Suchen

Technologie 7 Fehler bei der Einführung von Künstlicher Intelligenz

| Redakteur: Georgina Bott

Künstliche Intelligenz liegt im Trend. Allerdings können sich Unternehmen beim Einsatz der Technologie leicht vertun. Gerade in der Einführung von Künstlicher Intelligenz werden häufig Fehler gemacht. Hier finden Sie sieben häufige Fehlerquellen.

Setzten Unternehmen Künstliche Intelligenz ein, ohne sich vorher umfangreich damit zu beschäftigen, können im Prozess der Implementierung einige Fehler auftauchen.
Setzten Unternehmen Künstliche Intelligenz ein, ohne sich vorher umfangreich damit zu beschäftigen, können im Prozess der Implementierung einige Fehler auftauchen.
(Bild: gemeinfrei / CC0 )

Künstliche Intelligenz (KI) wird mehr und mehr zu einer Standard-Technologie. Von der industriellen Fertigung über Büroanwendungen bis zu komplexen CRM-Lösungen, überall ermöglicht KI die Automatisierung von Prozessen. Allerdings verfügen die meisten Unternehmen noch über wenig Erfahrung im Umgang mit KI, weshalb oft Fehler gemacht werden. Die folgenden sieben Fehler treten häufig bei der Implementierung von Künstlicher Intelligenz auf.

1. Kein echter Mehrwert

Viele Unternehmen planen den Einsatz von KI, nur weil KI ein Hype ist, nicht weil sie einen klaren Mehrwert realisieren können. So ein Mehrwert kann beispielsweise eine höhere Kundenzufriedenheit, Cross- oder Upselling-Möglichkeiten, die Prozessoptimierung oder die Qualitätssteigerung sein.

2. Fehlende Kommunikation

Wird der Einsatz von KI den Anwendern nicht kommuniziert, erfahren sie zum Beispiel gar nicht, dass sie mit einem KI-gestützten System interagieren. Das kann später zum Vertrauensverlust und zur Ablehnung führen.

3. Unzureichende Datengrundlage

In der Regel ermitteln KI-Systeme aus großen Datenmengen wiederkehrende Muster; ist dabei die Datenbasis nicht ausreichend, haben die Ergebnisse keine Relevanz.

4. Blindes Vertrauen

Auch wenn IT-Systeme in manchen Anwendungsfällen erstaunliche „Intelligenz“ aufweisen, eignen sich nicht alle Anwendungsfälle für KI – etwa wenn keine hinreichend operationalisierbaren Daten bereitgestellt werden können.

5. Fehlende Transparenz

Aufgrund der großen Anzahl von Einflussfaktoren und Methoden für die Ermittlung von KI-Ergebnissen kann es schwierig bis unmöglich sein, nachzuvollziehen, wie ein bestimmtes Ergebnis zustande gekommen ist. Je nach Anwendungsfall kann es jedoch notwendig sein, eine entsprechende Transparenz sicherzustellen, zum Beispiel bei Therapieempfehlungen.

6. Mangelnde Flexibilität

KI wird so konzipiert, dass die Fachabteilungen keine ausreichenden Möglichkeiten zur Anpassung haben. Die Mitarbeiter der Fachabteilungen müssen jedoch in der Lage sein, KI-Lösungen selbständig zu parametrisieren, um agil mit verschiedenen Szenarien experimentieren zu können.

7. Fehlende Praxistauglichkeit

Unternehmen realisieren häufig KI-Lösungen, die zwar in Pilot-Projekten gut funktionieren, die aber in der Praxis nicht gut skalieren. Die verwendeten KI-Verfahren müssen in großen Anwendungen mit zahlreichen Nutzern – beispielsweise in Web-Infrastrukturen – in kurzer Zeit Antworten liefern. Als Richtwert sollten Antwortzeiten von weniger als 50 Millisekunden möglich sein.

„Für viele Unternehmen ist KI eine neue Disziplin. Man kann daher nicht erwarten, dass die Verfahren schon so funktionieren, wie wir das bei anderen Technologien gewohnt sind. Wir müssen hier vielmehr mit höheren Fehlerquoten rechnen“, erklärt Carsten Rust, Director Solution Consulting DACH bei Pegasystems in München. „Das spricht keineswegs gegen KI, sondern vielmehr für einen behutsamen Umgang damit. Wichtig ist, dass sich Anwender der Fallstricke bewusst sind, wenn sie KI-Systeme realisieren.“

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45347707)