AI Canvas: Das Rezept für erfolgreiche KI-Transformationen

Das Ziel ist klar: mit KI im eigenen Unternehmen Wert stiften. Der Weg dahin ist nicht ganz so klar. Der AI Canvas bietet als ganzheitliches Instrument klare Leitplanken und Schritte, die bei der Durchführung und Skalierung von KI-Projekten zum Erfolg führen. 

Künstliche Intelligenz: Adaption bleibt hinter Potenzialen zurück

In den letzten Jahren hat die Forschung im Bereich der künstlichen Intelligenz (KI, engl. AI) deutliche Fortschritte gemacht. Auch dass Unternehmen aus einer erfolgreichen KI-Transformation langfristige Wettbewerbsvorteile erzielen können, ist unumstritten. Dennoch haben laut einer CEO-Studie lediglich 65% der befragten Unternehmen eine umfassende KI-Strategie (Deloitte, 2019). Es herrscht also nach wie vor eine klaffende Diskrepanz zwischen Potenzial und Verbreitung von KI. Werfen wir einen Blick auf die Unternehmen im Bezug auf ihre KI-Reife, werden verschiedene Typen erkennbar. Viele Organisationen haben den Mehrwert der Technologie zwar erkannt, das Potenzial liegt aber immer noch brach:

Bild 1: Unterschiedliche KI-Reifegrade von Organisationen

Warum hinkt die Anwendung hinterher?

Die Hintergründe für diese Beobachtung sind vielschichtig und betreffen die folgenden drei Bereiche:

1. Businesslogik und Geschäftsmodell: Die Breite aller Unternehmen versteht KI als Mittel zum Zweck, um Prozesse effizienter zu gestalten oder repetitive Entscheidungsabläufe zu automatisieren. Die Erwartungshaltung an einen schnellen ROI ist demnach meist hoch. Welche Dynamiken jedoch mittelfristig für datengetriebene Geschäftsmodelle wichtig sind, können Firmen mit mangelnder Erfahrung oft nicht beurteilen. Deshalb fällt es den meisten schwer, die stärksten Cases zu identifizieren und ihre Ressourcen dementsprechend zu bündeln. 

2. Organisation: Aus organisatorischer Sicht mangelt es oftmals an der Synchronisation zwischen dezentral getriebenen Initiativen (Bottom-Up) und der übergeordneten Unternehmensstrategie (Top-down). Das Etablieren von Prozessen und Strukturen für eine entsprechende Ausrichtung fällt vielen Unternehmen schwer. 

3. Technologie: Mit Blick auf die technologische Hinterlegung von KI Vorhaben spielen neben Themen wie der Datenqualität auch sicherheitsrelevante und regulatorische Fragestellungen eine Rolle. Nur selten haben Organisationen darauf eine Antwort.

Die Notwendigkeit einer Methodologie für KI  

Um die Möglichkeiten von KI gewinnbringend auszuschöpfen, müssen strategische Planung und organisatorische Flexibilität aufeinandertreffen. Eine stringente Methodologie, die schnell laufende Prozesse an langfristigen Zielen ausrichtet, ist für die erfolgreiche Umsetzung und Skalierung von Anwendungsfällen notwendig.  KI-Projekte zeichnen sich durch ihre dynamische Natur sowie inhärente Unsicherheit aus. Interne und externe Anforderungen, Änderungen in den Daten oder der technologischen Infrastruktur haben große und oft unvorhersehbare Auswirkungen auf den Projekterfolg.

Es ist daher notwendig, ein Verständnis für all diese Faktoren zu entwickeln und sie in die strategische Planung auf hoher Ebene zu integrieren. Dataset Drifting, Veränderungen der Rahmenbedingungen und die schnelle Entwicklung von KI erfordern einen iterativen Ansatz zur Definition und Überwachung von KI-Produkten. Im Gegensatz zu konventionellen Technologien betrifft KI dabei nahezu jeden Teil einer Organisation. Die Schaffung von Transparenz und Verständnis ist dabei ebenso erforderlich wie eine koordinierte, ganzheitliche Herangehensweise für die Implementierung von KI. 

Der AI Canvas: mit Methode und Geschwindigkeit ans Ziel

Eine Antwort auf die Notwendigkeit einer methodischen Hinterlegung sowie die speziellen Charakteristika von KI liefert der AI Canvas, ein strategisches Toolkit für die Umsetzung von KI-Projekten. Als Planungsinstrument für die Entwicklung, Implementierung und Skalierung von KI-Anwendungsfällen sowie für die Ausarbeitung langfristiger KI-Strategien ist die Methodologie speziell auf KI-Vorhaben und deren beschriebenen Charakteristika zugeschnitten. Als Ergebnis gemeinschaftlicher Arbeit von Merantix Labs und der Universität St. Gallen vereint der AI Canvas die aktuellsten Erkenntnisse aus Wissenschaft und Anwendung. Das hierarchisch aufgebaute Rahmenwerk adressiert die beschriebenen Komplexitätstreiber von KI-Projekten und ist auf oberster Ebene in die Säulen Business, Organization, Technology und Lifecycle gegliedert.

Bild 2: Hierarchischer Aufbau des AI Canvas

• Problem- und Domänen-Verständnis sowie die Übersetzung der Anforderungen in KI-basierte Produkte/Services sind ebenso wie das Überführen in messbare Leistungsindikatoren wesentlicher Bestandteil für die Bewertung von KI Investitionsvorhaben (Business).

• Ein Unternehmen so aufzustellen, dass es mit Ressourcen und Prozessen rasche Innovationszyklen vorantreiben kann, ist entscheidend. So kann ein möglichst effektives Ökosystem für die Entwicklung und Skalierung von KI gebaut werden (Organization).

• Neben Fragestellungen zu Daten und technologischem Setup entstehen aufgrund der Neuartigkeit vieler KI-Anwendungen Herausforderungen auf operativer Ebene. Regulatorische,  haftungs- und sicherheitsrelevante Aspekte werden wichtig, wenn KI-Anwendungen mehr und mehr vernetzt werden (Technology).

• Ein entscheidendes Merkmal von KI-Systemen ist ihre dynamische Natur. Änderungen der zugrundeliegenden Datenverteilung, der KPIs oder der organisatorischen Aufstellung erfordern eine Neubewertung der Technologie und der Modelle. KI-Produkte durchlaufen einen Lebenszyklus, der alle Säulen (Business, Organization, Technology) des AI-Canvas umfasst.

Fallstudie

Entsprechend des KI-Reifegrads einer Organisation ist eine Anwendung sowohl auf Use-Case-, Skalierungs- oder gar Organisationsebene möglich. Ein Beispiel: Ein großes europäisches Verlagshaus hat bereits erfolgreich einen Proof of Concept in einem seiner Subunternehmen implementiert (KI-Explorer). Ziel war eine gewinnbringende Skalierung dieses Anwendungsfalls und der Wandel zur datengetriebenen Organisation. 

Die Anwendung des AI Canvas legte offen, dass die damalige Organisationsstruktur eine weitgehende Entkopplung einzelner Subunternehmen zur Folge hatte. Durch den Aufbau eines lateralen, hybriden KI-Hubs wurde der Austausch von Wissen über die entkoppelten Organisationseinheiten hinweg sichergestellt und die Entstehung eines KI-Ökosystems initiiert. Der entstandene KI-Hub trägt seither zur nachhaltigen Talentakquise für die interdisziplinär erforderlichen Projektteams im Rahmen der KI-Strategie bei. Der KI-Hub sorgt dafür, dass sowohl einzelne Projektideen auf strategische Prioritäten einzahlen, als auch unterschiedliche Fachbereiche aus dem Unternehmen koordiniert und Synergien effizient genutzt werden.

Einige der Subunternehmen arbeiteten außerdem mit hochsensiblen Daten. Mit Hilfe des AI Canvas wurden diese Erkenntnisse systematisch in Anforderungen an die Dateninfrastruktur und das technologische Setup überführt. Operativ umgesetzt wurden die Anforderungen durch eine scharfe Trennung einzelner Datenbankschemata, die Vereinheitlichung von Standards und die Neudefinition von Schnittstellen. Synergien zwischen einzelnen Subunternehmen hinsichtlich Daten und Infrastruktur wurden schnell transparent. 

Für den einstigen KI-Explorer erwies sich der AI Canvas als wirkungsvolles Werkzeug, ein beständiges Setup für zukünftige KI-Vorhaben zu etablieren. Die identifizierten Synergien tragen heute maßgeblich zur Transformation in ein KI-getriebenes Geschäftsmodell bei.