Warum jedes Unternehmen eine KI- und Daten-Strategie braucht
Brücken bauen zwischen Strategie und praktischer Implementierung von KI- und Daten-Projekten.
Warum eine Daten- und KI-Strategie so wichtig ist
Die Notwendigkeit einer klaren KI- und Daten-Strategie entsteht durch mehrere Faktoren:
-
Die schnelle Entwicklung der generativen KI hat neue Chancen zur Wertschöpfung aus Daten geschaffen. Gleichzeitig stehen viele Unternehmen vor der Herausforderung, dass ihre bestehende Infrastruktur nicht mehr ausreicht, um diese neuen Möglichkeiten effektiv zu nutzen.
-
Infolgedessen ist die Nutzung von KI und Daten zu einem entscheidenden Wettbewerbsfaktor geworden. Sie liegt nicht mehr in der alleinigen Verantwortung der IT-Abteilung, sondern hat sich in ein zentrales Anliegen für jede Organisationsabteilung verwandelt.
-
Oft haben einzelne Unternehmensbereiche unterschiedliche KI- und Daten-Reifegrade. Die Beschäftigten wissen daher nicht, was KI und Daten für ihre Rolle bedeuten und was von ihnen in der datengesteuerten Zukunft erwartet wird.
Strategie als Management-Tool
Eine gut ausgearbeitete KI- und Daten-Strategie bietet dem Management die notwendigen Werkzeuge, um die aktuellen Herausforderungen zu meistern:
- Sie hilft, Daten- und KI-Ressourcen gezielt auf strategisch wichtige Initiativen zu konzentrieren.
- Sie sorgt dafür, dass alle in der Organisation verstehen, warum Daten entscheidend sind und wie ihre individuelle Rolle zum Erfolg beiträgt.
- Sie schafft Vertrauen bei den Stakeholdern und zeigt auf, wie durch den richtigen Umgang mit KI und Daten Werte generiert werden können.
Die einzelnen Bausteine
Solita bietet einen bewährten Leitfaden für die Entwicklung einer erfolgreichen KI- und Daten-Strategie, basierend auf umfangreichen Kunden-Erfahrungen. Der Leitfaden definiert die zentralen Elemente der Strategie, erklärt, wie diese miteinander verbunden sind, und gibt konkrete Anleitungen für den Strategieentwicklungsprozess. Er stellt sicher, dass Organisationen effektiv und zielgerichtet auf den Wert von KI und Daten hinarbeiten.
Elemente der KI- und Daten-Strategie
Markttrends
Die KI- und Daten-Strategie muss signifikante Veränderungen im Geschäftsumfeld eines Unternehmens berücksichtigen, die sich auf die Fähigkeit auswirken, aus KI und Daten Mehrwerte zu schaffen. Diese Veränderungen können in verschiedenen Bereichen auftreten, dort neue Möglichkeiten der Wertschöpfung eröffnen oder auch bestehende Lösungen obsolet machen:
- im technologischen Umfeld (Einsatz von Cloud-Computing-Plattformen, Anwendung von generativer KI im geschäftlichen Kontext)
- im wirtschaftlichen Umfeld (neue Plattform-Geschäftsmodelle, Verfügbarkeit von Finanzmitteln für KI-Initiativen)
- im sozialen und kulturellen Umfeld (Bereitschaft zur Weitergabe persönlicher Daten, Erwartungen an die Transparenz der Lieferkette)
- im regulatorischen Umfeld (Anforderungen an den Schutz der Privatsphäre oder die Erklärbarkeit von KI-Lösungen)
Business Ecosystem
Die KI- und Daten-Strategie muss die Rolle des Unternehmens im breiteren Business-Ökosystem berücksichtigen. Von besonderem Interesse sind die Geld-, Dienstleistungs- und Datenströme zwischen den Akteuren. In den meisten Fällen sind einige der wichtigsten Daten, die das Unternehmen benötigt, im Besitz anderer Akteure im Ökosystem. Dann braucht es einen Weg, um Zugriff auf diese zu erlangen.
Strategische Herausforderungen
KI- und Daten-Vision
Opportunity Mapping
Das Opportunity Mapping kann der spannendste Teil einer Daten- und KI-Strategie sein. Hier werden die konkreten Möglichkeiten beschrieben, wie Daten und KI einen Mehrwert für das Unternehmen und die Kunden schaffen (auch als Business Use Cases bezeichnet).
Unterschieden werden vier Hauptbereiche der datengesteuerten Wertschöpfung:
- Verbesserung der Effizienz von Kerngeschäftsprozessen
- Entwicklung neuer kundenorientierter datengesteuerter Dienste und Erfahrungen
- Verkauf und Austausch von Daten und Erkenntnissen
- Nutzung offener Daten als Katalysator für ein Geschäftsökosystem
Daten und KI-Möglichkeiten sollten so konkret wie möglich beschrieben werden. Eine gute Herangehensweise wäre es, zunächst eine Reihe von Ideenüberschriften auf hohem Niveau zu erstellen, iterativ die besten auszuwählen und sie mit Hilfe einer vordefinierten Vorlage detaillierter zu beschreiben. Dabei sollte man sich an den folgenden Kriterien orientieren:
- Erwünschtheit: Erzeugt die vorgeschlagene Lösung nachweislich einen Mehrwert für Kunden/Endnutzer:innen?
- Machbarkeit: Lässt sich die vorgeschlagene Lösung mit vertretbarem Aufwand und Kosten umsetzen? Ist sie mit erheblichen technologischen Unsicherheiten verbunden?
- Rentabilität: Wird die Lösung rentabel sein? Welches sind die wichtigsten Faktoren für die Rentabilität, wie empfindlich ist der Business Case in Bezug auf diese?
- Nachhaltigkeit: Ist die vorgeschlagene Lösung konform mit den Datenverarbeitungsvorschriften? Steht sie im Einklang mit den Richtlinien und Werten der Organisation, welche Auswirkungen hat sie auf Gesellschaft und Umwelt?
Zur Entdeckung und Verfeinerung der Möglichkeiten aus Daten und KI empfiehlt Solita eine Service-Design-Methodik. Ein iteratives, hypothesenbasiertes Co-Design zusammen mit Kunden/Endnutzer:innen trägt dazu bei, dass kein Aufwand für die Entwicklung von Daten- und KI-Lösungen, die niemand braucht, verschwendet wird.
Daten- und KI-Fähigkeiten
Um ihre Vision und Ziele mit Daten und KI zu verwirklichen, brauchen Unternehmen verschiedene Arten von Daten- und KI-Fähigkeiten. Viele konzentrieren sich oft auf technologische Lösungen, aber es kommt vielmehr auf eine ganzheitliche Sichtweise an, welche die menschliche Perspektive vollständig einbezieht. Solita hat dafür ein Rahmenwerk entwickelt, das Data-Driven Business Puzzle.
Aus technologischer Sicht gilt es beispielsweise zu überlegen, welche Lösungen in die Cloud migriert oder vielleicht sogar cloud-nativ umgestaltet werden sollen, um die Vorteile des Cloud Computing voll nutzen zu können. Gleichzeitig sind sorgfältig jene Algorithmen auszuwählen, die am besten zu den eigenen Geschäftsanforderungen passen und sich nahtlos in die Geschäftsprozesse integrieren. Algorithmen sind außerdem nur so gut wie die Daten, mit denen sie gefüttert werden. Deshalb müssen die für das Unternehmen wertvollsten Datenbestände ermittelt, erworben und mittels Datenmanagement- und Governance-Prozessen gepflegt werden.
Wie erwirbt man sich nun die erforderlichen Daten- und KI-Fähigkeiten? Durch Schulungen, Recruiting neuer Fachkräfte oder Outsourcing. Neue Arbeitsweisen sind erforderlich, um vertraute DevOps-Praktiken wie Versionskontrolle, kontinuierliche Integration und automatisierte Tests in der Daten- und KI-Arena zu nutzen (auch als DataOps und MLOps bezeichnet).
Wie man eine datengesteuerte Unternehmenskultur aufbaut und fördert, mag sich für Menschen mit technischem Hintergrund zunächst vielleicht nicht erschließen. Es gibt aber bewährte Methoden, um Unsicherheiten zu verringern, Vertrauen aufzubauen, Engagement zu wecken und Veränderungen zu motivieren. Daten- und Analysefachleute sollten dafür so innerhalb der Organisationsstruktur positioniert werden, dass ein Gleichgewicht zwischen Sicherstellung eines starken Datenfachwissens und der Vermeidung kontraproduktiver Silos entsteht. Das Führungsteam spielt dabei eine entscheidende Rolle. Es muss eine klare Vision entwerfen, für ausreichende Ressourcen sorgen und bei datengesteuerter Entscheidungsfindung beispielhaft vorangehen.
Sobald sich eine Vorstellung von der Datenvision und ihren Möglichkeiten herausgeschält hat, sollte Reifegrade der Daten- und KI-Fähigkeiten für alle Teile des datengesteuerten Geschäftspuzzles ganzheitlich bewertet werden. So identifiziert man rechtzeitig die wichtigsten Engpässe bei den Daten- und KI-Fähigkeiten.
Daten und KI messen und bewerten
Roadmap
Letztes Element einer KI- und Daten-Strategie ist die Roadmap, welche die Reihenfolge und den Zeitrahmen für die Erreichung der Ziele festlegt. Sie sollte sowohl die wichtigsten Anwendungsfälle umfassen, als auch Fähigkeiten, die noch verbessert werden müssen. Wichtig dabei wiederum: Nicht nur auf die Technologie blicken, sondern die Entwicklung sowie Fähigkeiten ganzheitlich betrachten. Sowohl Chancen als auch Fähigkeiten sollten klar mit der allgemeinen KI- und Daten-Vision und den Zielen verknüpft sein, die das Unternehmen anstrebt.
Die KI- Und Daten-Strategie akuell halten
Eine Daten- und KI-Strategie kann noch so gut durchdacht sein: Niemand kann die Zukunft vorhersehen und selbst die besten Pläne werden nach dem ersten Reality-Check mitunter noch angepasst werden müssen. Eine Daten- und KI-Strategie auf- und umzusetzen, bedeutet daher kontinuierliches Experimentieren und Lernen. Die kritischsten Annahmen, auf denen die Pläne beruhen, müssen identifiziert und zügig getestet werden. Dabei helfen ein regelmäßiger Zeitplan für die Überprüfung und Feinabstimmung der Daten- und KI-Strategie – mindestens jährlich, wenn nicht sogar vierteljährlich - sowie eine permanente Synchronisation der Strategie mit dem allgemeinen Strategieüberprüfungsprozess.
