Als Allzwecktechnologie und treibende Kraft der vierten industriellen Revolution birgt künstliche Intelligenz (KI), speziell das Teilgebiet des maschinellen Lernens (ML), ein enormes Wertschöpfungspotenzial für Wirtschaft und Gesellschaft. Zugleich stellt die Quantifizierung des tatsächlichen Wertbeitrags von KI-Initiativen sowohl Unternehmen, die ersten Erfahrungen mit KI sammeln, als auch solche, die sich im Rahmen von AI-First-Strategien als Branchenführer etablieren möchten, vor substanzielle Herausforderungen. Unternehmensvorstände und KI-Entscheider stellen sich unweigerlich die Frage: „Wann profitieren wir finanziell von der Technologie?“
Ein neues Whitepaper von AppliedAI, Europas größter Initiative für die Anwendung von KI, und deren führenden Industrie- und Technologiepartnern, schafft deshalb den Rahmen für die Wertevaluierung von KI-Anwendungen und die Quantifizierung des „Return on AI (ROAI)“.
Den echten (langfristigen) Mehrwert von KI-Initiativen zu quantifizieren und zu messen, fällt Unternehmen häufig schwer. Die Gründe dafür sind vielfältig: Neben der engen Verflechtung von Daten und Algorithmen sind der Nutzen von KI-Initiativen meist qualitativer Natur und die Ergebnisse des explorativen Entwicklungsprozesses nur schwer prognostizierbar. Außerdem fällt der Gewinn vor allem zu Beginn des KI-Einsatzes oft ungleichmäßig aus und steigt nicht-linear an. Eine zusätzliche Herausforderung besteht darin, die richtige Balance zu finden: Bei der Auswahl der vielversprechendsten Anwendungsfälle müssen Entscheidungsträger berücksichtigen, dass eine Überbetonung der Renditeerwartungen in frühen Phasen Innovationen behindert und die Entwicklung von KI-Anwendungen verlangsamt, während eine Nichtberücksichtigung des Wertbeitrags das Risiko birgt, sich auf nachrangige Anwendungsfälle zu konzentrieren oder „KI um der KI willen“ einzusetzen. Um den Mehrwert von KI – also den Return on AI (ROAI) – effektiv kalkulieren zu können, braucht es ein Framework, das alle relevanten Berechnungsfaktoren umfasst.
„Unternehmen mit hohem KI-Reifegrad werden anhand überdurchschnittlicher Rentabilität und freiem Cashflow aus KI-Innovationen für ihr kontinuierliches Engagement im Rahmen der KI-Transformation belohnt.“ – Matthias Weber, CFO bei Sandoz Germany/Vorstand Finanzen der Hexal Group.
Return on AI: Langfristig von Künstlicher Intelligenz profitieren
Nachdem zu Beginn der KI-Reise die vielversprechendsten Anwendungsfälle identifiziert und priorisiert wurden, besteht der nächste Schritt darin, diese im Detail zu bewerten – einschließlich des prognostizierten Ertragswerts sowie der erwarteten Ausgaben entlang des ML-Lebenszyklus.
Die Wertgenerierung basiert auf internen und externen Faktorent zwischen denen KI-Entscheider differenzieren sollten, wenn sie den ROAI berechnen. Bei internen Treibern entsteht der Wert unter anderem durch die Verbesserung von Geschäftsprozessen wie beispielsweise der Automatisierung und/oder der Beschleunigung von (manuellen) Abläufen. Externe Treiber beziehen sich hingegen beispielsweise auf die Schaffung neuer Produkte und/oder Geschäftsmodelle.
„Die Wertschöpfung durch KI-Technologien ist vielschichtig: Bei der monetären Bewertung ist zwischen internem und externem Aufwand sowie Nutzen zu differenzieren. Im Sinne der Transparenz und Vergleichbarkeit ist unternehmensweit eine einheitliche Berechnungslogik anzustreben.“ – Daniela Rittmeier, Head of AI Hub, AI CoE der BMW Group
Daraufhin gilt es, die Höhe der Ausgaben zu berechnen, mit denen Unternehmen im Verlauf des gesamten KI-Projekts konfrontiert werden. Dabei sollten jeder Schritt des Lebenszyklus einer KI-Anwendung und die damit verbundenen Kostenfaktoren Berücksichtigung finden – also von der Use-Case-Entwicklung und -Priorisierung über die Implementierung und Skalierung bis hin zur Wartung. Hinzu kommen weiterhin sonstige anfallende Kosten wie der Hardware-Betrieb, Personalkosten für Domänenexperten oder externe Entwicklungspartner.
Vor allem Unternehmen, die zu Beginn ihrer KI-Aktivitäten stehen, müssen sich anfangs auf hohe Vorlaufkosten einstellen – in den meisten Fällen rentieren sich erste Projekte nicht sofort. Daher sollte der Fokus besonders auf den Ausbau und der Weitergabe von Wissen und technischem Know-how liegen, worauf spätere Projekte aufbauen können. In der Regel verschieben sich die Ziele, die Unternehmen mithilfe von KI-Anwendungen anstreben, sobald sie einen höheren Reifegrad erreichen.
Diese Unternehmen bewegen sich häufig von effizienzsteigernden KI-Anwendungen hin zum Ausbau des strategischen Einflusses. Sie profitieren von einem schnelleren Umsatzwachstum, höheren Marktanteilen und einer beschleunigten Time-to-Market. Grundsätzlich sollten Unternehmen sowohl den kurzfristigen KI-Wert abbilden als auch das langfristige Potenzial beschreiben. Letzteres lässt sich erreichen, indem sie Ressourcen rückinvestieren und Kapital sowie Erfahrung nutzen, um ihren KI-Reifegrad zu erhöhen.
„Die Betrachtung des Return on AI (ROAI) als zentrale Bewertungsmetrik in der Use-Case-Priorisierung stellt eine effiziente Nutzung begrenzter Ressourcen und eine maximale Rendite des KI-Portfolios des Unternehmens sicher.“ – Philipp Stähle, Projektmanager bei der EnBW Energie Baden-Württemberg AG
Effektives Portfolio-Management für starkes KI-Wachstum
Da der Einsatz von KI mit hohen Vorlaufinvestitionen unter anderem in den Bereichen Datengrundlage, Implementierung, Personalaufstockung und Mitarbeiterkompetenzen verbunden ist, braucht es vor allem Zeit und Skalierung, bis die Gewinnschwelle überschritten wird. Um komplementäre KI-Anwendungsfälle analysieren zu können, bietet sich ein werteorientierter KI-Portfolio-Ansatz an. Dieser dient vor allem dazu, die definierten Ertragsziele in ihrer Gesamtheit zu betrachten und umzusetzen sowie Hürden und Risikopotenziale herauszufiltern.
Im Rahmen des werteorientierten KI-Portfolio-Managements erweist sich ein fünfstufiger Prozess als besonders effektiv. Dieser beginnt in der Regel mit der Entwicklung und Priorisierung von KI-Anwendungsfällen. Darauf folgt die detaillierte Bewertung der Use Cases über eine zentralisierte Stelle wie der KI-Abteilung oder einem AI Center of Excellence. Im nächsten Schritt werden die KI-Anwendungen implementiert – einschließlich des technischen Monitorings sowie der Bewertung der auf KPIs basierenden angestrebten Performance.
„Eine Portfoliobetrachtung der KI-Anwendungsfälle eines Unternehmens ermöglicht die gemeinsame und fokussierte Realisierung von identifizierten Zielen sowie die Nutzung von Lern- und Skaleneffekten. Sie trägt auch dazu bei, schnelle Ergebnisse zu realisieren, ohne dabei die Balance mit notwendigen größer, länger angelegten Aktivitäten zu vernachlässigen und insgesamt strategisch zu fokussieren.“ – Nico Kelling, Vice President, Head of CoE Artificial Intelligence bei Infineon Technologies
Sobald ein Unternehmen mehrere KI-Anwendungen und -Services erfolgreich implementieren konnte, gilt es, diese nach verschiedenen Schwerpunkten wie dem Einsatzort oder Geschäftsbereichen zu clustern. Dies soll dabei helfen, unter- und überdurchschnittliche Cluster zu identifizieren, erfolgreiche und gescheiterte Anwendungsfälle zentral zu sammeln und daraus schließlich strategische und organisationale Lerneffekte abzuleiten.
Weitere Informationen zum Thema KI-Investitionen und Return on AI (ROAI) sowie praktische Tools zur Berechnung des ROAI finden sich im Whitepaper „Applying AI: Value Assessment of AI Products and Applications“, das appliedAI hier zum Download bereitstellt.
#AppliedAI
