KI Künstliche Intelligenz, Digitalisierung & Information Management inhouse

KI Künstliche Intelligenz – Ausführlicher Fachbeitrag. Lesezeit: 15 Minuten.

KI Künstliche Intelligenz verspricht: Schneller texten, recherchieren, Kunden und Lieferanten antworten, Prozesse optimieren. Sie planen daher, KI Künstliche Intelligenz in Ihrem Unternehmen einzuführen und auszubauen. ChatGPT, generative AI, Large Language Models (LLM) u.a. sind Ihnen hierzu (k)ein Begriff. Wie können Sie KI-Projekte in Ihrem Unternehmen konkret umsetzen?

KI Künstliche Intelligenz zielgenau einsetzen: Um die richtige Entscheidung zum Prompten, Chatten, Recherchieren und generell Prozesse zu automatisieren zu treffen und die passenden KI-Tools einzuführen, braucht ein Unternehmen ein gemeinsames Verständnis der Verantwortlichen zur KI und das entsprechende Know-how. Wo sind die Ansatzpunkte in den einzelnen (Fach-)Bereichen, wie können die Vorgehensmodelle zur Einführung von KI aussehen? Um KI erfolgreich zu nutzen, müssen Unternehmen neben technologischen Grundlagen und Tools zur Programmierung ihr Informationsmanagement und Information Governance im Auge behalten. Eine große Rolle spielt auch das Akzeptanzmanagement zur Mitnahme der Mitarbeitenden sowie Ethikregeln. Ohne eine ganzheitliche Sichtweise und Umsetzung wird es schwierig, die gewünschten Ergebnisse zu erzielen. Außerdem: Künstliche Intelligenz setzt eine durchgängige Digitalisierung voraus – dies ist noch nicht in allen Unternehmen gegeben.

Inhalt

• Zusammenspiel Informationsmanagement und KI
• Externe versus interne Quellen
• Qualität der Ergebnisse hängt von den genutzten Quellen ab
• Herausforderungen für den internen Einsatz von KI-/LLM-Werkzeugen
• Wo kann KI Künstliche Intelligenz Information Management und Information Governance unterstützen?
• Anwendungsfelder von KI im Informationsmanagement
• Das Wissensmanagement profitiert am meisten von KI
• KI treibt Prozessautomatisierung und -optimierung voran
• Chatbots als virtuelle Assistenten
• Compliance immer im Blick
• Content is King
• Viele Einsatzmöglichkeiten erfordern qualifiziertes Personal: KI ist kein Selbstläufer
• Eine Checkliste für Planung, Umsetzung, Einführung und Betrieb
• Weiterentwicklung, Chancen, Risiken
• A & O: Strategien. Und Strategien. Und ganzheitliches Informationsmanagement. Und Information Governance!

Zusammenspiel Informationsmanagement und KI

Durch den Aufschwung von LLM Large-Language-Model-Werkzeugen als aktuelle KI-Entwicklung, als öffentlich zugängliche, sogar kostenfreie Anwendung zur Erschließung von Wissen, hat auch die Diskussion um den Einsatz von KI Künstlicher Intelligenz in Unternehmen, Organisationen und Verwaltungen an Fahrt gewonnen. LLMs bieten die Möglichkeit, bereits vorhandene organisationsinterne Informationsquellen zu erschließen.

Je besser diese bereits im Rahmen eines ganzheitlichen Informationsmanagements organisiert sind, desto besser sind die Ergebnisse und der Nutzen für die Anwenderorganisation. Informationsmanagement und Künstliche Intelligenz müssen hier optimal zusammenspielen. Die Nutzung unternehmensinterner Daten hat Vorteile, bringt aber auch besondere Herausforderungen mit sich.

Externe versus interne Quellen

LLM-Werkzeuge wie ChatGPT bieten einen einfachen Zugang zu einem breiten Spektrum von öffentlich zugänglichen Datenquellen. Wesentliche Komponente ist die natürlich-sprachige Benutzerschnittstelle (NLP Natural Language Processing), die einfache Fragen und Dialoge mit der Software ermöglicht.

Qualität der Ergebnisse hängt von den genutzten Quellen ab

Grundlage für die Antworten und generierten Texte (Grafiken, Bilder, Videos etc.) ist in der Regel ein antrainierter Informationsbestand auf Basis öffentlich zugänglicher Inhalte. Dieser kann auch dynamisch durch Erschließung aktueller Web-Quellen ergänzt sein. Qualität, Originalität, Akkuratesse, Richtigkeit, Urheber und Vertrauenswürdigkeit bleiben hierbei jedoch auf der Strecke.

Es lohnt sich eigentlich nur, allgemeine Wissensthemen abzufragen. Die Ergebnisse sind nicht präzise und relevant für die fachspezifischen Anforderungen einer Organisation ausgelegt, da sie nicht auf den eigenen, internen und nicht öffentlich zugänglichen Informationen der Organisation aufsetzen. Dies ist ein wesentlicher Unterschied zwischen den öffentlichen Werkzeugen und dem internen Einsatz von KI-Software-Tools.

Der Einsatz von solchen Werkzeugen organisationsintern auf Basis eigener Prozesse, Daten und Informationen bietet Unternehmen die Möglichkeit, maßgeschneiderte Lösungen zu entwickeln, die genau auf ihre spezifischen Anforderungen zugeschnitten sind.

KI-Werkzeuge stellen so den nächsten Schritt der Informationserschließung nach BI Intelligence, Big Data Analytics, Automatic Classification, RPA Robotic Process Automation, Enterprise Search und IIM Intelligent Information Management dar.

Je nach genutzten Quellen ist die Qualität der Ergebnisse besser und verlässlicher als beim Einsatz eines Internet-Daten-basierten Tools. Besonders Zugriffsschutz, Datensicherheit, Datenschutz, Nachvollziehbarkeit, Aktualität, Richtigkeit und andere Kriterien einer ganzheitliche Information Management & Information Governance Lösung können hier erfüllt werden.

Die Betonung liegt auf „können“, denn dazu müssen die Informationen geeignet und auch entsprechend vorbereitet sein. Letztlich sprechen wir hier über spezialisierte KI-Anwendungen und nicht über eine universelle Künstliche Intelligenz.

Besonders können Ergebnisse wenig befriedigend aussehen, wenn die verwendete Informationsbasis sehr gleichförmig ist. Es gilt also zu definieren, welche Art von Information als Wissen für welchen Zweck und für welche Benutzergruppe erschlossen werden soll.

Dies kann durchaus zu unterschiedlichen Anwendungen mit unterschiedlichen Informationsbasen führen, wenn man sich verschiedene Nutzungsmodelle vor Augen hält: Texte für Marketing und Internet werden sich deutlich von Wissen über Patente und Forschungsergebnisse wie auch rechtlichen und regulativen Dokumentationen unterscheiden. Es geht also nicht nur darum, ein LLM-Werkzeug auf die internen Daten „loszulassen“, sondern im Rahmen eines ganzheitlichen Informationsmanagements zweckgerichtet interne Lösungen anzupassen.

Hieraus leiten sich dann auch besondere Anforderungen an das einzusetzende Werkzeug ab, dass nicht nur trainierbar sein muss, sondern selbstlernend entsprechend den Nutzerdialogen sich weiterentwickelt und dabei dennoch die Compliance- und Datenschutz-Anforderungen einhält. Es gibt so gesehen eine ganze Reihe von Herausforderungen, die bei Wahl, Einsatz, Pflege und Nachhaltung zu berücksichtigen sind. Man darf sich hier nicht durch die Einfachheit der Benutzerschnittstelle täuschen lassen – die eigentliche Arbeit findet im Informationsmanagement im Untergrund statt.

Herausforderungen für den internen Einsatz von KI-/LLM-Werkzeugen

Zu den Herausforderungen des Einsatzes von KI- und besonders LLM-Werkzeugen als Varianten einer Künstlichen Intelligenz kann man auch ein LLM selbst befragen (OpenAI ChatGPT, Version 40, Mai 2024; nacheditiert und formatiert):

„Der Einsatz von KI- und Large Language Models (LLM)-Werkzeugen auf eigenen Informationen innerhalb eines Unternehmens birgt eine Reihe von Herausforderungen, die es zu bewältigen gilt. Zu den 10 wichtigsten Herausforderungen gehören:

1. • Datenqualität und -integrität:
     Die Qualität und Integrität der internen Daten sind entscheidend für die Genauigkeit und Zuverlässigkeit der KI- und LLM-Modelle. Inkonsistente, unvollständige oder fehlerhafte Daten können zu verzerrten Ergebnissen führen.

1. • Datenschutz und Compliance:
     Der Einsatz von KI- und LLM-Werkzeugen erfordert eine sorgfältige Berücksichtigung von Datenschutz- und Compliance-Vorschriften, insbesondere wenn es um sensible oder personenbezogene Daten geht. Unternehmen müssen sicherstellen, dass sie die geltenden Gesetze und Richtlinien einhalten und die Privatsphäre ihrer Mitarbeiter und Kunden respektieren.

1. • Mangelnde Transparenz:
     KI- und LLM-Modelle können oft als „Black Box“ fungieren, was bedeutet, dass ihre Entscheidungsprozesse für Menschen schwer nachvollziehbar sind. Dies kann zu Vertrauensproblemen führen und die Akzeptanz der Modelle innerhalb des Unternehmens beeinträchtigen.

• • Erklärbarkeit von Entscheidungen:
    Es ist wichtig, dass die Entscheidungen, die von KI- und LLM-Modellen getroffen werden, erklärt und nachvollzogen werden können. Unternehmen müssen sicherstellen, dass sie die Logik und das Verhalten ihrer Modelle verstehen und interpretieren können.

• • Bias und Diskriminierung:
    KI- und LLM-Modelle können anfällig für Bias und Diskriminierung sein, insbesondere wenn sie auf ungleichen oder voreingenommenen Daten trainiert werden. Unternehmen müssen sicherstellen, dass ihre Modelle fair und ausgewogen sind und keine unerwünschten Vorurteile enthalten.

• • Fachkräftemangel:
    Der Einsatz von KI- und LLM-Werkzeugen erfordert spezialisiertes Fachwissen und technisches Know-how, das in vielen Unternehmen möglicherweise nicht vorhanden ist. Der Mangel an qualifizierten Fachkräften kann die Einführung und den Betrieb dieser Technologien behindern.

• • Skalierbarkeit und Ressourcenbedarf:
    Die Skalierung von KI- und LLM-Anwendungen innerhalb eines Unternehmens kann eine Herausforderung darstellen, da sie oft erhebliche Rechen- und Speicherressourcen erfordern. Unternehmen müssen sicherstellen, dass sie über ausreichende Ressourcen verfügen, um den Einsatz dieser Technologien zu unterstützen.

• • Integration mit bestehenden Systemen:
    Die Integration von KI- und LLM-Werkzeugen in bestehende IT-Systeme und Geschäftsprozesse kann komplex sein und erfordert oft umfangreiche Anpassungen und Schnittstellenentwicklung.

• • Risikomanagement:
    Der Einsatz von KI- und LLM-Technologien birgt bestimmte Risiken, darunter das Risiko von Fehlern, Ausfällen oder Missbrauch. Unternehmen müssen angemessene Risikomanagementstrategien entwickeln, um diese Risiken zu identifizieren, zu bewerten und zu minimieren.

• • Kulturelle und organisatorische Herausforderungen:
    Die Einführung von KI- und LLM-Technologien kann kulturelle und organisatorische Veränderungen erfordern und auf Widerstand stoßen. Unternehmen müssen die Mitarbeiter aufklären, schulen und unterstützen, um eine reibungslose Integration und Akzeptanz sicherzustellen.“

Das Ergebnis von ChatGPT ist erstaunlich gut und recht vollständig. Letztlich heißt dies, dass sich mit dem Thema schon mehrfach Autoren auseinandergesetzt haben, deren Beiträge in den ChatGPT-Trainingsbestand aus Oktober 2023 gelangt sind. Gut besonders an der Antwort ist, dass auch menschliche Faktoren und kulturelle Fragen Eingang gefunden haben.

Geht man ins Detail ergeben sich noch zahlreiche weitere Herausforderungen, die bedingt sind durch die Gegebenheiten der Organisation, deren Tätigkeit, deren Informationsbasen und den an gestrebten Nutzungsmodellen. Hier unterscheiden sich die Anforderungen und Voraussetzungen in den verschiedenen Unternehmen sehr stark. Die Einsatzmöglichkeiten eines LLM als generative KI wird durch die Fragestellungen an Information und Wissen sowie durch die zur Verfügung stehenden Datenbasen bestimmt.

Wo kann KI Künstliche Intelligenz Information Management und Information Governance unterstützen?

Bereits seit Jahrzehnten ist das Thema Automatisierung für Dokumentenmanagement, Enterprise Content Management und Wissensmanagement ein wichtiges Einsatzargument- Bisherige Techniken wie regelbasierte Workflows oder manuell antrainierte Klassifikation können durch KI Künstliche Intelligenz, besonders in Verbindung mit Machine Learning (ML) hier wesentliche Vereinfachungen und neue Anwendungsfelder bringen.

Dies trägt zu besserer Informationsqualität, schnellerer Informationsverarbeitung  und -erschließung, komfortabler Abfrage und Bereitstellung von Wissen und damit letztlich höherer Effizienz und größerem Wert der Information bei.

Gerade angesichts des Wachstums von Information in allen Organisationen und im Internet, kommt einer ganzheitlichen Information-Management- und Information-Governance-Strategie besondere Bedeutung zu.

KI-Methoden und -Werkzeuge schaffen einerseits viele neue Möglichkeiten einer verbesserten Informationsnutzung, bergen aber daneben auch neue Risiken eines möglichen Missbrauchs. Daher müssen neue KI-Methoden mit stringenten Methoden und Verfahren des Informationsmanagements und der Information Governance zusammenarbeiten.

Anwendungsfelder von KI im Informationsmanagement

Anwendungsfelder für den Einsatz von KI, ML und auch Werkzeugen wie LLMs gibt es im Informationsmanagement zahlreiche.

Im Dokumentenmanagement und in der elektronischen Archivierung gehört die automatisierte Extraktion von Metadaten und die automatische Klassifikation bei der Erfassung von Informationsobjekten zu den klassischen Anwendungsfällen. Die automatisierte Erkennung und Extraktion relevanter Informationen aus unstrukturierten Dokumenten wie auch die Generierung von Volltexten aus Bilddokumenten schafft die Grundlage für eine Erschließung mit Natural-Language-Processing-NLP-Anwendungen wie LLM Large Language Models für Analyse, Verarbeitung, Erschließung und Neuaufbereitung.

Auch lassen sich hier mit Predictive Analytics (PA) Vorhersagen zu Informationsbedarf, Informationsnutzung und notwendiger Informationserfassung ableiten. Der Einsatz von KI bei der Qualitätsverbesserung von OCR-/ICR-Ergebnissen (Optical Character Recognition, Intelligent Character Recognition) ist ein Standardanwendungsfeld.

Bei der Automatisierung des Records Managements kommen ähnliche Ansätze wie bei Dokumentenmanagement zum Tragen.

Beim Records Management entsteht eine neue Qualität durch die Kombination von Metadaten und Ordnungsstrukturen die zusammen mit Volltexten durch LLM gemeinsam erschlossen und in sauber aufbereitete Ergebnisse präsentiert werden. Hinzu kommen beim Records Management wesentliche Governance-, Compliance-, Datenschutz-, Datensicherheit- und andere regulative und rechtliche Anforderungen.

Für die Einhaltung der DSGVO (Datenschutz-Grundverordnung) können in Erfassungsprozessen KI-basierte Analyse- und Auswertungsmechanismen verwendet werden, die Informationsobjekte mit personenbezogenen Daten herausfiltern und mit besonderen Schutzmerkmalen versehen.

Künstliche Intelligenz kann auch bei der Identifikation von Schwachstellen und Risiken die Informationssicherheit stärken. LLM Large Language Models können die Nutzung von – häufig sehr kompliziert mit Metadaten und tiefen Strukturen aufgebauten – Records-Management-Systemen erheblich erleichtern und so auch eine Nutzungsmöglichkeit für Mitarbeitende schaffen, die sich nicht täglich mit der Records-Management-Disziplin befassen.

Das Wissensmanagement profitiert am meisten von KI

Große Mengen digital vorliegender Information können durch LLM und andere Technologien verdichtet, erschlossen, qualitativ bewertet, zusammengefasst und verständlich Anwendern im Dialog bereitgestellt werden.

Das System erlernt dabei die Fragestellungen individueller Nutzer, bereitet Information für die nächsten Interaktionen mit Maschinenlernen und Vergleich bisheriger Ergebnisse auf und kann letztlich so proaktiv vorausschauend auch automatisiert dem Anwender „ungefragt“ benötigte Information anbieten.

Auch Anwendungen auf Wissensbasen, die bisher nur mit sehr großem Aufwand und vielen Einschränkungen umsetzbar waren wie z.B. die Erstellung von Wissensgraphen, Ontologien und Bewertungssystemen, lassen sich mit KI-Unterstützung nun relativ einfach umsetzen.

Die Fähigkeiten von LLMs natürlich-sprachig, sauber aufbereitet, gut strukturiert und bedarfsgerecht Information in Texte, Grafiken und Auswertungen aufzubereiten, senkt die Hemmschwellen für die Nutzung elektronischer Information und entlastet Mitarbeiter bei Routine-Tätigkeiten z.B. bei Recherchen, im Berichtswesen und der Dokumentation.

Die parallele Entwicklung von Übersetzungswerkzeugen und deren Integration in LLM-Software ermöglicht zudem die Erschließung und Nutzung fremdsprachiger Information. Damit erweitert sich die  nutzbare Menge an Information um ein Vielfaches.

Die Kombination von LLM, ML, NLP und Übersetzung stellt eine neue Qualität für Wissensmanagement, aber auch für die Collaboration in Teams mit Nutzern unterschiedlicher Herkunft dar.

Generative Künstliche Intelligenz erlaubt es auch, den Stil und Inhalt auf die besonderen Anforderungen spezieller Gruppen oder Anwender anzupassen, dass deren Wissensstand und Themenverständnis adäquat bedient wird. Salopp (nicht diskriminierend gemeint) „Intelligente Spezialwissensaufbereitung für die Nutzung durch Dummies“ in einfacher Sprache. Bei all diesen neuen Erschließungsmöglichkeiten kommt eine besondere Bedeutung der „Sauberkeit“, die Richtigkeit, der genutzten Informationsbasen zu, die von einem ganzheitlichen Informationsmanagement aktuell, nachvollziehbar und mit hoher Qualität bereitgestellt werden müssen.

KI treibt Prozessautomatisierung und -optimierung voran

Für die Automatisierung und Optimierung von unternehmensinternen Prozessen kamen über die letzten Jahrzehnte unterschiedliche Verfahren zum Einsatz – von der manuellen Optimierung über sich selbst optimierende Prozesse auf Basis der Nutzung bis hin zu aktuellen RPA Robotic Process Automation.

Hier vollzieht sich der Wandel vom „automatischen Nachmachen“ der Prozesse, die ein Mensch durchführt, hin zu dem Einsatz von Künstlicher Intelligenz. Hier sind generative LLM weniger gefragt, da es mehr um logische, nachvollziehbare Entscheidungen auf Basis konkreter Information geht.

Jedoch können auch hier LLM im Berichtswesen, bei der Zusammenfassung größer Textbestände, Kombination von Textbausteinen, Sentiment-Analyse von eingehender Kundenkorrespondenz, automatisierten Antwortsystemen in der Kommunikation und vielen anderen Feldern geben.

KI unterstützt bereits heute Process-Automation-Systeme bei Analyse, Optimierung, Neu-Design und Protokolldatenauswertung. Dies erlaubt die Simulation von Prozessen und Optimierung von Workflows zur Laufzeit.

Chatbots als virtuelle Assistenten

Chatbots sind das Interface zum Informationsbestand. Sie ersetzen zunehmend herkömmliche generelle Suche wie z.B. Google-Search sowie innerhalb der Organisation Enterprise-Search und Metadaten-basiertes Retrieval.

Bei der internen Nutzung können sie als Informationsaufbereiter und -verdichter oder aber auch als intelligentes Hilfe-Interface für fachliche Fragestellungen eingesetzt werden. Hier kommt der KI die Rolle eines „virtuellen Assistenten“ zu, dessen Nutzung und besonders die Einschränkungen in Bezug auf die Richtigkeit und Vollständigkeit von Aussagen geschult werden müssen.

Bei Einsatz für externe Dritte, z.B. im Support, Fragen-und-Antworten-Systeme, automatisierte Telefondialoglösungen und ähnliche Anwendungen, kommt dem Informationsmanagement der darunterliegenden Informationsbasis besondere Wichtigkeit zu.

Compliance immer im Blick

Die Informationen müssen richtig, immer aktuell und compliant mit rechtlichen Anforderungen sein. Z.B. beim Produkt-Support muss die Information zum korrekten, aktuellen Gerät benutzt werden. Dies ist besonders dann wichtig, wenn Haftungsfragen eine Rolle spielen. Gleiches gilt, wenn aus Dialogen Angebote und Verträge abgeleitet werden.

Hier kommt dann auch die revisionssichere Archivierung ins Spiel. Beim Informationsmanagement kommt hier auch die Versionierung von Informationsständen und die rechtliche Prüfung vor Bereitstellung hinzu. Audit Trails und Dokumentation der Dialoge sind zur Nachvollziehbarkeit essentiell. Auch sie müssen im Informationsmanagement verwaltet werden.

Datenschutz und Anti-Spamming-Maßnahmen sind zu beachten. Faktoren, dass der Chatbot aus Fragen und Antworten lernt und unter Umständen inkorrekte oder unvollständige Information liefert, müssen bei der Auslegung der KI-Software berücksichtigt werden.

Content is King

Die Publikation von Inhalten auf Webseiten und auch als Berichte, Artikel, Whitepaper, Bücher, Marketingunterlagen etc. wird durch den Einsatz von KI und besonders LLM stark vereinfacht und beschleunigt. Automatisiert erstellte Texte sind aber häufig erkennbar und wirken sich negativ auf die Akzeptanz des Lesers und Interessenten aus.

Formulierungen im konditionalen Modus „kann“, „könnte“ usw. müssen nachgearbeitet werden, wenn die beschriebene Information auf Fakten basiert. Gute LLM bieten hier bereits die Möglichkeit, den Sprachstil zu gestalten und auf entsprechende Sprachressourcen zurückzugreifen. Bei integrierter Übersetzung muss man sich bei einem lockeren Sprachstil auch vor „falschen Freunden“ hüten.

Fachsprache im wissenschaftlichen Bereich lässt sich gut verarbeiten, besonders wenn auch Glossare, Thesaurus, Lexika und andere gesicherte Materialien eingebunden werden. Werden intern automatisch erstellte Texte einer Informationsbasis für die weitere KI-Nutzung zugeführt, dann sind diese in Bezug auf Qualität, Richtigkeit, Urheberrechte und Nutzungsrechte sorgfältig zu überprüfen.

Viele Einsatzmöglichkeiten erfordern qualifiziertes Personal: KI ist kein Selbstläufer

Die verschiedenen Einsatzmöglichkeiten führen so auch zu sehr unterschiedlichen Lösungen innerhalb von Unternehmen, Verwaltungen und Behörden. Trotz all der Erleichterungs- und Automatisierungsmöglichkeiten muss dem Informationsmanagement, der Information Governance und „sauberen“ Informationsbasen durch ausreichend und qualifiziertes Personal Rechnung getragen werden. Der Einsatz von KI ist kein Selbstläufer.

KI Projekte: Seminar und Checkliste für Planung, Umsetzung, Einführung und Betrieb

Ein Seminar kann dabei helfen, Know-how aufzubauen und die Rahmendaten für KI-Projekte zu schaffen.

Download Flyer zum KI-Seminar 

Aus den oben getätigten Überlegungen, Anwendungsmöglichkeiten und der Antwort von ChatGPT zu den Herausforderungen lässt sich ein Entwurf für eine Checkliste ableiten, wie man am besten den Herausforderungen begegnet und eine nützliche interne Lösung einführt. Nützlich heißt hier, einfach und aufwandsparend durch die Endbenutzer einsetzbar. Hierfür sind nicht nur die Maßnahmen selbst sondern auch die Bewertungs- und Erfolgskriterien zu definieren. Und man muss sich schon bei der Planung den Herausforderungen der Weiterentwicklung, Pflege, Aktualisierung und Ergebnisbewertung über die Zeit stellen.

Vom Aufwand her bewegt man sich hier auf der gleichen Ebene als wenn man ein ERP-, CRM- oder ECM-System konzipiert, einführt, nutzt und betreibt. Mit dem einfachen „Füttern“, Anlernen oder Trainieren der LLM-/KI-/ML-Software ist es nicht getan.

Die Checkliste ist in drei Abschnitte gegliedert: (1) Planung & Vorbereitung, (2) Umsetzung & Einführung und (3) Nutzung & Betrieb und in Maßnahmen, Notwendigkeit und Priorität eingeteilt: Download Checkliste

Weiterentwicklung, Chancen, Risiken 

Die Entwicklung von KI, besonders im Bereich von Large Language Models und ML Machine Learning, hat in den vergangenen Jahren erhebliche, teils sprunghafte Fortschritte gemacht. Drei besondere Entwicklungen, die Relevanz für den Inhouse-Einsatz von KI haben, lassen sich dabei beobachten: 

Verschiedene Anbieter von Large Language Models (LLMs) 

Derzeit sind LLMs von verschiedenen Anbietern öffentlich zugänglich, wobei OpenAI eine führende Rolle einnimmt. Google hat ebenfalls LLMs in seine Suche integriert, während Microsoft LLM-Technologie in Produkte wie Bing einbindet. Neben diesen öffentlich zugänglichen KI-Chat-Systemen wird die Entwicklung von LLMs für den Inhouse-Einsatz fortgesetzt, wobei Unternehmen ihre eigenen Informationsbasen nutzen. Diese internen LLMs sind in der Regel kostenpflichtig. 

Spezialisierte LLMs auf dem Vormarsch 

Immer mehr kleinere Software-, Cloud- und Plattformanbieter bieten spezialisierte LLMs an, oft basierend auf den Produkten großer Softwareunternehmen oder Open-Source-Modellen. Diese LLMs sind vortrainiert und mit spezifischen Informationsbasen ausgestattet, was sie für bestimmte Branchen oder Fachgebiete geeignet macht. Beispiele sind LLMs für das Gesundheitswesen, die auf Diagnosen und Behandlungsmethoden spezialisiert sind, oder LLMs für Steuerberater, die Steuerregeln, Gerichtsurteile und Praxismaterialien enthalten. Ein weiterer Bereich ist das Rechtswesen, wo LLMs für Anwälte und Rechtsberater eingesetzt werden, um Gesetze, Urteile und Kommentare zu verarbeiten. 

Integration in Standardanwendungen 

Viele Unternehmen, darunter Microsoft, haben LLM- und Chat-Technologien bereits in ihre Produktpalette integriert, etwa in SharePoint, Microsoft 365, Teams und andere Anwendungen. Diese zusätzlichen Funktionen erfordern oft eine separate Lizenzierung, was den Druck auf Unternehmen erhöht, diese integrierten Systeme zu nutzen und sich nicht nach Alternativen umzusehen. Diese Entwicklung zwingt auch andere Anbieter von Unternehmenssoftware, wie ERP-, CRM- und PLM-Systeme, dazu, ihre Produkte mit LLM-Funktionen auszustatten. Der Wettbewerb unter den Anbietern hat sich dadurch auf die Integration von KI-Technologien verlagert. 

Diese Entwicklungen beeinflussen Unternehmen, Organisationen und Verwaltungen erheblich, und die Integration von KI und LLMs wird zunehmend zu einem entscheidenden Wettbewerbsfaktor. Die erfolgreiche Implementierung dieser Technologien könnte sogar die Zukunftsfähigkeit eines Unternehmens bestimmen.

A & O: Strategie. Und ganzheitliches Informationsmanagement. Und Information Governance!  

Der Einsatz von KI wird in allen Organisationen unumgänglich. Die Erarbeitung von Strategien, wie mit KI umgegangen und in welchen Bereichen für welche Anwendungen KI eingesetzt werden soll, ist notwendig. Dabei ist es nicht nur notwendig, auf die neuen Chancen zu achten, sondern auch darauf, welche Risiken und negativen Effekte mit der ungesteuerten Einführung von Künstlicher Intelligenz im Unternehmen verbunden sind. 

Geschäftsmodelle, Prozesse und Arbeitsplätze verändern sich. Automatisierung macht bestimmte Arbeiten und damit auch Arbeitsplätze überflüssig. Ein besonderes Risiko sind aber die Informationsbestände, die zum Trainieren und Recherchierens mit Hilfe eines LLM benutzt werden. Ohne ein ganzheitliches Informationsmanagement und eine durchgängige Information Governance lassen sich die gesetzten Ziele des neuen Zugangs zu Wissen nicht erreichen. 

Und was nicht vergessen werden darf – wir stehen erst am Anfang der Entwicklung und des Einsatzes von KI Künstlicher Intelligenz. Eine generelle, nicht spezialisierte KI zeichnet sich erst langsam am Horizont ab. 

Eine Strategie für den KI-Einsatz muss daher auf Veränderung und Weiterentwicklung ausgelegt sein. Gerade mit den vermehrt selbstlernenden, Machine Learning Systemen müssen Verfahren und Prinzipien für Qualität , Transparenz, Nachvollziehbarkeit und Beherrschung durchgängig und ganzheitlich implementiert werden. Nur so lässt sich der Nutzen aus der KI ziehen und die Zukunft sicher gestalten. 

Dieser Beitrag basiert auf einem Artikel von Dr. Ulrich Kampffmeyer (12/2022), aktualisiert/ergänzt von Renato Herrmann (05/2024):