Sprachmodelle, autonome Agenten und Intelligent Document Processing versprechen große Effizienzgewinne. Um Künstliche Intelligenz (KI) erfolgreich einzusetzen, benötigen Unternehmen allerdings mehr als nur leistungsfähige Technologie. Neben verlässlichen Daten, klaren Governance-Regeln und einer wirksamen Qualitätssicherung ist insbesondere ein überzeugender Business Case für KI-Projekte entscheidend.
Business Case als Ausgangspunkt
Fachabteilungen kennen Bottlenecks, Medienbrüche und unnötig aufwendige Arbeitsschritte und können daher konkret benennen, wo KI einen echten Mehrwert schaffen kann. Sie sollten deshalb die ersten Ansprechpartner für den Einsatz von KI-Modellen sein und gemeinsam mit der IT mögliche Anwendungsfälle bewerten. Entscheidend ist stets der konkrete geschäftliche Nutzen. Erst wenn dieser klar definiert und messbar ist, lässt sich beurteilen, ob und wie KI die richtige Lösung dafür sein kann. „Nicht die Frage, was KI alles kann, sollte am Anfang ihrer Einführung stehen, sondern welches konkrete Problem wir damit lösen wollen“, betont Benedikt Weber, Geschäftsführer des IT-Dienstleisters applord GmbH.
Die IT übernimmt in einem Projekt mit Künstlicher Intelligenz eine wichtige Rolle: Sie sorgt dafür, dass aus einer fachlichen Idee eine technisch belastbare Lösung wird, integriert die erforderlichen Systeme und schafft die Voraussetzungen für einen stabilen und skalierbaren Betrieb. „Die besten KI-Projekte entstehen dort, wo Fachwissen und Technologie zusammenkommen. Die Fachabteilung kennt den Bedarf, die IT die technischen Möglichkeiten“, erläutert Benedikt Weber.
Datenqualität prägt die Ergebnisqualität
Nach dem Prinzip „Garbage In – Garbage Out“ bestimmen sich die Resultate eingeführter KI-Modelle maßgeblich nach der Qualität der Eingabedaten. Minderwertige oder fehlerhafte Informationen führen selbst bei fortschrittlichsten Algorithmen zu unpräzisen oder gar falschen Ergebnissen. Für ein effizientes Training und einen zuverlässigen Betrieb ist es daher unerlässlich, die Daten kontinuierlich zu pflegen, also ihre Aktualität, Korrektheit, Vollständigkeit und Konsistenz permanent sicherzustellen.
Bei der Auswahl eines Anbieters von KI-Modellen sollten Unternehmen nicht alleine auf eindrucksvolle Technologie achten. Schließlich schafft ein leistungsfähiges Modell allein noch keinen Mehrwert. „Entscheidend ist vielmehr, dass der Anbieter realistische Leistungszusagen, transparente Kostenstrukturen, ein belastbares Datenschutzkonzept sowie wirksame Qualitätssicherungsmechanismen vorweist“, erläutert Benedikt Weber.
Flexible Skalierung versus nutzungsabhängige Kosten
Ob ein KI-Modell in der Cloud oder im eigenen Rechenzentrum betrieben wird, richtet sich nach den Anforderungen des Unternehmens. Die Cloud ermöglicht einen schnellen Einstieg, flexible Skalierung und geringe Anfangsinvestitionen. Dem gegenüber stehen laufende nutzungsabhängige Kosten sowie Abhängigkeiten vom Anbieter und dessen Infrastruktur.
Der On-Premises-Betrieb bietet dagegen maximale Kontrolle über Daten und Systeme und kann bei intensiver Nutzung langfristig wirtschaftlicher sein. Gerade bei sensiblen Informationen spielen Datenschutz, Compliance und digitale Souveränität eine wichtige Rolle. Auch die Betriebssicherheit ist zu berücksichtigen: Anders als bei einem Cloud-Dienst müssen Unternehmen allerdings beim Eigenbetrieb Verfügbarkeit, Wartung und Updates selbst organisieren.
Künstliche Intelligenz braucht Kontrolle
Mit der Einführung eines KI-Modells endet die Verantwortung nicht. Eine straffe Governance definiert, wie KI eingesetzt und wie mit ihren Ergebnissen umgegangen wird. Mitarbeiter sollten wissen, welche Daten sie in KI-Systeme eingeben dürfen und wann eine menschliche Kontrolle erforderlich ist. Im geschäftlichen Einsatz darf ein plausibel klingendes Ergebnis nicht automatisch als richtig gelten.
Für die Qualitätssicherung bieten sich verschiedene Verfahren an: Plausibilitätsprüfungen, Confidence Scores oder der Abgleich der Ergebnisse mehrerer Modelle können Unstimmigkeiten aufdecken. Mitarbeiter prüfen und korrigieren dann im Rahmen des Ansatzes „Human in the Loop“ die Ergebnisse. Dieses Feedback lässt sich nutzen, um die KI-Modelle kontinuierlich zu verbessern.
