Für die meisten Unternehmen stellen immer komplexere IT-Umgebungen ein Rätsel dar. Zwar stehen innerhalb des Unternehmens immer mehr Daten zur Verfügung, doch diese sind oft isoliert und erfordern Fachwissen aus verschiedenen Technologiebereichen, um sie zu entschlüsseln. Es ist nicht nur für den menschlichen Verstand eine Herausforderung, diese Komplexität effektiv zu bewältigen, sondern es ist auch nicht möglich, die Ressourcen für die Analyse der Datenmenge effizient zu skalieren.
Um jedoch wettbewerbsfähig zu bleiben und die Komplexität zu bewältigen, müssen Unternehmen den Wert von KI in großem Umfang erschließen. Ohne Daten geht es nicht – Daten sind der Sauerstoff, den KI zum Funktionieren braucht. In einer Umfrage von Wavestone aus dem Jahr 2024 gaben 87 % der Führungskräfte an, dass sie aus ihren Investitionen in Daten und Analysen einen Nutzen ziehen. Das ist ein deutlicher Anstieg gegenüber der Umfrage von 2017, als nur 48 % der Führungskräfte diese Meinung vertraten.
Wir beobachten zunehmend eine Unterscheidung zwischen Unternehmen, die KI erfolgreich einsetzen und florieren können, und solchen, die zurückbleiben, weil sie es nicht können. Und obwohl KI als geschäftliche Notwendigkeit angesehen wird, verläuft die Einführung nicht so reibungslos, wie die meisten es sich wünschen würden. Nur 37 % der Unternehmen gaben an, dass ihre Bemühungen zur Verbesserung der Datenqualität erfolgreich waren – ein Hinweis darauf, dass die Unternehmen zwar bei einigen Projekten einen Nutzen sehen, aber nicht bei allen (oder dass sie übermäßig viel Geld ausgeben müssen, um einen Nutzen zu erzielen).
Wie können Unternehmen also KI in großem Umfang einsetzen, um Mehrwert zu schaffen?
Zunächst müssen sie sicherstellen, dass hochwertige, hochverfügbare Daten zum Trainieren von KI-Modellen vorhanden sind. Als Nächstes müssen Unternehmen diese KI auf umfangreiche Datensätze für die in Frage kommenden Anwendungsfälle anwenden, um IT-Probleme in großem Umfang zu lösen, den Wert zu beweisen und eine Grundlage für weitere Iterationen zu schaffen.
Sicherstellung qualitativ hochwertiger Daten
Es gibt mehrere Hindernisse für den Aufbau einer qualitativ hochwertigen Datenpipeline, die überall verfügbar ist. Einige davon sind immer wiederkehrend und in vielen Unternehmen anzutreffen, wie eine unzureichende Zusammenarbeit zwischen Datenproduzenten und Datenkonsumenten oder ein unklarer Ansatz zur Erfolgsmessung.
Es gibt aber auch neue Herausforderungen, die sich im Zeitalter der KI ergeben haben. Traditionelle Datenverwaltungsprozesse und -praktiken passen nicht gut zu den neueren Technologien, die KI ermöglicht, was zu einer Prozessinkongruenz führt.
Um eine hohe Datenqualität zu gewährleisten, müssen Unternehmen die Daten über heterogene Pipelines hinweg automatisieren und orchestrieren und dabei den Datenfluss in mehreren Schritten harmonisieren: Ingestion, Integration, Qualitätstests, Bereitstellung und Überwachung, während sie gleichzeitig wichtige Metadaten, Governance und Sicherheit verwalten.
Die aufkommenden DataOps-Praktiken, die den Schwerpunkt auf die Anwendung der Agilität von DevOps-Workflows auf Datenmanagement-Praktiken legen, können zur Erreichung dieser Ziele beitragen. Mit verbesserten Datenpipelines wird es für Unternehmen viel einfacher sein, KI-Modelle so zu trainieren, dass sie ihren geschäftlichen Anforderungen gerecht werden.
Freisetzung von AI
Daten und KI sind untrennbar miteinander verbunden. Mithilfe von KI können Führungskräfte die Daten ihres Unternehmens sammeln, kontextualisieren und analysieren und sie dann nutzen, um mehr über ihr Unternehmen und ihre Kunden zu erfahren. Wenn KI die Daten durchforstet, können Führungskräfte neue Erkenntnisse gewinnen, die noch vor wenigen Jahren undenkbar waren, und fundierte Entscheidungen treffen, die ihnen Wettbewerbsvorteile verschaffen.
Nur wenige Unternehmen kochen das sprichwörtliche Wasser ab, wenn es um den Einsatz von KI geht. Die meisten beginnen mit Pilotprojekten, in denen sie den Wert von KI schnell unter Beweis stellen können. Von dort aus kann sie auf breitere Anwendungsfälle angewandt werden. Wie sieht das in der Praxis aus?
Einige Unternehmen nutzen KI beispielsweise zur Überwachung von Aktivitäten in Echtzeit, um auf Probleme bei der IT-Leistung und -Verfügbarkeit zu reagieren, bevor sie sich auf das Geschäft auswirken können. Vor der Einführung von KI war dies zeitaufwändig und mühsam, und die meisten Erkenntnisse waren bereits veraltet, wenn die Analyse abgeschlossen war. Mit diesen KI-Funktionen, die schnell die Ursachen für IT-Probleme ermitteln und sogar Empfehlungen zur Behebung aussprechen, können sich die IT-Teams auf wichtigere Aufgaben konzentrieren oder Innovationen vorantreiben.
Eine bewährte Praxis bei der Implementierung von KI besteht darin, hochwertige Projekte zu identifizieren und eine Liste von Initiativen zu erstellen, die schnell Wirkung zeigen werden. Führungskräfte können diese Erfahrung auf immer mehr Projekte übertragen und den KI-Einsatz auf die Auswirkungen auf das Geschäft abstimmen. Es ist auch wichtig, eine zusammengesetzte KI-Strategie zu verfolgen, die eine Kombination aus kausaler, prädiktiver und generativer KI einsetzt, um das Potenzial der Gewinnung von Erkenntnissen und der Umsetzung von Maßnahmen aus Daten zu maximieren.
Den Weg zur Innovation ebnen
Der Weg zur Nutzung des vollen Potenzials von KI im großen Maßstab ist sowohl vielversprechend als auch mit vielen Herausforderungen verbunden. Da sich Unternehmen in immer komplexeren IT-Landschaften bewegen, war es noch nie so wichtig wie heute, riesige Datenbestände in verwertbare Informationen umzuwandeln. Trotz der Hürden bei der Verwaltung und Nutzung wachsender Datenmengen ist die Richtung klar: Unternehmen, die sich der Optimierung der Datenqualität und der Nutzung von KI verschrieben haben, heben sich von ihren Mitbewerbern ab und bahnen sich einen Weg zu Innovation und Wettbewerbsvorteilen.
Der erfolgreiche Einsatz von KI geht über die reine Datenverfügbarkeit hinaus. Er erfordert einen strategischen Ansatz für das Datenmanagement, die Nutzung neuer DataOps-Verfahren und die Förderung der Zusammenarbeit im gesamten Datenökosystem. Auf dem Weg in diese Ära verspricht die Integration von KI mit bewegten Daten noch nie dagewesene Möglichkeiten für Echtzeiteinblicke und strategische Agilität zu eröffnen.
Von Ali Siddiqui, Chief Product Officer bei BMC Software