Wie können Unternehmen mit KI Wert generieren?
Studie deckt grundlegende Mechanismen und notwendigen Bedingungen auf, mit denen Machine Learning über die Zeit verschiedene Wertbeiträge leisten kann.
Unternehmen fällt es schwer, durch KI einen greifbaren Geschäftswert zu schaffen. In einer Studie untersuchten Forschende der Copenhagen Business School, der Universitäten Bamberg und Paderborn sowie der IT University of Copenhagen, wie Unternehmen durch ML-Anwendungen nachhaltigen Wert erzielen können.
KI-Initiativen gezielter planen und überwachen
Während der vierjährigen explorativen qualitativen Studie betrachteten die Forschenden 56 operative ML-Anwendungen in 29 Unternehmen. Sie führten dazu 40 Interviews mit Data Scientists und Führungskräften, die an der Entwicklung von ML-Anwendungen beteiligt waren. Dabei deckten sie drei grundlegende Mechanismen auf, mit denen ML einen Wertbeitrag im Unternehmen leisten kann. „Die systematische Gegenüberstellung der drei Arten der ML-Nutzung und der jeweiligen notwendigen Bedingungen hilft Unternehmen, ihre KI-Initiativen gezielter zu planen und zu überwachen”, erklärt Professor Arisa Shollo von der Copenhagen Business School, die die Studie initiiert hat.
Schaffung von Wissen
Der erste Mechanismus, den die Forscher*innen aufdecken konnten, ist die Nutzung von ML zur Wissensgenerierung. Unternehmen setzen also Algorithmen ein, um Muster in Daten zu erkennen und damit zum Beispiel neue Erkenntnisse über ihr Geschäftsfeld oder Kundenverhalten zu gewinnen. Für diese Art der Wertschöpfung benötigen Unternehmen insbesondere datenwissenschaftliche Fähigkeiten und Domänenkenntnisse.
Unterstützung von Menschen bei der Entscheidungsfindung
Beim zweiten Mechanismus nutzen Unternehmen ML, um Menschen bei der Ausführung von Aufgaben zu unterstützen oder anzuleiten. Die Anwendungen reichen von kleinen Erweiterungen bestehender Softwareprogramme bis hin zu spezialisierten Systemen, die Entscheidungen unterstützen oder spezifische Handlungsempfehlungen geben. Eine gute Dateninfrastruktur und Expertise in der Gestaltung von Nutzerinterfaces sind beispielsweise für diese Art der Wertschöpfung essenziell.
Autonome Agenten
Bei der dritten Art der Wertschöpfung wird ML entweder direkt in neue Produkte oder Dienstleistungen integriert und somit dem Endkunden zur Verfügung gestellt oder Teile von Geschäftsprozessen werden von der KI selbst ausgeführt statt sie nur zu unterstützen. Um solche Einsatzszenarien zu realisieren, sind Unternehmen auf die Integration von ML-Anwendungen in betriebliche Prozesse und IT-Systeme, ein stabiles Geschäftsumfeld und wenige rechtliche und ethische Probleme mit ihren ML-Anwendungen angewiesen.
Wertschöpfungsmechanismen ändern sich
Während der Analyse stellten die Forschenden fest, dass Unternehmen den Wertschöpfungsmechanismus von ML-Projekten im Laufe der Zeit wechseln. Das lässt sich verdeutlichen am Beispiel eines Schmuckeinzelhändlers, der seine vollautomatische Anzeigenschaltung in Online-Medien zu Beginn der Covid-19-Pandemie aufgrund der sehr schlechten Werbeleistung einstellen musste. Das Unternehmen kehrte zu menschlichen Entscheidungen über Anzeigenplatzierung zurück und begann anschließend ML zu nutzen, um Wissen über die neue Situation zu sammeln. Mit dem gewonnenen Wissen wurden dann automatisierte Dashboards zur Unterstützung der routinemäßigen menschlichen Entscheidungsfindung erstellt und schließlich trainierte das Unternehmen neue Vorhersagemodelle, die auf die Pandemiesituation zugeschnitten waren. Der Schmuckeinzelhändler kehrte zum alten Modus der ML-basierten Prozessautomatisierung zurück.
„Das Wissen, dass sich ML-Wertschöpfungsmechanismen über die Zeit ändern können, erlaubt Unternehmen eine Entwicklungsperspektive auf ihre KI-Initiativen einzunehmen. Wenn also der angedachte Wert eines einzelnen Projekts nicht erfüllt werden konnte, bestehen womöglich Weiterentwicklungsmöglichkeiten der KI-Initiative. Diese sollten genutzt werden anstelle ein Projekt zu früh als gescheitert anzusehen”, sagt Konstantin Hopf.vom Lehrstuhl für Wirtschaftsinformatik der Universität Bamberg.
Bei all diesen Prozessen spielt vor allem eine Berufsgruppe eine besondere Rolle: Die Data Scientists. Die Autoren der Studie verdeutlichen, dass Data Scientists von Anfang bis Ende in die ML-Initiativen involviert sind, regelmäßig Manager über Fähigkeiten und Limitationen der Technologie aufklären müssen und dabei auch selbst Führungsaufgaben übernehmen
Der von der Fachzeitschrift “The Journal of Strategic Information Systems” als „Best Paper 2022″ ausgezeichnete Artikel ist online frei verfügbar.
