KI skaliert nicht, bis Sie aufhören, sie als Innovation zu bezeichnen

Die meisten Unternehmen haben ein Team, das sich mit KI beschäftigt. Weniger haben KI vollständig operationalisiert. Die Lücke zwischen Experimentieren und unternehmensweiter Bereitstellung ist dort, wo die meisten Organisationen ins Stocken geraten und Proofs of Concept durchlaufen, die nie den Kunden erreichen. Der Wandel, der sich jetzt vollzieht, dreht sich um die operative Disziplin, KI als Produkt auszuliefern.

Philippe Rambach ist Chief AI Officer bei Schneider Electric, einem weltweit führenden Unternehmen in den Bereichen Energiemanagement und industrielle Automatisierung. Die beiden Kerngeschäftsfelder des Unternehmens, Technologie für Energiemanagement und Automatisierung von Industrieabläufen, konzentrieren sich darauf, Kunden dabei zu unterstützen, effizienter zu werden, indem sie weniger Ressourcen und kohlenstoffärmere Energie in Gebäuden, Fabriken, Häusern, Rechenzentren, Stromnetzen usw. verbrauchen.

Schneider Electric nutzt Databricks als Schlüsselplattform innerhalb seines breiteren Daten- und KI-Ökosystems und setzt die vereinheitlichten Daten- und KI-Funktionen von Databricks ein, um große Mengen industrieller Telemetriedaten zu erfassen und zu verarbeiten, maschinelles Lernen im großen Maßstab über Multi-Cloud-Umgebungen hinweg zu ermöglichen und den natürlichsprachlichen Datenzugriff über Databricks Genie zu ermöglichen. Philippe hat die KI-Organisation des Unternehmens von Grund auf aufgebaut. Sein 400-köpfiges Team ist gleichmäßig aufgeteilt zwischen der Einbettung von Intelligenz in kundenorientierte Produkte und der Verbesserung interner Abläufe im großen Maßstab.

Aus Phillipes Sicht wenden die Unternehmen, die KI erfolgreich im großen Maßstab einsetzen, die gleiche Produktentwicklungsdisziplin an, die sie für jede andere von ihnen ausgelieferte Fähigkeit anwenden würden, mit Gate-Reviews, Portfoliomanagement und Teams, die für die Produktion verantwortlich sind.

Was KI-nativ wirklich bedeutet

Aly McGue: Da immer mehr Organisationen KI in ihre Produkte integrieren, verschwimmt die Grenze zwischen einer echten KI-nativen Anwendung und einem herkömmlichen Produkt mit integrierter Intelligenz. Wie betrachten Sie diese Unterscheidung?

Philippe Rambach: Der springende Punkt ist, dass KI, wenn sie nativ ist, vollständig Teil des Wertversprechens der Anwendung ist. Ohne KI hat das Produkt keinen Wert oder verliert den größten Teil seines Wertes. Wir bauen nichts auf die Anwendung auf. Es ist Kernbestandteil dessen, was die Lösung liefert.

Die Bedürfnisse unserer Kunden haben sich mit KI nicht wirklich geändert. Sie wollen immer noch Ergebnisse: bessere Betriebszeiten, bessere Energieeffizienz, niedrigere Energiekosten und bessere Ausfallsicherheit. Sie könnten zu unserer installierten Basis gehen und sagen: „Kaufen Sie das, weil es neu ist“, und sie wären nicht sehr begeistert. Die eigentliche Veränderung ist der Übergang von „Add-on“ zu KI-nativ, von „es ist super aufregend“ zur Lieferung von Kernwert: Kunden helfen, mit weniger Energie, günstigerer Energie und stärker dekarbonisierter Energie zu operieren. Das muss im Kern der Lösung liegen, nicht daneben.

Entwicklung für Skalierbarkeit, nicht für Proof of Concept

Aly: Sie haben KI-nativ als Kern des Produktwerts beschrieben. Was war organisatorisch erforderlich, um dies über Menschen, Prozesse und Plattformen hinweg zu realisieren?

Philippe: Auf der Personalseite kommt es auf die Notwendigkeit an, Domänenwissen mit KI-Wissen zu verschmelzen. Ein reines KI-Team wird super schicke Dinge bauen, die wirklich gut aussehen, was ich „glänzende Objekte“ nenne, aber nicht unbedingt Dinge, die den Kunden wirklich helfen. Also haben wir ein Hub-and-Spoke-Modell geschaffen.

Jede Lösung beginnt mit einem Business Case, der von der Geschäftseinheit verantwortet wird. Dann bilden wir ein Scrum-Team im reinen agilen Sinne mit allen Ressourcen, die für die Bereitstellung im großen Maßstab benötigt werden: KI-Experten, kundenorientierte Mitarbeiter, IT-Integration, Softwareentwickler aus dem Geschäft, Verkaufsschulung, Preisgestaltung usw. Das Team hört nicht auf, wenn es die technische Machbarkeit bewiesen oder einen Proof of Concept geliefert hat. Es hört auf, wenn die Lösung in Produktion ist und in den Support übergeht.

Auf der Plattformseite können Sie, wenn Sie in einem Unternehmen wie unserem wirklich mit voller Geschwindigkeit KI-nativ gehen wollen, nicht Tausende verschiedener technischer Lösungen haben. Wir haben ein Team eingerichtet, das einen einzigen Satz von Kerntechnologien für das gesamte Unternehmen definiert und pflegt. Zu jedem Zeitpunkt gibt es eine Plattform. Databricks spielt dabei eine Schlüsselrolle. Es verwaltet die Infrastruktur, die Daten und den Datenfluss, sodass wir mehr Zeit für die Geschäftslogik und das zu lösende Problem aufwenden können, anstatt uns mit technischen Schwierigkeiten auf niedriger Ebene zu befassen.

Ich bin fest davon überzeugt, dass Unternehmen KI nicht mehr als Innovation behandeln und stattdessen als Produktentwicklung behandeln sollten. Ich denke, das ist die wichtigste Veränderung. Wir haben einen Prozess mit Gate-Reviews, genau wie bei jedem Produkt, der durch Ideenfindung, Exploration, Inkubation, Industrialisierung und Betrieb führt. Zwischen jeder Phase entscheiden mein Gegenüber auf der Geschäftsseite und ich, ob es technisch bereit, kommerziell rentabel ist und ob der Geschäftsplan Bestand hat, bevor wir weitermachen. Vierteljährlich überprüfen wir die gesamte Roadmap und das Portfolio. Wir behandeln KI wie jedes andere Produkt, das wir ausliefern. Das ist der Unterschied.

Teams um den Geschäftswert von KI ausrichten

Aly: Bei so vielen beweglichen Teilen, wie halten Sie funktionsübergreifende Teams von der ersten Geschäftsidee bis zur Produktionsbereitstellung aufeinander abgestimmt?

Philippe: Vom Ausgangspunkt der Anwendungsfälle und des Geschäftswerts auszugehen, ist der beste Weg, Menschen aufeinander abzustimmen. Anstatt ewig darüber zu streiten, welcher Technologieanbieter der beste ist, beginnen wir mit den Bedürfnissen des Kunden. In einem gut geführten Unternehmen ist das das, was Menschen bewegt.

Das andere, was ich hervorheben möchte, ist die Verantwortlichkeitsstruktur. In vielen Unternehmen, die ich verglichen habe, baut ein Team einen Proof of Concept, und ein anderes soll ihn industrialisieren. Diese beiden Teams haben sehr unterschiedliche Ziele, und sie sind nicht aufeinander abgestimmt. In unserem Modell ist dasselbe Team für den gesamten Weg verantwortlich – von der Ideenfindung bis zur Bereitstellung im großen Maßstab. Sie können auf dem Weg immer noch einen Proof of Concept erstellen, aber sie tun dies mit dem Endzustand im Hinterkopf. In anderen Organisationen konzentriert sich eine Gruppe möglicherweise darauf, etwas Lustiges zu demonstrieren, während eine andere für die Skalierbarkeit optimiert. Wenn ein einzelnes Team für beides verantwortlich ist, verschwindet diese Spannung.

Von der Datenanforderung zur Konversation mit Daten

Aly: Databricks Genie bietet nicht-technischen Benutzern eine natürlichsprachliche Schnittstelle, um Daten direkt abzufragen. Welchen Wandel sehen Sie intern?

Philippe: Eine der größten Herausforderungen im Moment, insbesondere bei agentenbasierten Lösungen, ist der Zugriff auf die richtigen Informationen aus Ihren Daten, wenn diese Daten zunehmend unstrukturiert sind. Genie ist in dieser Hinsicht sehr vielversprechend. Es spart uns Zeit bei Kernaktivitäten, die bei vielen Kunden üblich sind, wie z. B. das Extrahieren von Daten aus einer Datenbank in natürlicher Sprache.

Intern wurde Genie gerade erst veröffentlicht, es ist also noch früh. Aber die Begeisterung ist riesig. Die Leute sind es leid, jemanden zu bitten, eine Analyse durchzuführen, und eine Stunde oder einen Tag später etwas zurückzubekommen, das nicht ganz das ist, was sie wollten. Die Möglichkeit, Daten selbst in natürlicher Sprache abzurufen, ist eine enorme Verbesserung unserer Arbeitsweise. Wir müssen sicherstellen, dass wir genügend Genauigkeit erzielen, und wir arbeiten eng mit Databricks daran. Aber das potenzielle Interesse ist sehr stark.

Warum Modelle allein nicht die Antwort sind

Aly: Wenn so viele leistungsstarke Modelle extern verfügbar sind, was spricht dafür, KI-native Anwendungen auf Ihren eigenen Daten und Ihrer eigenen Infrastruktur aufzubauen?

Philippe: Wir nutzen externe Modelle absolut. Wir entwickeln keine eigenen Sprachmodelle; wir nutzen viele davon. Aber ein Modell allein ist nie eine vollständige Lösung. Es benötigt Kontext, Absperrungen, Benutzeroberflächen, manchmal eine Kombination aus klassischer analytischer KI mit großen Sprachmodellen, manchmal mehrere LLMs, die mehrere Agenten antreiben, die auf unterschiedlicher Basis Entscheidungen treffen. Wir bauen Multi-Agenten-Systeme, in denen Agenten manchmal konkurrieren und nicht nur zusammenarbeiten.

Nehmen Sie zum Beispiel unseren EcoStruxure™ Microgrid Advisor. Ein Kunde hat ein paar Gebäude, vielleicht einen Universitätscampus, mit Solar- und Windenergieerzeugung. Wir erfassen alle diese Standortdaten mit hoher Frequenz, um die Energieproduktion und den Energiebedarf genau vorherzusagen. Dann optimiert die KI alle 15 Minuten basierend auf den nächsten 48 Stunden: Ist es besser, den Strom, den Sie gerade produzieren, zu nutzen, ihn an das Netz zu verkaufen, vom Netz zu kaufen oder ihn für morgen zu speichern? Das ist nicht ein Modell. Das ist Vorhersage, Optimierung und Echtzeit-Entscheidungsfindung, die auf den Betriebsdaten des Kunden zusammenarbeiten. Wir sehen bei Lösungen wie dieser eine Reduzierung der Energiekosten um bis zu 20 Prozent.

Die Modelle sind für jedermann verfügbar. Was nicht für jedermann verfügbar ist, ist die domänenspezifische Grundlage, um die Sie sie herum orchestrieren. Sie brauchen alles.

Ratschläge für Führungskräfte, die mit dieser Arbeit beginnen

Aly: Welche Lehren wünschen Sie sich für Führungskräfte, die frühzeitig mit dieser Arbeit beginnen, dass mehr Organisationen verinnerlichen sollten, bevor sie KI skalieren?

Philippe: Erstens: Beginnen Sie mit dem Business Case, nicht mit der Technologie. Beginnen Sie nicht mit „es gibt ein neues Ding von irgendeinem Anbieter“. Beginnen Sie damit, was Sie transformieren müssen und wie KI helfen kann, damit Sie sich auf die Auswirkungen im großen Maßstab konzentrieren können.

Zweitens: Schulen Sie Ihre Leute. Die KI-Transformation wird nicht stattfinden, wenn die Menschen keine, wie ich es nenne, erwachsene Beziehung zur KI haben. Sie tut wunderbare Dinge, aber nicht alles. Sie ist nicht so beängstigend, wie manche Leute denken. Sie müssen Ihre Teams schulen, wie sie sie nutzen und welche Einschränkungen sie hat.

Drittens, und wahrscheinlich das Provokativste: Vergessen Sie nicht alles, was Sie bereits wissen. Wenn Leute ein KI-Projekt starten, vergessen sie, dass es zuerst ein Projekt ist. Sie vergessen, dass es zuerst eine Transformation ist. Unser Unternehmen lernt seit Jahren, wie man Veränderungen managt. Ein großer Teil eines KI-Projekts ist genau das. Einige Teile müssen neu erfunden werden, aber nicht alles.

Abschließende Gedanken

Philippe's most deliberate choice is to refuse to treat AI as something special. Not in its potential, which is enormous, but in how it should be managed. The hub-and-spoke model, the gate reviews, the insistence on one platform and end-to-end team ownership. These are not AI strategies. They are product strategies applied with the same rigor Schneider Electric would bring to any other capability it ships to customers.

For executives still running AI as an innovation function with separate teams, separate timelines, and separate accountability, the provocation is worth sitting with. The companies deploying AI at scale are not the ones with the most creative prototypes. They are the ones who stopped calling it innovation and started shipping it as a product.

To learn from over 25 industry leaders and define your path to operationalizing AI, download “Making AI Deliver” by Economist Enterprise, supported by Databricks.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag