Die Effizienz-Falle: Wie Mittelständler die falschen KI-Projekte vermeiden
KI-Adaption im deutschen Mittelstand - Teil 2: Anwendungsfälle finden
KI-Projekte scheitern nicht an der Technik. Sie scheitern an überzogenen Erwartungen, falscher Auswahl der Anwendungsfälle und fehlender Begleitung. Ohne den richtigen Start wird das Budget verschwendet.
KI muss sich rechnen
Um auf einen guten Anwendungsfall zu kommen muss zunächst einmal geklärt werden, wann er denn gut ist. Dazu gibt es verschiedene Perspektiven, die man einnehmen kann. Die wohl wichtigste Perspektive ist die Wirtschaftlichkeit, denn das ist es, was am Ende entscheidet. Es bietet sich also an, von Anfang an die Frage zu stellen, ob sich jemals so etwas wie ein Return On Invest einstellen kann. Dieser kann dadurch zustande kommen, dass Effizienzsteigerungen erreicht werden und damit entweder Kosten reduziert oder der Output erhöht werden kann oder ein signifikanter Einfluss auf andere, auch indirekte Größen ausgeübt wird. Als Bewertungsdimensionen können die folgenden dienen:
Effizienz - Ich brauche weniger Ressourcen für denselben Output oder erreiche mit denselben Ressourcen höheren Output.
Beispiel: Automatisierte Verarbeitung unstrukturierter Dokumente, die bislang manuell erfolgt.Wachstum - Durch den Einsatz von KI wird der Umsatz / Absatz erhöht.
Beispiel: KI im Marketing erhöht die Reichweite und Conversion Rate mit dem Ergebnis, dass mehr Aufträge generiert werden.
Qualität - KI-gestützte Qualitätssicherung sorgt für geringere Ausschussraten und Retouren.
Beispiel: KI-gestützte Bilderkennung erhöht die Präzision in der Fehlerkennung in einer Produktionsstraße.
Innovation - Die Geschwindigkeit und der Product Market Fit von Produktneuerungen erhöht sich.
Beispiel: Digitale Zwillinge von Produkten / Installationen lassen Schwachstellen und Verbesserungspotentiale schneller sichtbar werden und das verschafft einen Wettbewerbsvorteil.
Organisation / Kultur - Die verstärkende Wirkung des KI-Einsatzes für jede Anwenderin und jeden Anwender sorgt für positive Stimmung und einen Wettbewerb der Ideen und der Leistungsbereitschaft.
Beispiel: Der Einsatz eines KI-Assistenten mit dem Expertenwissen des Unternehmens ermöglicht es auch Nicht-Experten, Kundenanfragen qualifiziert zu beantworten.
Wenn Anwendungsfälle gezielt nach diesen Kriterien gewählt bzw. bewertet werden, ergibt sich oft schon ein sehr viel klareres Bild, als nach dem ersten Brainstorming. Nichtsdestotrotz sind diese Kriterien eher für die Bewertung, als für die Suche nach Anwendungsfällen geeignet.
Fundamentale Kriterien - First Principles
“Vom Wiegen wird die Sau nicht fett” - Alte Bauernweisheit
Was Bauern seit langer Zeit wissen, gilt auch für andere Bereiche. Es ist gut, messen zu können, aber was man misst, muss man erzeugen.
Vor der Bewertung nach den oben genannten Kriterien lohnt es sich daher, sich zu vergegenwärtigen, an welchen Stellen KI ihre Stärken wirklich ausfahren kann. Viele der Anwendungsfälle, die bei einer typischen Brainstorming Session entstehen entpuppen sich im Nachhinein als Automatisierungsthemen. Hier kann KI mitunter nützlich sein, aber vielfach lässt sich das Automatisierungsproblem auch einfach mit herkömmlichen Methoden lösen. Die Probleme, die bislang einer Automatisierung im Wege standen sind oft fehlende Systemintegration und Medienbrüche sowie verteilte Daten in geschlossenen Silos. Wenn dies der Fall ist, handelt es sich nicht um ein Problem, das nur oder besser mit KI gelöst werden kann.
Trotzdem sind wir hier einer wesentlichen Eigenschaft von KI auf der Spur, wenn wir das Thema Medienbrüche genauer betrachten. Diese entstehen oft durch Prozesse, die Daten über die Grenzen mehrerer Systeme und / oder Unternehmen bzw. Abteilungen verarbeiten. Wenn das jedoch schon alles wäre, bräuchte man ja nur Schnittstellen und könnte die Systeme zusammenschalten, Fall erledigt. Selbst wenn hier Datenformate konvertiert werden müssten, wie es EDI-Plattformen tun, wäre das immer noch nicht besser mit KI oder nur mit KI lösbar. Die notwendige Zutat hierfür ist eine andere.
Verarbeitung von Daten, mit denen sonst nur Menschen klarkommen
Jeder Fall, der sich nicht durch Automation lösen lässt, prallt an derselben Stelle ab, nämlich der Unfähigkeit von Computern semi-strukturierte oder unstrukturierte Daten selbständig in strukturierte Daten zu verwandeln.
Eine Bestellung, die in XML, JSON, EDIFACT oder ähnlichem daher kommt, kann in jedes ERP eingelesen werden. Mit oder ohne vorherige Transformation. Kommt diese Bestellung jedoch als E-Mail in Prosaform an, haben wir den typischen Medienbruch, der dazu führt, dass ein Mensch diese Mail lesen, interpretieren und dann - Horror für jeden Prozessoptimierer - manuell durch Copy & Paste oder Abtippen in ein Verarbeitungssystem (ERP, Warenwirtschaft, CRM, ...) übertragen muss. Natürlich gibt es auch für solche Fälle bereits seit einiger Zeit Tools und Techniken wie bspw. OCR (Optical Character Recognition), welche beispielsweise in der Rechnungseingangsverarbeitung angewendet werden. Diese Systeme haben jedoch hohe Fehlerraten und müssen teilweise immer noch darauf trainiert werden, auf Rechnungsdokumenten an den richtigen Stellen zu suchen und die Daten als Text bzw. Zahlen zu extrahieren. Wenn das Eingangsdokument etwas anders aussieht, funktioniert es schon nicht mehr. Mit KI lässt sich hier ein wesentlicher Sprung in der Erkennungsrate erreichen. Mittlerweile existieren dedizierte Modelle für die Dokumentenextraktion, die im Grunde beliebige Dokumente interpretieren und Informationen daraus extrahieren können. Eingebettet in einen Workflow, lässt sich damit ein hoher Automatisierungsgrad für ehemals rein manuelle Teilprozesse erzielen.
Ein weiterer Bereich, in dem Computer bisher zwar schon hilfreich waren, aber nicht ohne menschliche Bedienung ausgekommen sind, ist die Verarbeitung großer Datenmengen / Dokumente in Bezug auf die Extraktion von Informationen wie Kernaussagen oder strukturierte Zusammenfassungen und darüberhinaus die sinnvolle Verknüpfungen der Informationen aus mehreren Dokumenten.
Wann immer sich solche Problemstellen in Prozessen oder generell in der täglichen Arbeit zeigen, sind das erst einmal gute Kandidaten für einen KI-Anwendungsfall. Um die Brücke zur Wirtschaftlichkeit zu schlagen braucht es aber mindestens eine weitere Eigenschaft.
Mengengerüste
Wenn der Anwendungsfall perfekt mit KI lösbar ist, die Frequenz der Anwendung jedoch gering, wird sich die Investition wahrscheinlich nicht rechnen. Es geht also immer auch um die Menge an Fällen, über die geredet wird. Selbstverständlich kann man auch andere Kriterien höher priorisieren, zum Beispiel die reine Demonstration der Machbarkeit, um mit diesem Momentum weitere, lohnenswertere Anwendungsfälle anzugehen. Dieses Experimentieren mit KI ist auch ein wichtiger Schritt in der Reifegrad-Entwicklung eines Unternehmens. Insofern ist es manchmal auch gut, sich als ersten Anwendungsfall nichts auszusuchen, bei dem es direkt um maximalen ROI geht, sondern den Lerneffekt in den Vordergrund zu stellen. Wenn das Gelernte dann idealerweise auf viele - dann wirtschaftlich relevante Anwendungsfälle - übertragbar ist, lohnt sich dieser Ansatz sehr. Bei einer Betrachtung des einzelnen Falls ist eine große Häufigkeit jedoch ein starker Indikator für einen passenden Anwendungsfall zur Lösung mit KI.
Wir landen hier leider auch in einem Dilemma. Die Anwendungsfälle mit hoher Frequenz und dem Potential des Ersatzes von manueller Arbeit durch digitale Prozesse gehen immer auch einher mit der Ablehnung durch die betroffenen Mitarbeiterinnen und Mitarbeiter. Dementsprechend werden diese Vorgänge zumindest von den betroffenen Personen nicht genannt und müssen entweder sehr offensichtlich sein oder durch andere identifiziert werden. Widerstand ist an dieser Stelle allerdings nahezu garantiert. Wer sägt schon gerne an dem Ast auf dem er sitzt? Hier ist eine sensible Vorgehensweise wichtig, die transparent darlegt, wie mit Effizienzsteigerungen umgegangen werden soll. Dafür gibt es aktuell genug Ansätze von der Verlagerung der Aufgaben auf wertschöpfendere Tätigkeiten bis hin zur Tatsache, dass es vielfach kaum eine Alternative zur Automatisierung gibt, um dem Fachkräftemangel zu begegnen.
Nicht datenlos zusehen
Die Fähigkeiten von KI in Bezug auf Datenauswertung und Datennutzung werden häufig sehr verklärt gesehen. Selbstverständlich ist der Umgang mit Daten die Domäne der künstlichen Intelligenz und hier liegt auch großes Potential. Leider kann keine KI ohne zum Teil erheblichen Aufwand in der Datenvorbereitung echten Mehrwert aus bis dato eher ungenutzten Datenbeständen erzeugen. Genau das ist jedoch häufig die Hoffnung: Können wir nicht ”eine KI” an unser ERP anschließen, um unsere Lagerbestände zu optimieren und unsere Kapitalbindung an der Stelle reduzieren? KI anschließen geht, aber optimierte Lagerbestände kommen dann nur raus, wenn noch etwas Feenstaub am Lager ist ... Spaß beiseite: KI kann hier großartige Ergebnisse erzielen, aber vorher braucht es ein Projekt zur Datenaufbereitung und -bereinigung. Selbstverständlich kann jemand mit tieferem Verständnis von KI und dem entsprechenden Tool-Einsatz auch ohne vorherige Datenbereinigung Mehrwert aus dem Einsatz ziehen, aber in der Breite sind es vorläufig noch die Fälle mit wiederkehrenden Einsatzfällen, die sich lohnen.
Andererseits lohnt es sich auf jeden Fall, die Belegschaft zu befähigen, um einen souveränen Umgang mit den Tools zu erreichen. Das stellt sicher, dass auch ad hoc - Anwendungsfälle mit der verstärkenden Wirkung von KI gelöst werden können und damit gerade auch in Bezug auf Datenauswertung Fragen beantwortbar sind, die vorher nicht bekannt waren. Aufgrund dieser Bedeutung der Befähigung ist dem Thema ein eigener Teil in dieser Reihe vorbehalten.
Beispiele zeigen
Je nach Wissensstand des Teams, mit dem die Anwendungsfälle erarbeitet werden, bietet es sich an, mit Beispielen zunächst das Spektrum aufzuzeigen und die kreativen Säfte zum Fließen zu bringen. Allerdings besteht die Gefahr, dass diese Beispiele auch den Lösungsraum zu stark definieren, daher liegt es in der Verantwortung des Moderators, hier eine sinnvolle Auswahl zu kuratieren und sich auf die Teilnehmer einzustellen.
Leitfragen
Ein wichtiges Instrument für die explorative Arbeit am Anfang sind Leitfragen. Anhand dieser Fragen, lassen sich die Gedanken auf die richtigen Stellen lenken, an denen potentiell gute Anwendungsfälle zu finden sind. Hier sind einige Beispiele:
Wo haben wir manuelle Arbeit mit Daten (Copy & Paste, Abtippen, Export/Import, Excel-Tools)?
Hintergrund: Im oben genannten Sinne handelt es sich hier entweder um Prozesse, die einfach noch nicht per Schnittstellenanbindung optimiert wurden oder um solche, bei denen es keine einfache Schnittstellenanbindung gibt, weil Daten unstrukturiert sind.
Beispiel: Abgleich von Frachtlisten und -rechnungen vom Logistiker.
Wo muss jemand viele Dokumente lesen und dafür viel Zeit aufwenden, um eine Entscheidung zu treffen oder die Inhalte zu verstehen und wichtige Punkte zu extrahieren?
Hintergrund: Vorschriften, Verträge, juristische Schriftsätze, Bewerbungsschreiben etc. sind immer noch in der Regel lange Texte, die es zu verstehen gilt, um wichtige Fragen zu beantworten. KI kann hier eine wertvolle Arbeit leisten, in dem diese schnell verarbeitet und bewertet werden können.
Beispiel: Automatisierung des Screenings von eingehenden Bewerbungen
(ACHTUNG: Hier handelt es sich um personenbezogene Daten und es muss besondere Sorgfalt gelten. Darüberhinaus ist die EU KI-Verordnung zu beachten.)
Wo haben wir Daten, von denen wir glauben, dass wir sie zur mehrwertstiftend einsetzen können? Wo haben wir Optimierungsbedarf, den wir mit vorhandenen Daten lösen könnten, aber die Daten nicht zu nutzen wissen?
Hintergrund: Die meisten Unternehmen verfügen über viele Daten, in denen häufig auch wichtige Informationen verborgen sind oder die für die Optimierung von Prozessen genutzt werden könnten, aber es fehlen die Instrumente, um dies zu tun.
Beispiel: Optimierung von Lagerbeständen anhand der historischen Daten aus dem ERP in Bezug auf Zu- und Abgänge im Lager, Bestelleingänge und Lagerbewegungen.
Eine vollständige Liste von Leitfragen steht hier zum Download bereit: Klick - Link zum Download
Mit einer anhand der Leitfragen ermittelten Liste an Anwendungsfällen geht es nun in die Bewertung.
Bewertungsschema
Häufig wird die Bewertung von Anwendungsfällen oder auch Projekt- oder Produktideen rein subjektiv innerhalb einer Gruppe getroffen. Typische Dynamiken, wie ”Highest paid person in the room decides” - auch als Schulterklappensyndrom bekannt - verhindern, dass eine objektive Entscheidung getroffen wird. Das wiederum stellt den Erfolg der ganzen Aktion infrage. Es lohnt sich daher systematisch vorzugehen und Objektivierbarkeit in den Vordergrund zu stellen.
Hier sollen drei Möglichkeiten vorgestellt werden, die sich in der Praxis bewährt haben:
Einordnung nach Lösungskategorie
Wie oben bereits erläutert, sind viele Anwendungsfälle, die bei Brainstorming-Sessions für den Einsatz von KI auf den Tisch kommen, bei genauer Betrachtung eher einer anderen Kategorie zuzuordnen. Folgende Kategorien kommen häufig vor, können aber auch ergänzt werden:
Künstliche Intelligenz
Diese Kategorie muss natürlich als erste dabei sein, weil alles, was ausschließlich dieser Kategorie zuzuordnen ist, von der Einordnung her perfekt wäre. Ein Anwendungsfall fällt in diese Kategorie, wenn er nur mittels KI oder wesentlich besser mit KI, als mit anderen Ansätzen zu lösen ist.
Automatisierung
Viele Anwendungsfälle sind eigentlich in dieser Kategorie. Häufig geht es um die Beseitigung von vielen oder umständlichen manuellen Schritten. Wie oben bereits beschrieben, braucht es KI in solchen Fällen nur, wenn weder Schnittstellen noch Datenformate für die Verbindung der beteiligten Systeme vorhanden sind.
Data Analytics / Data Science
Alles, was in Richtung Datenauswertung und Sichtbarmachung von Daten einhergeht, gehört in jedem Fall in diese Kategorie. Ob KI dafür eingesetzt werden muss oder der Einsatz von KI vorteilhaft ist, muss genau bewertet werden.
Standardsoftware
Sehr häufig kommt es vor, dass Anwendungsfälle genannt werden, von denen man vor der Einschätzung in Bezug auf die anderen Kategorien zunächst mal zu der Einschätzung kommt, dass hier besser eine Standardsoftware eingesetzt werden sollte. Wenn das der Fall ist, sollte diese Option zunächst geprüft werden.
Im einfachsten Fall erfolgt die Zuordnung einfach in eine oder mehrere Kategorien. Wenn die Bewertung differenzierter erfolgen soll, dann kann man hier auch prozentuale Werte vergeben für jede Kategorie, in die ein Anwendungsfall eingeordnet wird. Dadurch ergibt sich ein noch besseres Bild und Anwendungsfälle, die dieselbe Zuordnung haben, lassen sich besser gegeneinander bewerten und abrenzen.
Wirtschaftlichkeitskriterien
Diese fünf Kriterien wurden oben bereits gesprochen:
Effizienz
Wachstum
Qualität
Innovation
Organisation / Kultur
Darüberhinaus gibt es bewährte Bewertungsschemata wie das RICE-Schema, welche entweder generell oder zusätzlich zur Bewertung herangezogen werden können.
RICE-Schema
Dieses Bewertungsschema ist nicht explizit für die Bewertung von KI-Anwendungsfällen vorgesehen, funktioniert aber auch hier gut.
RICE steht für:
Reach / Reichweite: Welche Reichweite erziele ich mit der Realisierung des Anwendungsfalls?
Erläuterung: Hier lohnt es sich zwischen intern und marktorientiert zu unterscheiden, weil in den meisten Fällen die Anzahl der potentiellen Kunden, die betroffen sind, größer ist, als die Anzahl der Mitarbeiter bei internen Themen. Da für die Bewertung ein Score aus allen vier Domensionen berechnet wird können so Verzerrungen entstehen. Man kann dies auch normieren, in dem man immer mit der prozentualen Reichweite arbeitet.
Impact / Einfluss: Wie groß ist der Einfluss auf die Zielgruppe?
Erläuterung: Lässt sich am einfachsten in Niedrig bis Hoch bewerten. Hierzu kann eine Likert-Skala von 1 - 5 angewendet werden.
Confidence / Vertrauen: Wie sehr vertraue ich meiner eigenen Einschätzung? Wie sicher bin ich mir damit?
Erläuterung: Wenn es innerhalb der Gruppe wenig Diskussionen zu einem Thema gibt, ist die Confidence hoch, wenn es eine weite Spreizung innerhalb der Gruppe gibt, ist sie eher niedrig. Angaben können in Prozent erfolgen.
Effort / Aufwand: Wieviel Aufwand würde für die Realisierung anstehen?
Erläuterung: Auch hier bietet es sich an, zunächst mit einer normierten Skala zu starten, die es allen Beteiligten einfach macht, eine Einschätzung abzugeben. Das einfachste ist eine Skala in T-Shirt-Größen (XS, S, M, L, XL), deren Werte sich oft erst im direkten Vergleich zwischen den einzelnen Schätzungen einpendelt. Wenn das eine Paket ein L bekommt, dann muss das andere aber XS sein ... Wir können in generell besser vergleichend als absolut schätzen. Hierfür ist es auch sinnvoll, ein Referenzpaket zu definieren. Für die Berechnung des Scores müssen die T-Shirt-Größen noch in numerische Werte umgewandelt werden, zum Beispiel: XS = 1, S=5, M=15, L=30, XL=50, XXL=100.
Der Score berechnet sich grundsätzlich folgendermaßen:
S = (R x I x C) / E
Tipp: Wenn die Reihenfolgen / Rankings, die sich aus den einzelnen Bewertungsmethoden ergeben weit voneinander abweichen, dann lohnt sich ein zweiter Blick. Wenn sie gut übereinander liegen, dann sind die Rankings plausibel.
Eine Beispiel-Excel-Datei steht hier zum Download bereit: Download
Use Case Canvas
Abschließend soll noch der Use Case Canvas vorgestellt werden, der sich bei der Identifikation von KI-Anwendungsfällen ebenfalls als sehr nützlich herausgestellt hat. Im Grunde handelt es sich um die in anderen Bereichen bewährte Methode, alle relevanten Aspekte eines Themas auf einem übersichtlichen sogenannten Canvas (Vordruck als Poster oder DIN A 3/4 bzw. digital als editierbares Format) geführt festzuhalten und damit zu visualisieren. Bekanntestes Beispiel ist wahrscheinlich der Busines Model Canvas.
Wir haben zwei verschiedene Varianten zum Download bereitgestellt: Download
Fazit
Der Auswahl des richtigen Anwendungsfalls für den Start in die systematische und professionelle KI-Nutzung kommt eine herausragende Bedeutung zu, weil sie über den weiteren Verlauf maßgeblich mitentscheidet. Hier sei auch noch einmal jemand zitiert, der als echte Größe auf dem Gebiet folgendes gesagt hat:
”Es ist wichtiger, dass Ihre ersten KI-Projekte erfolgreich sind, als dass sie die wertvollsten KI-Projekte sind. Sie sollten aussagekräftig genug sein, damit die ersten Erfolge Ihrem Unternehmen helfen, sich mit KI vertraut zu machen und auch andere im Unternehmen zu überzeugen, in weitere KI-Projekte zu investieren; sie sollten nicht so klein sein, dass andere sie als trivial ansehen würden. Wichtig ist, dass Sie das Schwungrad in Gang bringen, damit Ihr (KI-)Team an Fahrt gewinnt.”
Andrew Ng, ehemaliger Leiter von Google Brain und der Baidu AI Group
Mit den vorgestellten Hintergründen und Werkzeugen hoffen wir eine gute Starthilfe geben zu können! Generell gilt aber auch: Anfangen ist wichtiger, als Perfektion!
In diesem Sinne: Viel Erfolg!



