Kosten und Nutzen von KI im Mittelstand (Teil 1 von 4)
Allein für das verarbeitende Gewerbe rechnen Experten durch den Einsatz von KI mit einer zusätzlichen Wertschöpfung von 56 Milliarden Euro (Quelle: IWConsult „Der digitale Faktor“). Anwendungen etwa rund um Automatisierung oder generative KI werden demnach zu einem zentralen Wettbewerbsfaktor. Schätzungsweise die Hälfte der Unternehmen im verarbeitenden Gewerbe hat entsprechende KI-Lösungen sogar bereits im Einsatz – dies liegt sicher auch am immensen Handlungsdruck, der von innen und außen auf die Unternehmen einwirkt.
1. Datenmanagement für die Cloud-Ära:
Bei allem Aktionismus zeigt unsere Erfahrung jedoch auch, dass viele Unternehmen gut daran tun, Kosten und Nutzen solcher Projekte sehr gut abzuwägen. Schließlich können die Anfangsinvestitionen äußerst hoch und der langfristige Nutzen oftmals nur schwer kalkulierbar sein. Mit dieser Blogreihe möchten wir zur besseren Abschätzung einen Beitrag leisten. Teil 1 widmet sich hierbei zunächst den zentralen Voraussetzungen für sichere und effiziente KI-Lösungen sowie den grundsätzlichen Potenzialen.
In den weiteren Teilen geben wir einen möglichst konkreten Überblick über die Anwendungsfälle mit den höchsten Einspar- und Umsatzchancen für KMU sowie über (versteckte) Kosten für die Entwicklung und den Betrieb. Der letzte Teil widmet sich dann wiederum der Best-Practice mit konkreten Handlungsempfehlungen rund um Datenmanagement und Co.
Warum es sich grundsätzlich lohnt
Welche Anwendungen das beste Kosten-Nutzen-Verhältnis aufweisen, ist wie gesagt Thema des zweiten Teils. Doch möchten wir Ihnen auch einen grundsätzlichen Einblick in die Erfolgschancen von KI in Unternehmen geben. Hier zeigt eine aktuelle globale Studie von Microsoft, wann und in welchem Umfang mit einem Return on Invest zu rechnen ist:
- 71% der Befragten geben an, dass Ihr Unternehmen bereits KI einsetzt
- 92% der KI-Implementierung dauern 12 Monate oder weniger
- Unternehmen erzielen innerhalb von 14 Monaten eine Rendite aus ihren KI-Investitionen
- Für jeden Dollar, den ein Unternehmen in KI investiert, erzielt es eine 3,5-fache durchschnittliche Rendite
Diese Zahlen sind für KMU natürlich mit einer gewissen Vorsicht zu genießen, da die Höhe der Investitionen in Entwicklung und Betrieb nicht bekannt ist (unser Thema im dritten Teil der Reihe) – die gilt es nämlich erstmal zu stemmen. Doch der Reihe nach…
Voraussetzungen für erfolgreichen KI-Einsatz
1. Klare Ziele und Problemstellungen definieren
Bevor ein KI-Projekt startet, sollten Sie möglichst konkret definieren, welches Problem gelöst oder welche Prozesse optimiert werden sollen. Unscharfe Ziele wie „Wir wollen effizienter werden“ führen oft ins Leere. Konkrete Ziele wären beispielsweise die Reduzierung von Lagerbeständen oder die Automatisierung wiederkehrender Kundenanfragen im Support.
Praxistipp: Im zweiten Teil dieser Serie geben wir Ihnen erste grundsätzliche Anhaltspunkte, wo hier die stärksten Hebel schlummern.
2. Die richtigen Daten identifizieren und bereitstellen
Der Erfolg von KI-Projekten hängt natürlich unmittelbar von der Verfügbarkeit und Qualität Ihrer Daten ab. Analysieren Sie also zunächst die Datenquellen: Welche internen und externen Daten stehen tatsächlich zur Verfügung? Anschließend gilt es, die Rohdaten zu bereinigen, zu strukturieren und ins richtige Format zu bringen (vergessen Sie hierbei nicht Datenschutzthemen wie die DSGVO). Übrigens: Laut einer Deloitte-Studie haben dreiviertel der Unternehmen aufgrund von generativer KI ihre Investitionen in das Datenmanagement erhöht.
Praxistipp: Führen Sie eine Dateninventur durch, um zu klären, welche Lücken möglicherweise noch geschlossen werden müssen.
3. Technische Infrastruktur bereitstellen
Um KI von der Theorie in die Praxis zu überführen, müssen KMU die entsprechende technische Basis schaffen. Cloudlösungen sind hier eine kosteneffiziente Möglichkeit. Zudem sollten die Daten über entsprechende Datenbanken und Schnittstellen zentral zugänglich sein. Auch das Thema Cybersecurity ist hier mitzudenken. Hier gibt es noch Nachholbedarf: In einer aktuellen Befragung geben nur 22 Prozent der Organisationen an, dass ihre Architektur die Anforderungen von KI-Workloads vollständig erfüllt.
Praxistipp: Beginnen Sie mit skalierbaren Lösungen, um Wachstumschancen zu berücksichtigen. Hier hat sich z.B. Microsoft Fabric bewährt, eine flexibel skalierbare All-in-One-Lösung, die alle Daten und Analysetools innerhalb einer durchgängigen, einheitlichen Analyseplattform zusammenbringt (mehr zu den Fabric-Vorteilen für KMU finden Sie hier.
4. Das richtige Team aufstellen
Stellen Sie sicher, dass das erforderliche Wissen vorhanden ist, das reicht von Datenanalysten und Data Scientists bis hin zu geeigneten KI-Projektmanager:innen. Zudem sind Mitarbeitende im Umgang mit den neuen Technologien zu schulen und Ängste abzubauen.
Praxistipp: Arbeiten Sie ggf. mit externen Dienstleistern zusammen, um Wissenslücken zu schließen, und zeigen Sie in Workshops wie KI die Arbeit erleichtert.
5. Starten Sie mit kleinen Projekten mit hohem Nutzen
Großangelegte Transformationen sind kein guter Startpunkt. Beginnen Sie mit überschaubaren „Proof of Concepts“, um erste Erfolge zu erzielen und das Vertrauen aller Stakeholder zu stärken.
Praxistipp: Starten Sie mit der Automatisierung von aufwändigen oder fehleranfälligen Prozessen wie der Rechnungsverarbeitung, bevor Sie komplexere Abläufe angehen.
6. Etablieren Sie ethische und erklärbare KI
Gerade für KMU ist es wichtig, bei Kunden und Mitarbeitenden Vertrauen in KI aufzubauen. KI sollte deswegen nicht nur effizient, sondern auch transparent (explainable KI) und ethisch vertretbar sein. Responsible Data und AI-Frameworks spielen hierbei eine zentrale Rolle. Zusätzlich gewinnen rechtliche Rahmenwerke wie der EU AI Act und der EU Data Act zunehmend an Bedeutung.
Praxistipp: Bilden Sie interdisziplinäre Teams, um Verantwortung von Anfang an zu integrieren und setzen Sie auf umfassende Dokumentation sowie auf unterstützende Tools, etwa zur Bias-Erkennung.
7. Stellen Sie eine Kosten-Nutzen-Abwägung an den Anfang
Ein erfolgreiches Projekt resultiert aus technischer Machbarkeit UND Wirtschaftlichkeit. Kalkulieren Sie Entwicklungskosten für Software, Hardware und Personal und stellen Sie dem die prognostizierten Einsparungen/Wertschöpfungen gegenüber. So erhalten Sie eine Antwort auf die Frage, wann sich das Projekt amortisiert.
Praxistipp: Prüfen Sie mit möglichst konkreten Zahlen, welche Beispiele aus dem nächsten Teil der Blogreihe für Ihr Unternehmen relevant sind.
Im nächsten Teil geht es dann bereits um eines der Kernthemen: Welche Use Cases bieten üblicherweise das höchste Einsparungs- und Wertschöpfungspotenzial?
