Studie deckt drei grundlegende Mechanismen und ihre notwendigen Bedingungen auf, mit denen Machine Learning über die Zeit verschiedene Wertbeitr?ge leisten kann
Die Fortschritte im Bereich der künstlichen Intelligenz (KI) ver?ndern die Wettbewerbslandschaft. Auf der Suche nach einer geeigneten strategischen Antwort engagieren sich Unternehmen derzeit in einer Vielzahl von KI-Projekten. Allerdings f?llt es Unternehmen schwer, durch KI einen greifbaren Gesch?ftswert zu schaffen. In einer Studie untersuchten Forschende der Copenhagen Business School, der Universit?ten Bamberg und Paderborn sowie der IT University of Copenhagen, wie Unternehmen durch Anwendungen des maschinellen Lernens (ML) – einer Kerntechnologie der KI – nachhaltigen Wert erzielen k?nnen.
Studie hilft, KI-Initiativen gezielter zu planen und zu überwachen
W?hrend der vierj?hrigen explorativen qualitativen Studie betrachteten die Forschenden 56 operative ML-Anwendungen in 29 Unternehmen. 365足彩投注_365体育投注@ führten dazu 40 Interviews mit Data Scientists und Führungskr?ften, die an der Entwicklung von ML-Anwendungen beteiligt waren. Dabei deckten sie drei grundlegende Mechanismen auf, mit denen ML einen Wertbeitrag im Unternehmen leisten kann. ?Jeder Mechanismus ben?tigt gewisse Gegebenheiten, um erfolgreich eingesetzt zu werden, bringt aber auch einen einzigartigen Wertbeitrag im Unternehmen“, erl?utert Dr. Konstantin Hopf vom Lehrstuhl für Wirtschaftsinformatik, insbesondere Energieeffiziente Systeme, der Universit?t Bamberg. ?Die systematische Gegenüberstellung der drei Arten der ML-Nutzung und der jeweiligen notwendigen Bedingungen hilft Unternehmen, ihre KI-Initiativen gezielter zu planen und zu überwachen", erkl?rt Prof. Arisa Shollo von der Copenhagen Business School, die die Studie initiiert hat. Die Studie wurde kürzlich als bestes Paper im Journal of Strategic Information Systems 2022 ausgezeichnet.
Drei Mechanismen und ausgew?hlte Bedingungen zur Schaffung von Unternehmenswert durch ML:
Schaffung von Wissen: Der erste Mechanismus, den die Forscher*innen aufdecken konnten, ist die Nutzung von ML zur Wissensgenerierung. Unternehmen setzen also Algorithmen ein, um Muster in Daten zu erkennen und damit zum Beispiel neue Erkenntnisse über ihr Gesch?ftsfeld oder Kundenverhalten zu gewinnen. Für diese Art der Wertsch?pfung ben?tigen Unternehmen insbesondere datenwissenschaftliche F?higkeiten und Dom?nenkenntnisse.
Unterstützung von Menschen bei der Entscheidungsfindung: Beim zweiten Mechanismus nutzen Unternehmen ML, um Menschen bei der Ausführung von Aufgaben zu unterstützen oder anzuleiten. Die Anwendungen reichen von kleinen Erweiterungen bestehender Softwareprogramme bis hin zu spezialisierten Systemen, die Entscheidungen unterstützen oder spezifische Handlungsempfehlungen geben. Eine gute Dateninfrastruktur und Expertise in der Gestaltung von Nutzerinterfaces sind beispielsweise für diese Art der Wertsch?pfung essenziell.
Autonome Agenten: Bei der dritten Art der Wertsch?pfung wird ML entweder direkt in neue Produkte oder Dienstleistungen integriert und somit dem Endkunden zur Verfügung gestellt oder Teile von Gesch?ftsprozessen werden von der KI selbst ausgeführt statt sie nur zu unterstützen. Um solche Einsatzszenarien zu realisieren, sind Unternehmen auf die Integration von ML-Anwendungen in betriebliche Prozesse und IT-Systeme, ein stabiles Gesch?ftsumfeld und wenige rechtliche und ethische Probleme mit ihren ML-Anwendungen angewiesen.
Wertsch?pfungsmechanismen ?ndern sich im Laufe der Zeit
W?hrend der Analyse stellten die Forschenden fest, dass Unternehmen den Wertsch?pfungsmechanismus von ML-Projekten im Laufe der Zeit wechseln. Das l?sst sich verdeutlichen am Beispiel eines Schmuckeinzelh?ndlers, der seine vollautomatische Anzeigenschaltung in Online-Medien zu Beginn der Covid-19-Pandemie aufgrund der sehr schlechten Werbeleistung einstellen musste. Das Unternehmen kehrte zu menschlichen Entscheidungen über Anzeigenplatzierung zurück und begann anschlie?end ML zu nutzen, um Wissen über die neue Situation zu sammeln. Mit dem gewonnenen Wissen wurden dann automatisierte Dashboards zur Unterstützung der routinem??igen menschlichen Entscheidungsfindung erstellt und schlie?lich trainierte das Unternehmen neue Vorhersagemodelle, die auf die Pandemiesituation zugeschnitten waren. Der Schmuckeinzelh?ndler kehrte zum alten Modus der ML-basierten Prozessautomatisierung zurück. ?Das Wissen, dass sich ML-Wertsch?pfungsmechanismen über die Zeit ?ndern k?nnen, erlaubt Unternehmen, eine Entwicklungsperspektive auf ihre KI-Initiativen einzunehmen. Wenn also der angedachte Wert eines einzelnen Projekts nicht erfüllt werden konnte, bestehen wom?glich Weiterentwicklungsm?glichkeiten der KI-Initiative. Diese sollten genutzt werden, anstelle ein Projekt zu früh als gescheitert anzusehen", sagt Konstantin Hopf.
?Viele ML-Vorhaben von Unternehmen scheitern, weil die Ressourcen und F?higkeiten des Unternehmens oder die Umfeldbedingungen nicht zu den gew?hlten ML-Mechanismen passen. Dabei übersehen Unternehmen bei ihren KI-Aktivit?ten beispielsweise oft, dass die verschiedenen ML-Mechanismen aufeinander aufbauen und vorgelagerte Mechanismen die notwendigen Ressourcen und Bedingungen für umfangreichere ML-Vorhaben schaffen k?nnen. Für Manager*innen und Data Scientists ist es deshalb ratsam, die F?higkeiten und Limitationen der Technologien sowie die Bedingungen des Unternehmens im Blick zu behalten und die KI Strategie dynamisch daran anzupassen“, gibt Prof. Dr. Oliver Müller, Lehrstuhl für Wirtschaftsinformatik, insb. Data Analytics der Universit?t Paderborn, weitere Einblicke in die Erkenntnisse der Studie.
Der von der Fachzeitschrift ?The Journal of Strategic Information Systems“ als ?Best Paper 2022" ausgezeichnete Artikel ist online frei verfügbar.
