Das Finden und Priorisieren von passenden KI Use Cases ist eine Herausforderung für viele Unternehmen. Das wirkliche Problem stellt sich aber für die Unternehmen, die die Herausforderung unterschätzen und glauben, dass sie die Methoden zur Auswahl erfolgreicher KI-Anwendungsfälle „schon kennen“ – schließlich haben die meisten Firmen digitale Programme durchlaufen und Use Cases für Big Data identifiziert. Philipp Hartmann und Maria Schamberger von Applied AI zeigen, dass dies tatsächlich nicht der Fall ist und worauf man bei Identifizierung und Priorisierung von KI Use Cases achten sollte.
Unternehmen erhoffen sich neue, innovative Geschäftsmodelle und durchaus auch Einsparungen durch KI, doch die Kosten einen „falschen“ AI Use Case zu verfolgen sind hoch: Zum einen sind die Investitionen in die Anwendung verloren, oftmals unterschätz werden bei KI Projekten auch der Aufwand für Skalierung und Betrieb der Anwendung. Aber neben den direkten Kosten können die langfristigen Folgen noch „teurer“ sein: Gescheiterte AI Projekte können die Akzeptanz für KI als neue Technologie im Unternehmen gefährden und so erhebliche „Kollateralschäden“ erzeugen. Mit der richtigen Vorbereitung und dem richtigen Verständnis der spezifischen Herausforderungen von KI-Anwendungsfällen können Fehlentwicklungen vermieden werden.

1.Vorbereitung

Wichtig ist, dass alle Beteiligten ein ausreichendes Verständnis von KI haben – das bedeutet allerdings nicht, dass alle Mitarbeiter Machine Learning Engineers werden müssen. Jedoch sollten alle ein Grundverständnis von KI und der Technologie dahinter haben, sowie konkrete Beispiele aus der Branche und typische Hürden und Fallstricke in einem geschäftlichen Kontext kennen. Dies lässt sich zum Beispiel durch einen KI Einführungsworkshop erreichen.

Darauf aufbauend sollten Unternehmen zunächst eine Art genereller KI Vision entwickeln. Wichtig ist außerdem, die eigene Ausgangssituation realistisch zu beurteilen. Dazu gehört es zu klären, ob die Datengrundlage geben ist, aber auch ob die Unternehmenskultur und die Belegschaft wirklich „AI-ready“ sind. Eine ehrliche Selbstbeurteilung bereits in dieser frühen Phase hilft dabei, Fehler im späteren Prozess zu vermeiden.

2.Ideenfindung

Für die Entwicklung von KI Use Cases müssen die Fachexperten mit den KI Experten zusammengebracht werden. Ist im Unternehmen selbst keine KI Expertise vorhanden, sollten externe Experten zu Rate gezogen werden. Allerdings sollten Unternehmen auf jeden Fall den Prozess auch dafür nutzen, ihre eigenen Kompetenzen auszubauen.

Die Use-Case-Ideenfindung einem strukturierten Prozess folgen. Die übergeordnete KI-Vision eines Unternehmens legt dabei fest, auf welche Bereiche man sich konzentrieren sollte, um den größtmöglichen Vorteil zu erringen.

Bei prozesszentrierten KI-Anwendungsfällen liegt der Schwerpunkt entweder auf internen Prozessen oder an der Schnittstelle zu Kunden, Partnern und Lieferanten. Häufig liegt der Wettbewerbsvorteil in den Kernprozessen des Unternehmens. Hier sollte man zuerst ansetzen und sich fragen, was automatisiert werden kann. Zum Beispiel kann ein Versicherungsunternehmen Bilderkennung einsetzen um Autounfallschäden mit eingeschränkter menschlicher Aufsicht automatisch zu bewerten.. Dadurch werden die Kosten für die Bearbeitung von Schadensfällen signifikant gesenkt, während das Unternehmen gleichzeitig Zeit spart und die Kundenzufriedenheit erhöht.

Produkt- und dienstleistungszentrierte KI-Anwendungsfälle sind oft schwieriger zu definieren, da sie mehr technische Expertise und Kundenerfahrung erfordern. Sie können von der Einbeziehung von Design- oder User-Experience-Experten in die Ideenfindung profitieren. Andererseits erfordert die KI in Unternehmensangeboten im Vergleich zu prozesszentrierten Fällen weniger Change Management später in der Implementierungsphase.

3.Bewertung der Use Cases

Sobald man eine Liste potentieller Anwendungsfälle zusammengetragen hat, geht es darum, zu beurteilen, aus welcher Idee ein konkreter Use Case werden kann. Unternehmen sollten zunächst die folgenden Punkte beachten. 1. Komplexität der Implementierung, die wiederum von Datenverfügbarkeit, -Qualität und Updates abhängt. 2. Kosten-Nutzen-Aspekt, wobei es um den erhofften Mehrwert und die benötigten Mittel geht.

Weiterhin sollten die folgenden vier Kategorien evaluiert werden:

1. Daten: Welche Daten werden benötigt und in welcher Qualität sind diese verfügbar? Welcher Aufwand ist nötigt, um diese Daten zu integrieren? Welche dynamischen Updates sind über die Zeit nötig und wie lassen sich diese durchführen?
2. Algorithmen: Gibt es bereits Implementierungen des Use Cases, entweder im eigenen Unternehmen oder außerhalb?
3. Prozesse und Systeme: Welche Prozesse und Systeme werden durch das Projekt beeinflusst? Müssen an existierenden Prozessen und Systemen signifikante Änderungen vorgenommen werden?
4. Notwendige Erfahrung: Sind die nötigen technischen Skills und das entsprechende Fachwissen im Unternehmen vorhanden?

Neben diesen verfahrenstechnischen Aspekten sollten aber auch mögliche regulatorische und ethische Einwände diskutiert werden. Unternehmen müsse sich außerdem über Risiken und Transparenzanforderungen klarwerden. Natürlich spielt auch Cyber-Sicherheit eine wichtige Rolle.

4.Priorisierung

Der naheliegende Ansatz besteht darin, die Ergebnisse der Bewertungsphase in einer Prioritätsmatrix darzustellen und die attraktivsten Fälle auszuwählen. Dabei sind allerdings mehrere Überlegungen zu berücksichtigen: Erstens ist das Verfahren nicht so linear, wie es scheint. Die Beurteilung von Anwendungsfällen ist tatsächlich ziemlich komplex. In der Regel gibt es eine erste Runde der groben Bewertung und Priorisierung. Dann ein näherer Blick auf die vielversprechendsten Fälle, gefolgt von einer zweiten Runde der Überprüfung und Priorisierung.

Zusätzlich zu diesem iterativen Ansatz werden Unternehmen in der Regel mit zwei weiteren Fragen konfrontiert: Oft scheinen viele Anwendungsfälle auf erhebliche Hürden in der Umsetzung zu stoßen. Es lohnt sich abzuschätzen, inwieweit diese Herausforderungen gelöst werden können, indem man den Anwendungsfall in kleinere Einheiten aufteilt. Ein zweites Problem tritt auf, wenn Anwendungsfälle technisch voneinander abhängig sind. KI-Fähigkeiten wie Computer Vision oder Natural Language Processing können von verschiedenen Anwendungen gemeinsam genutzt werden, und dasselbe kann für Datenbestände und Pipelines gelten.

Daher ist es sinnvoll, Anwendungsfälle nach den folgenden Parametern zu clustern:

• Dem erforderlichen Daten-Input
• Den dafür erforderlichen KI-Ressourcen
• Produkte und Prozesse für welche die Use Cases in Frage kommen

Man sollte die Cluster priorisieren, die den höchsten Wert versprechen und innerhalb eines zuvor festgelegten spezifischen Zeitrahmens relativ einfach zu implementieren sind. Im Idealfall sind diese Cluster die Grundlage für die Erstellung einer Use-Case-Roadmap.