Smart und erfolgreich: KI im Mittelstand nutzen

Um wettbewerbsfähig zu bleiben ist der Einsatz innovativer Technologien für mittelständische Unternehmen essenziell. Im Gegensatz zu disruptiven Technologien der Vergangenheit, bleibt beim Einsatz von KI wenig Zeit des Abwartens. Denn international nutzen bereits viele Unternehmen KI Technologien, um ihre Geschäftsprozesse zu optimieren oder neue Customer Experiences zu ermöglichen. Das erhöht den Wettbewerbsdruck.

Um die eigene Positionierung und Differenzierung zu sichern, müssen auch mittelständische Unternehmen sich mit KI-Technologien auseinandersetzen und eine Strategie zu einem datengetriebenen Unternehmen erarbeiten.

Denken Sie immer vom Ergebnis her!

Doch aufgepasst: Um Fehlinvestition zu vermeiden, darf man nicht blind dem Hype folgen. Stattdessen muss nüchtern analysiert werden, in welchen Bereichen ein Unternehmen mit Daten und KI seine Geschäftsstrategie bestmöglich unterstützen kann und welche technologischen Ansätze dazu die effizienteste Lösung bieten.  

Den Blick allein auf die Technologie zu richten, kann schnell zu kostspieligen Fehlinvestments führen. Vielmehr muss vom Ergebnis her gedacht werden, bevor die Technik ausgewählt und implementiert wird. Mittelständler sollten daher der Empfehlung von Steve Jobs folgen, jedes Projekt vom zu erzielenden Kundenerlebnis und dem zu lösendem Problem anzugehen und sich anschließend rückwärts zur Technologie vorzuarbeiten, um eine erfolgreiche Lösung zu etablieren. 

So entwickeln Sie eine erfolgreiche Daten- und KI-Strategie

Der erste Schritt sollte daher die Ausarbeitung einer Daten- & KI-Strategie sein, die auf der Unternehmensstrategie und den geschäftlichen Herausforderungen basiert. Dann gilt es relevante Einsatzbereiche und Problemstellungen (Usecases) zu identifizieren, bei denen mit Hilfe von Daten, analytischen- und KI-Technologien, ein wesentlicher Mehrwert geschaffen werden kann. Für eine erfolgreiche Umsetzung dieser Usecases muss der Business Nutzen evaluiert, die dahinterliegenden Fragestellungen identifiziert und gelöst werden, und es muss definiert werden, welche Daten für die Umsetzung erforderlich sind. Last but not least gilt es die Komplexität der Umsetzung abzuschätzen, in Bezug auf die Datenbereitstellung und die Erstellung einer analytischen und / oder KI-basierten Lösung. Abschließend empfiehlt es sich, die Usecases entsprechend ihrer Komplexität und der erzielbaren Mehrwerte zu priorisieren.

Usecases, die einfacher umzusetzen sind und einen relevanten Mehrwert bieten, haben dabei die oberste Priorität. Hier können schnell Quick Wins geschaffen und vorzeigbare Ergebnisse erzielt werden. Im Bereich der mittleren Priorität sind Usecases anzusiedeln, die eine höhere Komplexität bei der Umsetzung haben, gleichzeitig einen hohen Mehrwert für den Business Bereich erbringen. Diese erfordern in der Erstellung und Aufbereitung der Daten einen höheren Aufwand, der oft zu einer längeren Projektlaufzeit führt. Daher sollten notwendige Tätigkeiten für die Datenbereitstellung ggf. frühzeitig und parallel zu den ersten Projekten begonnen werden.
 
Das erfordert allerdings Erfahrungen, Skills und Strukturen, die in mittelständischen Betrieben oft nicht vorhanden sind. Darum kann es insbesondere für mittelständische Unternehmen sinnvoll sein, die eigenen Kapazitäten mit externen Beratern zu ergänzen, um eine zielgerichtete Strategie auszuarbeiten. Dazu sollten sich alle Beteiligten an einen Tisch setzen und durchspielen, welche geschäftlichen Ziele mit datenbasierten Technologien erreicht werden können. 

Business-Strategie vereinfacht die KI-Implementierung  
 
Eine Umfrage von Rackspace zeigt, dass die Entscheidung über den Einsatz von KI und Machine-Learning in Deutschland nach wie vor zu 56 Prozent von den IT-Abteilungen getroffen wird. Da KI-Anwendungen aber in der Regel Auswirkungen auf das gesamte Geschäftsmodell eines Unternehmens haben, muss sich das Management, das zurzeit nur zu 28% der Entscheidungsträger ist, künftig hier viel stärker bei diesen Entscheidungen einbringen. Nur wenn die Strategie hin zu einem datengetriebenen Unternehmen aus der Unternehmensspitze heraus getrieben wird, lassen sich bereichsübergreifende Strukturen schaffen, die eine unternehmensweite, gewinnbringende Nutzung von Daten mittels KI sicherstellen. Ansonsten droht die Gefahr kostspieliger Einzellösungen, die zwar kurzfristig helfen, langfristig jedoch nicht die gewünschten Geschäftsergebnisse liefern.  
 
Ein weiterer wichtiger Faktor ist die bereichsübergreifende Bereitstellung der Datenprodukte, die für die Umsetzung der Usecases aus der Daten- & KI Strategie benötigt werden. Diese sollten in standardisierten Formaten auf einer Datenplattform bereitgestellt werden. Hier gilt es sowohl auf die Datenaktualität, die Relevanz und die Qualität der Daten zu achten, aber auch Aspekte wie Datensicherheit und Zugriffsrechte zu berücksichtigen. Durch die Bereitstellung dieser Datenprodukte können bestehende Analytics- & KI-Lösungen, aber auch neu zu erstellende Usecases, auf einer verwertbaren Datenbasis aufsetzen und effizient skalieren.  
 
Die Erstellung der Datenplattformen wird dabei über eine bereichsübergreifende Data-Governance dargestellt. Hier entscheiden die Unternehmensbereiche über die benötigten Datenprodukte, die technologischen Standards und über die Policies, wie diese umgesetzt werden; dazu gehört auch die Definition von Rollen und Verantwortlichkeiten bei der Datenbereitstellung und der Sicherung der Datenqualität, sowie die Umsetzung von Datenschutz- und IT Security Policies.  

KI-Potenzial in der Cloud voll ausschöpfen
 
Bei der Umsetzung von KI-Projekten ist die Nutzung von Cloud Plattformen ein deutlicher Vorteil. Cloud Plattformen bieten nicht nur den schnellen Zugriff auf eine Vielzahl von Technologien, die für die Umsetzung der KI-Lösungen benötigt werden, sondern optimieren auch die Total Cost of Ownership. So können große Rechenleistungen und Technologien, die nur kurze Zeit - z.B. für das Trainieren von Modellen - benötigt werden, befristet zugekauft werden. Konzepte können so schneller getestet werden und erfordern keine großen Investitionen. Gleichzeitig ist die Datensicherheit der Public Cloud Plattformen oft um ein Vielfaches umfassender - im Vergleich zu eigenen Rechenzentren. Lösungsansätze, die eine Datenverarbeitung entlang einer Wertschöpfungskette über mehrere Unternehmen und Stufen hinweg erfordern, können ebenfalls einfacher umgesetzt werden.
 
Mitarbeitende für KI-Projekte begeistern
 
Ein weiterer Erfolgsfaktor ist die Data Literacy der Mitarbeiter des Unternehmens – also die Datenkompetenz und die Fähigkeit, mit Daten kompetent umzugehen und das Verständnis, welchen Mehrwert Daten in der Steuerung von Prozessen im Unternehmen bringen können. Dazu aber braucht es eine Unternehmenskultur, die Daten sowie die Nutzung von Analytics und KI-Technologien zur Entscheidungsfindung, zur Optimierung & Automatisierung von Prozessen und zur Gestaltung einer besseren Customer Experience in das Zentrum des unternehmerischen Handelns rückt. Dies ist eine Aufgabe des Managements, den Mitarbeitern mögliche Ängste vor der Technologie zu nehmen. Denn sinnvoll eingesetzte KI-Lösungen unterstützen Mitarbeiter und helfen ihnen, ihre Arbeit effizienter zu gestalten und befähigen sie, komplexere Sachverhalte zu bearbeiten. Mit Envisioning Prozessen, Trainings und MOC-Projekten sollten die Mitarbeiter mit auf die Reise genommen werden.
 
KI-Projekte im praktischen Unternehmenseinsatz
 
Wie und wo mittelständische Unternehmen erfolgreich KI-Projekten einsetzen können, zeigen zwei Beispiele:  
 

• Viele produzierende Unternehmen wollen und müssen ihre Produktivität steigern. Hier kann KI helfen, Produktionsabläufe und Durchlaufzeiten zu optimieren. Dazu gehört auch das Identifizieren von Bottlenecks, die z.B. durch aufwändige manuelle Prozesse entstehen. In Predictive-Maintenance-Prozessen werden die Produktionsstraße und die Maschinen überwacht und möglicher Verschleiß oder anstehende Wartungsarbeiten mittels der KI identifiziert. So können gezielt Wartungsfenster eingeplant und Ausfälle und damit hohe Wiederinstandsetzungs- und Ausfallskosten vermieden werden. Zusätzlich führt dies zu einer längeren Lebenszeit des Maschinenparks.  
• Unternehmen mit alten, statisch angelegten Chatbots, die nicht dynamisch auf die Kundenbedürfnisse eingehen können oder Unternehmen, die hohe Callcenter-Kosten haben, können durch den Einsatz von LLM basierten Chatbots schnell höhere Kundenzufriedenheit bei gleichzeitig niedrigeren Kosten erzielen. Denn die Technologie hilft, die Kundenbedürfnisse besser zu verstehen und über das Einbinden des Knowledge Managements den Kunden gezielte, lösungsorientierte Antworten auf ihre Fragen anzubieten.

Komplexere Sachverhalte in einer Konversation werden dabei von dem Chatbot analysiert. Sollte das KI-System keine lösungsorientierte Antwort in der Knowledgebase finden wird das Anliegen des Kunden automatisch an einen Call Center Agent weitergeleitet. So wird einerseits eine deutliche Verbesserung der Customer Experience erreicht, andererseits die Service- bzw. Callcenter Kosten reduziert.

 
Das Fazit:

Die Implementierung von datenbasierten Lösungen wie KI und generativer KI ist für mittelständische Unternehmen vor allem dann geeignet, wenn sie konkrete Businessziele erfüllen, interne Prozesse verbessern und die Zusammenarbeit mit den Kunden optimieren. Voraussetzung dafür sind klare Konzepte, kompetente Technologie-Partner und die Nutzung der Cloud. Auf dieser Basis kann der Mittelstand maßgeschneiderte KI-Lösungen kosteneffizient, skalierbar und sicher umsetzen.  

KI-Implementierung leicht gemacht:

• Einstieg mit Analyse, welche Prozesse durch Automatisierung und digitale Technologien verbessert werden können.
• KI-Strategie in die Geschäftsstrategie integrieren
• Datenstrategie (Datagovernance) parallel zur KI-Strategie erstellen 
• Transformation braucht Orientierung (Vision und Strategie) der Mitarbeiter und Kommittent des Managements
• Internes Change-Management und Förderung einer Innovationskultur etablieren
• Partnerschaften und Netzwerke mit Technologieanbietern, Dienstleistern, Forschungseinrichtungen aktiv nutzen
• Cloud-Lösungen und robuste Sicherheitsstrategien nutzen.Compliance und Datenschutz bei Implementierung sicherstellen