Geschäftlichen Mehrwert durch KI schaffen: Das Geschäftsproblem verstehen

Die Verknüpfung einer KI-Lösung ​​​​mit einem konkreten geschäftlichen Bedarf ist häufig der Punkt, an dem Projekte scheitern und ihr Ziel, echten Mehrwert für das Unternehmen zu schaffen, verfehlen. Nehmen wir das Beispiel des maschinellen Lernens: Auf abstrakter Ebene lassen sich mitunter sehr leistungsfähige Modelle entwickeln, die etwa die Wahrscheinlichkeit einer Kundenabwanderung (Kündigung eines Dienstes oder Abonnements) vorhersagen. Das eigentliche Problem kann jedoch darin liegen, dass das Unternehmen keine Möglichkeit hat, diese Vorhersagen wirksam zu nutzen – oder dass sich der gleiche Nutzen einfacher, kostengünstiger oder effektiver auf anderem Wege erzielen lässt.

ML-Modelle – und das gilt ebenso für andere Formen der KI, einschließlich generativer KI – schaffen nicht automatisch Mehrwert, nur weil es sie gibt. Entscheidend ist vielmehr, dass sie ein konkretes Geschäftsproblem lösen.

Um dorthin zu gelangen, sollten die frühen Projektphasen wie eine Art Detektivarbeit verstanden werden: Es gilt, Hinweise aus Dokumenten und Daten auszuwerten und durch Gespräche mit verschiedenen Beteiligten ein vollständiges Bild zu gewinnen. Nicht selten existieren unterschiedliche Sichtweisen auf das wahrgenommene Problem, die sich auch in verschiedenen Lösungsansätzen widerspiegeln. Hier ist es unsere Aufgabe als Expertinnen und Experten, Orientierung zu geben, Perspektiven einzuordnen und gemeinsam eine tragfähige Lösung zu entwickeln.

Bevor wir jedoch aktiv gestalten können, heißt es zunächst: Detektivhut aufsetzen und genau hinschauen. Wie sieht dieser Prozess aus? Er verläuft selten identisch, doch Abbildung 1 zeigt ein typisches Vorgehen.

In der oben dargestellten Abbildung widmen sich die ersten beiden Schritte der Erkundung des Problemraums: dem „Verstehen des Geschäftsproblems“ und dem „Verstehen des Kontexts“.

Beim Verstehen des Geschäftsproblems geht es darum, das zugrunde liegende Problem so umfassend zu durchdringen, bis man es wirklich in allen Facetten verstanden hat.

In der Regel beginnt dieser Prozess auf einer eher strategischen Ebene – gemeinsam mit den zentralen Stakeholdern im Unternehmen, also meist mit denjenigen, die das Budget verantworten und das Projekt initiieren. Darauf aufbauend sollte das Verständnis schrittweise vertieft werden: durch Gespräche mit den späteren Nutzerinnen und Nutzern der Lösung sowie mit relevanten Fachpersonen. Ziel ist es, die unterschiedlichen Schmerzpunkte und Perspektiven innerhalb des Unternehmens zu identifizieren.

Diese Erkenntnisse werden anschließend mit einem erweiterten Kreis von Stakeholdern gespiegelt und validiert. Gleichzeitig werden erste Vorstellungen eines möglichen „Soll-Zustands“ gesammelt. Eine hilfreiche Frage an die Beteiligten kann dabei sein: „Wie sähe die ideale Lösung aus, wenn Sie einen Zauberstab hätten?“

Wichtig ist, Aussagen nicht ungeprüft zu übernehmen. Eine bewährte Herangehensweise besteht darin, sich an ethnografischen Methoden zu orientieren und zu beobachten, was im Unternehmensalltag tatsächlich geschieht. Das hilft, implizite Annahmen und mögliche Verzerrungen aufzudecken, nachdem die unterschiedlichen Perspektiven zusammengetragen wurden.

Das Geschäftsproblem aus verschiedenen geschäftlichen Blickwinkeln zu verstehen, ist jedoch nur ein Teil der Aufgabe. Ebenso wichtig ist es, die verfügbaren Daten sowie technische und systemseitige Einschränkungen zu analysieren – idealerweise parallel dazu. Auf grundlegender Ebene bedeutet das: Welche Daten stehen tatsächlich zur Verfügung? Und wie sehen die bestehenden Systeme aus, in die sich die geplante Lösung integrieren muss?

Während diese Informationen gesammelt und ausgewertet werden, sollte bereits begonnen werden, die gewonnenen Erkenntnisse in einen ersten Lösungsentwurf zu überführen. In dieser Phase stellen sich unter anderem folgende Fragen:

• Wie lassen sich einzelne Komponenten mit bestehenden oder allgemein verfügbaren (generativen) KI-Modellen bzw. -Ansätzen umsetzen?

• Welche zusätzliche Verarbeitung oder Logik ist erforderlich, um die Ergebnisse der Algorithmen tatsächlich nutzbar zu machen?

• Wie können unterschiedliche Datenquellen oder Modellausgaben sinnvoll kombiniert werden, um die Qualität der Lösung zu erhöhen?

Mit zunehmendem Verständnis des Kontexts kann es außerdem sinnvoll sein, ausgewählte Geschäftsvertreter gezielt zu ihrer praktischen Arbeitsweise zu befragen, etwa:

• Welche Annahmen treffen Fachkräfte in ihrer Rolle bei der Durchführung entsprechender Aufgaben?

• Gibt es Faustregeln, die erfahrene Mitarbeitende in der Praxis anwenden?

Die Entwicklung der Lösung ist dabei nahezu immer ein iterativer Prozess. Neue Erkenntnisse führen zu Anpassungen und Weiterentwicklungen. Dennoch ist es ratsam, zentrale Stakeholder möglichst früh einzubinden. So lassen sich Missverständnisse frühzeitig erkennen und wertvolles – konstruktives oder auch kritisches – Feedback einholen. Erst wenn ein konkreter Entwurf vorliegt, der geteilt werden kann, werden praktische Rückmeldungen und offensichtliche Schwachstellen wirklich sichtbar.

In weiteren Iterationsschritten und mit zunehmender Reife der Lösung folgt schließlich ein formaler Überprüfungsschritt („Validierung des Lösungswerts“). Dabei steht insbesondere die Frage im Mittelpunkt, welchen konkreten Mehrwert die vorgeschlagene Lösung tatsächlich bietet.

Wie der Wert gemessen wird, hängt stark vom jeweiligen Anwendungsfall ab. Im Kern stehen jedoch folgende Fragen im Mittelpunkt:

• Wird das zugrunde liegende Geschäftsproblem tatsächlich gelöst?

• Ist die erzielte Leistung akzeptabel?

• Wie hoch sind die Kosten im Vergleich zum bisherigen Ansatz?

• Lässt sich die Aufgabe mit anderen Methoden einfacher, kostengünstiger oder effektiver lösen?

Auf Basis dieser Bewertung kann entschieden werden, ob eine weitere Iteration der vorgeschlagenen Lösung sinnvoll ist („Lösungsfindung und -entwicklung“) oder ob zunächst ein vertieftes Verständnis der Systeme, Daten oder sogar des Geschäftsproblems selbst erforderlich ist („Verstehen des Geschäftsproblems“ und „Verstehen des Kontexts“).

Die in diesem Abschnitt beschriebenen Schritte machen deutlich, wie entscheidend die enge Zusammenarbeit mit den Stakeholdern ist. Ohne ihre Einbindung wäre dieser Fortschritt kaum möglich. Auf diesen Aspekt werden wir im nächsten Artikel ausführlicher eingehen.

Um mit KI einen echten geschäftlichen Mehrwert zu erzielen, müssen wir zunächst klar verstehen, welches konkrete Geschäftsproblem wir lösen wollen. Auf dieser Grundlage – und unter Berücksichtigung des geschäftlichen Kontexts – können anschließend geeignete Lösungsansätze entwickelt werden.

In diesem Artikel haben wir die dafür notwendigen Schritte skizziert und zentrale Fragen zusammengestellt, die uns auf diesem Weg Orientierung geben.