Innovation • Effizienz • GenAI

Definieren Sie klare und messbare Ziele, um den Erfolg Ihres Projekts zu bewerten. KI ist kein Selbstzweck – es ist eine Technologie, die kontinuierliche Kosten verursacht und deren Nutzen klar nachweisbar sein sollte. Sollen vorhandene Prozesse mit KI optimiert werden, ist es sinnvoll, vorab auch Messdaten des existierenden Prozesses zu ermitteln, um das KI-Optimierungspotenzial – und damit den Nutzen – genauer abschätzen zu können.

Definieren Sie vor dem Start eines Projektes die Use Cases, die den größten Mehrwert stiften und die Produktivität am meisten steigern! Erstellen Sie zur Bewertung geeigneter Use Cases eine Relevanz-/Akzeptanz-/Kosten-/Nutzen-Tabelle. Belegen Sie den Nutzen des „besten“ Use Cases durch einen Proof of Concept bzw. MVP, wofür Sie üblicherweise nur kleines Budget benötigen.

Stellen Sie sicher, dass Ihre Daten „KI-fähig“ sind. KI-Systeme benötigen Daten, die sie innerhalb einer singulären Verarbeitung „verstehen“ können. Die Informationen müssen daher kompakt sein, damit sie in einen Prompt passen, aber auch vollständig, um die Fragestellung umfassend und konkret abzudecken und Halluzinationen zu vermeiden. Qualität bezieht sich daher nicht nur auf die Güte von Messergebnissen, sondern auch auf die Bereitstellung von Kontext für die Interpretierbarkeit durch die KI. Abkürzungen oder Verweise auf andere Absätze oder andere Datensätze im Dokument sollten daher genauso vermieden werden, wie Fließtext ohne klar abgegrenzten Kontext. Je nach Anwendungsfall und verwendeter Technologie müssen die Daten entsprechend strukturiert werden, um dem Modell einen optimalen Kontext bereitzustellen.

Bringen Sie Experten aus Fachbereich und IT zusammen, um unterschiedliche Perspektiven zu berücksichtigen. Ein zu IT-lastiges Team implementiert ggf. am Bedarf vorbei – ein zu Fachbereich-lastiges Team hat womöglich Vorstellungen, die sich technisch nicht oder nur mit unverhältnismäßig hohem Aufwand umsetzen lassen. Zusätzliche Perspektiven helfen, „bewährte“ Muster aufzubrechen und Impulse für neue Vorgehensweisen zu setzen. Generell sind durch generative KI zusätzliche Aspekte (z. B. Prompt Engineering und Agentic AI) hinzugekommen, die sich erheblich von traditionellen Entwicklungsansätzen unterscheiden. Stellen Sie deshalb sicher, dass Experten mit diesen Skills von Beginn an Teil Ihres Teams sind.

Nutzen Sie agile Projektmanagement-Methoden, um flexibel auf neue Erkenntnisse zu reagieren. Häufig ist der erste Implementierungs-Entwurf zu nah an traditionellen Vorgehensweisen oder im Laufe des Projektes zeigt sich, dass mit den durch die KI gegebenen Latenzen anders umgegangen werden muss. Die Erfahrung mit generativer KI ist noch nicht allzu groß, da es Transformer-Modelle in dieser Art erst seit 2017 und offizielle APIs zur einfachen Nutzung sogar erst seit 2020 gibt.

Berücksichtigen Sie ethische Aspekte und Datenschutz-bzw. Compliance-Richtlinien. Auch wenn die Regulierung von AI gerade erst startet, kann schon jetzt in vielen Bereichen abgeschätzt werden, was in Zukunft keinen Markt mehr hat – und einiges an Regulierungen mag auch erst auf den zweiten Blick einleuchten. Die gesetzlichen Anforderungen an die Entwicklungs-, Test- und Betriebs-Prozesse von KI-gestützten Systemen können signifikante Auswirkungen auf den Return of Invest (ROI) haben, und sollten deshalb schon in den initialen Projektphasen, d. h. bei der Bewertung von Use Cases, berücksichtigt werden.