Die Anbieter möchten Ihnen glauben machen, dass wir uns mitten in einer KI-Revolution befinden, die die Art und Weise, wie wir arbeiten, grundlegend verändert. Aber die Wahrheit, laut mehreren aktuellen Studien, legt nahe, dass es viel nuancierter ist.
Unternehmen sind äußerst an generativer KI interessiert, da die Anbieter potenzielle Vorteile herausstellen, aber es ist viel schwieriger, diesen Wunsch von einem Proof of Concept zu einem funktionierenden Produkt umzusetzen: Sie stoßen auf die technische Komplexität der Implementierung, sei es aufgrund von technischen Schulden aus einem älteren Technologiestack oder einfach daran mangelnden Mitarbeitern mit entsprechenden Fähigkeiten.
Tatsächlich hat eine kürzlich Studie von Gartner ergeben, dass die beiden wichtigsten Barrieren bei der Implementierung von KI-Lösungen darin bestanden, Möglichkeiten zur Schätzung und Demonstration des Werts zu finden, bei 49 % und in einem Mangel an Talent bei 42 %. Diese beiden Elemente könnten sich als entscheidende Hindernisse für Unternehmen erweisen.
Betrachten Sie, dass eine Studie von LucidWorks, einem Unternehmen für Enterprise-Suchtechnologie, ergab, dass nur 1 von 4 Befragten angaben, erfolgreich ein generatives KI-Projekt umgesetzt zu haben.
Aamer Baig, Senior-Partner bei McKinsey and Company, sagte auf dem MIT Sloan CIO Symposium im Mai, dass sein Unternehmen auch in einer kürzlich durchgeführten Umfrage festgestellt hat, dass nur 10 % der Unternehmen generative KI-Projekte in großem Maßstab umsetzen. Er berichtete auch, dass nur 15 % eine positive Auswirkung auf die Gewinne sahen. Das legt nahe, dass der Hype weit vor der Realität liegt, die die meisten Unternehmen erleben.
Was ist der Grund für die Verzögerung?
Baig sieht die Komplexität als den Hauptfaktor, der Unternehmen bremst, wobei selbst ein einfaches Projekt 20-30 Technologieelemente erfordert, wobei der richtige LLM nur der Ausgangspunkt ist. Sie benötigen auch Dinge wie angemessene Daten- und Sicherheitskontrollen und die Mitarbeiter müssen möglicherweise neue Fähigkeiten wie Prompt-Engineering und die Umsetzung von IP-Kontrollen erlernen, unter anderem.
Ältere Technologie-Stacks können Unternehmen auch bremsen, sagt er. „In unserer Umfrage wurde eines der größten Hindernisse, das genannt wurde, um generative KI in großem Maßstab umzusetzen, tatsächlich zu viele Technologieplattformen genannt“, sagte Baig. „Es war nicht der Anwendungsfall, es war nicht die Datenverfügbarkeit, es war nicht der Pfad zum Wert; tatsächlich waren es die Technologieplattformen.“
Mike Mason, Chief AI Officer bei der Beratungsfirma Thoughtworks, sagt, dass sein Unternehmen viel Zeit damit verbringt, Unternehmen auf KI vorzubereiten – und ihre aktuelle Technologieeinrichtung ein wichtiger Teil davon ist. „Also stellt sich die Frage, wie viel technische Schulden haben Sie, wie groß ist Ihr Defizit? Und die Antwort wird immer sein: Es hängt von der Organisation ab, aber ich glaube, dass Organisationen zunehmend die Schmerzen spüren“, sagte Mason gegenüber TechCrunch.
Es beginnt mit guten Daten
Ein großer Teil dieses Defizits an Bereitschaft ist der Datenanteil, wobei 39 % der Befragten der Gartner-Umfrage Bedenken über einen Mangel an Daten als wichtigste Barriere für eine erfolgreiche KI-Implementierung äußerten. „Daten sind eine riesige und einschüchternde Herausforderung für viele, viele Organisationen“, sagte Baig. Er empfiehlt, sich auf einen begrenzten Satz von Daten zu konzentrieren und dabei auf Wiederverwendbarkeit zu achten.
„Eine einfache Lektion, die wir gelernt haben, ist tatsächlich, sich auf Daten zu konzentrieren, die Ihnen bei mehreren Anwendungsfällen helfen, und das endet in den meisten Unternehmen in drei oder vier Bereichen, auf denen Sie tatsächlich beginnen und es auf Ihre dringendsten Geschäftsherausforderungen mit Geschäftswerten anwenden können und etwas liefern, das tatsächlich in Produktion und Skalierung gelangt“, sagte er.
Mason sagt, ein großer Teil der erfolgreichen Ausführung von KI sei mit der Datenbereitschaft verbunden, aber das ist nur ein Teil davon. „Organisationen erkennen schnell, dass sie in den meisten Fällen etwas KI-Bereitschaftsarbeit, -plattformbau, -datenbereinigung, all das Zeug machen müssen“, sagte er. „Aber Sie müssen nicht einen Alles-oder-Nichts-Ansatz verfolgen, Sie müssen nicht zwei Jahre damit verbringen, bis Sie einen Nutzen sehen.“
Wenn es um Daten geht, müssen Unternehmen auch respektieren, woher die Daten stammen - und ob sie die Erlaubnis haben, sie zu verwenden. Akira Bell, CIO bei Mathematica, einem Beratungsunternehmen, das mit Unternehmen und Regierungen zusammenarbeitet, um Daten im Zusammenhang mit verschiedenen Forschungsinitiativen zu sammeln und zu analysieren, sagt, ihr Unternehmen müsse vorsichtig vorgehen, wenn es darum geht, diese Daten in der generativen KI zu nutzen.
„Wenn wir uns die generative KI ansehen, wird es sicherlich Möglichkeiten für uns geben, und wenn wir das Ökosystem der Daten betrachten, die wir verwenden, müssen wir das jedoch vorsichtig tun“, sagte Bell gegenüber TechCrunch. Zum Teil liegt das daran, dass sie viele private Daten mit strengen Datenschutzvereinbarungen haben und zum Teil daran, dass sie manchmal mit vulnerablen Bevölkerungsgruppen umgehen und sich dessen bewusst sein müssen.
„Ich bin zu einem Unternehmen gekommen, das die Rolle eines vertrauenswürdigen Datenverwalters ernst nimmt, und in meiner Rolle als CIO muss ich in dieser Hinsicht sehr verwurzelt sein, sowohl aus cybersicherheitstechnischer Sicht, als auch hinsichtlich des Umgangs mit unseren Kunden und ihren Daten, also weiß ich, wie wichtig die Governance ist“, sagte sie.
Sie sagt, im Moment sei es schwer, nicht aufgeregt über die Möglichkeiten zu sein, die die generative KI bringt; die Technologie könnte ihren Organisationen und ihren Kunden erheblich bessere Möglichkeiten bieten, die von ihnen gesammelten Daten zu verstehen. Aber es ist auch ihre Aufgabe, vorsichtig vorzugehen, ohne den realen Fortschritt zu behindern, was eine herausfordernde Balanceakt ist.
Den Wert finden
Genau wie vor anderthalb Jahrzehnten, als die Cloud aufkam, sind CIOs natürlich vorsichtig. Sie sehen das Potenzial, das generative KI bringt, aber sie müssen sich auch um Grundlagen wie Governance und Sicherheit kümmern. Sie müssen auch einen echten ROI sehen, was manchmal schwer zu messen ist mit dieser Technologie.
In einem Artikel von TechCrunch aus dem Januar über KI-Preismodelle sagte Juniper CIO Sharon Mandell, dass es sich als schwierig erweist, den Return on Generative AI-Investitionen zu messen.
„2024 werden wir den genAI-Hype testen, denn wenn diese Tools die Arten von Vorteilen erbringen können, von denen sie sprechen, dann ist die Rendite auf diese hoch und kann uns helfen, andere Dinge zu eliminieren“, sagte sie. Daher führen sie und andere CIOs Pilotprojekte durch, gehen vorsichtig vor und suchen nach Möglichkeiten, zu messen, ob es wirklich eine Produktivitätssteigerung gibt, die die höheren Kosten rechtfertigt.
Baig sagt, es sei wichtig, einen zentralisierten Ansatz für KI im gesamten Unternehmen zu haben und „zu viele Skunkworks-Initiativen“ zu vermeiden, bei denen kleine Gruppen unabhängig an einer Vielzahl von Projekten arbeiten.
„Sie benötigen das Gerüst aus dem Unternehmen, um sicherzustellen, dass die Produkt- und Plattformteams organisiert und fokussiert sind und in einem schnellen Tempo arbeiten. Und selbstverständlich benötigen sie die Sichtbarkeit des Top-Managements“, sagte er.
Das garantiert jedoch nicht, dass ein KI-Initiative erfolgreich sein wird oder dass Unternehmen sofort alle Antworten finden werden. Sowohl Mason als auch Baig betonten, dass es wichtig sei, dass Teams nicht versuchen, zu viel zu tun, und beide betonen die Wiederverwendung dessen, was funktioniert. „Wiederverwendung übersetzt sich direkt in Liefergeschwindigkeit, um Ihr Unternehmen zufrieden zu stellen und Wirkung zu erzielen“, sagte Baig.
Wie auch immer Unternehmen generative KI-Projekte umsetzen, sie sollten sich nicht von den Herausforderungen in Bezug auf Governance, Sicherheit und Technologie lähmen lassen. Aber sie sollten auch nicht vom Hype geblendet werden: Es wird genügend Hindernisse für praktisch jede Organisation geben.
Der beste Ansatz wäre es, etwas zum Laufen zu bringen, das funktioniert und Wert zeigt und von dort aus weiterzuentwickeln. Und denken Sie daran, dass trotz des Hypes viele andere Unternehmen ebenfalls kämpfen.
