein SAP-System ein, wo sie von den menschlichen Einkäufern weiterverarbeitet werden können.

• Stammdaten: Möchte ein Kunde seine Informationen im System anpassen lassen, zum Beispiel weil sich seine Adresse geändert hat, kann dieser Vorgang von der KI abgewickelt werden.

• Terminvergabe: KI-Tools vergeben und bestätigen Termine automatisch.

• Fachdatenextraktion: Die KI extrahiert wichtige Informationen und reichert sie mit Kontext an. Dafür analysiert die KI auch unstrukturierte Daten, zum Beispiel Bilder im E-Mail-Anhang.

• Support-Tickets: Die Zufriedenheit von Kunden hängt wesentlich davon ab, wie schnell ihre Support-Tickets bearbeitet werden. Das ist insbesondere für SaaS-Unternehmen mit einer großen Userbase entscheidend. Durch eine automatisierte Vorgangserfassung kann die Beantwortungszeit stark verkürzt werden.

KI in der Produktion

KI optimiert die Massenproduktion. Der Algorithmus erkennt, wo Bottlenecks existieren und schlägt Lösungen vor. Das ist nützlich für Produktionsbetriebe, deren Abläufe sich häufig ändern, beispielsweise in der Automobilindustrie, wenn ein neues Fahrzeugmodell auf den Markt kommt.

Auch in der Einzelfertigung unterstützt KI. Immer mehr Kunden möchten ihre Konsumgüter individualisieren, zum Beispiel Möbel oder Kleidungsstücke. Das erhöht die Prozesskomplexität. KI kann dabei helfen, diese Komplexität zu managen und so die Losgröße Eins ermöglichen – ein entscheidender Wettbewerbsvorteil.

KI-Tools sagen auch Störfälle voraus und spezifizieren, welche Maschinen in nächster Zeit gewartet werden müssen (Predictive Maintenance). Dafür betrachtet die KI eine Vielzahl von Parametern wie Vibration, Temperatur, Geräuschpegel und Leistungsaufnahme. Erkennt sie Abweichungen, wird eine Warnmeldung ausgegeben. Durch den frühzeitigen Austausch von Verschleißteilen wird so nicht nur Produktionsstopps vorgebeugt, sondern auch die Lebensdauer teurer Maschinen verlängert.

Ein weiterer wichtiger Anwendungsfall ist die Qualitätskontrolle. Das maschinelle Sehen macht Unregelmäßigkeiten aus, die für das menschliche Auge nicht zu erkennen wären. Das betrifft beispielsweise minimale Oberflächendefekte. Werden diese frühzeitig erkannt, lässt sich die Ausschussquote reduzieren.

Wissenswert: Ein spannender Use Case von KI in der Produktion sind sogenannte Cobots. Diese kollaborativen Roboter arbeiten Seite an Seite mit dem Menschen. Sensoren verhindern, dass es zu Kollisionen kommt. Gleichzeitig analysieren die Cobots das Verhalten ihrer menschlichen Kollegen und übernehmen monotone oder gefährliche Aufgaben. Zum Beispiel könnte ein Cobot einschreiten, wenn ein Mitarbeiter versucht, eine zu schwere Last zu heben.

KI in der Logistik

KI kann viele Logistik-Prozesse optimieren. Sie steuert, wie Güter am sinnvollsten auf Logistikzentren verteilt werden, wie sich Wege verkürzen lassen und wann Bestände aufgefrischt werden müssen. Das reduziert die Transport- und Lagerkosten.

Dabei kann äußerst granular vorgegangen werden. Beispielsweise kann die Einordnung von Waren in Regale optimiert werden, sodass diese möglichst wenig Platz einnehmen. Ein weiteres Beispiel wäre, dass die KI den Preis von Lebensmitteln anpasst, je näher deren Ablaufdatum rückt.

KI im Bereich Wissensmanagement

In vielen Unternehmen liegen Informationen verteilt vor. LLMs helfen dabei, diese unterschiedlichen Informationsquellen zu einer dynamischen Wissensbasis zusammenführen. So werden Ihre Mitarbeiter in die Lage versetzt, bessere Entscheidungen zu treffen.

Insbesondere bei Suchanfragen spielen LLMs ihre Stärke aus. Bisher basierte die Suche auf Keywords. Fehlte das Keyword in einem wichtigen Dokument, wurde dieses auch nicht angezeigt. KI-Tools erkennen jedoch semantische Zusammenhänge – unabhängig vom Keyword – und liefern diese mit aus.

Betrugserkennung mit KI

Dieser Use Case betrifft vor allem die Finanzindustrie. Im großen Maßstab untersucht der Algorithmus hier Kontobewegungen auf Anomalien; teilweise poolen Finanzdienstleister auch ihre Daten, um noch genauere Einsichten zu erhalten. So können Fälle von Geldwäsche aufgedeckt werden, die früher untergegangen wären.

KI im Vertrieb

KI verbessert das Upselling. Basierend auf den bisherigen Kaufentscheidungen sagt das KI-Tool mit hoher Wahrscheinlichkeit voraus, welches Produkt der Kunde als Nächstes kaufen möchte. Der Vertrieb kann dann mit dieser Prognose auf den Kunden zugehen. So erhöht sich der Customer Lifetime Value beträchtlich.

KI hilft auch dabei, die sogenannte Churn Rate zu verbessern, also wie oft sich Kunden von einem Unternehmen abwenden und zu einem anderen Anbieter wechseln. Dafür betrachtet die KI das Kommunikationsverhalten (Frequenz, Länge, Wording) und sagt voraus, wann ein Kunde den Absprung erwägt. Nun kann ein Vertriebsmitarbeiter die Beziehung neu beleben.

KI im Marketing

Generative KI bietet viele Einsatzmöglichkeiten für das Online-Marketing. Zum Beispiel können für unterschiedliche Kunden-Personas personalisierte Anzeigentexte ausgeliefert werden. Das verbessert die Klickrate, weil der Kunde genau da abgeholt wird, wo er steht.

Das Thema Personalisierung betrifft auch andere Touchpoints der Customer Journey. Beispielsweise können dem Kunden bei jedem Besuch neue Webseiten-Texte präsentiert werden, abhängig davon, mit welchen Inhalten er beim letzten Besuch interagiert hat.

Auch beim E-Mail-Marketing bieten sich spannende Einsatzmöglichkeiten. Generative KI kann E-Mail-Nachrichten verfassen, die exakt die Wünsche und Pain Points des jeweiligen Empfängers triggern. Das erhöht die Conversion Rate, also die Wahrscheinlichkeit, mit welcher der Kunde eine gewünschte Aktion ausführt.

Lokalisierung mit Hilfe von KI

Multinationale Konzerne müssen ihre Inhalte in vielen verschiedenen Sprachen verfügbar machen. Zusätzlich müssen kulturelle Besonderheiten berücksichtigt werden.

Auch hier kann KI das Unternehmen unterstützen. Zum Beispiel übersetzt sie Webseiten-Texte und passt die Bildsprache für verschiedene nationale Märkte an. Sogar Video-Inhalte wie Podcasts können lokalisiert werden. Dafür wird die Originalstimme des Sprechenden durch eine identisch klingende Stimme in der jeweiligen Zielsprache ersetzt.

Diese Herausforderungen kommen auf CIOs zu

Die Verheißungen von KI beeindrucken. Allerdings müssen sich CIOs auch über die damit verbundenen Herausforderungen im Klaren sein. Der folgende Teil erläutert, was hier auf Sie zukommt.

Woher kommen die Daten?

Um KI-Tools einsetzen zu können, muss zunächst eine Datengrundlage geschaffen werden. Nur so können die Algorithmen effektiv trainiert werden.

Bei der Beschaffung dieser Daten existieren gleich mehrere Herausforderungen:

• Größe des Datensatzes: Die Datengrundlage muss ausreichend groß sein. Andernfalls wird die KI kaum sinnvolle Muster ausmachen können.
• Qualität der Daten: Die Daten müssen möglichst präzise sein. Wenn sie die Realität nicht korrekt abbilden, kann die KI auch keine zutreffenden Prognosen stellen.
• Datenformate: Die KI muss mit den bereitgestellten Datenformaten umgehen, also zum Beispiel unstrukturierte Bilddateien verarbeiten können.
• Eigentümerschaft: Es muss geklärt werden, ob Sie die Daten überhaupt zum Training der KI verwenden dürfen, Stichwort Urheberrecht. Warum ein lokal betriebenes PrivateGPT hier eine Lösung sein kann, erklären wir in unserem Blogbeitrag.

Wo finden wir Fachkräfte?

KI steht im Ruf, den Menschen überflüssig zu machen. Tatsächlich braucht es aber KI-erfahrene Fachkräfte, welche die Tools fortlaufend justieren.

Diese Experten zu finden bzw. selbst auszubilden ist eine echte Herausforderung. Einerseits ist die Technologie so neu, dass wenige Bewerber schon über die entsprechende Erfahrung verfügen. Andererseits ist das Inhouse-Team derart ins Tagesgeschäft eingespannt, dass kaum noch Zeit bleibt, sich in Sachen KI fortzubilden.

Eine Lösung kann die Zusammenarbeit mit einem Managed-Services-Provider wie Proact bilden. Auf diese Weise erhalten Sie sofort Zugriff auf entsprechende KI-Expertise. Wir verfügen über Erfahrungswerte aus Dutzenden von Kundenprojekten, insbesondere im Bereich Netzwerk und Security.

Sind KI-Tools ethisch vertretbar?

Künstliche Intelligenz bietet großes Potenzial für die Wirtschaft. Die Technologie kann aber auch missbraucht werden, beispielsweise um Kundenverhalten auszuspähen oder um politische Entscheidungsfindungsprozesse zu manipulieren.

Unternehmen müssen sich deshalb auf ethische Grundsätze selbst verpflichten und diese in ihre IT-Richtlinien aufnehmen. Unter anderem sollte definiert werden, dass Algorithmen nicht bestimmte Gruppen diskriminieren oder Datenschutzregeln verletzen dürfen.

Warum ethische und rechtliche Aspekte bei KI eine entscheidende Rolle spielen, erläutern wir ausführlich in unserem Blogbeitrag „PrivateGPT: Rechtliche und ethische Aspekte„.

Brauchen wir überhaupt noch Personal?

Die große Angst im Zusammenhang mit KI besteht im Verlust von Arbeitsplätzen. Schon heute fragen sich viele Mitarbeiter, ob ihre Tätigkeit bald von ChatGPT ausgeführt wird. Das führt zu Abwehrreaktionen. Teammitglieder weigern sich, mit KI-Anwendungen zu arbeiten oder verschleppen den Prozess.

Die gute Nachricht ist: Der Mensch wird durch KI nicht überflüssig. Aber er wird dazu gezwungen, seine Rolle neu zu denken – weg vom Ausführenden und hin zum Maschinen-Manager. Mitarbeiter werden also neue Fähigkeiten erlernen und mehr Verantwortung übernehmen müssen. Um diese Transformation zu meistern, bedarf es Aufklärungsarbeit und Weiterbildungsangebote.

Wie steht es um rechtliche Implikationen?

Die großen Language Learning Models wurden jahrelang unter Verwendung von Daten trainiert, die dem Urheberrecht unterliegen. Es gilt jetzt zu klären, inwiefern ChatGPT und Co. zur Verantwortung gezogen werden müssen. Stellvertretend ist hier die Klage der New York Times zu nennen.

Dieses Thema betrifft auch KMU. Dürfen wir beispielsweise unsere Marketing-KI unter Verwendung von Mitbewerber-Materialien trainieren? Oder laufen wir dann Gefahr, rechtlich belangt zu werden? Diese Fragen sind im Moment noch offen.

Eine weitere Herausforderung ist der Umgang mit personenbezogenen Daten. Machine Learning erhebt unter Umständen Daten, die gar nicht gesammelt werden dürften. Beispielsweise zeichnen Sprachassistenten zum Teil Gespräche auf, obwohl der User das gar nicht wünscht.

Hinzu tritt die Black-Box-Problematik. Wir sehen nur die Ein- und Ausgaben, können aber kaum nachvollziehen, was dazwischen geschah. Wie die KI ihre Ergebnisse generiert, ist unklar. Das erschwert die Rechtsverfolgung.

Die gute Nachricht: Seit dem 1. August 2024 existiert ein rechtliches Rahmenwerk, der AI Act der Europäischen Union. Diese Gesetzgebung wird Unternehmen dabei helfen, Rechtssicherheit zu erlangen. Sie regelt anhand von Risikoklassen, wie KI-Systeme betrieben werden müssen.

Doch wie immer in solchen Fällen muss zuerst geklärt werden, wie die Vorgaben konkret umzusetzen sind. Gesetzestexte sind naturgemäß allgemein gehalten, weil sie eine Vielzahl von Industrien und Use Cases abdecken müssen.

Eine ähnliche Situation gab es bereits mit der DSGVO. Damals dauerte es ein bis zwei Jahre, um praxistaugliche Verfahren zu entwickeln. Es ist zu erwarten, dass es mit dem AI Act ähnlich sein wird.

Wie sichern wir unsere Systeme?

Beim Thema IT-Security sind zwei Aspekte zu beachten. Einerseits müssen die eingesetzten KI-Systeme vor Angriffen geschützt werden. Es handelt sich um wichtige Assets, die viel Geld gekostet haben und von denen die Innovationsfähigkeit des Unternehmens abhängt.

Andererseits werden Cyberkriminelle KI dafür nutzen, um leichter Informationen zu stehlen. Diese Entwicklung ist bereits in vollem Gange. Beispielsweise aggregieren Hacker mit KI massenhaft Daten aus Social-Media-Profilen, die sie dann für das Verfassen von personalisierten Phishing-Nachrichten einsetzen.

Außerdem können Hacker ihre Angriffe nun leichter lokalisieren. Unter Verwendung von LLMs werden Phishing-Nachrichten in Dutzende von Sprachen übersetzt, wobei das Ergebnis kaum von einem Muttersprachler zu unterscheiden ist. Auf diese Weise können mehrere nationale Ableger eines globalen Konzerns parallel angegriffen werden. Damit steigt die Wahrscheinlichkeit, dass die Hacker durchkommen.

IT-Executives müssen sich jetzt mit diesen neuen KI-Bedrohungsszenarien vertraut machen, um nicht von ihnen überrascht zu werden.

Wie kommunizieren wir mit Medien?

KI-Technologien sind aktuell ein Medien-Hype, denn sie polarisieren. Für die einen sind sie eine wahr gewordene Science-Fiction-Utopie und werden die Welt verbessern. Für die anderen sind sie ein Reizthema, weil sie alles durcheinanderwirbeln und klassische Arbeitsmodelle bedrohen.

CIOs sehen sich hier mit einer neuen Herausforderung konfrontiert. Viele von ihnen befassten sich bisher vor allem mit Technologiefragen. Nun ist auf einmal auch PR-Know-how gefragt. Die geplanten KI-Innovationen müssen nicht nur sinnvoll implementiert, sondern auch behutsam kommuniziert werden.

Was sind ökologische Implikationen?

Der Datenwissenschaftler Alex de Vries schätzt den Stromverbrauch von künstlicher Intelligenz bis 2027 auf bis zu 134 Terawattstunden pro Jahr. Das entspricht dem jährlichen Stromverbrauch eines kleinen Landes wie den Niederlanden. Durch die Integration von KI in Suchmaschinen könnte diese Zahl noch stark steigen. Auch der Wasserverbrauch erhöht sich, weil die eingesetzten Prozessoren und Grafikkarten große Mengen Kühlwasser benötigen. All das belastet die Umwelt.

Interessant: Ein Stück weit lassen sich diese Probleme durch moderne Cloud-Lösungen abfedern. Weil KI-Ressourcen hier zentral gehostet werden, ergeben sich Synergie-Effekte: Dieselbe Hardware kann für mehrere Unternehmen genutzt werden. Auch besser auf KI abgestimmte Prozessoren, die weniger Strom verbrauchen, könnten eine Lösung darstellen. Es obliegt den IT-Verantwortlichen, die Systeme in den nächsten Jahren entsprechend umzurüsten.

Wie gehen wir mit neuen Kundenerwartungen um?

Mit KI ändern sich auch die Kundenerwartungen. Extrem schnelle Prozesse und kurze Time-to-Market-Intervalle werden das neue Normal. Gleichzeitig legen die Abnehmer verstärkt Wert auf eine persönliche Betreuung, bei der sie sich als Mensch gehört fühlen. In bestimmten Situationen wollen wir eben nicht mit einem Chatbot kommunizieren, sondern mit dem Kundenberater, den wir seit Jahren kennen. CIOs müssen hier den richtigen Mix aus maschineller Effizienz und „Human Touch“ finden.

Welche Kosten kommen auf uns zu?

Zum jetzigen Zeitpunkt lässt sich schwer beziffern, was die Integration von KI ins eigene Unternehmen kosten wird. Weil die Technologie neu ist, existieren kaum Erfahrungswerte. Dieser Unsicherheitsfaktor macht es schwieriger, Stakeholder von der Notwendigkeit neuer KI-Systeme zu überzeugen.

Eine Lösung bildet die Zusammenarbeit mit einem Managed-Services-Anbieter wie Proact. Wir beraten Sie gerne, in welchen Bereichen KI für Sie heute schon Sinn macht. Sei es mit On-Prem- (z.B. PrivateGPT) oder mit Cloud-Lösungen (z.B. Microsoft Copilot). Wir haben für jede Anforderung die passende Antwort.

4 Best Practices für die Umsetzung

Angesichts der oben genannten Herausforderungen mag sich mancher CIO fragen, ob der Einsatz von KI zum jetzigen Zeitpunkt schon ratsam ist oder ob man besser abwartet, bis zum Beispiel die rechtliche Situation geklärt ist.

Abwarten birgt aber ebenfalls Risiken. Wenn Unternehmen jetzt nicht aktiv werden – trotz rechtlicher und anderer Fragezeichen – riskieren sie, den Anschluss zu verpassen.

Deshalb möchten wir Ihnen im Folgenden Strategien aufzeigen, die sich bereits jetzt bei vertretbarem Risiko umsetzen lassen.

1. Schaffen Sie eine solide Infrastruktur-Basis

KI kann ihre volle Wirkung nur entfalten, wenn sie auf einer leistungsfähigen Infrastruktur aufsitzt. Es müssen leicht skalierende Computing-Ressourcen zur Verfügung stehen, um die aufwendigen Rechenoperationen zu ermöglichen. Gleichzeitig müssen flexible Storage-Lösungen (z.B. NetApp AI solutions) existieren, um große Mengen von insbesondere unstrukturierten Daten zu hosten.

Der „natürliche Partner“ von KI ist die Cloud. Ressourcen können auf Knopfdruck hinzugebucht werden, die Skalierbarkeit kennt praktisch keine Grenzen. Das zeigt sich auch daran, dass viele KI-Anwendungen über die Cloud zur Verfügung gestellt werden. Bei Bedarf buchen Unternehmen den entsprechenden Dienst und bestellen ihn wieder ab, sobald er nicht mehr benötigt wird.

Die optimale Lösung für KMU ist allerdings eine Hybrid Cloud. Über den Public-Cloud-Anteil der Hybrid Cloud können sie z.B. Computing-Ressourcen und KI-Anwendungen beziehen. Gleichzeitig können sie sensible Daten und KI-Anwendungen in der gut abgeschirmten Private Cloud speichern und betreiben, um so Compliance-Vorgaben zu erfüllen.

Im Idealfall arbeiten Sie hier mit einem Service Provider zusammen, der sowohl über Erfahrung mit Hybrid Clouds als auch mit KI verfügt. So stellen Sie sicher, dass Ihre Lösung „aus einem Guss“ ist.

Proact kann Ihnen genau diese Kombination aus Kompetenzen bieten. Wir implementieren seit vielen Jahren Hybrid Clouds für Kunden aus verschiedenen Industrien. Gleichzeitig setzen wir KI im Bereich Netzwerk in Zusammenarbeit mit unserem Partner Juniper, im Bereich Storage mit unserem Partner NetApp sowie im Bereich PrivateGPT mit unserem Partner Fujitsu ein. Ebenso nutzen wir KI für die IT-Security und steigern die Produktivität von Mitarbeitern mit Copilot, dem KI-Assistenten von Microsoft.

2. Priorisieren Sie Ihre KI-Use-Cases

Der KI-Hype verleitet dazu, Use Cases zu implementieren, die besonders „sexy“ erscheinen. Solche Projekte resultieren aber selten in der größten Produktivitätssteigerung. Konzentrieren Sie sich lieber auf Use Cases, die vielleicht weniger gut für Pressemitteilungen geeignet sind, aber wirklich einen Unterschied machen.

Aus unserer Sicht sind das im IT-Bereich drei Themenfelder:

a) Netzwerk-Optimierung

Der natürliche erste Schritt ist es, KI für die Optimierung der Infrastruktur einzusetzen. Wenn Sie Admin-Aufgaben automatisieren, entlasten Sie Ihr IT-Team. Ihre Experten sind nun frei für wichtige Innovationsprojekte.

Dieser Aspekt kann nicht überbetont werden, denn die Rolle von IT-Experten ändert sich gerade grundlegend. Sie sind nicht länger nur die „Bereitsteller“ von Infrastruktur, sondern die „Enabler“ im Unternehmen. Durch sie werden entscheidende neue Technologien erst nutzbar gemacht; mit ihnen steht und fällt daher der Geschäftserfolg.

Damit sie diese neue Rolle wahrnehmen können, müssen Ihre Experten von ihren bisherigen Aufgaben entlastet werden. Und das betrifft vor allem die Netzwerkverwaltung und den Netzwerk-Support. Die KI-gestützte Netzwerk-Optimierung bildet hier den logischen Ausweg.

b) IT-Security

Der nächste zentrale Use Case für KI sollte die Verbesserung der IT-Security sein. Das Cybergefahrenpotential war schon immer hoch, aber durch KI ist es noch einmal gestiegen. Hacker verwenden KI unter anderem für Social-Engineering-Attacks, für die massenhafte Erstellung von Malware oder um Schwachstellen zu finden.

Um hier Schritt zu halten, müssen Sie die Angreifer mit ihren eigenen Waffen schlagen. Moderne XDR- und SIEM-Tools verwenden KI, um sämtliche Netzwerkaktivitäten fortlaufend zu scannen und Anomalien zu erkennen. Bei ungewöhnlichen Aktivitäten lösen sie sofort Alarm aus. Auf diese Weise wird es Hackern wesentlich erschwert, durchzudringen.

Exkurs: SIEM vs. SOAR vs. XDR – In unserem Blogartikel „Wie ein Security Operations Center (SOC) für mehr Cybersicherheit sorgt“ finden Sie eine Erläuterung der Unterschiede.

Warum ist dieser Aspekt so zentral? Ein erfolgreicher Cyberangriff kann die Existenz Ihres gesamten Unternehmens gefährden. Bei einer Ransomware-Attacke werden im schlimmsten Fall sämtliche Unternehmensdaten eingefroren und alle Prozesse kommen zum Erliegen. Die geforderten Lösegelder sind so hoch, dass sie den finanziellen Ruin bedeuten können.

Hinzu kommt, dass sich die rechtliche Situation verändert hat. Konnte das Risiko früher ein Stück weit durch Cyberversicherungen aufgefangen werden, so haftet heute in vielen Fällen die Geschäftsleitung persönlich.

IT-Security sollte deshalb nach der Netzwerk-Optimierung das nächste Handlungsfeld für die KI-Einführung bilden. Hier darf nichts riskiert werden.

c) Mitarbeiterproduktivität

Ein dritter zentraler Use Case von KI betrifft die Mitarbeiterproduktivität. In fast jeder Abteilung können KI-Helfer Prozesse optimieren. Ein ausgezeichnetes Tool hierfür ist Microsoft Copilot. Der KI-Assistent begleitet User in ihrem Arbeitsalltag und übernimmt Aufgaben, die vorher viel Zeit verschlangen. Beispielsweise gibt er beim Schreiben von E-Mails Tipps, um die Kundenkommunikation zu verbessern. Oder er erstellt in Minuten eine mitreißende PowerPoint-Präsentation – ein Projekt, das früher Tage oder Wochen gedauert hätte. Auf diese Weise steigern Sie sowohl die Qualität als auch die Quantität des Outputs.

Wie gesagt: Diese „profanen“ Anwendungen von KI lösen im ersten Moment vielleicht keine Begeisterungsstürme aus. Sie sind es aber, die langfristig Ihr Unternehmen nach vorne bringen und seine Position am Markt zementieren werden. Dann haben Sie immer noch Zeit, sich „Liebhaberprojekten“ zuzuwenden.

3. Erhöhen Sie die Akzeptanz im Unternehmen

Es stimmt, dass KI im Unternehmen bestimmte Tätigkeiten überflüssig macht. Das erzeugt verständlicherweise Ablehnung bei den Personen, die das betrifft.

Was jedoch häufig übersehen wird: Durch die Einführung von KI ergeben sich viele neue Aufgaben. Es ist mitnichten so, dass der Mensch wegrationalisiert wird. Die KI braucht vielmehr den Menschen, um optimale Ergebnisse liefern zu können.

Was sich verändert, ist die Art der Arbeit. Insbesondere eintönige, wiederkehrende Aufgaben können leicht durch KI automatisiert werden. Das erlaubt es den Menschen, sich stärker auf strategische Aufgaben zu konzentrieren. De facto begrüßen das viele Mitarbeiter, sobald sich diese Einsicht durchgesetzt hat.

Damit dies geschieht, müssen Sie aktiv werden.

Sie müssen Ihren Mitarbeitern in Form von Workshops und persönlichen Gesprächen vermitteln, dass ihre Kompetenz weiterhin gefragt ist und dass sie im Gegenteil stärker als bisher Verantwortung übernehmen können. Wenn diese Botschaft ankommt, stehen die Chancen gut, dass KI die Produktivität vervielfachen und gleichzeitig die Mitarbeiterzufriedenheit steigern wird.

Eine große Rolle spielt auch, wie schnell oder langsam KI-Anwendungen eingeführt werden. Meist macht es mehr Sinn, KI-Tools sukzessive zu implementieren. Das erlaubt es Ihren Mitarbeitern, sich langsam mit der neuen Technologie „anzufreunden“. Langfristig erreichen Sie damit mehr, als wenn Sie schlagartig alle Prozesse neu aufsetzen.

4. Involvieren Sie die HR-Abteilung

Häufig wird bei der Einführung von KI zuerst an die IT-Experten im Unternehmen gedacht. Schließlich sind sie es, welche die technische Umsetzung übernehmen müssen.

Was aber häufig vergessen geht: KI revolutioniert auch den Einstellungsprozess. Praktisch jede berufliche Rolle wird in Zukunft KI-Kompetenzen verlangen. Deshalb ist es entscheidend, frühzeitig die HR-Mitarbeiter im Unternehmen einzubeziehen. Sie müssen für diese neuen Anforderungen sensibilisiert werden.

Beispielsweise kann es Sinn machen, Ihr HR-Team regelmäßig auf KI-Events zu schicken. So lassen sich Kontakte zu potenziellen neuen Mitarbeitern knüpfen, die bereits über gefragte KI-Kompetenzen verfügen.

Machen Sie sich klar – um KI-Fachkräfte wird bald ein heftiger Wettstreit entflammen. Wenn Sie die HR-Abteilung zu Ihrem Verbündeten machen, können Sie diesen Wettstreit für sich entscheiden.

Jetzt KI im Unternehmen nutzen!

Sie möchten KI für Ihr Unternehmen nutzen und wünschen sich einen Partner, der Sie bei der Umsetzung begleitet? Dann sollten wir uns unterhalten. Unsere Proact-Experten haben bereits erfolgreich KI-Lösungen realisiert.

Im ersten Schritt betrachten wir dafür Ihre Infrastruktur. KI-Anwendungen benötigen große Computing-Ressourcen und Ihre IT-Systeme müssen Schritt halten können. Hier unterstützen wir Sie z.B. durch die leicht skalierende Proact Hybrid Cloud (PHC).

Eine weitere Chance bildet die KI-Netzwerk-Optimierung. Viele Admin-Aufgaben lassen sich automatisieren. Das entlastet Ihr Inhouse-Team, das sich nun Innovationsprojekten zuwenden kann. Zusammen mit unserem Partner Juniper realisieren wir diese Self-Driving Networks für Sie.

Außerdem nutzen wir KI für Ihre IT-Security. Wir implementieren für Sie moderne, KI-gestützte XDR- und SIEM-Systeme. So können Sie ungewöhnliche Aktivitäten noch früher ausmachen und verhindern, dass Angreifer Zugriff auf wichtige Unternehmens-Assets erhalten.

Auch Ihre Anwender profitieren von KI. Wir unterstützen Sie bei der Einführung von Copilot, dem leistungsfähigen KI-Assistenten von Microsoft. Dabei übernehmen wir nicht nur die technische Implementierung, sondern schulen auch Ihre Mitarbeiter, damit sie das Tool möglichst gewinnbringend einsetzen.

Kurz gesagt: Wir sorgen dafür, dass Ihr Unternehmen an der KI-Revolution teilhat.

Das klingt interessant? Dann kontaktieren Sie uns jetzt für ein kostenloses Beratungsgespräch. Wir freuen uns schon, von Ihnen zu hören!