KI ist nicht billig

Bild: »Die Einführung von KI in Unternehmen darf nicht von der Frage getrieben sein, wo und wie schnell sich Personalkosten einsparen lassen. Mehrere große Unternehmen haben bereits unfreiwillig gezeigt, dass dieser Ansatz nicht funktioniert«, erklärt Laura Gandlgruber.

Worauf müssen Unternehmen besonders achten, wenn sie sich dem Thema KI widmen wollen?

Laura Gandlgruber: »Unternehmen sollten sich bewusst sein, dass Künstliche Intelligenz kein reines IT-Thema ist, sondern eine Querschnittsaufgabe, die strategisch angegangen werden muss. Integration von KI in Unternehmen gelingt nur, wenn es ein gemeinsames Verständnis dafür gibt, was mit KI erreicht werden soll, wo man als Organisation langfristig hin will und wie dieser Weg konkret gegangen werden soll. Letztendlich steht und fällt dann aber auch alles mit einem breiten Kompetenzaufbau im Unternehmen: Wer KI einführen will, muss zuerst Verständnis in der Organisation dafür aufbauen, was KI ist und wie sie funktioniert, und zwar vor allem dort, wo das Fachwissen der Organisation sitzt. Wird KI rein von oben und nur an konkreten Einzelanwendungen orientiert eingeführt, fehlt der strategische Unterbau.

Wo muss das Thema im Unternehmen demnach angesiedelt sein? Ganz oben beim CEO? Oder braucht es einen eigenen KI-Experten?

Gandlgruber: Kurze Antwort: Überall. KI gehört nicht allein in die IT-Abteilung oder in die Führungsetage. Idealerweise ist es auch Chefsache, aber nicht im Sinne von Kontrolle, sondern weil es eine strategische Zukunftsfrage ist. Entscheidungsträger*innen müssen wissen, wovon sie sprechen und worüber sie entscheiden. Gleichzeitig müssen diejenigen, die am stärksten betroffen sind, nämlich die operativen Mitarbeitenden, eingebunden werden und nicht top-down etwas verordnet werden nach dem Motto »Wir führen KI ein, wir suchen jetzt erstmal die besten Use Cases.« Idealerweise entwickeln diejenigen, die KI einsetzen sollen, ihre Use Cases selbst und zwar auf Basis ihrer Expertise in ihrem Arbeitsbereich. Das ist aber nur möglich, wenn bei allen Mitarbeitenden entsprechende KI-Kompetenzen aufgebaut werden und es auch Räume dafür gibt, Zweifel und Ängste artikulieren zu können. Sonst besteht die Gefahr, dass Mitarbeitende KI als Fremdkörper statt als Unterstützung erleben. Um das zu vermeiden, müssen sie frühzeitig eingebunden, befähigt und ernst genommen werden, denn oft haben Mitarbeitende in Unternehmen schon negative Erfahrungen mit dem Thema Digitalisierung gemacht und stehen auch deshalb Neuentwicklungen in diesem Bereich skeptisch gegenüber.

Eine Person zu haben, die als integrierende Ansprechperson für das Thema KI wirkt, ist meiner Meinung nach zentral. Nicht in dem Sinn, dass alles, wo KI draufsteht, dann an diese Person abgegeben wird, sondern, dass hier jemand ist, der dafür sorgt, dass der Einsatz reibungslos funktioniert, dass die Mitarbeitenden mitgenommen werden und auch dafür sorgt, dass das Thema KI, das einem extrem schnellen Wandel unterworfen ist, auch nach der Einführung strategisch weiterentwickelt wird.

Was sind häufige Fehler, die bei der Einführung von KI passieren?

Gandlgruber: Die Einführung von KI in Unternehmen darf nicht von der Frage getrieben sein, wo und wie schnell sich Personalkosten einsparen lassen. Mehrere große Unternehmen haben in den vergangenen Monaten unfreiwillig gezeigt, dass dieser Ansatz nicht funktioniert: Sie haben in Erwartung automatisierter Effizienzsteigerung Personal abgebaut, nur um dann festzustellen, dass das so nicht funktioniert und man nach wie vor Menschen braucht, die Ergebnisse prüfen, Entscheidungen einordnen und Systeme laufend kontrollieren. In der Folge mussten sie erneut rekrutieren, Know-how aufbauen etc. Das zeigt: Nur wer versteht, wie KI-Systeme funktionieren und wie sie bedient werden müssen, kann auch verantwortungsvoll darüber entscheiden. Natürlich kann KI die Effizienz steigern, ihr großer Wert liegt jedoch auch in der Verbesserung der Qualität, und sie kann Mitarbeitende von repetitiven Aufgaben entlasten und Raum schaffen für das, was menschliche Arbeit ausmacht: Kreativität, Kundennähe, Problemlösung. Diese Entlastung ist nicht nur für die Beschäftigten, sondern auch für das Unternehmen ein Gewinn.

Wo sehen Sie die größten Quick Wins? Wo gibt es niederschwelligen Zugang mit hohem Mehrwert?

Gandlgruber: »Unter Quick Wins verstehe ich grundsätzlich alles, was Arbeitserleichterung oder Zeitersparnis zu tun hat. Einen hohen Mehrwert sehe ich vor allem darin, repetitive Aufgaben teil­automatisieren zu können, wie z. B. das Verfassen von Protokollen. Auch kann KI gut helfen bei der Strukturierung von Information, etwa bei Zusammenfassungen oder Kategorisierungen, sowie in der Kommunikation bei Übersetzungen oder der Anpassung von Texten. Auch lästige und zeitaufwändige Aufgaben wie Terminfindung lassen sich mit den entsprechenden Tools wesentlich erleichtern.

Quick Wins lassen sich aber in der Regel nur mit bestehenden Systemen wie ChatGPT oder Copilot erreichen, die tatsächlich niederschwellig zugänglich sind, ohne dass man eine firmeneigene IT aufbaut. Allerdings muss man auch hier die Mitarbeitenden vorher insbesondere in Hinblick auf datenschutzrelevante Themen schulen und auch auf die Risiken hinweisen, die immer mit dem Einsatz solcher Tools einhergehen.

Mit welchen Anlaufkosten für Technologie und Personal muss gerechnet werden?

Gandlgruber: »Zusammenfassend muss man sagen: Billig ist das alles nicht! Zumindest nicht, wenn man es richtig machen will. Je nachdem, wie tief KI integriert ist, ist das auch entsprechend kostspielig. Wenn man eine firmeninterne KI implementieren möchte, braucht es eine stabile und leistungsfähige Infrastruktur. Unternehmen benötigen entweder eigene Hardware – etwa GPU-Server mit entsprechender Kühlung, Speicher und Netzwerkstruktur – oder sie setzen auf skalierbare Cloud-Dienste. Letzteres reduziert zwar die Einstiegskosten, bringt aber laufende Gebühren mit sich und vor allem zusätzliche Anforderungen an Datenschutz und IT-Sicherheit.

Weiters braucht es Trainingsdaten, sie sind das Fundament jeder KI. Diese muss man sammeln, strukturieren und validieren, was Zeit, Ressourcen und Fachwissen kostet. Und es braucht Tools zur Modellversionierung, zur Prozessintegration und zur Überwachung.

Nicht zu unterschätzen sind auch die Personal- und Projektkosten. Neben Datenexpert*innen und Machine-Learning-Engineers ist auch ein methodisches Projektmanagement gefragt: Es braucht Menschen, die Komplexität reduzieren, klare Ziele formulieren und wirtschaftliche Tragfähigkeit methodisch absichern. Zusätzlich müssen Kompetenzen im Unternehmen aufgebaut werden und aktives Change Management betrieben werden. Das gilt auch bei Produkten von der Stange wie ChatGPT. Zusätzlich fallen hier auch noch Lizenzkosten an.