In nur zwei Monaten hat sich ChatGPT zum weltweit am häufigsten heruntergeladenen Produkt entwickelt. Was diese Lösung von ihren Vorgängern abhebt, ist ihre ultra-einfache Schnittstelle, die auf konversationsähnlichen "Aufforderungen" basiert. Diese intuitive Bedienung in Verbindung mit der Fähigkeit von AI, große Mengen von data zu verarbeiten und schnelle, genaue Ergebnisse zu liefern, verzehnfacht die Geschwindigkeit der Ausführung und Entscheidungsfindung für Fachleute. AI befreit Menschen von sich wiederholenden, zeitraubenden Aufgaben und lässt sie sich auf Aktivitäten mit höherem Mehrwert konzentrieren. Der Mensch wird nicht ersetzt, sondern "ergänzt", dank der generativen AI.
Jüngsten Studien zufolge sind 78 % der Arbeitnehmer der Meinung, dass sich die generative AI positiv auf ihre Produktivität ausgewirkt hat. Bei Aufgaben, die mit dem Erwerb von Wissen verbunden sind, würden Fachleute um 37 % und Entwickler um 55 % an Ausführungsgeschwindigkeit bei Codierungsaufgaben gewinnen. Vor sechs Monaten wurde ein regelrechter Innovationswettlauf zwischen den Akteuren der generativen AI gestartet. Um die Vorteile voll auszuschöpfen und wettbewerbsfähig zu bleiben, müssen die Unternehmen schnell handeln, ohne dabei die verbleibenden Herausforderungen aus den Augen zu verlieren.

Transparenz und Vertrauen, die großen Herausforderungen des generativen Ansatzes AI

Die Leistung der generativen Lösungen von AI ist unbestreitbar, aber sie haben auch Grenzen, die wir kennen müssen, um ihre Auswirkungen zu minimieren. Sie lassen sich in vier Haupttypen unterteilen:

  • Ethik: Voreingenommenheit, "Halluzinationen", fehlende Quellen oder mangelnde Transparenz bei der Verwendung von persönlichen data können sich in den generierten Inhalten widerspiegeln. Daher müssen wir die Prozesse zur Identifizierung von Vorurteilen systematisieren, wie wir es bei der gesamten Verarbeitung von data auf Artefact tun, in Übereinstimmung mit unserer Ethik-Charta.

  • Umwelt: Das Training der neuesten Modelle von AI anhand von Milliarden von Parametern hat eine noch nie dagewesene CO2-Bilanz. So wurden zum Beispiel 502 Tonnen CO2-Emissionen benötigt, um GPT-3[4] zu trainieren, fast zehnmal so viel wie für den Lebenszyklus eines durchschnittlichen Autos. Die Anwendungen stehen erst am Anfang: Werden die CO2-Emissionen der KI durch das CO2 ausgeglichen, das durch die menschlichen Aktivitäten, die sie ersetzen, nicht mehr erzeugt wird?

  • Beschäftigung: Zwar wird die überwiegende Mehrheit der menschlichen Tätigkeiten nicht ersetzt, sondern eher durch AI unterstützt werden, doch werden sie sich unbestreitbar verändern. Es ist von entscheidender Bedeutung, dass Menschen aller Alters- und Berufsgruppen für diese Veränderungen geschult werden. Darüber hinaus eröffnen diese Technologien neue Karrieremöglichkeiten, für die es bereits jetzt einen Mangel an Profilen gibt. Ausbildungsgänge wie die Artefact School of Data bieten eine schnelle und praktische Möglichkeit, sich für diese zukunftsweisenden Berufe umzuschulen.

  • Regulierung: Angesichts der oben beschriebenen Herausforderungen ist klar, dass die generative AI bald einer strengen Regulierung unterworfen sein wird, ähnlich derjenigen, die die Verarbeitung personenbezogener Daten regelt data. Die Europäische Union arbeitet derzeit an dem Gesetz AI , das 2025 in Kraft treten soll. Bis es einen klaren Rahmen gibt, müssen sich die Unternehmen auf die bestehenden Texte zu data, zum geistigen Eigentum, zum Arbeitsrecht und zum Umweltschutz sowie auf "soft law" stützen.

Artefactdie eigene Methodik zur Risikominderung und Optimierung der Geschäftsumwandlung

Der atemberaubende, kontinuierliche Fortschritt im generativen Bereich AI erfordert von den Unternehmen ein schnelles, aber überlegtes Handeln. Deshalb empfehlen wir unseren Kunden, eine progressive Arbeitsweise anzunehmen und einen soliden Rahmen für ihr Transformationsprojekt zu schaffen.

Um das gesamte Unternehmen mit ins Boot zu holen, sind die Ergebnisse eines ersten POC oft entscheidend. Um das Risiko von Zwischenfällen zu minimieren, ist es vorzuziehen, diesen ersten Test an einem internen Anwendungsfall oder durch menschliche Vermittlung durchzuführen (z. B.: ein menschlicher Agent verwendet AI Informationen, um den Kunden besser zu bedienen). Gleichzeitig müssen wir potenzielle Anwendungen im gesamten Unternehmen auf der Grundlage der geschäftlichen Anforderungen und aller data , die wir besitzen, identifizieren.

Zugleich muss ein Fahrplan für die Umsetzung festgelegt werden:

  • Organisation: Rollen und Verantwortlichkeiten müssen definiert werden, ebenso wie Governance und Prozesse zur Erstellung und Erweiterung von Anwendungsfällen. Es muss ein Notfallplan zum Schutz vor Risiken und Verzerrungen aufgestellt werden.

  • Tech-Stack und data: Unternehmen müssen sicherstellen, dass sie über qualitativ hochwertigedata verfügen, um die identifizierten Anwendungsfälle zu bedienen, und über eine robuste technische Architektur, um sie zu industrialisieren. Es ist von entscheidender Bedeutung, das richtige Modell für den richtigen Einsatzzweck auszuwählen, und zwar in Bezug auf Kosten, Auswirkungen oder Leistung.

  • Humanressourcen: Akkulturations- und Schulungsprogramme müssen so bald wie möglich eingeführt werden, um einen erfolgreichen Übergang zu gewährleisten.

Vertrauen schließt Kontrolle nicht aus

Obwohl wir davon überzeugt sind, dass sich die generative AI positiv auf die betriebliche Leistung von Unternehmen und die Produktivität ihrer Mitarbeiter auswirkt und auswirken wird, ist es wichtig, sie mit Bedacht einzusetzen. Der Fortschritt muss kontinuierlich und kontrolliert erfolgen, und der Mensch muss die Kontrolle über die Modelle behalten, bevor er die unbegrenzten Einsatzmöglichkeiten dieser neuen, äußerst leistungsfähigen Technologien voll ausschöpfen kann.