Business Value aus KI ziehen: KI-Projekte durchführen

In dieser Artikelserie habe ich die verschiedenen Arten von KI (generative KI und "alte" KI, einschließlich maschinelles Lernen/ML, natürliche Sprachverarbeitung/NLP usw.) zusammengefasst, da die KI-Komponenten einer Lösung in der Regel alle einem ähnlichen Muster folgen, nämlich dem eines definierten Inputs aus dem Business (z. B. strukturierte Daten oder Prompt-Text), der zu einem bestimmten Output führt (z. B. vorhergesagte numerische Daten oder generierter Text), der durch den Rest der Lösung und schließlich in das Business fließt.

An dieser Stelle lohnt sich jedoch ein kurzes Intermezzo, um den Hauptunterschied zwischen Gen-KI und anderen Varianten hervorzuheben, insbesondere die Art und Weise, wie das Modell entwickelt wird, da dies erhebliche Auswirkungen auf die praktischen Phasen der Entwicklung und Implementierung einer KI-Lösung hat.

Herkömmliche KI-Modelle, wie sie in ML-Projekten entwickelt werden, nehmen einen Satz von Trainingsdaten (die oft zu diesem Zweck beschafft werden) und kombinieren sie mit einem Algorithmus, der für denselben Zweck ausgewählt wurde, was zu einem trainierten Modell führt, das für die Daten, auf denen es trainiert wurde, und die Anwendung, für die es entwickelt wurde, spezifisch ist. Um auf das Beispiel der Identifizierung der Kundenabwanderung im vorigen Artikel zurückzukommen: Hier wären die Daten spezifisch für diese Organisation, und das resultierende Modell wäre auf diesen speziellen Anwendungsfall zugeschnitten.

Diese Beschreibung lässt die Details des Prozesses zur Entwicklung eines ML-Modells außer Acht, mit denen viele Datenwissenschaftler und ML-Ingenieure nur allzu vertraut sind. So besteht eine der ersten Hürden darin, die für das Training eines Modells erforderlichen Daten zu beschaffen, was in vielen Unternehmen eine Herausforderung darstellen kann. Die folgenden Schritte erfordern die Untersuchung der Daten, die Identifizierung geeigneter Algorithmen und Ansätze sowie das Training und Testen der verschiedenen Iterationen des Modells. All dies kann zeitaufwändig und mühsam sein und wird oft als Kunst und Wissenschaft betrachtet. Und das Schlimmste ist, dass der Datenwissenschaftler feststellen kann, dass es kein Signal in den Daten gibt und dass es unmöglich ist, ein Modell zu erstellen, das das Phänomen vorhersagen kann, von dem er erwartet hat, es vorhersagen zu können!

Einer der Vorteile traditioneller KI-Ansätze wie ML besteht jedoch darin, dass es (relativ) ausgereifte und genau definierte Verfahren für die Entwicklung und Prüfung dieser Modelle und ihren anschließenden Einsatz in der Produktion gibt ( dieses Papier aus dem Jahr 2014 war beispielsweise so etwas wie ein "Aufruf zu den Waffen" für viele Praktiker in diesem Bereich). Das soll nicht heißen, dass es keine Herausforderungen gibt, und es gibt viele Unwägbarkeiten (sicherlich im Vergleich zu normalen Softwareprojekten), aber sobald das Modell ordnungsgemäß getestet und genehmigt wurde (d. h. es "funktioniert"), kann es dann gemäß den verschiedenen Best Practice-Empfehlungen von MLOps eingesetzt werden.

Generative KI-Ansätze hingegen beginnen mit einem allgemeinen, vorab trainierten Modell (großes Sprachmodell oder allgemeiner als "Basismodell" bezeichnet), das dann an die jeweilige Anwendung angepasst wird, indem verschiedene Informationen in die Eingabeaufforderung eingegeben werden (z. B. der Wortlaut der Eingabeaufforderung, spezifische organisatorische Informationen), um die Ausgabe des Basismodells in der gewünschten Weise zu beeinflussen.

Auch bei dieser Beschreibung auf hoher Ebene bleiben viele Details unberücksichtigt. So wird die Phase, in der mit einem Basismodell begonnen wird, wahrscheinlich die Iteration über verschiedene vortrainierte Modelle sowie Prompts (und Kontextdaten) beinhalten, um ein Gefühl dafür zu bekommen, ob die Idee möglich ist. Dann könnte eine Phase der Problemdefinition folgen, um die Lösung auf das Business-Problem zurückzuführen, gefolgt von der Datenerfassung und -verarbeitung. Grundsätzlich ist es einfacher, schnell einen Prototyp für eine Lösung zu erstellen, da keine Trainingsdaten mehr benötigt werden, aber die Problemstellung, um die Lösung auf das Business abzubilden, ist möglicherweise weniger leicht zu verstehen, muss möglicherweise auf diese spezielle Lösung zugeschnitten werden und dauert daher länger. In ähnlicher Weise kann auch das Testen der Modell-/Lösungsleistung weniger gut verstanden werden (im Gegensatz zu den Standardmetriken, die bei ML verwendet werden, wie z. B. Precision oder Recall) und dauert daher ebenfalls länger; das Gleiche gilt für die Bereitstellung und Überwachung, wiederum aufgrund des maßgeschneiderten Charakters der Lösung.

All dies setzt voraus, dass die Gen-KI-Lösung ein Standardmodell verwendet, wie z. B. GPT-4.5 von OpenAI, Gemini 2.5 von Google oder R1 von DeepSeek, das vom Entwickler wie eine API abgefragt werden kann. Obwohl Basismodelle von Grund auf neu erstellt werden können, gehen wir davon aus, dass die meisten Organisationen dies nicht in Erwägung ziehen würden; die Feinabstimmung eines bestehenden Modells wäre vielleicht wahrscheinlicher, aber immer noch relativ ungewöhnlich (z. B. https://www.kadoa.com/blog/is-fine-tuning-still-worth-it).

Warum ist dieser Abstecher zu den Unterschieden zwischen "alter" KI und neuer KI wichtig? Ich glaube, aus mindestens zwei Gründen: Erstens ist es wichtig zu wissen, wo die unterschiedlichen Herausforderungen auftreten und welche Teile eines Projekts daher mehr Zeit in Anspruch nehmen können. Ein Blick auf Abbildung 1 zeigt, wo bei den verschiedenen Arten von KI-Projekten mehr Zeit und Ressourcen - sowohl für das interne Projektteam als auch für externe Stakeholder - erforderlich sein könnten.

Zweitens: Da das Rapid Prototyping bei KI-Projekten relativ einfach ist, werden Probleme mit dem Verständnis und dem Zugriff auf die Daten des Unternehmens - die bei herkömmlichen KI-Projekten lange Zeit ein großes Problem darstellten - erst zu einem späteren Zeitpunkt aufgedeckt, etwa nachdem die ersten Prototypen entwickelt wurden. In der Tat kann es sein, dass die Herausforderung, den KI-Prototyp in eine Gesamtlösung zu integrieren, die mit dem Business-Problem und den verfügbaren Daten übereinstimmt, dazu führt, dass nur wenige Projekte in Produktion gehen und viele scheitern.

Ebenso können sich maßgeschneiderte Elemente des Projekts als schwierig erweisen, wobei die überzeugende Erprobung der Lösung vielleicht das wichtigste ist. Dies ist von entscheidender Bedeutung, um sicherzustellen, dass die Organisation damit einverstanden ist, dass die Lösung in der Produktion eingesetzt und in Betrieb genommen wird. Andere Elemente könnten die normalerweise eher mechanischen Prozesse wie Bereitstellung und Überwachung sein. Es ist von entscheidender Bedeutung, sich zu vergewissern, dass diese Schritte möglich sind, bevor man leitende Stakeholder einbindet und ein Projekt finanziert.

Während sich bei traditionellen KI-Ansätzen der Aufwand auf die frühen Phasen der Datenbeschaffung und der Erstellung des Modells konzentriert (und es oft länger dauert als gewünscht, bis man an diesen Punkt gelangt), können Gen-KI-Ansätze rasche frühe Fortschritte bei der Prototypenerstellung zeigen, erfordern aber möglicherweise größere Investitionen in den späteren Phasen eines Projekts. Wie immer handelt es sich hierbei um Verallgemeinerungen, die aber hoffentlich die allgemeinen Muster dieser Projekte verdeutlichen.

Um auf den Ausgangspunkt dieser Serie zurückzukommen: Der ROI für KI-Projekte scheint zu sinken. Vielleicht hängt dies mit der Zunahme von Gen-KI-Projekten und der Möglichkeit zusammen, schnell Prototypen zu erstellen, noch bevor man sich mit dem Business auseinandersetzt? Könnte dies zu einer Fehlallokation von Ressourcen führen, da überzeugende Demos, die nicht in nützliche Anwendungen umgewandelt werden können, auf Kosten von weniger ehrgeizigen und attraktiven Projekten, die in Wirklichkeit praktischer und nützlicher sind, Finanzmittel und Aufmerksamkeit erhalten? Dies ist natürlich reine Spekulation meinerseits, aber die Antwort bleibt dieselbe und ist die wichtigste Erkenntnis aus dieser Artikelserie, unabhängig von der Art der KI, nämlich dass wir uns zuerst mit dem Business engagieren müssen, um den Bedarf des Business und den Kontext für jede potenzielle Lösung, die wir entwickeln wollen, zu verstehen.

In dieser Serie habe ich einige der Schritte hervorgehoben, die diejenigen, die ein typisches KI-Projekt in Angriff nehmen, abgesehen von der eigentlichen Erstellung des KI-Modells, unternehmen müssen. In diesen Artikeln ging es vor allem darum, das Business-Problem zu verstehen, mit Stakeholdern zu sprechen, die Lösung auf die Business-Logik abzubilden und ein KI-Projekt in der Praxis durchzuführen. Der Schwerpunkt lag dabei immer darauf, sicherzustellen, dass das KI-Projekt einen Mehrwert für das Business schafft, und ich hoffe, dass dies ein nützlicher Ausgangspunkt für andere ist.