Wie Sie mit AI vertrauenswürdige und aussagekräftige Einblicke gewinnen

Für den Erfolg von AI müssen die Menschen an einem Strang ziehen. Konkret bedeutet dies, dass alle Beteiligten sich über fünf Punkte einig sein müssen: Wie wird die Initiative gesteuert? Woher stammen die Daten? Wie werden sie innerhalb des Unternehmens weitergegeben? Wer hat Zugriff darauf? Und inwieweit sind die betreffenden Personen in der Lage, AI-generierte Erkenntnisse in Maßnahmen umzusetzen? Anders ausgedrückt: Sie brauchen eine durchdachte Strategie. 

Penske – dieses Unternehmen kennen Sie bereits aus dem ersten Datenpionier-Szenario aus Teil 2 – hat deutlich gezeigt, wie viel eine frühzeitige Zusammenarbeit bewirken kann.

Bei Penske hat ein Grundsatz maßgeblich zum Erfolg des AI-Projekts beigetragen: Erst die Regeln, dann die Werkzeuge. Denn Ihnen stehen zahlreiche AI-Tools zur Verfügung und viele davon können Ihnen wirklich helfen, vertrauenswürdige und aussagekräftige Erkenntnisse zu gewinnen. Doch alle diese Tools sind nutzlos, wenn robuste und gut durchdachte Strategien und Richtlinien fehlen, die ihre Nutzung festlegen. Wo setzt man also an? 

Wie bereits in Teil 1 erwähnt, ist die sorgfältige Prüfung von Data Governance und Datenqualität ein entscheidender erster Schritt. Definieren Sie die Richtlinien, die den gesamten Lebenszyklus der Daten abdecken: von der Erstellung über die Erfassung und Speicherung bis hin zur Löschung. Dazu gehören auch Informationen darüber, wer in den einzelnen Phasen auf die Daten zugreifen oder sie nutzen darf. Möglicherweise gelten auch Gesetze oder Vorschriften, die regeln, wie in Ihrer Branche mit Data Governance und Datenschutz umzugehen ist. Ihr Framework sollte diese Anforderungen berücksichtigen und einen klaren Rahmen für ethische Richtlinien, Maßnahmen zur Vermeidung von Bias sowie entsprechende Schulungen vorsehen. 

Sorgen Sie nun dafür, dass sich Ihre Pläne für Daten und AI an den Vorhaben Ihres Unternehmens orientieren und legen Sie dann relevante, messbare und erreichbare Ziele fest. Wenn Sie GenAI verwenden, ist Ihre wichtigste Kennzahl möglicherweise Schnelligkeit. Im Falle einer agentenbasierten Lösung könnte dies auch die Mitarbeiter- oder Kundenzufriedenheit sein. Sind Sie in einer stark regulierten Branche tätig? Dann könnten Compliance und Revisionssicherheit oberste Priorität haben. Bestimmen Sie, welche Kennzahlen am wichtigsten sind, und fokussieren Sie sich auf diese Liste. Wenn Sie sich zu viele Ziele setzen, laufen Sie Gefahr, alle zu verfehlen.

Wenn Sie eine AI-Initiative umsetzen sollen, Ihnen jedoch kein konkreter Anwendungsfall einfällt, überlegen Sie sich einfach, welcher Prozess von einer Automatisierung profitieren könnte. Seien Sie dabei aber ehrlich. Ihnen sind gleich Hunderte eingefallen, nicht wahr? Unsere Empfehlung lautet: Konzentrieren Sie sich auf konkrete Prozesse wie das Gewinnen von Erkenntnissen oder den Kundenservice. Solche schrittweisen Änderungen lassen sich den Stakeholdern leichter vermitteln, besonders wenn sie die Rendite maximieren und die Arbeitsweise Ihres Unternehmens auf positive Weise verändern (statt gleich das ganze Unternehmen umzukrempeln).  

Hinzu kommt: Als echter Datenpionier werden Sie dann wahrgenommen, wenn Ihre Mitarbeiter die Unterstützung erhalten, um sich verstärkt strategischen und entwicklungsorientierten Aufgaben zu widmen. Komplexe taktische Aufgaben wie Echtzeit-Betrugserkennung, Entwicklung von Prognosemodellen für IoT-Geräte, automatisierte Kreditentscheidungen und Berichterstellung können Sie dann getrost der AI überlassen. 

Sie haben mit den Stakeholdern gesprochen und die Strategie festgelegt. Außerdem setzt Ihr ganzes Unternehmen die neuen Richtlinien um. Herzlichen Glückwunsch! 

Aber jetzt müssen Ihre Daten auch blitzschnell einsatzbereit sein. Denn Ihre AI wird zu dem, was Sie ihr geben und das Ergebnis kann gut, schlecht oder richtig übel sein. Eine integrierte Qualitätssicherung für Ihre Daten ist daher Pflicht. Nur so werden Ihre Modelle zu schlanken, effizienten und informativen Werkzeugen. Andernfalls riskieren Sie, Zeit und Geld zu verschwenden. Genau das wollte RS Components in unserem nächsten Datenpionier-Szenario vermeiden. 

1. Vielfältig
   
   Der Einsatz strukturierter wie unstrukturierter Quellen lässt weniger Raum für Verzerrungen. So wird die Entstehung von Datensilos vermieden. Stattdessen sollten die unterschiedlichsten Muster, Sichtweisen, Variationen und Szenarien abgedeckt werden, die für die Anwendung relevant sind. Verfügen Ihre Trainingsdaten nicht über die nötige Vielfalt, können sich Vorurteile und unfaire Entscheidungen einschleichen. 

2. Aktuell
   
   Wir haben dies bereits im Abschnitt zur „Echtzeit“ in Teil 1 kurz angesprochen, aber es ist wichtig, es noch einmal zu betonen: Wenn Daten nicht zeitnah verfügbar sind, können Sie weder Prognosen erstellen noch fundierte Entscheidungen treffen. Trainieren Sie AI-Modelle mit veralteten Informationen, ist das, als würden Sie Wasser in den Benzintank füllen: Sie kommen nicht vom Fleck. Um zu sicherzustellen, dass Ihre AI optimal und aktuell ist, muss Ihre Datenpipeline möglichst latenzarm und in Echtzeit arbeiten.  

3. Genau
   
   Wenn die Daten fehlerhaft, unvollständig oder nicht auf die Projektziele abgestimmt sind, führt dies zu einem ebenso fehlerhaften AI-Modell. Mit den folgenden drei Schritten sorgen Sie für korrekte Daten: Erstellen Sie Quelldatenprofile, implementieren Sie Strategien zur Datenbereinigung und nutzen Sie die Datenherkunft – ein wichtiges Instrument, um die Historie einer Quelle nachzuverfolgen, Auswirkungen zu messen und unbeabsichtigte Änderungen zu vermeiden. 

4. Sicher
   
   Einfach ausgedrückt: Ungeschützte Daten sind wie offene Haustüren. Dabei steht nicht nur die Integrität Ihres AI-Modells auf dem Spiel, sondern auch Ihr guter Ruf. Glücklicherweise kann Automatisierung die Sicherheit umfassend stärken: Sie hilft Ihnen, Daten großflächig zu erkennen und zu klassifizieren, den Zugriff durch Maskierung und Tokenisierung zu steuern und Datenbewegungen unternehmensweit zu kontrollieren. 

5. Auffindbar
   
   Entscheidend ist, dass die richtigen Daten im richtigen Format vorliegen und an die richtigen Personen und Systeme weitergeleitet werden. Ein leistungsfähiges Datenkatalog- und Metadatenmanagement kann hier einen wertvollen Beitrag leisten. Prozesse wie semantische Typisierung erleichtern automatisierten Systemen die Datenerkennung und liefern zusätzlichen Kontext. Gleichzeitig verbessern ein Business-Glossar und ein Metadatenkatalog die Auffindbarkeit und Durchsuchbarkeit – ideal für Anwender mit begrenztem Daten- oder AI-Know-how. 

6. Nutzbar
   
   Wenn AI Ihre Daten nicht nutzen kann, kann sie auch keine hochwertigen Ergebnisse liefern. Das gilt besonders für die Implementierung innovativer Automatisierungslösungen wie AI-Agenten. Lassen sich Daten einfach übernehmen, können AI-Systeme Informationen fließend verarbeiten und in intelligente, kreative Ergebnisse verwandeln. 

Wenn Sie alle diese Kriterien erfüllen, steigt Ihre AI-Fähigkeit erheblich. Wenn Sie dagegen nur eine einzige Lücke lassen, können fehlerhafte Daten und zweifelhafte Ergebnisse Ihre Entscheidungen und Ihre Effizienz sabotieren. Achten Sie daher darauf, dass Sie nichts vergessen. Weitere Informationen zu den sechs Schritten finden Sie in unserem E-Book „AI-fähige Daten: Auf diese 6 Kriterien kommt es an“. 

Um es auf den Punkt zu bringen: In dieser schnelllebigen Welt, in der alle um jeden Preis AI einsetzen wollen, muss dieser Zug richtig schnell sein. Wie ein Hochgeschwindigkeitszug. Und wenn die Ergebnisse nicht den Erwartungen entsprechen oder keinen Mehrwert generieren, war die ganze Arbeit vergebens. Bleiben Sie also nicht auf der Strecke. Werden Sie stattdessen zum Motor des Wandels für Ihr Unternehmen und Ihr Team. Nirmal Kumar hat genau das getan, als er IndianOil bei der Einrichtung einer AI-Plattform mit über 150 Power Usern unterstützte. 

Keine Frage: Wir alle wünschen uns, dass unsere AI-Initiativen ebenso viel einbringen wie bei Indian Oil. Zudem ist es wichtig, den transformativen Wert nicht nur wirtschaftlich zu sehen, sondern auch darin, was Ihre Projekte leisten können. Dabei werden Sie erwartungsgemäß feststellen, dass operative Verbesserungen sich ebenfalls finanziell lohnen können. 

Haben Sie erst einmal die richtige Datenbasis für AI geschaffen (wie zuvor in Teil 2 beschrieben), fügt sich alles wie von selbst zusammen. Aber sollten Sie selbst dann dem vertrauen, was der Computer liefert? Auf keinen Fall! Sie können Trust Scores verwenden, um die Datenqualität schnell zu überprüfen. Wie bei einer Ampel geben diese Scores grünes Licht, wenn Ihre Daten die Kriterien erfüllen, die im Einklang mit Ihren Zielen sind. Das gibt auf Anhieb ein Gefühl der Sicherheit. Die Sicherheit, dass Ihre Daten zu aussagekräftigen Erkenntnissen führen, damit Sie sich umgehend entscheiden, präzisere Prognosen erstellen und Ihre Produkte rascher auf den Markt bringen können. 

Leider hat sich gezeigt, dass der finanzielle Aufwand für Cloud-Daten deutlich höher ist, als viele ursprünglich angenommen hatten. Wobei die meisten GenAI-Prompts teurer sind als eine durchschnittliche Suchanfrage. Diese Kosten dürften weiter steigen, da neue Reasoning-Modelle bis 2027 noch mehr Leistung erfordern werden.¹¹ Das mag zunächst wie ein Dämpfer für den ROI wirken, sollte aber zuallererst als Weckruf verstanden werden, künftig auch Kosten und den Energiebedarf in der Planung zu berücksichtigen. Mit einer umfassenderen Kosten-Governance können Sie Ausgaben besser vorhersehen und nachvollziehen. Auf diese Weise ersparen Sie sich Überraschungen, die Ihre AI-Modelle aus der Bahn werfen könnten.  

Und keine Sorge, in Teil 3 warten noch viele weitere Strategien zur Kosteneinsparung auf Sie. 

Je frühzeitiger Sie Ihren Daten und Ihrer AI vertrauen, desto schneller kann Ihr Unternehmen die Zweifel, Unentschlossenheit und Ineffizienzen überwinden, die selbst die erfahrensten Datenpioniere ausbremsen. Wenn Ihre Daten an der Basis effizienter arbeiten, erzielen Sie bessere Ergebnisse. Sie reagieren nicht einfach nur, sondern übernehmen die Initiative. So ist Ihr nächster Durchbruch näher, als Sie denken.