✨ AI Kontextualisierung
Die aktuelle Debatte rund um ChatGPT dreht sich häufig um die Schule oder die Erstellung von Texten mit dieser mächtigen Lösung, die auf künstlicher Intelligenz (KI) basiert. Aber schon bald wird sich uns allen die Frage stellen: Soll ich als Unternehmen auch in ChatGPT oder ähnliche Lösungen investieren? Und wenn ja wieviel? Dabei gilt es sowohl unternehmerische Aspekte zu berücksichtigen, technische Fragen zu beantworten und sich auch ein paar Grundsatzfragen zum Einsatz von AI im unternehmerischen Umfeld stellen.
Business Aspekte
Was ist mein Use Case mit ChatGPT?
Wenn ich beispielsweise Journalistin bin und am Tag drei statt einem Artikel recherchieren und schreiben kann, weil mich die Maschine dabei unterstützt, und es für diese zusätzlichen Artikel tatsächlich einen Markt gibt, dann bin ich effizienter und effektiver.
Wenn ich im Kundenkontakt stehe und mich besser auf meine Termine vorbereiten kann, wird mein Kunde zufriedener. In jedem Fall muss der Anwendungsfall einen klaren und ausformulierten Wert haben. Und diese sollte in Summe die Kosten der Nutzung übersteigen.
Kann ich den Use Case wirklich besser mit dem Tool nutzen?
Was auf den ersten Blick beeindruckend aussieht, ist auf den Zweiten vielleicht weniger interessant. Wir schon wissen, die Maschine ist sehr gut im Vortäuschen ihrer Exzellenz. Daher sollte man eigene Use Cases gut abtesten.
Markt und Differenzierung
Gibt es Aspekte, mit denen ich mich vom Mitbewerb abheben kann und werden es auch meine Kunden schätzen? Innovation kann einen Mehrwert bieten.
Mitarbeiter:innen und Innovationsgeist
Werden meine Mitarbeiter:innen mehr Spaß an ihrer Arbeit haben und deshalb produktiver und kreativer sein und müssen weniger Routinetätigkeiten machen? Werde ich dadurch zu einem attraktiveren Arbeitgeber?
Technische Aspekte
• Wie sehen meine aktuelle Datenstruktur und Infrastruktur aus? Kann ich es gut integrieren?
• Anforderungen an Datenplattformen und Hardware werden mit der erhöhten Nutzung auch steigen, und damit weitere Kosten an sich ziehen.
Qualität, Ethik, Risken und einiges mehr
• Vertrauen ist gut, aber Kontrolle ist im Fall von künstlicher Intelligenz besser. Die sogenannte Data Governance wird immens wichtig, um sicher zu gehen, dass sich jemand in der Organisation um die Daten und ihre Qualität kümmert, und sicherstellt, dass alle ethischen Aspekte beim Input und Output berücksichtigt sind.
• Wie sind also meine Abläufe organisiert, damit es wirklich funktioniert und einen Mehrwert liefert?
• Mit der Qualität geht auch die Frage nach der Erklärbarkeit des Ergebnisses einher. Mittlerweile gibt es gute Tools für Explainable AI (XAI), die jedem Modell angehängt werden können, um sie für Menschen erklärbar zu machen. Was waren die wichtigsten Treiber, also was hat den größten Einfluss auf das Ergebnis?
• Es ist noch nicht klar, wie die rechtliche Frage des geistigen Eigentums der Trainingsdaten geklärt wird und wie sich das auf die Kosten auswirken wird. Sicher ist man nur wenn man die Herkunft der Daten erklären und nachweisen kann, dass man sie verarbeiten darf.
Was passiert in den nächsten Jahren?
„Geht es denn jetzt mit dem Fortschritt immer so weiter, und müssen wir wirklich nicht mehr selbst denken“? Das ist eher eine Frage unserer Erwartungshaltung an die Weiterentwicklung als eine technische Frage. Seit der Einführung des iPhones haben wir gelernt, dass es jedes Jahr neue Features gibt – und die Erwartung an die neue KI liegt nun bei vielen Menschen ähnlich hoch.
Wenn man sich allerdings ansieht, wie sich Machine-Learnung- und Natural-Languague-Processing-Modelle in den vergangenen zehn Jahren entwickelt haben, sieht man, dass die Fortschritte eher wellenartig waren: Lange Zeit scheinen sie zu stagnieren, dann auf einmal gibt es einen Sprung nach vorne, um wieder eine Zeitlang zu stagnieren.
Das hängt mit den verfügbaren Daten zusammen, mit denen die Modelle trainiert werden können. Wenn die Daten für das Training in großer Menge verfügbar und gut klassifiziert sind, kann ein neues mächtiges Modell trainiert werden – und wir erleben es als einen Riesensprung und Fortschritt. Wenn die Daten jedoch schwer zu bekommen sind, dann dauert es sehr lange, bis wir den Fortschritt erleben.
Man kann also nicht die Sprünge, die bei anderen Datenmodellen erzielt worden sind, einfach auf andere Daten und Anwendungsfelder übertragen, weil es immer zuerst um die Daten geht, mit denen man das Modell trainieren muss. Dann erst kommen die Erfolge.
ChatGPT wiederrum wird besser werden, weil er schon gut, wenn auch nicht komplett, trainiert ist. Jedoch stellt sich auch hier die Frage: Was passiert, wenn ChatGPT alle Bücher und alle Texte der Welt gelesen hat? Woher kommen dann weitere Trainingsdaten? Und wie nutzen wir es dann, wenn alle Nutzer auf das gleiche Modell und die gleichen Daten zurückgreifen? Hat man dann immer noch die gleichen Vorteile?
Damit wären wir wieder bei den ersten Grundsatzfragen der Use Cases, technischer Aspekte und ethischer Bewertung. Wenn diese Fragen eindeutig und positiv beantwortet werden können, dann wird die (zukünftige) Standardisierung der AI kein Nachteil für ein einzelnes Unternehmen sein. Letztendes verwenden wir auf der ganzen Welt viele anderen technischen Standards, die in der Geschichte der Menschheit zu vielen Vorteilen für einzelne Unternehmen geführt haben.
Zur Autorin
Ana Simic ist Österreich-Geschäftsführerin der finnisch-deutschen Data & AI Beratung DAIN Studios. Die erfahrene Digitalisierungs- und Daten-Expertin setzt auf wertorientierte KI-Strategien und Machine-Learning-Lösungen für alle Branchen, und hilft Führungskräften und Experten, die KI zu verstehen und anzuwenden.
