Durchstarten mit generativer KI: So verschaffen Sie sich einen Vorsprung

Der große Schritt nach vorne passierte im November 2022, als das kalifornische Software-Unternehmen OpenAI einen kostenlosen Chatbot mit einem zugrundeliegenden großen Sprachmodell (LLM) auf den Markt brachte: ChatGPT. LLMs stellen einen massiven Fortschritt für KI dar, weil sie die Fähigkeit, Informationen zu sammeln, mit der Fähigkeit, etwas Nützliches damit anzufangen (z.B. Fragen zu beantworten) kombinieren. ChatGPT löste einen weltweiten Hype aus, veränderte quasi „über Nacht“ die gesellschaftliche und wirtschaftliche Landschaft.

Generative KI in der Praxis

Seit dem Start von ChatGPT haben Organisationen weltweit daran gearbeitet, potenzielle Use Cases von generativer KI im öffentlichen und privaten Sektor zu erkunden. Diese Liste beinhaltet:

• Intelligente Suche: Diese Lösungen revolutionieren die Art und Weise, wie wir in riesigen Informationsbeständen navigieren. Sie helfen dabei, mit einer einfachen Abfrage Erkenntnisse zu gewinnen, Antworten zu finden und Muster in Datensätzen zu entdecken.
• KI-gestützte Assistenten im Kundenservice: Das sogenannte „Natural Language Processing“ wird eingesetzt, um Gespräche so natürlich wie möglich klingen zu lassen. Einfache Standardanfragen können schnell und effizient gelöst, Warte- und Bearbeitungszeiten verkürzt werden. Der virtuelle Finanzassistent „Erica“, der von der Bank of America eingesetzt wird, hilft den Nutzer*innen etwa, ihren Kontostand abzurufen, Geld zu überweisen und persönliche Termine zu vereinbaren. Der Chatbot des Kundenservices bei Starbucks führt die User*innen elegant durch den Bestellprozess und benachrichtigt sie, wenn der Kaffee zur Abholung bereit ist.
• Virtuelle Assistenten: Bestimmte KI-Lösungen sind in der Lage, administrative Aufgaben zu übernehmen. Sie können etwa eingehende Nachrichten und Anrufe nach Prioritäten sortieren oder Zusammenfassungen von Berichten, Kundenanrufen und Besprechungen erstellen – inklusive Maßnahmen, die sich daraus ergeben. So können sich die Mitarbeiter*innen auf komplexere Aufgaben konzentrieren.
• Betrugserkennung im Finanz- und Versicherungssektor: Große Sprachmodelle sind in der Lage, ungewöhnliche Muster, Transaktionen und Verhaltensweisen zu erkennen. Dies ist nur einer von vielen Anwendungsfällen im Finanzdienstleistungssektor.
• Vorausschauende Wartung, die automatisch wichtige Arbeiten plant, bevor Probleme auftreten.
• Optimierung von Lieferketten: KI-Lösungen können Ressourcen und Prozesse planen, um Mitarbeiter*innen effizient einzusetzen. Sie können die künftige Nachfrage anhand von Daten vorhersagen und so Engpässe in der Lieferkette erkennen.
• Marketing: KI kann Inhalte generieren, personalisierte Kampagnen erstellen und Marketing-Maßnahmen automatisieren.

Entdecken Sie hier noch mehr Anwendungsfälle.

Wenn 2023 das Jahr des sogenannten „Proof of Concept“ war, ist 2024 das Jahr, um Ideen in die Tat umzusetzen. Für viele Unternehmen ist das Tempo, in dem sich die Technologie entwickelt, gleichermaßen spannend wie beängstigend. Aber es lässt sich festhalten: KI ist zu einem Must-have geworden, um einen Wettbewerbsvorteil zu generieren. Denn die intelligenten Lösungen helfen Organisationen, produktiver zu arbeiten.

Sich zurückzulehnen und abzuwarten, ist also keine Option. Denn die Konkurrenz schläft nicht. Es ist besser, ins Rennen einzusteigen – auch wenn noch niemand genau weiß, wie die Strecke aussieht oder wo die Ziellinie sein wird.

Ein Blick auf die Risiken

Mit Blick auf die Technologie hinter LLMs entsteht für Unternehmen eine große Herausforderung: Denn die Entwicklung der Sprachmodelle und der Infrastruktur dahinter (etwa immer besser werdende Mikrochips) passiert so schnell, dass herkömmliche Ansätze bei der Umsetzung von Projekten nicht mehr greifen. Statt Investitionen in mehrjährige Projekte geht es jetzt um schnelle und gezielte Maßnahmen, die auf bestimmte Ziele ausgerichtet sein müssen.

Investitionen in sich schnell entwickelnde Technologien sind von Natur aus riskant. In unseren Gesprächen mit Kunden hören wir immer wieder drei große Bedenken:

Genauigkeit
LLMs sind keine echte Künstliche Intelligenz. Sie sind neuronale Netze, die das nächste Wort in einem Satz vorhersagen. Die Modelle sind nicht unfehlbar.

Verzerrungen
Googles jüngste Schwierigkeiten mit seinem Gemini-Angebot waren eine öffentlichkeitswirksame Erinnerung an die komplexen ethischen Fragen, die LLMs aufwerfen. Generative KI-Modelle können bestehende Verzerrungen in zugrundeliegenden Daten aufgreifen und verstärken. Das kann zu diskriminierenden Ergebnissen führen.

Datenschutz
Große Sprachmodelle haben einen unstillbaren Appetit auf Daten. Wenn private Informationen nicht geschätzt werden, besteht die Gefahr, dass das Modell als Teil seiner Antworten versehentlich vertrauliche Daten preisgibt.

Auch wenn es sich hierbei um Probleme handelt, die Unternehmen nicht aus den Augen lassen sollten, dürfen diese Risiken kein Hindernis sein, wenn es darum geht, generative KI zu nutzen. Vielmehr steht die Sorgfalt im Vordergrund, mit der man sich dieser Technologie nähern sollte.

Die Themen Genauigkeit und Datenqualität gehen Hand in Hand: Wenn die KI nicht die richtigen Informationen erhält, liefert sie ungenaue Ergebnisse. Qualitativ hochwertige Daten, eine robuste Datenarchitektur und benutzerfreundlich gestaltete Schnittstellen für die Interaktion mit den Daten sind unerlässlich.

LLMs implementieren: eine Roadmap

Unternehmen erleben einen gewissen Druck, wenn es darum geht, auf den KI-Zug aufzuspringen. Das ist nicht weiter verwunderlich, schließlich handelt es sich um eine vielversprechende Technologie, die (meistens) funktioniert. Es ist sehr wahrscheinlich, dass in den nächsten Jahren viele weitere Organisationen LLMs in ihre tägliche Arbeit integrieren werden.

Fest steht: Jetzt nur abzuwarten, wohin uns die KI-Lösungen führen, gilt als größeres Risiko, verglichen mit der Möglichkeit, die Potenziale zu erkunden. Die Modelle können Wettbewerbsvorteile bringen, müssen aber mit Vorsicht genossen werden.

Bei Nortal arbeiten wir eng mit unseren Kunden zusammen, um in einem mehrstufigen Prozess die potenziellen KI-Einsatzmöglichkeiten in ihrem Unternehmen zu untersuchen:

Während die richtigen Lösungen für jedes Unternehmen individuell sind, gibt es drei Punkte, die für alle Organisationgen gelten – und die bei der Implementierung von generativer KI unbedingt zu beachten sind.

Die Daten: Fangen Sie dort an, wo Sie sich wohlfühlen
Ordnen Sie die Daten, die Sie einem LLM zur Verfügung stellen wollen, verschiedenen Kategorien zu. Für den ersten Einsatz von GenAI-Lösungen ist es sinnvoll, mit der Datenebene zu beginnen, mit der Sie sich am wohlsten fühlen – in der Regel mit Ihren eigenen internen, nicht sensiblen und nicht kontroversen Daten. Sobald Sie sich sicher fühlen, können Sie zu Modellen übergehen, die auch öffentliche Daten nutzen. Auf der letzten Stufe sind Modelle, die interne, eingeschränkte und vertrauliche Daten verwenden.

Denken Sie dran: KI ist keine Wunderwaffe
Es ist wichtig, dass Sie sich immer zuerst auf das Problem konzentrieren und nicht auf den Lösungsansatz. Schließlich kann es sein, dass KI Ihnen bei der Herausforderung, vor der Sie stehen, gar nicht weiterhelfen kann.

Fokus auf den Mehrwert
Die besten Anwendungsfälle für generative KI sind für jedes Unternehmen einzigartig. Daher ist es entscheidend, diese Use Cases im Kontext der jeweiligen Organisation zu betrachten und sich darauf zu konzentrieren, wo KI einen echten Mehrwert bieten kann.

Ein Sprung ins Ungewisse

Derzeit kratzen wir noch an der Oberfläche der LLM-Fähigkeiten. DALL-E, das von OpenAI entwickelt wurde, schließt bereits die Lücke zwischen visuellen und schriftlichen Daten. Und wir erwarten, dass sich die NSP (next sentence prediction), also die Vorhersage des nächsten Satzes, noch in diesem Jahr rasant entwickeln wird. Bei der NSP wird den Modellen beigebracht, die Beziehung zwischen Sätzen zu verstehen und dadurch die gesamte Bedeutung eines Textes besser zu erfassen (und folglich noch genauere Antworten zu geben). Jeden Tag entstehen mehr Anwendungsfälle, die sowohl im privaten als auch im öffentlichen Sektor nützlich sind.

Bei Nortal haben wir generative KI in unseren eigenen internen Prozessen implementiert, sodass wir bereits Erfahrungen aus erster Hand vorweisen können. Wir sind uns der Risiken und Grenzen ebenso bewusst wie der erheblichen Vorteile. Unsere eigene LLM-Lösung für Kunden, Nortal Tark, wirkt den Risiken und Bedenken direkt entgegen. So wird Nortal Tark beispielsweise in der eigenen kontrollierten Umgebung des Kunden installiert. Die jeweilige Organisation behält also die volle Kontrolle über seine Daten und den Datenschutz.

Wir arbeiten eng mit Kundschaft aus sowohl dem öffentlichen als auch privaten Sektor in verschiedenen Branchen zusammen, um ihre Organisationen mit Hilfe von KI zu verändern. Zum Beispiel haben wir für das Beschaffungsamt des Bundesministeriums des Innern und für Heimat eine Lösung implementiert, die sich den Fragen rund um Nachhaltigkeit und Effizienz im öffentlichen Beschaffungswesen annimmt. Relevante Dokumente haben wir leicht zugänglich und durchsuchbar gemacht – aus unserer Sicht ein hervorragendes Beispiel dafür, wie KI die strategische Entscheidungsfindung verbessern und die Transparenz fördern kann.

Die Entwicklung von generativer KI verspricht für Unternehmen auf der ganzen Welt eine Achterbahnfahrt zu werden – ein aufregender Sprung ins Ungewisse. Aber Organisationen, die bereit sind, diesen Sprung zu wagen, können viel gewinnen.

Um mehr über Nortal Tark und die Möglichkeiten generativer KI zu erfahren, vereinbaren Sie hier einen kostenlosen Demo-Termin.