KI-Entwicklung: ROI, Praxisbeispiele & Governance

Wichtigste Highlights

• Die KI-Entwicklung ist mittlerweile so weit fortgeschritten, dass sie in verschiedenen Branchen messbare Ergebnisse liefert.
• KI kann Ihre Erwartungen hinsichtlich Transformation erfüllen, wenn Ihre Daten, Infrastruktur und Mitarbeiter dafür bereit sind.
• Algorithmen für maschinelles Lernen funktionieren besser und sicherer, wenn ein KI-Governance-Framework vorhanden ist.

Was ist KI-Entwicklung?

KI-Entwicklung ist der Prozess der Schaffung intelligenter Systeme, die menschliche kognitive Fähigkeiten wie Lernen, Verstehen, Denken, Problemlösen, Entscheidungsfindung und Kreativität nachahmen können. Unterstützt durch Funktionen wie natürliche Sprachverarbeitung, Bild- und Spracherkennung, Computer Vision, maschinelles Lernen, Deep Learning und generative KI können diese Systeme verschiedene Arten von Inhalten erstellen, Daten analysieren, Muster identifizieren und Vorhersagen schneller treffen, als dies Menschen möglich wäre.

Lohnt sich die KI-Entwicklung? Der wahre Ertrag von Investitionen in künstliche Intelligenz

Obwohl KI seit Jahren für viel Aufsehen und hohe Erwartungen hinsichtlich des ROI sorgt, gab es bisher kaum Belege für diese Versprechen. Im Jahr 2025 wird das Potenzial dieser Technologie jedoch durch harte Daten untermauert.

• 3-fache Rendite aus KI-Investitionen

• 2x schnellere Forschungs- und Entwicklungszyklen

• 4x höhere Mitarbeiterproduktivität

• 40 % Verkürzung der durchschnittlichen Antwortzeit bei Kundensupportanfragen

• 25 % höhere Konversionsraten für personalisierte Dienste

• 25 % höhere Umsatzwachstumsrate

Laut Deloitte, IBM, PwC, McKinsey, Accenture

Die Erschließung dieses Potenzials ist jedoch nur mit einem durchdachten Ansatz möglich, der mit der Identifizierung relevanter Anwendungsfälle beginnt. Aus diesem Grund entscheiden sich Unternehmen oft dafür, vor der Entwicklung von KI in Workshops zur Einführung von KI zu investieren, intensive Erkundungs- und Planungsaktivitäten, die vom ersten Tag an den richtigen Projektverlauf festlegen.

Wo hat KI den größten Einfluss?

Die jüngsten Entwicklungen im Bereich KI ermöglichen es Unternehmen, ihre Front-, Middle- und Backoffice-Prozesse zu beschleunigen und zu verbessern, indem sie Routineabläufe automatisieren, sie mit Personalisierungsfunktionen anreichern und menschliche Fehler eliminieren.

Der Wandel hin zu handlungsorientierter KI

In den Jahren 2023–2024 gewann ein neuer Trend an Bedeutung: Large Action Models (LAM), besser bekannt als KI-Agenten. Dies markierte einen grundlegenden Wandel von generativer zu handlungsorientierter KI, bei dem KI-Algorithmen über die Bereitstellung von Ergebnissen hinausgingen und Aufgaben im Namen des Benutzers ausführten.

Bislang ist das Potenzial dieser Technologie jedoch noch weitgehend ungenutzt, nur 11 % der an der Entwicklung von KI beteiligten Unternehmen gehen von der Pilotphase zur Einführung von KI-Agenten über.

Nehmen wir die Rechtswelt als Beispiel. Unser Kunde, eine weltweit tätige Anwaltskanzlei, wollte KI einsetzen, um große Mengen an M&A-Daten zu analysieren und wichtige Punkte mit einem Klick zu extrahieren. Ein multimodaler KI-Agent interpretiert nun Rechtssprache, Tabellen und Bilder und spart dem Kunden jährlich 47.000 Stunden manueller Arbeit.</ p>

Im Einzelhandel setzt Amazon Maßstäbe und vereinfacht und optimiert den gesamten Einkaufsprozess. Seine KI-Agenten ermöglichen hochgradig personalisierte Empfehlungen, automatisieren Fulfillment-Workflows und wickeln über eine „Für mich kaufen”-Funktion sogar Einkäufe auf Websites von Drittanbietern ab.

Im Reisebereich hat einer unserer Kunden seine Buchungs-App überarbeitet, indem er einen regelbasierten Chatbot durch einen proaktiven virtuellen Assistenten ersetzt hat, der alle Buchungen und Zahlungen abwickeln und die Ausgaben im Namen des Benutzers verfolgen kann. Diese Verbesserung steigerte die jährliche Kundenbindungsrate von 28 % auf 41 %.

Die vorausschauende Wartung von Anlagen ist ein weiterer Bereich, in dem KI-Agenten zu erheblichen Effizienzsteigerungen beitragen. Durch ihren Einsatz zur Koordinierung der Maschinenwartung bei einem Elektronikhersteller konnten die Wartungskosten um 20 % gesenkt und die Produktionsverfügbarkeit um 15 % gesteigert werden.

Bewährte Anwendungsfälle mit hoher Wirkung in verschiedenen Branchen

Was Sie sich vorstellen können, kann KI auch umsetzen. Außerdem ist die Wahrscheinlichkeit groß, dass jemand anderes sie bereits nutzt. Aber bei all dem Hype wirken viele Anwendungsfälle eher wie Marketing-Fiktion als wie praktische Lösungen für echte Geschäftsanforderungen. Tatsächlich sind die Versprechen der KI enorm, fast wie bei Midas, der alles, was er berührte, in Gold verwandelte, oder besser gesagt, in einen vollständig autonomen Arbeitsablauf. Wir haben den Überblick behalten und reale Beispiele aus den Projekten unserer Kunden aus verschiedenen Branchen und Funktionen zusammengestellt.

Diese Liste ist nicht vollständig, da KI mehr zu bieten hat, als man auf den ersten Blick sieht, und sich die Anzahl der validen Anwendungsfälle ständig erhöht, aber sie bietet sichere Wege, um die KI-Entwicklung hier und jetzt voranzutreiben.

E-Commerce

Eine Umfrage von IBM zeigt, dass der Beitrag der KI zum Umsatzwachstum im Einzelhandel bis 2027 sich mehr als verdoppeln wird. Die Technologie hat in gewissem Maße alle E-Commerce-Funktionen durchdrungen: 81 % der Unternehmen nutzen KI für die Bestands- und Auftragsverwaltung, 87 % für den Kundensupport, 88 % für die Nachfrageprognose, und das ist noch lange nicht alles. So planen die Unternehmen beispielsweise, den Einsatz von KI für Support-Dienstleistungen in den nächsten 12 Monaten um 236 % zu steigern.

Zu den bewährten Anwendungsfällen für KI im E-Commerce gehören:

• Hyper-Personalisierung jedes Schrittes der Customer Journey, von maßgeschneiderter Werbung und Empfehlungen bis hin zu einzigartigen Treueprogrammen
• Virtuelle Anproben mit Computer Vision und Augmented Reality
• Menschlich intelligente Chatbots für einen präzisen 24/7-Kundensupport
• Marktforschung mit KI, die riesige Mengen an Kundendaten, Feedback auf Social-Media-Plattformen, Aktivitäten von Wettbewerbern und andere wertvolle Daten durchforstet
• ML-gestützte Nachfrageprognosen, die auf EPoS- und Transaktionsdaten basieren und eine Genauigkeit von über 90 % aufweisen
• Optimierung der Werbeausgaben durch die Abstimmung der leistungsstärksten Angebote auf relevante Verbraucher
• Analyse der Lieferkette und des Lagerbestands mit KI zur Bewertung von Lieferanten, Optimierung von Logistikrouten, Verbesserung der Last-Mile-Lieferung und Durchführung von Was-wäre-wenn-Szenarien zur Vorhersage von Nachfrageschwankungen
• Gen-KI-gesteuerte Preisgestaltung auf der Grundlage des Kundenverhaltens, von Markttrends, saisonalen Schwankungen, Inflationsraten und anderen Variablen
• Verbesserte Betrugserkennung dank der Simulation betrügerischer Aktivitäten und dem Training von KI-Algorithmen, um diese zu erkennen und zu bekämpfen

Technologie

Die durch generative KI ermöglichte Automatisierung ist der Haupttreiber für Veränderungen in der Art und Weise, wie Softwareentwicklungsunternehmen ihre Dienstleistungen erbringen. Projekte, die früher Nischen-Know-how erforderten, können nun automatisch und zu deutlich geringeren Kosten durchgeführt werden. Nehmen wir COBOL als Beispiel. Unsere Erfahrung zeigt, dass durch den Einsatz generativer KI zur Übersetzung von Legacy-COBOL-Code in Java die Kosten für die Software-Modernisierung um 70 % gesenkt werden können.

Der Bereich der bewährten KI-Anwendungen in der Softwareentwicklung umfasst:

• Das Schreiben von robustem Boilerplate-Code dank Mustererkennung, Kontextbewusstsein und Code-Vorschlägen.
• Das Erklären von Legacy-Code.
• Code-Refactoring und -Modernisierung.
• Code-Übersetzung, die auf den spezifischen Codierungsstil, die Muster und die Softwarebibliotheken des Projekts abgestimmt ist.
• Früherkennung von Fehlern, wenn die Behebung von Anomalien fast nichts kostet und Ihr Projektbudget nicht beeinträchtigt
• Testen, wobei KI die Testplanung übernimmt, Testdaten synthetisiert und Testfälle generiert und ausführt
• Erstellung einer umfassenden Dokumentation und deren Aktualisierung

Logistik

Die Volatilität von Handelskontrollen und gegenseitigen Zöllen mit den daraus resultierenden Störungen der Lieferkette und unklaren Steuervorschriften führt zu einem unsicheren Geschäftsumfeld als neue Normalität.

Unser KI-Kompetenzzentrum entwickelt eine KI-gesteuerte strategische Reaktion, um die Auswirkungen von zollbezogenen Risiken zu minimieren. Hier sind zwei Lösungen, die wir bereits mit unseren Kunden ausprobiert haben:

• Ein ML-gesteuerter Stücklistenanalysator kann potenzielle Klassifizierungen nach dem Harmonized Tariff Schedule (HTS) vorhersagen, Komponenten mit hohen Zöllen kennzeichnen und zolloptimierte Alternativen empfehlen.
• Fein abgestimmte LLMs können CAD-Dateien und PDF-Datenblätter lesen und Optimierungen der Produktspezifikationen vorschlagen, um Artikel in Zollkategorien mit niedrigeren Sätzen einzustufen. Frühe Anwender dieses Ansatzes berichten von Zollersparnissen von 3–5 %.

Die Auswirkungen von KI in der Logistikbranche beschränken sich nicht nur auf den Bereich der Zölle. So decken generative und dialogorientierte KI beispielsweise erfolgreich die folgenden wichtigen Betriebsbereiche ab:

• Bestandsmanagement und Bedarfsplanung, wenn ML-basierte prädiktive Analysen eine hochpräzise Bestandsauffüllung ermöglichen
• Echtzeit-Routenoptimierung in Abhängigkeit von Wetterbedingungen, Verkehrsdichte und Straßenbeschränkungen
• Kundenservice mit KI-Chatbots, die routinemäßige Kundenanfragen bearbeiten
• Finanz- und Risikomanagement, wo KI regulatorische Änderungen überwacht und Faktoren wie steigende Kraftstoffpreise und zunehmende Inflation in die Betriebskostenentwicklung einbezieht, um relevante Budgetanpassungen vorzuschlagen

Unser Kunde, ein italienisches Transportunternehmen, nutzte dialogorientierte KI in seiner mobilen Taxi-Buchungs-App, um einen intelligenten, menschenähnlichen Kundensupport mit einer Genauigkeit von 97 % bei der Absichtserkennung zu bieten. Dieser Ansatz ermöglichte es dem Unternehmen, 78 % der Supportanfragen ohne menschliches Eingreifen zu lösen und eine App-Bewertung von 4,8 Sternen zu erzielen.

Automobilindustrie

75 % der Automobilhersteller nutzen gen AI bereits in allen Phasen des F&E-Prozesses und berichten von Produktivitätssteigerungen von bis zu 30 %.

CarMax, der größte Gebrauchtwagenhändler in den Vereinigten Staaten, zeigt einen weiteren Anwendungsfall. Das generische KI-Tool des Unternehmens scannt und fasst Tausende von echten Kundenbewertungen zusammen und aktualisiert den entsprechenden Abschnitt auf der Fahrzeugseite, sodass Käufer sofort die Vor- und Nachteile eines bestimmten Autos erkennen können, die von anderen Fahrern hervorgehoben wurden.

Finanzen

Banken, Versicherungsagenturen, Wirtschaftsprüfungs- und Steuerberatungsgesellschaften sowie Hypothekenbanken profitieren vom Einsatz von dialogorientierten KI-Tools für Front-, Kern- und Backoffice-Abläufe, wodurch die Produktivität der Mitarbeiter um bis zu 35 % gesteigert und die Servicekosten um 20 % gesenkt werden können.

Zu den wirkungsvollen Anwendungsfällen für dialogorientierte KI im Bankwesen gehören beispielsweise:

• Kunden-Onboarding mit KI, die sich um die Überprüfung der Identitätsnachweise und die Einreichung der Kundendokumente kümmert
• Kundensupport, bei dem 60 % der trivialen Anfragen, wie z. B. die Aktivierung einer Karte, das Zurücksetzen von PINs oder Kontopasswörtern und die Aktualisierung von Kontoinformationen, von KI-Bots bearbeitet werden
• Personalisierte virtuelle Finanzberater, die nach der Analyse von Kundendaten, Spar- und Ausgabeverhalten maßgeschneiderte Einblicke liefern
• Unterstützung für Führungskräfte, damit diese nicht mehr ein Drittel ihrer Zeit damit verbringen müssen, Kennzahlen vom Management-Informationssystem-Team einzuholen
• Mitarbeiter-Onboarding und -Schulung mit einem einzigen KI-Chatbot, der auf den Daten des Unternehmens trainiert wurde, anstatt sich durch das Unternehmens-Wiki zu kämpfen

Fertigung

Künstliche Intelligenz und maschinelles Lernen sind die treibenden Kräfte der Industrie 4.0, und die Geschwindigkeit ihrer Einführung nimmt von Tag zu Tag zu.

Zu den gängigen KI-Anwendungen in der Fertigung gehören:

• Digitale Zwillinge, die eine Optimierung von Produktionslinien, Lieferketten und gesamten Fabrikabläufen ermöglichen, ohne physische Anlagen zu stören.
• Vorausschauende Maschinenwartung auf Basis von IoT-Sensordaten verhindert Ausfälle, bevor sie auftreten, und eliminiert unerwartete Ausfallzeiten.
• Fortschrittliche Qualitätskontrollsysteme auf Basis von Computer Vision erkennen Produktfehler in Echtzeit.
• Die Massenanpassung von Produkten wird skalierbar, da KI das Produktdesign auf Basis von Kundenfeedback spontan anpasst.
• Bedarfsprognosen auf Basis von Augmented Analytics tragen dazu bei, optimale Lagerbestände aufrechtzuerhalten und Lagerkosten zu senken.

Gesundheitswesen

Gen-KI-gesteuerte Lösungen, von textbasierten Chatbots bis hin zu sprachgesteuerten Schnittstellen, verändern die Benutzererfahrung sowohl für Patienten als auch für Gesundheitsdienstleister, indem sie die medizinische Versorgung erschwinglicher machen und gleichzeitig die Betriebskosteneffizienz steigern. Beispielsweise beschleunigt die KI-basierte Bearbeitung von Leistungsansprüchen die Bearbeitungszeit um 40 % und sorgt so für eine bessere Patientenerfahrung. Gleichzeitig lassen sich durch die Übertragung dieser und anderer Verwaltungsaufgaben an KI bis zu 25 % der gesamten Gesundheitsausgaben einsparen.

Zu den wichtigsten Anwendungsfällen für KI im Gesundheitswesen, einschließlich Konversationstools, gehören:

• Proaktive Terminplanung
• Medizinische Triage, um überlastete Hausärzte von der Erfassung von Symptomen und der Erstellung von Diagnosen zu entlasten
• Unterstützung bei klinischen Entscheidungen, wobei selbst allgemeine LLMs die Vorbereitung klinischer Empfehlungen von Stunden auf Minuten verkürzen können
• Fernüberwachung von Patienten
• Unterstützung und Einbindung von Patienten nach dem Besuch, z. B. durch die Erstellung von Behandlungszusammenfassungen, die Schätzung der Selbstkosten für Patienten und die Erläuterung des Versicherungsschutzes und des Abrechnungsprozesses
• Medikamentenmanagement mit einem KI-Assistenten, der als personalisierte Medikamenten-Enzyklopädie dient.
• Erstattung, wobei die KI Forderungen priorisiert, sie bei den Versicherern einreicht, Zahlungen von den Versicherern überwacht und den Patienten Beratung zu Rechnungen anbietet.
• Verwaltungsaufgaben, wie die Erstellung von Zusammenfassungen nach dem Besuch, die Organisation von klinischen Notizen und die Erstellung personalisierter Lernpläne für Kliniker.
• Klinische Studien, bei denen KI eine Reihe von Aufgaben übernimmt, von der Auswahl der Kandidaten bis zur Überprüfung eingehender klinischer Studiendaten und Laborergebnisse auf fehlende Datenpunkte.
• Backoffice-Arbeiten und administrative Funktionen, wie Finanzen, Personalwesen und rechtliche Aktivitäten.

Öl und Gas

Die Fehlerquote in der Öl- und Gasindustrie ist hauchdünn. Eine verspätete Wartungsprüfung, eine falsch eingeschätzte Bohrroute oder eine Störung in der Lieferkette können zu Millionenverlusten führen. In einem derart risikoreichen Umfeld ist der Einsatz von KI Ihre Chance, an der Spitze zu bleiben.

Anwendungsbereiche für KI in der Öl- und Gasindustrie:

• Exploration von Lagerstätten mit KI, die die Arbeit vor Ort ergänzt, indem sie seismische Bilder interpretiert und Geomodelle von Kohlenwasserstofflagerstätten innerhalb von Stunden statt Monaten erstellt.
• Bohrungsoptimierung, bei der ML-Algorithmen und neuronale Netze eingesetzt werden, um Ausfälle von Bohrmeißeln zu verhindern.
• Automatisierte E&P-Gerätescans mit Computer Vision als Kernstück, um Wartungsarbeiten rechtzeitig zu planen und Betriebskosten zu senken.
• Die Unterstützung von Außendienstmitarbeitern durch KI-Assistenten erweist sich als effizienter als Callcenter mit menschlichem Personal.
• Inspektionen von Lagerstätten, die von Robotern mit OGI-Kameras durchgeführt und von Gen-KI zusammengefasst werden, ermöglichen es den Betreibern, Abhilfemaßnahmen zu ergreifen, ohne potenziell gefährliche Bereiche zu betreten.
• Die Routenplanung und -anpassung kann unterwegs erfolgen, ohne die geplante Transitzeit zu verlängern.
• Optimierung von Raffinerien mit KI-Systemen, die Destillation, katalytisches Cracken und Hydrierung überwachen, um Sicherheitsrisiken zu erkennen.
• Die Qualitätskontrolle durch KI-Modelle stellt sicher, dass Kraftstoffe und Petrochemikalien wichtige Standards wie ISO, ASTM und API erfüllen.
• Beschleunigte und kostengünstigere Produktforschung und -entwicklung dank KI-basierter Simulationen.
• Automatisierung der Lieferkette, da ML-Algorithmen die Konfiguration von Vertriebsnetzen, die Überwachung der Lagerbestände in jeder Einrichtung und die Optimierung von Transportwegen übernehmen.

3 Fragen zur Beurteilung Ihrer KI-Bereitschaft

Alle reden von KI, eine Vielzahl von Anwendungsfällen beweist ihre Effizienz... Und hier kommt das „Aber“: Sind Ihre Daten, Ihre Infrastruktur und Ihre Mitarbeiter bereit für künstliche Intelligenz?

Unternehmer neigen dazu, optimistisch zu sein, wenn sie hören, dass KI innerhalb weniger Monate bis zu einem Jahr implementiert werden kann. Die Realität zeigt jedoch, dass vor der Entwicklung von KI noch eine ganze Reihe von Dingen zu erledigen sind, die ebenfalls Zeit in Anspruch nehmen.

47 % der befragten Führungskräfte glauben, dass Hindernisse für die Einführung von KI, wie Datenbedenken, Vertrauensprobleme, Risikomanagement, Governance, Einhaltung gesetzlicher Vorschriften und Mitarbeiterschulungen, innerhalb von mehr als 12 Monaten überwunden werden können. Die KI-Studie von Deloitte hält hingegen einen Zeitrahmen von 1 bis 2 Jahren für realistischer, wobei einige Herausforderungen bis zu fünf Jahre dauern können. Sind Ihre Daten bereit für KI? Der mangelnde einfache Zugriff auf Daten aus verschiedenen Systemen, fehlerhafte und fehlende Daten, Verzerrungen und andere Probleme erhöhen die Kosten für die Entwicklung und Wartung von KI und beeinträchtigen darüber hinaus die Qualität der Lösung.

Eine erfolgreiche Einführung von KI beginnt mit der Verbesserung Ihrer Datenbasis.

Da Daten den Unterschied ausmachen, 75 % der Unternehmen haben bereits ihre Investitionen in die Organisation, Optimierung und den Schutz ihrer Daten erhöht. Wie können Sie Ihr Datenlebenszyklusmanagement stärken, um mit ihnen Schritt zu halten? Wir haben datenbezogene Herausforderungen aufgelistet, die der Einführung von KI im Wege stehen, und praktische Tipps zu deren Bewältigung zusammengestellt.

Unzureichende Datenqualität

Bereinigen und validieren Sie Daten regelmäßig, um Duplikate und unvollständige Datensätze zu erkennen und zu entfernen, bevor sie die Genauigkeit von Machine-Learning-Modellen beeinträchtigen. Die Häufigkeit hängt vom Datentyp und seiner Bedeutung für die Entscheidungsfindung ab:

• Hochgeschwindigkeitsdaten, wie Finanztransaktionen, sollten täglich validiert werden.

• Operative Geschäftsdaten, wie Lieferketten- und Bestandsaufzeichnungen, können wöchentlich überprüft werden.

• Kundendaten wie CRM-Datensätze und Kundenprofile können einmal im Monat auf Ungenauigkeiten überprüft werden.

Nutzen Sie Ressourcen wie das Datenqualitäts-Framework „Great Expectations“, dbt-Tests oder die Deequ-Bibliothek, um Validierungsprüfungen für jeden Datentyp zu automatisieren und zu planen.

Fehlende Daten

Wenn Sie nicht über genügend eigene Daten verfügen, um Machine-Learning-Modelle zu optimieren, oder aufgrund von Datenschutzbedenken keine realen Daten verwenden können, spiegelt Ihr begrenzter Datensatz möglicherweise nicht die Realität wider und führt zu einer algorithmischen Verzerrung.

Diskriminierende Ergebnisse führen zu verpassten Geschäftsmöglichkeiten und schweren rechtlichen und regulatorischen Strafen, wie im Fall der UnitedHealth Group. Der Krankenversicherer verwendete ein fehlerhaftes KI-Tool für Prognosen zur Akutnachsorge, wodurch älteren Patienten die Kostenübernahme für eine Langzeitpflege verweigert wurde.

Um diesen Risiken entgegenzuwirken:

• Ergänzen Sie Ihre vorhandenen Daten mit modifizierten Versionen, wenn Ihr Datensatz nicht vielfältig genug ist. Angenommen, Sie trainieren einen Klassifikator für Kundenstimmungen anhand einer begrenzten Anzahl von Kundenbewertungen. Sie können den Datensatz diversifizieren, indem Sie einige Wörter in den Bewertungen durch Synonyme ersetzen. Die Änderung von „schneller Versand” in „schnelle Lieferung” beeinträchtigt die ursprüngliche Bewertung nicht, ist aber für das Training eines hochpräzisen KI-Klassifikators unerlässlich.

• Generieren Sie synthetische Daten, die die Eigenschaften der vorhandenen Daten nachahmen, ohne deren Vertraulichkeit zu gefährden. Dies ist eine Wunderwaffe, um die Forschung und Entwicklung im Bereich Medizintechnik zu beschleunigen, ohne die Daten von Patienten preiszugeben.

Die Generierung synthetischer Daten ist auch eine beliebte Option für die Simulation seltener Ereignisse. Beispielsweise verfügt ein Verkehrsmanagementunternehmen möglicherweise nicht über genügend Daten zu Unfällen, um ein solides KI-gestütztes System zur Unfallvorhersage und -prävention zu entwickeln. Synthetische Daten ermöglichen es ihnen, sofort realistische Szenarien für verschiedene Straßentypen, Verkehrsdichten und Fahrerverhalten bei allen Wetter- und Lichtverhältnissen zu erhalten.

• Verwenden Sie Tools zur Erkennung von Verzerrungen wie AI Fairness 360, Fairlearn Aequitas usw., um sicherzustellen, dass Sie über einen vielfältigen, ausgewogenen Datensatz verfügen. In Fällen, in denen es keine schnelle Möglichkeit gibt, mehr Informationen über die unterrepräsentierte Gruppe zu erhalten, können Sie Minderheitenklassen überproportional berücksichtigen, um den Datensatz auszugleichen.

Datenschutz

Mit dem Inkrafttreten des EU-Gesetzes über künstliche Intelligenz im Jahr 2026 und den sich ändernden Rechtsvorschriften für KI in den USA (KI-Gesetze in Colorado und Virginia) müssen Unternehmen darauf achten, wie ihre KI-Systeme personenbezogene Daten und andere vertrauliche Informationen speichern und verwenden.

Sicher ist sicher (und auf den Titelseiten), begegnen Sie Datenschutzbedenken, indem Sie Privacy-by-Design-Prinzipien in die Prozesse der Datenerfassung, -speicherung und -nutzung einbetten:

• Reduzieren Sie die Datennutzung auf das notwendige Minimum.
• Verschlüsseln Sie sensible Daten im Ruhezustand.
• Anonymisieren Sie private Daten, bevor Sie sie in KI-Modelle einspeisen.
• Integrieren Sie menschliche Überprüfungsmechanismen, um KI-Entscheidungen zu überwachen.

Keine Datenverwaltung

KI kann ohne robuste Verwaltungsrichtlinien nicht skaliert werden. Daher erfordert die Entwicklung künstlicher Intelligenz eine End-to-End-Datenlebenszyklusstrategie, von der sicheren Datenerfassung bis zur sicheren Entsorgung.

• Implementierung von Verfahren zur Überwachung der Datenqualität
• Klare Datenverantwortlichkeiten festlegen
• Strenge Regeln für den Datenzugriff festlegen
• Datenschutzrichtlinien entwickeln, um Daten vor Missbrauch zu schützen
• Vorlagen einrichten, um die Rückverfolgbarkeit von Daten zu ermöglichen
• Sicherstellen, dass Sie über einen zentralen Datenspeicher verfügen
• Mechanismen zur Dateninventarisierung einrichten
• Klare Verfahren zur Datenlöschung durchsetzen

Ist Ihre Infrastruktur bereit für KI?

Die Infrastruktur zur Unterstützung des KI-Entwicklungsprozesses umfasst Cloud-Dienste, Datenspeicherung und Netzwerksicherheit. Unsere KI-Ingenieure geben Einblicke in die Optimierung der einzelnen Komponenten.

Cloud-Dienste

Die von Ihnen gewählte Art des Modells wirkt sich direkt auf die Cloud-Kosten und den Speicherbedarf aus. Das ist auch der Grund, warum 77 % der Unternehmen kleinere Modelle (13 Milliarden Parameter und weniger) anstelle von großen Modellen verwenden.

Außerdem stellt sich die Frage nach API-basierten vs. selbst gehosteten Modellen. Wenn Sie über eine API auf KI-Funktionen zugreifen, vermeiden Sie kostspielige Investitionen in die Infrastruktur, haben aber keine Kontrolle. Selbst gehostete KI-Modelle hingegen stellen hohe Anforderungen an die Rechenleistung, bieten aber vollständige Kontrolle über das Modell und absolut sichere Datenpipelines.

Datenspeicherung

Herkömmliche Data Lakes und Data Warehouses werden den Anforderungen von KI-Initiativen in Bezug auf Agilität, Governance und Skalierbarkeit nicht gerecht. Neue Architekturen wie Data Lakehouses, Data Mesh und Data Fabric haben die KI-Entwicklung vom Hype zur Realität gemacht.

Jeder Datenarchitekturtyp hat seine Vor- und Nachteile, und die Wahl des richtigen Typs erfordert einen Abwägung verschiedener Kompromisse, darunter begrenzte Skalierbarkeit und Flexibilität, schwächere Daten-Governance-Fähigkeiten, geringere Datensicherheit und höhere Kosten.

Netzwerksicherheit

Last but not least ist bei Ihrer Infrastrukturbewertung die Netzwerksicherheit zu berücksichtigen. Robuste Richtlinien und Kontrollen sind unerlässlich, um Ihre Ressourcen (Datenspeicher, Modelle, APIs) vor externen oder internen Bedrohungen wie Datenexfiltration, Model Poisoning, feindlichen Eingaben, unbefugtem API-Zugriff usw. zu schützen.

Unsere Empfehlungen für eine sichere KI-Entwicklung umfassen:

• Einführung einer Zero-Trust-Sicherheitsstrategie mit granularen Zugriffskontrollen und zentralisiertem Identitätsmanagement (IAM)

• Integration von Netzwerksicherheitstools (SIEM, SOAR oder XDR), um Signale aus einem automatisierten Anomalieerkennungssystem zu zentralisieren und eine schnelle, koordinierte Reaktion auf Vorfälle in Ihrer gesamten KI-Infrastruktur zu ermöglichen.

Können Ihre Mitarbeiter KI-Aufgaben übernehmen?

IBM stellt fest, dass 84 % der Unternehmen, die eine KI-Entwicklung in Betracht ziehen, über keine KI-spezifischen technischen Kompetenzen verfügen und ihr Team verstärken müssen, da sie nicht über Monate Zeit verfügen, um Top-Talente in den Bereichen Datenwissenschaft, ML-Engineering und anderen KI-spezifischen Bereichen zu suchen und für sich zu gewinnen.

Der Aufbau einer starken internen KI-Kompetenz ist kein Wochenend-Bootcamp. Während einige Fachleute relativ schnell in KI-bezogene Positionen wechseln können, braucht die Weiterbildung Zeit.

Angesichts der weit verbreiteten Verwendung von Python in den Bereichen Deep Learning, ML und NLP haben Ihre internen Python-Entwickler beispielsweise bereits einen Vorsprung. Mit gezielten Weiterbildungen können sie in Positionen wie Prompt Engineers oder KI-/ML-Ingenieure wechseln. Meiner Erfahrung nach erfordert die erste Option mehr als drei Wochen umfassende Schulung, während die zweite mehr als drei Monate Vollzeitunterricht und praktische Übungen erfordert.

Haben Sie Probleme mit Daten, Infrastruktur oder Talenten? Delegieren Sie diese Aufgaben.

Risiken bei der KI-Entwicklung meistern

Dieselbe KI-Software, die Ihren Umsatz um mehr als 10 % steigern kann, kann das Unternehmen auch verschiedenen Daten-, Modell-, Betriebs- und Ethikrisiken aussetzen. Während viele Beratungsunternehmen vage vor den Gefahren der KI warnen, greifen wir auf praktische Projekterfahrung zurück und bieten gezielte, umsetzbare Maßnahmen zu deren Bewältigung, die alle mit dem NIST-Rahmenwerk für das KI-Risikomanagement im Einklang stehen.

Cybersicherheitsbedrohungen

Nur 24 % der KI-Initiativen sind gegen KI-bezogene Bedrohungen wie Datenvergiftung, Datenmanipulation, API-Sicherheitsverletzungen, Modellinversionsangriffe, Prompt-Injektionen usw. geschützt.

Sichern Sie alle Phasen der KI-Pipeline, um die sichere Entwicklung von KI-Lösungen zu ermöglichen.

• Datenerfassung und -verarbeitung. Die Verschlüsselung von Daten im Ruhezustand und während der Übertragung sowie strenge Zugriffskontrollen sind grundlegende Best Practices.

• ML-Modelltraining. Wenn Sie über APIs auf Open-Source-Modelle zugreifen, verwenden Sie starke Authentifizierungsprotokolle wie OAuth, OpenID Connect usw.

• ML-Modellnutzung. Verwenden Sie eine MLDR-Lösung (Machine Learning Detection and Response), um das Verhalten der Modelle zu überwachen und kompromittierte Modelle schnell zu erkennen und zu isolieren oder zu trennen.

Datenschutzprobleme

Informieren Sie die Benutzer über die Datenerfassungspraktiken Ihres KI-Systems, z. B. welche personenbezogenen Daten Sie erfassen möchten, zu welchen Zwecken, wie diese gespeichert und verwendet werden. Lassen Sie dann die Kunden entscheiden, ob sie ihre Daten weitergeben möchten.

In stark regulierten Branchen wie dem Finanz- und Gesundheitswesen, in denen Unternehmen zur Einhaltung bestimmter gesetzlicher Vorschriften wie HIPAA und GLBA verpflichtet sind, sollten Organisationen erwägen, reale Informationen durch synthetische Daten zu ersetzen.

Verletzung von Rechten an geistigem Eigentum

Auch wenn KI-bezogene Urheberrechtsgesetze wie der Generative AI Copyright Disclosure Act in den USA, der EU AI Act und die Generative AI Training Licence im Vereinigten Königreich noch im Gesetzgebungsverfahren sind, sollten Sie auf Nummer sicher gehen.

Um die Möglichkeit einer Verletzung von Rechten an geistigem Eigentum auszuschließen, sollten Sie bei der Entwicklung von KI-Systemen Folgendes beachten:

• Überprüfen Sie Ihre Datensätze mit einer Software zur Erkennung von Urheberrechten, wie z. B. DE-COP für Text, Google Vision AI für Bilder, Audible Magic für Audio usw., auf potenziell urheberrechtlich geschützte Inhalte.

• Verwenden Sie öffentlich zugängliche Daten oder Daten, die ausdrücklich für die Nutzung, Verbreitung, Änderung und kommerzielle Verwendung lizenziert sind (z. B. mit einer Creative Commons BY-Lizenz).

Mangelnde Erklärbarkeit und Transparenz

Die Komplexität von Algorithmen für maschinelles Lernen ist ein zweischneidiges Schwert. Positiv ist, dass sie zu hochpräzisen Ergebnissen beitragen. Negativ ist, dass die Logik hinter diesen Algorithmen schwer zu verstehen und zu erklären ist.

Wenn Sie möchten, dass neuronale Netze und Deep-Learning-Algorithmen wie ein offenes Buch sind, sollten Sie erklärbare KI-Techniken einsetzen, die auf Ihren Modelltyp zugeschnitten sind:

• Feature Importance, LIME und SHAP für einfachere maschinelle Lernmodelle wie Entscheidungsbäume, Gradient Boosting und Random Forests.

• DeepLIFT und integrierte Gradienten für komplexere Modelle mit Deep Learning und neuronalen Netzen als Kernstück.

Fehlinformationen und Manipulation

KI-Halluzinationen sind ein Beispiel für Fehlinformationen, die den Ruf von KI-Systemen schädigen. Böswillige Manipulationen wie Reverse Engineering und Model Hacking sind sogar noch schädlicher, da Angreifer sensible oder vertrauliche Informationen offenlegen oder Ihr ML-Modell mit Verzerrungen verseuchen können.

Schützen Sie Ihren KI-Entwicklungsprozess durch:

• Verwendung hochwertiger Trainingsdaten
• Strenge Tests Ihres ML-Modells
• Kontinuierliche Bewertung und Verfeinerung des ML-Modells
• Einbeziehung von Menschen zur Überprüfung und Validierung der Genauigkeit der Modellausgaben

KI-spezifische technische Schulden

Schnell gepatchte Datenpipelines, überstürzte Modellbereitstellungen und schlecht dokumentiertes Feature Engineering verlangsamen zukünftige Iterationen Ihrer KI-Software, erhöhen deren Wartungskosten und steigern das Risiko von Modellfehlern.

Um die Menge an KI-bezogenen technischen Schulden, die sich um Daten, Modelle und Infrastruktur ansammeln, zu minimieren, sollten Sie alle Schwachstellen stärken:

• Richten Sie eine automatisierte Datenvalidierung ein, standardisieren Sie Datenpipelines und verfolgen Sie die Datenherkunft, um qualitativ hochwertige, konsistente und zuverlässige Daten zu erhalten.
• Verwenden Sie Überwachungstools mit automatischen Warnmeldungen, um Modellabweichungen sofort zu erkennen.
• Priorisieren Sie den Aufbau solider MLOps-Pipelines und einer skalierbaren Infrastruktur, die die Bereitstellung, Überwachung und Nachschulung unterstützen, um ein konsistentes Verhalten des ML-Modells in der Produktion sicherzustellen.

Sie können sich nicht mit allen möglichen KI-Risiken auseinandersetzen? Wir kümmern uns darum.

Solide KI-Governance als klarer Weg zu risikofreier, verantwortungsvoller KI

KI-Governance sollte vom ersten Tag an etabliert werden und nicht aufgeschoben und später geregelt werden. Ohne gut dokumentierte Regeln und Standards zur Ausrichtung Ihrer KI-Entwicklung auf ethische und menschliche Werte sind Ihre KI-Initiativen dazu verdammt, den oben genannten Risiken ausgesetzt zu sein.

Deloittes KI-Studie zeigt, dass das Fehlen eines soliden KI-Governance-Rahmens eines der häufigsten Hindernisse ist, auf die Unternehmen bei der Einführung künstlicher Intelligenz stoßen. Eine weitere Umfrage zeigt die Kluft zwischen dem, was Unternehmen über KI-Governance sagen, und dem, was sie tatsächlich tun. Wenn Sie sich in derselben Lage wie 79 % der Unternehmen befinden, die noch kein solides KI-Governance-Framework haben, sollten Sie bedenken, dass das Boot schwankt und es Zeit ist zu handeln.

Hier finden Sie eine Reihe von Prinzipien für verantwortungsbewusste KI-Entwicklung, die Sie als Blaupause für Ihr KI-Governance-Framework verwenden können:

1. Erstellen Sie einen KI-Ethikkodex auf der Grundlage von Prinzipien wie Fairness, Interpretierbarkeit und menschlicher Aufsicht.

2. Behalten Sie lokale und globale KI-Vorschriften im Auge und passen Sie Ihre internen KI-Richtlinien an neue Standards an, bevor diese in Kraft treten.

3. Bilden Sie interne Datenverwalter und Risikobeauftragte aus, die für die Überwachung der KI-Entwicklung und -Einsatz verantwortlich sind.

4. Erstellen Sie eine Compliance-Checkliste und führen Sie regelmäßige Audits durch, um die Einhaltung der Richtlinien sicherzustellen, vierteljährlich für KI-Systeme, die im Finanz- und Gesundheitswesen eingesetzt werden, und jährlich für weniger regulierte Fälle.

5. Behandeln Sie KI-spezifische Ausfallszenarien wie Modellverzerrungen, Drift, Missbrauch usw. mit gezielten Maßnahmen zur Risikominderung (KI-Modelloptimierung, Bias-Audit vor der Bereitstellung, automatisierte Drift-Erkennung, detaillierte Audit-Protokolle).

6. Integrieren Sie bewährte Verfahren für verantwortungsvolle KI, wie z. B. Erklärbarkeit von Modellen, Datenverschlüsselung und -anonymisierung, Überwachung von Verzerrungen usw.

Phasen des KI-Entwicklungszyklus

So verlockend es auch sein mag, direkt mit der Entwicklung von KI-Technologie zu beginnen, ML-Modelle auszuwählen und diese anhand Ihrer Daten zu optimieren, sollten Sie zunächst Ihr Geschäftsproblem definieren. Nur dann können Sie hochwertige, risikoarme KI-Anwendungsfälle erkennen, die wirklich etwas bewirken.

Aus diesem Grund sollten KI-Projekte mit einem explorativen und planenden Workshop beginnen, der sich auf Folgendes konzentriert:

• Formulieren Sie Ihr Geschäftsproblem, um klare Ziele und Anforderungen für Ihr KI-Entwicklungsprojekt festzulegen.
• Identifizierung von Anwendungsfällen mit niedriger Barriere und hoher Wirkung und Festlegung ihrer Erfolgskennzahlen
• Erstellung von Technologie- und Geschäftsrisikoprofilen für ausgewählte KI-Anwendungsfälle

Nachdem die strategische Vorbereitung abgeschlossen ist, fahren Sie mit den Entwicklungsschritten fort:

• Auswahl eines KI-Modells, das mit Ihrer bestehenden Infrastruktur kompatibel ist und Ihren Leistungskennzahlen entspricht
• Anpassung des KI-Modells an Ihren speziellen Anwendungsfall
• Integration des fein abgestimmten Modells in Ihre Infrastruktur durch Verbindung mit relevanten Datenbanken, Datenpipelines und APIs
• Überprüfen Sie die Leistung des Modells unter Produktionsbedingungen und optimieren Sie es bei Bedarf mit Modelldestillationstechniken weiter.
• Stellen Sie Ihre KI-Lösung bereit und überwachen Sie ihre Leistung in realen Szenarien.
• Verbessern Sie die Leistung der Software kontinuierlich, indem Sie Nutzer-Feedback sammeln und das zugrunde liegende Modell neu trainieren oder aktualisieren, um die Ausgabequalität und -genauigkeit zu verbessern.

Bringen Sie Ihre KI-Initiative ins Rollen. Vereinbaren Sie einen Termin für ein Gespräch.

Wie lassen sich die Kosten für die KI-Entwicklung senken? Bonus-Spickzettel von unseren KI-Ingenieuren

Die Entwicklung von KI muss nicht unbedingt ein Vermögen kosten. Unsere KI-Teams haben praxiserprobte Tipps für die Entwicklung leistungsstarker und präziser KI-Lösungen zum halben Preis.

• Verwenden Sie API-basierte Basismodelle anstelle von selbst gehosteten Modellen. Auf diese Weise zahlen Sie nur für die tatsächliche Nutzung, anstatt im Voraus in Rechenleistung zu investieren. Wenn Sie sich für ein Selbsthosting entscheiden, können Sie dennoch sparen, indem Sie optimierte Inferenz-Engines (vLLM, TensorRT) einsetzen, um die Inferenzkosten um bis zu 60–80 % zu senken.

• Wenden Sie Transferlernen anstelle von vollständigem Training an und nutzen Sie PEFT-Techniken (LoRA, QLoRA oder QDoRA) für eine kosteneffiziente Feinabstimmung.

• Verwenden Sie SLMs wann immer möglich, um niedrigere Kosten pro Token zu erzielen.

• Speichern und wiederverwenden Sie Modellausgaben für Lösungen wie KI-gestützte FAQ-Bots, um zu vermeiden, dass Sie 1000 Mal für dieselbe Antwort bezahlen. Auf diese Weise senken Sie die API-Kosten um 30–60 % und verbessern die Antwortgeschwindigkeit.

Zusammenfassung

So wie die Cloud das letzte Jahrzehnt revolutioniert hat, wird KI das nächste Jahrzehnt prägen und die Regeln für die Geschäftsabläufe völlig neu schreiben. Die Bearbeitung einzelner Anwendungsfälle ist zwar ein naheliegender Ausgangspunkt, doch langfristiger Erfolg entsteht durch die Einbettung der KI-Entwicklung in Ihre übergeordnete Geschäftsstrategie. Die Einführung in großem Maßstab ist nicht nur ein technisches Upgrade, sondern eine unternehmensweite Transformation, die Daten, Infrastruktur und Belegschaft umfasst.

Wenn Sie Schwierigkeiten haben, von der Planung und vereinzelten Experimenten zu einer strukturierten Umsetzung und Skalierung überzugehen, ist es an der Zeit, sich von einem vertrauenswürdigen Unternehmen für KI- und ML-Entwicklung fachkundig beraten zu lassen.

Sind Sie bereit, Ihre KI-Reise zu beginnen? Lassen Sie uns eine Strategie entwickeln.