KI: Wieso so viele Projekte nach dem Piloten abstürzen

Im ersten Artikel 'Reality-Check KI' dieser zweiteiligen Analyse zu Künstlicher Intelligenz im Unternehmensalltag hat iBusiness untersucht, was KI wirklich kann und hat gezeigt, dass es durchaus besser sein kann, auch mal auf sie zu verzichten, wenn klassische Tools denselben Job genauso gut oder gar besser können. Doch wie geht es weiter, wenn man weiß, dass man ein geeignetes Feld für eine KI-Anwendung gefunden, ein Ziel, KPIs und eine Strategie definiert hat? Es gibt zahllose Stolperfallen und eine tückische Erkenntnis, wenn man nach einem gelungenen Piloten die KI dann endlich live schalten möchte.

Ein paar Grundlagen sind bereits in Analyse eins diskutiert worden, ohne die man ein KI-Projekt nicht erfolgreich aufsetzen kann. Im Schnelldurchlauf nochmal zusammengefasst sind das vor allem vier Knackpunkte:

• Singularitäten ausschließen: Wenn einmal jemand für 10.000 Euro eingekauft hat, der Rest der KundInnen aber für durchschnittlich 200 Euro, gehört der Ausreißer rausgeschmissen, sonst trübt er die Objektivität der KI und kann katastrophische Fehlurteile zeitigen.
  
• Daten nivellieren: Es müssen nicht immer offenkundige Ausreißer sein, es kann auch sein, dass Daten uneinheitlich sind, doch genau das müssen sie für die KI sein (man sollte also eventuell nicht Regenschirmverkaufszahlen während einer Hitzewelle mit denen einer Regenperiode vergleichen). Weltgeschehen und Wetter sind zwei mögliche Verschmutzer von sauberen Daten.
  
• Man hüte sich vor Jugend und Kleinteiligkeit: Erfahrungen zeigen, dass junge NutzerInnen ein volatileres Verhalten haben als ältere und weniger als Objekte der Prognostik taugen; man sollte also erwägen, sie auszuklammern. Verhaltensweisen in Bezug auf billige und untergeordnete Warengruppen sind ebenfalls kaum vorhersagbar - also keine KI-Kampagne zum Becher Magerquark, bitte.
  
• Menschen, Mensch!: KI ist selten ein kompletter Ersatz für den Menschen. Beim Chatbot sollte man eine Weiche einbauen, wann der virtuelle zum menschlichen Agenten verweist und grundsätzlich sollten alle KI-Entscheidungen einer Stichprobe unterzogen werden.

Mit diesen Stolpersteinen im Kopf kann man dann an den KI-Piloten herangehen, einen eingeschränkten Testlauf der KI im Unternehmen, der beispielsweise auf die Marketing-Abteilung oder das Contact Center limitiert ist. Und hier lauern direkt die nächsten Fallstricke.

Wie man einen gelungenen Piloten hinbekommt

Eine Blaupause für die gelungene Konzeption eines Piloten gibt es in ausführlicher Form im Buch Künstliche Intelligenz - Zukunft des Marketings   von Bernhard Wecke und Professorin Doktor Claudia Bünte, KI-Expertin an der Berlin University of Applied Science  , die "die Bereitschaft zum Scheitern" als wichtige Zutat begreift. "Man muss wissen, was man erreichen will, benötigt ein ordentliches Budget und muss Meilensteine einbauen, anhand derer man ständig nachjustiert." Sie empfiehlt den Aufbau in drei Phasen.

Pilot-Setup, Phase eins: Definitionsphase - Ziel, KPI, Daten

Wenn man sich dazu entschieden hat, einen KI-Piloten zu starten, sollte ein Ziel der Initiative festgelegt werden: Will man herausfinden, ob KI überhaupt einen Zweck im Unternehmen erfüllen kann? Oder will man nur noch herausfinden, welcher Zweck das sein könnte? Hat man ein bestimmtes Problem, das sich als resistent erwiesen hat und versucht herauszufinden, ob KI einen Lösungsbeitrag leisten kann? Im zweiten Schritt legt man nun fest, wie man den Erfolg der Maßnahme messen möchte - hat KI zur Problemlösung beigetragen? Dafür muss eine KPI her: Das kann durchschnittliche Warenkörbe, Conversion Rates, Abbruchquoten, Kundenzufriedenheit et cetera sein.

Und so einfach das klingen mag, weisen Buente/Wecke darauf hin, dass sich die Identifikation des zu lösenden Problems und die Konkretisierung der Fragestellung "als wesentliche Barriere für KI-Piloten" erweist. Denn oftmals denkt man, es gehe darum, die Voraussetzungen zu testen, unter denen man KI künftig einsetzen wird, doch tatsächlich kommt es darauf an, "die Möglichkeiten von KI mit dem 'richtigen' Problem zusammenzubringen." Zeigt sich beispielsweise, dass man ein hartnäckiges Problem hat, bei dem diverse andere Herangehensweisen fruchtlos geblieben sind, darf man das als Hinweise werten, dass man nun doch einmal eine KI-Anwendung auf dieses Problem loslassen sollte. Das impliziert auch, dass man KI nicht benutzen sollte, um ein innovatives Geschäftsfeld zu erproben - zum einen fehlen hier Vergleichszahlen, zum anderen sind Innovationen für den laufenden Betrieb und den Geschäftserfolg weniger interessant. So verwendet man Zeit und Mühe eventuell auf ein Vorhaben, das irgendwann in die Schublade gepackt wird.

Pilot-Setup, Phase zwei: Verortung

Hat man die grundlegenden Entscheidungen für den Piloten getroffen, muss man den Status Quo betrachten: Wie genau sieht die aktuelle Lage ohne KI-Verwendung aus? Plant man beispielsweise, einen Chatbot im Service zu testen, so sollte man den Live-Betrieb des Contact Centers anschauen, um typische Fragestellungen der KundInnen herauszufinden. Und dann geht es an das Lieblingsthema aller Menschen, die mit einer KI-Einführung ringen: Die Daten. Man sollte drei basale Fragen beantworten können:

1. Woher kommen sie?
   
2. Was taugen sie?
   
3. Und: Passen sie überhaupt zu meinem Problem?

Im Anschluss schaut man sich Systeme, Schnittstellen und Ressourcen an, die die Abteilung besitzt, in der man den Piloten ansiedeln möchte: Taugt die Infrastruktur für den Piloten oder muss man sie ergänzen? Dazu zählen auch die MitarbeiterInnen: Sind sie für den Piloten verfügbar/motiviert/qualifiziert/ausreichend vorhanden?

Pilot-Setup, Phase drei: Umsetzung

Geschwindigkeit ist in dieser Phase essentiell, damit der Pilot funktioniert. Man formuliert Erwartungen in Form von Hypothesen ("Mit dem Einsatz von KI in unserer Couponing-Kampagne werden wir die Conversion Rate steigern, ohne zugleich die Margen substantiell zu beschädigen") und dann setzt man Messwerte fest, bei denen man das Unterfangen als Erfolg verbucht. Die KI-Lösung läuft in dieser Phase als Minimum-Viable-Product, wie Buente und Wecke betonen: Es weist also nur die essentiellen für den Testlauf notwendigen Funktionen auf - jede für den Testlauf unnötige Funktion wird die Geschwindigkeit der Testphase runterziehen.

Wie man vom Piloten zur produktiven KI-Anwendung im Alltag kommt

Den Weg vom Piloten zum tatsächlich genutzten, produktiven Tool ist weit (siehe Box), Fallstricke gibt es viele. Aber auch ein paar Checkpunkte, an denen man sich entlanghangeln kann.

1. Die Chefetage muss das Projekt tragen

Die C-Levels sollten voll hinter dem Projekt stehen und es nicht als "Macht-doch-einfach-mal"-Experiment nach unten delegieren. Leichter wird es, wenn der zuständige C-Level einen technischen Background hat, was in Deutschland noch nicht allzu oft vorkommt - deshalb empfiehlt Buente, dem technisch weniger affinen Boss die Potenziale und Wachstumschancen aufzuzeigen.

2. Klar machen: Es dauert halt ein bisschen

KI-Erfolge sind keine kurzfristigen, sondern stellen sich nicht so schnell ein, wie die Erwartungen brauchen, um ins Unermessliche zu wachsen. Gerne wird ein KI-Projekt mal eingestellt, bevor es überhaupt lange genug lief, um abzuheben.

3. Die menschliche Dimension berücksichtigen

Künstliche Intelligenz steht ihrer Natur nach gerne mal in Opposition zum Menschen im Unternehmen: Die MitarbeiterInnen haben schnell Angst, ersetzt zu werden oder moralische Bedenken, ein artifizielles Etwas mit den Daten der KundInnen zu füttern, damit es undurchsichtige Entscheidungen trifft. Buente/Wecke empfehlen daher die Formulierung eines KI-Manifestes, in dem steht, was die KI darf und nicht, wohin man mit ihr will und wohin eben nicht. Rewe   zum Beispiel hat eines.

4. Eigenen Fortschritt ermitteln

Wie reif in Bezug auf KI eine Organisation ist, ist eine schwierige und extrem erfolgsentscheidende Frage. Je weiter fortgeschritten eine Marke etwa ist, desto dezentraler, je weiter am Anfang sie steht, desto zentraler sollte die KI-Anwendung organisiert werden. Hilfe bei der Einschätzung gibt es etwa bei Applied AI  , die ein Assessment-Tool bereitstellen.

5. Investment in MitarbeiterInnen und Prozesse einkalkulieren

Man ist versucht zu denken: Die Kosten für eine KI erschöpfen sich in der Anschaffung und Installation der Lösung, doch de facto gilt die Faustregel: Diese machen nur die Hälfte der Investitionen aus, der gleiche Betrag geht schnell für MitarbeiterInnen, Entwicklung der Prozesse, Weiterbildung und andere Faktoren drauf. Das muss vorher einkalkuliert werden.

6. Ein KI-Projekt braucht Softskills

Ohne weiche Qualitäten ist Scheitern programmiert: Die MitarbeiterInnen müssen motiviert sein und es bleiben, sie sollten Freude am Experiment haben und bereit sein, ein Risiko einzugehen. Wer sie dazu bringen muss? Siehe Punkt eins.

7. Dauerbaustelle Team

Das ganze Projekt muss dauerhaft begleitet und überwacht werden, das Team ständig weitergebildet, motiviert und unterstützt werden - die dynamische Natur einer KI, die eben kein statisches Stück Software ist, macht dies essentiell.

8. Keine blinden Flecken zulassen

Es wird Bereiche im Unternehmen geben, die KI aktiv verwenden und solche, die noch nichts damit zu tun haben. Scheinbar. Denn im Grunde beschäftigt KI jede Abteilung: Diejenigen Abteilungen, die keine KI besitzen, können etwa ohne das Tool unverschuldet an Leistung verlieren. Oder aber sie wollen jetzt auf Teufel komm raus auch mal mit diesem neuen, smarten Spielzeug hantieren, ohne dass dies aber wirklich Sinn ergibt oder hilfreich wäre. Solche Befindlichkeiten müssen erkannt und aufgefangen werden.