Künstliche Intelligenz ist kein futuristisches Konzept mehr, sondern ein greifbarer Motor für die Transformation von Unternehmen. Dennoch tun sich viele Unternehmen immer noch schwer damit, wie sie die KI-Implementierung effektiv angehen sollen.
In einer kürzlich erschienenen Folge des TEQ Shift Podcasts berichtete Boris Bialek über seine praktischen Erfahrungen mit KI-Projekten in verschiedenen Branchen. Von der Unterstützung von Banken und Einzelhändlern bis hin zur Optimierung von Arbeitsabläufen in der medizinischen Forschung legt er Wert auf einen strukturierten, wertorientierten Ansatz zur Nutzung von KI.
Im Folgenden findest du eine Aufschlüsselung der wichtigsten Erkenntnisse und realen Anwendungsfälle, die er besprochen hat und die dir zeigen, wie du praktische KI-Lösungen entwickeln kannst, die einen echten geschäftlichen Nutzen bringen.
1. Beginne mit dem Geschäftsproblem, nicht mit der Technologie
Der grösste Fehler, den Unternehmen bei der Einführung von KI machen, ist, sich zuerst auf die Technologie zu konzentrieren. Führungskräfte verstricken sich oft in Tools und vergessen dabei die grundlegende Frage: "Welches Problem wollen wir lösen?"
"Beginne mit einer Sache: dem Geschäft, nicht der Technologie.
Um das richtig zu machen, empfiehlt Boris, mit einem klaren Geschäftsziel zu beginnen . Definiere, was du erreichen willst - sei es eine schnellere Datenverarbeitung, eine Kostenreduzierung oder eine verbesserte Kundeninteraktion. Erst dann solltest du den technischen Weg abstecken.
Beispiel: Klinische Berichte von Novo Nordisk
Novo Nordisk, ein führendes pharmazeutisches Unternehmen, stand genau vor dieser Herausforderung bei klinischen Studienberichten. Für die Erstellung dieser wichtigen Dokumente benötigten die medizinischen Fachkräfte bis zu 15 Wochen. Obwohl jahrelang versucht wurde, diesen Prozess zu rationalisieren, wurde er nur noch langsamer. Novo Nordisk betrachtete das Problem zunächst als geschäftliche Herausforderung und arbeitete mit MongoDB zusammen, um eine KI-Lösung mit NLP von LangChain, AWS Bedrock und der Vektorsuche von MongoDB zu implementieren. Das Ergebnis? Die Zeit für die Berichterstellung sank drastisch - von 15 Wochen auf nur 10 Minuten.
Handlungsschritt: Skizziere zunächst dein Problem. Führe Workshops mit den Unternehmensverantwortlichen durch, um die gewünschten Ergebnisse abzustimmen, bevor du deine KI-Tools auswählst.
2. Bereinige zunächst deine Daten
Der Einstieg in die KI ohne eine Datenstrategie ist ein Rezept für den Misserfolg. Daten sind oft isoliert, unübersichtlich oder in Altsystemen gebunden. KI-Modelle sind nur so gut wie die Daten, mit denen du sie fütterst.
"Wenn du deine Daten nicht bereinigst, solltest du nicht mit KI beginnen." - Boris Bialek
Beginne damit, herauszufinden, wo sich deine Daten befinden und in welcher Form sie vorliegen. Hast du es mit strukturierten, halbstrukturierten oder unstrukturierten Daten zu tun? Berücksichtige sowohl die Datenqualität als auch die Zugänglichkeit, bevor du dein KI-Projekt startest.
Beispiel: Die Altsysteme von Lombard Odier
Dieses Finanzinstitut hatte aufgrund veralteter Datenstrukturen mit Leistungsengpässen zu kämpfen. Durch die Modernisierung der Datenarchitektur wurden Echtzeit-Analysen und die Integration von KI möglich.
Aktionsschritt: Prüfen deine Daten, bevor du sie aufbaust. Bereinige, integriere und strukturiere sie, um eine effiziente KI-Anwendung zu ermöglichen.
3. Priorisiere Echtzeit-Fähigkeiten
Einer der häufigsten Fehler bei KI-Projekten ist die Unterschätzung des Bedarfs an Echtzeitverarbeitung. Chatbots, vorausschauende Wartung und personalisierte Empfehlungen sind nur einige Bereiche, in denen Schnelligkeit unerlässlich ist.
Beispiel: Echtzeit-Chatbots im Bankwesen
Boris wies darauf hin, dass einige Unternehmen Chatbots mit einer Reaktionszeit von 15 Sekunden entwickeln - viel zu langsam für die heutigen Erwartungen. Durch die Integration von Vektorsuchen und Echtzeit-Datenpipelines konnten die Reaktionszeiten auf Millisekunden reduziert werden.
Aktionsschritt: Beurteile deine Geschwindigkeitsanforderungen im Voraus. Überlege, ob dein Anwendungsfall sofortige Antworten erfordert oder ob du Latenzzeiten tolerieren kannst.
4. Wähle die richtige Infrastruktur
KI-Projekte erfordern flexible und skalierbare Infrastrukturen. Boris betont, wie wichtig es ist, die Technologie auf den jeweiligen Anwendungsfall abzustimmen, anstatt eine Einheitslösung zu erzwingen.
Beispiel: Einzelhandelslogistik mit MongoDB
Bei der Zusammenarbeit mit einem Einzelhändler zur Optimierung der Lagerverwaltung entwickelten Boris und sein Team ein Modell, das 10 Millionen Artikel pro Stunde verarbeitete und so jährlich über 600 Millionen an Logistikkosten einsparte . Der Schlüssel dazu war die Verwendung des JSON-Modells von MongoDB für eine flexible Datenverarbeitung.
Aktionsschritt: Lege dich nicht auf ein einziges Tool fest. Verwende eine modulare Architektur, die sich an veränderte Anforderungen anpassen lässt.
5. Integriere KI in bestehende Systeme
Die Modernisierung ist ein schrittweiser Prozess. KI-Initiativen scheitern oft, weil sie die bestehenden Systeme und deren Integration nicht berücksichtigen.
Beispiel: Dokumentenverarbeitung in Finanzdienstleistungen
Boris sprach darüber, wie KI archivierte Daten in aktive Datensätze verwandeln kann . Für Finanzinstitute bedeutet dies, dass sie aus alten Kundenunterlagen und Compliance-Akten wertvolle Erkenntnisse gewinnen können, anstatt sie einfach nur zu archivieren.
Aktionsschritt: Schaffe Integrationspunkte zwischen neuen KI-Modulen und bestehenden Datenökosystemen, um Kontinuität zu gewährleisten.
Abschliessende Überlegungen: Gross denken, aber klug anfangen
Die KI-Landschaft entwickelt sich rasch weiter. Auch wenn es verlockend ist, bahnbrechende Innovationen anzustreben, führen praktische, schrittweise Verbesserungen oft zu einem zuverlässigeren Geschäftswert. Wie Boris zusammenfasst:
"Denke in grossen Dimensionen, aber scheue dich nicht, mit kleinen, überschaubaren Schritten zu beginnen."
Durch die Kombination von klaren Problemstellungen, sauberen Daten, Echtzeitfähigkeiten und robuster Qualitätssicherung kannst du das Potenzial der KI freisetzen, ohne in die üblichen Fallen zu tappen.
Möchtest du tiefer in die KI-Transformation in der Praxis eintauchen? Höre dir die vollständige Folge mit Boris Bialek im TEQ Shift Podcast an.
