„No Hype KI“ wird unterstützt von ACP, EY, ITSV, KEBA Group, Lenovo, Microsoft, ONTEC AI und der Universität Graz.
Wie lassen sich theoretische KI-Potenziale in messbare Erfolge für Unternehmen übersetzen? Welche Rolle spielen Datenqualität und Change-Management bei der Implementierung? Und wie entscheidet man – vor allem bei sensiblen Prozessen -, ob man KI-Lösungen selbst entwickelt oder zukauft?
In der neuen Folge von „No Hype KI“ diskutiert eine Expert:innenrunde über konkrete Anwendungen und Erfolgsfaktoren von Künstlicher Intelligenz abseits des Hypes. Das Gespräch beleuchtet praktische Use-Cases von der Automatisierung in der Sozialversicherung über Predictive Maintenance in der Industrie bis hin zu neuen digitalen Geschäftsmodellen für Verlage. Es wird analysiert, warum das Mitnehmen der Mitarbeitenden entscheidend für den Projekterfolg ist und warum auch unperfekte Daten ein guter Startpunkt sein können, statt auf die makellose Datenbasis zu warten.
Es diskutieren:
⚫ Moritz Mitterer | Aufsichtsratsvorsitzender | ITSV
⚫ Christian Casari | Head of AI Partnerships & Sales | ONTEC AI
⚫ Hannes Kaufmann | CTO KEBA Digital
⚫ Katrin Freihofner | Co-Founderin | Straion
Um diese Themen geht es im Videotalk:
1. Konkrete Use-Cases und Prozessoptimierung
- Moritz Mitterer berichtet von der Automatisierung der Wahlarztkosten-Rückerstattung, bei der KI durch hohe Erkennungsraten den Prozess für Bürgerinnen und Bürger erheblich beschleunigt.
- Er erläutert, dass dabei zwar keine hundertprozentige Dunkelverarbeitung erreicht wurde, durch die Digitalisierung aber eine nie dagewesene Transparenz über Rückstände und Bearbeitungszeiten geschaffen wurde.
- Christian Casari führt als Beispiel ein Verlagshaus an, das mittels RAG-Technologie (Retrieval-Augmented Generation) aus seinen kuratierten medizinischen Artikeln neue KI-Services wie einen Medikamenten-Checker generiert und so sein Geschäftsmodell wandelt.
2. KI-generierter Code und interne Richtlinien
- Katrin Freihofner erklärt, dass beim zunehmenden Einsatz von KI-Codeassistenten wie GitHub Copilot die Einhaltung firmeninterner Sicherheits- und Architekturrichtlinien entscheidend ist.
- Sie betont, dass maßgeschneiderte Governance-Lösungen die zusätzliche Review-Last bei Entwicklerinnen und Entwicklern abfedern können, indem der Code von vornherein den Vorgaben entspricht.
- Hannes Kaufmann unterstreicht, dass KI vor allem bei ungeliebten Aufgaben wie dem Schreiben von Unit-Tests oder Dokumentationen einen raschen Mehrwert liefert und so eine hohe Akzeptanz in Software-Teams findet.
3. Make-or-Buy-Entscheidungen bei KI-Projekten
- Mitterer hebt hervor, dass in der Sozialversicherung aufgrund hochsensibler Gesundheitsdaten und spezieller gesetzlicher Prozesse ein starker Fokus auf Eigenentwicklungen (Make) liegt, um Sicherheit und Souveränität zu gewährleisten.
- Casari plädiert dafür, dass Unternehmen ohne eigenes großes KI-Entwicklungsteam Standardlösungen eher zukaufen sollten, da der produktive Betrieb viel spezifisches Know-how erfordert.
- Kaufmann fügt hinzu, dass das Trainieren eigener Modelle vor allem dann Sinn ergibt, wenn Experten im Haus sind, um durch maßgeschneiderte Lösungen die letzten Prozente an Optimierungspotenzial herauszuholen.
4. Daten: Qualität, Quantität und Aufbereitung
- Kaufmann veranschaulicht an einem vergangenen Projekt im Bereich Predictive Maintenance, dass neben der Datenqualität oft auch schlicht die Quantität an realen Fehlerfällen entscheidend ist, um verlässliche KI-Vorhersagen treffen zu können.
- Freihofner bestätigt aus eigener Startup-Erfahrung, dass die Sammlung und Bereinigung von Daten für KI-Produkte extrem arbeitsintensiv ist.
- Casari warnt davor, unperfekte Daten als Ausrede zu nutzen, da man auch mit bestehenden Systemen starten und diese durch intelligente Priorisierungen und Feedbackschleifen schrittweise verbessern kann.
5. Change-Management und der Faktor Mensch
- Casari betont, dass bei KI-Projekten zwingend sowohl das Top-Management als auch die Basis mitgenommen werden müssen, um unklare Erwartungshaltungen oder gar Boykott zu verhindern.
- Mitterer erläutert, wie Sachbearbeiter aktiv in den Lernprozess der KI eingebunden wurden, was anfängliche Ängste abbaute und durch das Erleben von KI-Fehlern sogar das Vertrauen in die eigene fachliche Kompetenz stärkte.
- Kaufmann plädiert für den Aufbau von internen „AI-Insider-Communities“, um Mitarbeitende frühzeitig abzuholen und das Thema KI durch Wissenstransfer zu entmystifizieren.
6. Time-to-Value und iteratives Vorgehen
- Casari rät dazu, bei großen KI-Initiativen klare Zwischenziele zu definieren, um schnell erste Erfolge vorweisen zu können und die Motivation aufrechtzuerhalten.
- Kaufmann führt aus, dass in der Entwicklung iteratives Arbeiten und das Prinzip „Fail Fast“ essenziell sind, um bei nicht zielführenden KI-Ansätzen rasch neue Wege einzuschlagen.
- Freihofner weist darauf hin, dass Unternehmen bei der Modellauswahl flexibel agieren sollten, da sich der Markt rasant wandelt und einfache Aufgaben nicht immer das größte und ressourcenintensivste Modell erfordern.
