Artificial intelligence und digitale Transformationsprojekte haben eine niedrige Erfolgsquote, aber beste Praktiken helfen.
AI hat das Potenzial, den Wandel in fast jeder Branche voranzutreiben. Mit anderen Worten, es gibt große Anreize für Unternehmen, ihre AI Reise jetzt zu beginnen; es besteht auch das Risiko, dass, wenn sie es nicht tun, es schwierig, wenn nicht gar unmöglich sein wird, in einer Disziplin aufzuholen, die immer wichtiger wird, je mehr sie angenommen wird. Es ist also keine Überraschung, dass AI so viel Interesse und Aufregung hervorruft.
Allerdings scheitern viele AI Projekte.
Seit ich denken kann, ist artificial intelligence der heilige Gral. In Filmen wurde es dargestellt, von BladeRunner bis hin zu dem neueren Her. In der Zwischenzeit versprachen Wirtschaftsführer, es würde den Arbeitsplatz revolutionieren. In beiden Fällen wurden uns Szenarien vorgestellt, in denen AI den Arbeitsalltag verändert.
In der Tat wird seit 1956 über AI als wissenschaftliche Disziplin gesprochen. Und obwohl die mathematischen Grundlagen seit mehr als 70 Jahren existieren, ist die erforderliche Rechenleistung erst seit kurzem Realität, wobei die cloud der ultimative AI ist.
Es wurden beträchtliche Fortschritte erzielt - und der Sektor steckt nicht mehr in den Kinderschuhen. Laut der McKinsey-Umfrage "The state of AI in 2020" gaben 50 % der Befragten an, dass ihre Unternehmen AI in mindestens einer Geschäftsfunktion eingeführt haben.
AI hat das Potenzial, den Wandel in fast jeder Branche voranzutreiben. Mit anderen Worten, es gibt große Anreize für Unternehmen, ihre AI Reise jetzt zu beginnen; es besteht auch das Risiko, dass, wenn sie es nicht tun, es schwierig, wenn nicht gar unmöglich sein wird, in einer Disziplin aufzuholen, die immer wichtiger wird, je weiter sie sich durchsetzt. Es ist also keine Überraschung, dass AI so viel Interesse und Aufregung hervorruft.
Allerdings scheitern viele AI Projekte.
POCs sollten auf langfristigen Erfolg ausgelegt sein
Viele Proof of Concepts (POC) sind nicht für die Skalierung ausgelegt. Sie beweisen lediglich, dass etwas machbar ist. Dann bleiben sie auf der Strecke, weil nicht im Voraus geklärt wurde, ob das betreffende Konzept für das gesamte Unternehmen relevant und erforderlich ist oder ob eine unternehmensweite Einführung technisch machbar ist.
Hinzu kommt die Kostenstruktur von Projekten dieser Art: Bis zu diesem Punkt werden wahrscheinlich 70 % des Gesamtbudgets verschlungen, ohne dass das Ergebnis jemals das Licht der Welt erblickt. Das ist in jeder Hinsicht ein schlechtes Geschäft. Was ist also die Alternative?
Kurz gesagt, die Skalierung muss ein integraler Bestandteil des POC sein und sich in den Kennzahlen widerspiegeln, die den Erfolg des Projekts bestimmen.
Um dies zu erreichen, gibt es einige unkomplizierte Taktiken. Eine gute Option ist die Durchführung des POC in zwei Regionen und die Forderung, dass beide Ströme vorher festgelegte Ziele erreichen müssen, bevor das Projekt als Erfolg abgezeichnet werden kann. Es ist auch wichtig, Parallelen und Unterschiede zwischen den Projekten zu ermitteln. Mit diesem Ansatz werden Prozesse und Strukturen als Teil des anfänglichen Vorhabens entwickelt, und er untermauert die Annahme im weiteren Umfeld, wenn das Projekt voranschreitet.
Skillsets zerstören Silos
Organisatorische Silos, die in der traditionellen Unternehmensstruktur verwurzelt sind, sind immer noch weit verbreitet. Sie sind ein ständiger Dorn im Auge eines reibungslosen Betriebsablaufs und können der Todesstoß für skalierbare AI Implementierungen sein. Um dieses Problem zu lösen, müssen die richtigen Fähigkeiten in jeden Teil des Projekts integriert werden.
Wir brauchen mathematisches Fachwissen, IT-Kenntnisse und einen Kodierungsspezialisten, die von data Wissenschaftlern, Lösungsarchitekten und Ingenieuren für maschinelles Lernen (ML) bereitgestellt werden. Die Geschäftsperspektive, die von Produktmanagern und -eigentümern eingebracht wird, ist ebenfalls ein wesentlicher Bestandteil der Mischung. Dieses multidisziplinäre Team sollte offen und kollaborativ arbeiten, über gute Kommunikationskanäle verfügen und während des gesamten Projektzyklus ein hohes Maß an Vertrauen genießen, um gemeinsam die Grundlagen zu schaffen, die Implementierung voranzutreiben und schließlich die Mitarbeiter zu schulen, die die Anwendung nach Abschluss des POC tagtäglich betreiben werden.
Auch Technologie ist wichtig
Cloud Computing hat AI für viele Unternehmen zur Realität werden lassen. Es macht große, kostspielige IT-Implementierungen überflüssig und setzt stattdessen auf agile Tools und Technologien, die anpassbar und auf Abruf verfügbar sind.
Wie beim Ansatz des hybriden Teams sollte der technische Werkzeugkasten die für das betreffende Projekt spezifischen Anwendungen und Software umfassen. Und es versteht sich von selbst, dass er skalierbar sein sollte.
Das AI Risikoparadoxon
AI stellt Unternehmen vor ein Dilemma: Wird sie schlecht implementiert, kann sie scheitern und ein Geschäftsrisiko darstellen. Wird AI jedoch überhaupt nicht implementiert, besteht die Gefahr, dass man hinter zukunftsorientierten Wettbewerbern zurückbleibt, die von der Erforschung dieser Technologie der nächsten Generation profitieren.
Der Schlüssel liegt darin, jedes AI Projekt im Hinblick auf seine Rolle für die langfristige Ausrichtung und den Erfolg des gesamten Unternehmens und seiner Abläufe zu betrachten. Dieser Ansatz bildet die Grundlage für den technischen und personellen Rahmen, der für eine erfolgreiche Umsetzung und eine ganzheitliche AI Vision unerlässlich ist.