In den USA experimentieren laut aktueller Erhebung von APQC fast 40 Prozent der Unternehmen derzeit mit Generativer AI/ Künstlicher Intelligenz. Darüber hinaus setzen bereits mehr als 20 Prozent der Unternehmen die Technologie in großem Umfang ein. Zwei Drittel der Befragten geben außerdem an, dass der Einsatz von KI ihre Net Promoter Scores verbessert hat.
Laut Statistik Austria verwenden in Österreich rund 11 Prozent der Unternehmen Künstliche Intelligenz.
Vom Taylorismus zum Prozessanalysetool
Während der industriellen Revolution begann der Amerikaner Frederick Winslow Taylor damit, mit der Stoppuhr die Geschwindigkeit von Prozessen zu messen und die Einzelschritte detailliert zu notieren und zu optimieren. Der Taylorismus zielte damals also bereits darauf ab, die Arbeitsproduktivität zu verbessern.
Es wurde festgestellt, dass Mitarbeitende dann bessere Leistungen erbringen, wenn sie Arbeit gerne durchführen. Dies wird durch ein gewisses Maß an Entscheidungsfreiheit begünstigt. Deshalb wird dieser Aspekt in vielen Betrieben beim Design der Arbeitsprozesse berücksichtigt und die Arbeitszufriedenheit regelmäßig erhoben.
Heute müssen diese Erhebungen nicht mehr mit der Stoppuhr durchgeführt werden. Die Log-Files der meisten Software-Systeme liefern die gewünschte Information, sofern man diese innerhalb der betrieblichen Rahmenbedingungen auswerten kann. Man muss sie nur noch mit modernen Prozessanalysetools auswerten.
In jüngerer Vergangenheit wurde gelernt, nicht nur das Produkt im Ergebnis einzubeziehen, sondern die gesamte Customer Experience einzubinden – und diese auch zu messen. Es folgte die Einbindung von Kundenvorlieben und -interaktionen (auch jener interner Kund:innen) in den Wertschöpfungsprozess.
Auch heutzutage wird das Feedback von Kund:innen erfasst und analysiert, um Bedürfnisse und Präferenzen zu verstehen und die Integration von Metriken durchzuführen. Beispiele für Metriken, die als Maßstab für die Prozessverbesserung dienen, sind die Zufriedenheit der Kund:innen oder der Net Promoter Score (NPS).
Wie verändert nun KI diese Prozesse und wo beginnt man mit der Einführung?
Künstliche Intelligenz kann in einer Vielzahl von Unternehmensbereichen eingesetzt werden, um die Effizienz, Produktivität und die Customer Experience von Prozessen zu verbessern. Hier sind einige Bereiche, in denen KI in Unternehmen eingesetzt werden kann:
1. Betreuung von Kund:innen und deren Erfahrung: Einsatz von Chatbots und virtuellen Assistenten.
2. Datenauswertung und -analyse: um Muster zu erkennen und wertvolle Einblicke zu gewinnen
3. Marketing und Vertrieb: Zur Erarbeitung personalisierter Marketingkampagnen
4. Automatisierung von Geschäftsprozessen: um repetitive Aufgaben zu automatisieren
5. Produktentwicklung und Fertigung: um die Produktion zu optimieren und die Qualität zu verbessern.
6. Sicherheit und Betrugsprävention: um potenzielle Sicherheitsverletzungen frühzeitig zu erkennen.
7. Personalwesen und Management: um Bewerbungen zu filtern und um Schulungsbedarf zu identifizieren
Sollte man bestehende AI-Software nutzen oder selbst AI-Anwendungen erstellen?
Viele größere Softwareunternehmen implementieren bereits AI in ihre Anwendungen. Die wenigsten ihrer Kund:innen wenden diese aber bereits im vollen Ausmaß an.
Es wird empfohlen, mit bereits in der Standard-Software vorgesehener Künstlicher Intelligenz zu beginnen und diese am besten als Leuchtturmprojekte zuerst intern umzusetzen. Erst wenn genügend Erfahrung gesammelt werden konnte, kann diese auch nach außen hin verwendet werden. Ein Beispiel dazu wäre, wenn der Customer Service einen Text zur Beantwortung eines Falls von einer AI vorgeschlagen bekommt, der jedoch noch bearbeitet werden kann und erst an Kund:innen geschickt wird, wenn Mitarbeiter:innen ihn freigeben.
Das eigenständige Erarbeiten von Anwendungen, z. B. unter der Nutzung von Plattform-Diensten, bietet sich an, wenn die Notwendigkeit groß ist, intern genügend Know-How besteht und keine Standardsoftware zur Verfügung steht, auf die aufgebaut werden könnte.
Zunehmend werden sich Unternehmen von anderen differenzieren, wenn sie bereits bestehende KI sinnvoll nutzen können. Es zeigt sich, dass die Möglichkeiten, die high-end Softwaretools bieten, von den wenigsten Unternehmen zur Gänze in der Praxis umgesetzt werden. Dazu ist es erforderlich, Datensilos aufzubrechen und gemeinsame Datenpools aufzubauen, um alle Informationen in die Berechnungen einzubeziehen, damit die KI davon lernen kann. Alternativ können bestimmte Software-Plattformen auch über Datensilos hinweg arbeiten. So oder so ist eine durchdachte und disziplinierte Data-Governance Voraussetzung.
Nicht nur die verwendeten Algorithmen bestimmen die Ergebnisse, sondern auch die Datenbestände. Generative KI/ML-Modelle werden teilweise mit Trivialliteratur wie seichten Romanen trainiert – entsprechend romantisch orientiert sind dann auch die Antworten.
Fazit:
KI kann die Geschwindigkeit und die Qualität der Arbeit erhöhen. Zunehmend werden andere Job-Anforderungsprofile gefragt sein und die Arbeit wird qualitativer werden. Die Qualität der Informationen und der Umsetzung kann erhöht werden, indem der Mensch die KI als Instrument verwendet.
Damit Unternehmen in der Lage sind, KI nicht nur einzusetzen, sondern auch zu messen, inwiefern KI zur Ergebnisverbesserung beiträgt, wird eine regelmäßige Erhebung der Metriken für Prozessgeschwindigkeit und Zufriedenheit der Kund:innen/Mitarbeiter:innen empfohlen. Diese Metriken liefern zudem eine hilfreiche Datenbasis für die Abgrenzung von zweckmäßigen KI Use-Cases.
