Betriebsmodelle für Unternehmens-KI

Da KI in zentrale Geschäftsprozesse eingebettet wird, verlagern sich die Gespräche auf Führungsebene in Richtung Langlebigkeit. Für technische Führungskräfte lautet die Frage nicht mehr, ob KI einen Mehrwert liefern kann, sondern ob das Unternehmen so strukturiert ist, dass es sie langfristig unterstützen kann.

Ich habe mich mit Dael Williamson, Chief Technology Officer für EMEA, zusammengesetzt, um zu ergründen, was Unternehmen, die es mit KI ernst meinen, von denen unterscheidet, die nur damit experimentieren.

Daraus ergab sich eine Betriebsmodell-Sicht auf Unternehmens-KI, die hervorhebt, wo Struktur und Zuständigkeiten wichtiger sind als die Wahl der Technologie.

Die Anzeichen dafür, dass ein Unternehmen es mit KI ernst meint

Catherine Brown: Wenn Sie in ein Unternehmen kommen, das ernsthaft in KI investiert, worauf achten Sie zuerst bei den Entscheidungen für das Betriebsmodell und die Plattform?

Dael Williamson: Die meisten Unternehmen erkennen heute an, dass KI real ist und dass sie von Bedeutung ist. Was variiert, ist, wie deutlich sich dieses Engagement im Betriebsmodell zeigt.

Das Erste, worauf ich achte, ist die Zuständigkeit. Wer ist für Daten und wer für KI zuständig und wie nah diese Zuständigkeit beim CEO angesiedelt ist. Wenn die Zuständigkeit für Daten und KI direkt beim oder in der Nähe des CEO liegt, signalisiert das eine hohe strategische Bedeutung. Häufiger ist die Zuständigkeit mehrere Ebenen tiefer angesiedelt, und in vielen Fällen sind für Daten und KI völlig unterschiedliche Gruppen zuständig.

Wenn KI strukturell von den Daten getrennt ist, sind das Ergebnis in der Regel statische Anwendungsfälle und fragmentierte Erfahrungen. Aber die Welt, in der Unternehmen agieren, ist dynamisch. Der Traffic ändert sich. Märkte verändern sich. Lieferketten schwanken. Wenn Daten und KI getrennt sind, wird es sehr schwierig, auf diese Realität in Echtzeit zu reagieren.

Als Zweites achte ich darauf, ob die Organisation über ein Inventar ihrer Daten-Assets verfügt. Während finanzielle und physische Assets gut dokumentiert sind, sind viele Unternehmen noch dabei, die Katalogisierung und das Verständnis von Daten-Assets zu verbessern. In vielen Fällen wissen Unternehmen nicht vollständig, welche Daten sie haben, wo sie sich befinden oder wie wertvoll sie sein könnten.

Das dritte Anzeichen ist, wie weit das Unternehmen den Begriff „Daten“ fasst. Viele denken bei Daten immer noch hauptsächlich an strukturierte Tabellen oder logs. Aber auch Bilder, E-Mails, Kollaborationstools (Dokumente, Tabellenkalkulationen) und Code enthalten wertvolle betriebliche Einblicke. Unternehmen, die ihre Definition von Daten erweitern, schöpfen im Laufe der Zeit tendenziell einen weitaus größeren Wert.

Warum die Nähe zwischen Daten und KI wichtig ist

Catherine: Vieles von dem, was Sie beschrieben haben, läuft darauf hinaus, wie eng Daten und KI miteinander verbunden sind. Warum ist diese Nähe in der Praxis so wichtig?

Dael: Wenn Daten und KI auf derselben Grundlage arbeiten, können Unternehmen dynamischere Anwendungsfälle unterstützen. Wenn sie getrennt voneinander sind, neigt KI dazu, sich auf langsamere, statischere Inputs zu verlassen.

Herkömmliche Governance- und Katalog-Tools sind bei der Verwaltung strukturierter Daten sehr effektiv, haben aber Probleme mit unstrukturierten, sich schnell ändernden Quellen. Das ist ein Grund, warum die Ausweitung des Geltungsbereichs der Data Governance schwierig ist und warum umfassende Dateninventare noch selten sind.

Wenn Sie versuchen, Probleme wie Liquiditätsmodellierung, Kreditrisiken oder die Resilienz der Lieferkette zu lösen, benötigen Sie eine KI, die direkt mit zeitnahen, kontinuierlich aktualisierten Daten arbeitet. Andernfalls verzögert sich die Entscheidungsfindung immer, und die Erkenntnisse treffen erst nach dem Zeitpunkt ein, an dem sie am nützlichsten sind.

Catherine: Wie gestalten führende Unternehmen die Beziehung zwischen zentralen Teams und den Geschäftsbereichen?

Dael: Die für Daten und KI verantwortliche Führungskraft braucht einen Sitz in der Geschäftsleitung, und sie braucht ein tiefes Verständnis dafür, wie diese Systeme tatsächlich funktionieren. KI verhält sich anders als herkömmliche Software, und Unternehmen profitieren davon, wenn die Führungsebene dieser Tatsache Rechnung trägt.

Wenn es um Tools geht, widerstehen führende Unternehmen der Versuchung, sich ausschließlich auf KI-Features zu verlassen, die in Dutzende von SaaS-Tools eingebettet sind. Obwohl diese Tools die individuelle Produktivität verbessern können, helfen sie Teams selten dabei, funktionsübergreifend zusammenzuarbeiten. Im Laufe der Zeit neigt dieser Ansatz dazu, bestehende Inkonsistenzen bei Definitionen, Metriken und Prozessen zu verstärken.

Gleichzeitig überdenken diese Organisationen die Abwägung zwischen Eigenentwicklung und Zukauf. Sie haben nicht zum Ziel, alles intern zu entwickeln, sondern vermeiden auch einen übermäßigen Lock-in. Portabilität, Transparenz und die Kontrolle über Daten und KI-Vermögenswerte werden immer wichtiger.

Erfolgreiche Unternehmen verwalten KI-Initiativen zudem als Portfolio. Nicht jedes Projekt ist erfolgreich. Einige müssen pausiert werden. Andere rechtfertigen zusätzliche Investitionen. Die Behandlung von KI als ein Portfolio von Wetten anstatt als lineare Roadmap ermöglicht es Organisationen, sich anzupassen, während sich Technologie und Geschäftsbedingungen weiterentwickeln.

Wie das Betriebsmodell für Unternehmens-KI in drei Jahren aussieht

Catherine: Vorausschauend gefragt, wie werden sich die Betriebsmodelle für Unternehmens-KI Ihrer Meinung nach in den nächsten drei Jahren verändern?

Dael: Die meisten Organisationen werden sich noch in irgendeiner Phase der Transformation befinden, aber eine der größten Veränderungen wird die Verringerung der traditionellen Kluft zwischen IT und dem Geschäftsbereich sein. Business-Teams werden technisch versierter und technische Teams werden sich enger an den Geschäftsergebnissen ausrichten. Dieser Wandel ist bereits im Gange und wird sich fortsetzen.

Infolgedessen werden sich IT-Organisationen wahrscheinlich in Größe und Form verändern. Historisch gesehen hat sich die IT auf Risikomanagement, Governance und betriebliche Komplexität konzentriert. KI wird in diesen Bereichen immer effektiver, insbesondere bei Cybersicherheit, IT-Support und Compliance.

Wenn Unternehmen auch die Komplexität von Altsystemen reduzieren und sich von isolierten Anbieter-Ökosystemen verabschieden, beginnen sich die Betriebsmodelle grundlegender zu verändern. Teams werden weniger durch die von ihnen genutzten Systeme definiert, sondern mehr durch die von ihnen gelieferten Ergebnisse.

Im Laufe der Zeit kann dies zu schlankeren Organisationen oder zur Schaffung völlig neuer Einheiten führen, die sich auf neue Formen der Wertschöpfung konzentrieren. Wie genau sich das auswirkt, ist von Unternehmen zu Unternehmen unterschiedlich.

Wie sich Kompetenzen und Rollen in einem KI-gesteuerten Unternehmen entwickeln

Catherine: Eine solche Veränderung des Betriebsmodells hat große Auswirkungen auf die Fachkräfte. Zu unserer abschließenden Frage: Wie sehen Sie die Entwicklung von Kompetenzen und Rollen?

Dael: Viele IT-Organisationen werden weiter schrumpfen, hauptsächlich, weil ein Großteil der Unternehmenstechnologie immer noch auf jahrzehntealten Systemen basiert, deren Wartung kostspielig ist. Gleichzeitig ändert sich der Lebenszyklus der Softwareentwicklung. Tasks, die früher den größten Teil des Aufwands erforderten, wie das manuelle Programmieren, werden zunehmend KI-gestützt. Mehr Zeit wird jetzt für Evaluierung, Verhaltenstests, Leitplanken und laufendes Monitoring aufgewendet.

Dieser Wandel bringt Geschäfts- und Technikteams näher zusammen. Die Geschäftsteams werden stärker in die Definition und Validierung des Verhaltens einbezogen. Die technischen Teams konzentrieren sich stärker auf Ergebnisse, Zuverlässigkeit und Governance. Es entstehen neue Rollen in den Bereichen Observability, Orchestrierung und Systemüberwachung. Diese Rollen vereinen oft technische, operative und organisatorische Fähigkeiten, und die Personen kommen nicht immer aus einem traditionellen Engineering-Hintergrund.

Auch das Management selbst entwickelt sich weiter. Da KI mehr administrative Aufgaben übernimmt, verlagert sich das Management wieder auf Analyse, Beurteilung und die Verbesserung von Arbeitsabläufen. Kritisches Denken wird unerlässlich. Personen, die gerne experimentieren, lernen und sich anpassen, werden erfolgreich sein. Und eine analytische und wissenschaftliche Denkweise wird immer wertvoller, während Unternehmen diesen Übergang bewältigen.

Abschließende Gedanken

Die Bereitschaft für Unternehmens-KI ist letztendlich eine Entscheidung für ein Betriebsmodell. Führungskräfte, die nachhaltige Fortschritte machen, haben eine klare Zuständigkeit für Daten und KI auf Führungskräfte, behandeln Daten als bekanntes und verwaltetes Asset und stellen sicher, dass die KI direkt mit zeitnahen, gemeinsam genutzten Daten arbeitet statt über fragmentierte Übergaben. Sie verwalten KI-Initiativen als Portfolio, nicht als Pipeline, mit einer disziplinierten Vorgehensweise, wo investiert, pausiert oder gestoppt werden soll. Und sie organisieren Teams nach Bewertung, Überwachung und Ergebnissen und nicht nach Tools oder Projekten. Erfolgreich werden nicht die Unternehmen sein, die die Zukunft der KI am genauesten vorhersagen, sondern diejenigen, die so aufgebaut sind, dass sie sich an deren Wandel anpassen können.

Um mehr über den Aufbau eines effektiven Betriebsmodells zu erfahren, laden Sie das Databricks AI-Reifegradmodell download.

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