Erfolgreich mit Künstlicher Intelligenz: Wie baue ich eine KI-Organisation in Unternehmen auf?

Was vor wenigen Jahren noch Big Data war, ist heute Künstliche Intelligenz (KI): nämlich das Trendthema im Bereich der Datenanalyse. Alle reden darüber, alle wollen mitmachen – oder müssen? Denn: In vielen Unternehmen wird der Nutzen für das eigene Geschäft noch durchaus kritisch gesehen. Auch stellt sich manch ein Verantwortlicher die Frage, wie der Einstieg gelingen kann. Was bleibt, ist das latente Gefühl, mehr aus seinen Daten machen zu können sowie die Befürchtung, abgehängt zu werden, wenn man zu spät auf den KI-Zug aufspringt.

So regiert allzu häufig Aktionismus, wenn Unternehmen das Thema angehen. Hastig werden Data Scientisten eingestellt oder gar eigene Mitarbeiter zu solchen gekürt, damit diese passende Anwendungsfällen generieren und umsetzen. Frust und Ernüchterung sind dadurch vorprogrammiert. Denn es bedarf schon einer Reihe organisatorischer Veränderungen, um Künstliche Intelligenz innerhalb eines Unternehmens auf stabile Füße zu stellen.

Ein paar Data Scientisten – und alles wird gut?

Tatsächlich sind Data Scientisten inzwischen nicht mehr so rar, wie es noch vor wenigen Jahren der Fall war. Dies ist einerseits darauf zurückzuführen, dass die Hochschulen das Thema längst aufgegriffen haben und die Zahl fähiger Absolventen steigt. Andererseits sind viele Data Scientisten in ihrem Job unzufrieden und entsprechend wechselwillig. Hier offenbart sich bereits ein Teil der Problematik: Oftmals stellt das Management ein paar Data Scientisten mit hohen Erwartungen ein, während auf Abteilungsebene keine Bereitschaft besteht, etwas Neues zu wagen und sich auf die KI-Reise einzulassen. In der Folge setzen sich die hochqualifizierten Experten mit Berichtsanforderungen und einfachen Kennzahlen auseinander – weil das ja auch etwas mit Daten zu tun hat – und fühlen sich zwangsläufig unterfordert. Gleichzeitig generieren sie für das Unternehmen nicht den gewünschten Nutzen.

So lautet eine Prämisse beim Aufbau einer funktionierenden KI-Organisation: Es ist viel einfacher, Data Scientisten einzustellen, als diese im Sinne der Unternehmensziele wirken zu lassen und schließlich auch im Unternehmen zu halten.

Fachanwender sind keine KI-Experten

Ein anderer, vermeintlich schneller Weg zum KI-Glück verzichtet ganz auf den Aufbau eines Data-Science-Teams. Stattdessen stellt die IT eine „Data-Science-Plattform“ zur Verfügung und dann sollen es sogenannte Power User in den Fachabteilungen richten. Immerhin könnten die fachlichen Experten somit ihre KI-Use-Cases eigenständig umsetzen. Das klingt nach einer bekannten Vorgehensweise, laut derer KI und Digitalisierung – quasi als Produkt – anhand eines Kriterienkatalogs ausgeschrieben und beschafft werden können.

So viel zur Theorie. In der Praxis werden Power User nur selten „mal eben“ neben dem Tagesgeschäft zu Data Scientisten. Dazu ist eine digitale Plattform einfach zu komplex. Schließlich soll sie verschiedenste Anforderungen zwischen Sandboxing, Data Lake, Echtzeitverarbeitung, unstrukturierten Daten und Machine-Learning-Pipelines erfüllen. Und auch die viel gepriesenen Self-Service-Werkzeuge können in diesem Kontext keine Wunder bewirken. Sie sind längst nicht für jedermann einfach bedienbar, wie es Marketiers gerne versprechen. Daher führen auch solche Ansätze – vor allem wegen mangelnder Akzeptanz in den Fachabteilungen – meist in eine Sackgasse.

„Es ist viel einfacher, Data Scientisten einzustellen, als diese im Sinne der Unternehmensziele wirken zu lassen und schließlich auch im Unternehmen zu halten.“

Etablierung einer digitalen Kultur

Der Aufbau eines eigenen Data-Science-Teams macht also durchaus Sinn. Allerdings muss bei den Fachanwendern ein Selbstverständnis geschaffen werden, dass nur sie der Treiber für die Digitalisierung und KI-basierte Produkte sein können – sprich: Es darf nicht Aufgabe der Data Scientisten sein, die Abteilung zur Innovation zu überreden. Der sogenannte Product Owner gehört in den Fachbereich!

Das Management muss also für ein Klima sorgen, in dem der Anwender das Heft in die Hand nimmt und den Aufbau von KI initiiert. Dabei reichen strategische Erklärungen nicht aus. Es gilt, eine echte Fehlerkultur zu etablieren. Gleichzeitig müssen die Erfolge einzelner Vorreiter sichtbar gemacht werden, um andere Bereiche zur Nachahmung anzuregen. Zudem dürfen die Ansprüche an den Data Scientisten nicht zu hochgeschraubt werden. Themen, wie Datenbereitstellung, Wartung oder Governance sind für sich genommen bereits so zeitintensiv, dass ein Data-Science-Team davon entlastet werden sollte. Infolgedessen müssen für die erfolgreiche Etablierung einer Digitalisierungskultur auch Kompetenzen in diesen Bereichen vorhanden sein bzw. aufgebaut werden. Nicht zuletzt sind regional verteilte Unternehmen gefordert, die Nähe zu den Fachabteilungen sicherzustellen. Für ein Data-Science-Team bedeutet das, verteilt zu arbeiten. Moderne Kommunikationsmittel und Präsenztermine sorgen in diesem Kontext dafür, dass das Wissen im Team verteilt und Spezialisierungen zugelassen werden.

Partnerschaften statt Einzelkämpfer-Mentalität

Vor allem etablierte Unternehmen und Konzerne neigen dazu, angesichts dieser nicht zu unterschätzenden Aufgaben, die eigene Wandlungsfähigkeit anzuzweifeln. Daraus resultieren Strategien, die sich primär auf den Zukauf von Startups konzentrieren. In der Folge wird das Geschäft allmählich von den alten „Cash Cows“ auf neue Themen verlagert. Aber ist das wirklich ein sinnvolles Vorgehen? Wer sich häufiger mit Power Usern in Fachabteilungen unterhält, der erlebt oft ein hohes Maß an Begeisterung und Aufbruchsstimmung. Es ist zumindest fraglich, ob eine Unternehmensführung diesen Schub und diese Energie ungenutzt verpuffen lassen sollte.

Sicherlich ist es nicht immer zielführend, digitale Transformationsprozesse ganz allein zu bestreiten. Kooperationen und Partnerschaften mit externen Dienstleistern können in diesem Zusammenhang aber Abhilfe schaffen. So gibt es immer wieder Beispiele von Unternehmen, die sich auf diese Weise innoviert haben und Künstliche Intelligenz als das begreifen, was sie wirklich ist: eine Chance besser zu werden – für die Mitarbeiter, die Kunden und die Umwelt.

Unser Autor

Hilmar Buchta, Partner & Chief Data Scientist, ORAYLIS GmbH
Diplom-Mathematiker Hilmar Buchta leitet seit über 20 Jahren IT- und Business-Intelligence-Projekte für namhafte Beratungshäuser. Seit 2005 ist er in verschiedenen Managementpositionen für die ORAYLIS GmbH tätig. Als Chief Data Scientist des Unternehmens liegen seine Schwerpunkte bei den Themen Artificial Intelligence, Big Data und Analytics.

Weiterführende Informationen:

https://www.oraylis.de/

CC BY-SA 4.0 DE

 
 
Sie dürfen:
  • Teilen — das Material in jedwedem Format oder Medium vervielfältigen und weiterverbreiten
  • Bearbeiten — das Material remixen, verändern und darauf aufbauen und zwar für beliebige Zwecke, sogar kommerziell.
  • Der Lizenzgeber kann diese Freiheiten nicht widerrufen solange Sie sich an die Lizenzbedingungen halten.
  • Bitte berücksichtigen Sie, dass die im Beitrag enthaltenen Bild- und Mediendateien zusätzliche Urheberrechte enthalten.
Unter den folgenden Bedingungen:
  • Namensnennung — Sie müssen angemessene Urheber- und Rechteangaben machen, einen Link zur Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Diese Angaben dürfen in jeder angemessenen Art und Weise gemacht werden, allerdings nicht so, dass der Eindruck entsteht, der Lizenzgeber unterstütze gerade Sie oder Ihre Nutzung besonders.
  • Weitergabe unter gleichen Bedingungen — Wenn Sie das Material remixen, verändern oder anderweitig direkt darauf aufbauen, dürfen Sie Ihre Beiträge nur unter derselben Lizenz wie das Original verbreiten.