Gartners KI-Reifemodell: Maximieren Sie Ihre Unternehmenswirkung

KI ist als künstliche Intelligenz bekannt. Die Bewertung ihres Wertes ist aus vielen Gründen berüchtigt schwierig. Dafür ist es besser, KI nicht als künstliche Intelligenz zu betrachten – sondern als fortgeschrittene Informationsverarbeitung. Es ist dieselbe KI, die alle kennen, aber wenn man sie als Informationsverarbeitung betrachtet, können wir die Technologie als Werkzeug und nicht als eine andere denkende Spezies betrachten. Mit Werkzeugen gewinnen wir die Handlungsfreiheit, neue Dinge zu erschaffen.

In diesem Artikel untersuche ich, wie Unternehmen KI in verschiedenen Phasen einsetzen – das KI-Reifemodell. Ich betrachte auch Probleme, die KI lösen kann, und Möglichkeiten, KI zu übernehmen, damit Sie Ihre KI-Strategie und Anwendung reifen können.

KI schafft geschäftlichen Mehrwert

Maschinelle Lernalgorithmen helfen dabei, Daten auf neuartige Weise zu verarbeiten, die zuvor unmöglich waren. Die Mathematik gibt es schon seit Jahren, aber der Mangel an Daten und Rechenleistung machte sie unpraktikabel.

Heute hat sich das natürlich geändert. Maschinelles Lernen eröffnet die Möglichkeit, enorme Mengen mehr Daten zu sammeln, weil es beides:

• Ursache aus vielen Datenpunkten finden (bisher unmöglich)
• Finde Daten, ohne dass ein Ingenieur Entscheidungsbäume erstellen muss, um dorthin zu gelangen.

Fortschrittliche Informationsverarbeitung – das Werkzeug, das uns hilft, KI strategisch zu messen – bringt Unternehmen neuen Mehrwert. Wichtig ist, dass KI fortschrittliche Informationsverarbeitung ist. Verschiedene Unternehmen nutzen ihre Werkzeuge unterschiedlich. Nicht jedes Unternehmen kann sie gleich nutzen. Zum Beispiel hat KI für Unternehmen, die viele Informationen verwalten, einen größeren Wert als für diejenigen, die wenig tun.

Deshalb gibt es verschiedene KI-Phasen, in die Unternehmen eintreten. Erfahren Sie mehr darüber, wie Künstliche Intelligenz für IT-Abläufe weltweit für Aufsehen sorgt und IT-Abläufe für Organisationen sorgt.

Was ist ein Reifemodell?

Ein Datenreifemodell ist ein Rahmenwerk, das Organisationen nutzen können, um Fähigkeiten in einem bestimmten Bereich zu bewerten. Es beschreibt Phasen oder Phasen der Entwicklung, Effizienz oder Raffinesse einer Fähigkeit. Unternehmen verwenden Reifemodelle, um Investitionen zu planen, Prozesse und Kompetenzbereiche zu verbessern und strategische Veränderungen vorzunehmen.

Jedes Modell ist anders, aber im Allgemeinen folgen die meisten diesen typischen Stufen:

1. Anfangs: Prozesse sind nicht definiert. Aktivitäten sind nicht geplant, sondern ad hoc und reaktiv. Fähigkeiten sind undefiniert. Ohne Kontrollen sind die Ergebnisse unvorhersehbar.
2. Wiederholbar: Grundlegendes Projektmanagement ist vorhanden. Prozesse beginnen sich zu bilden und Key Performance Indicators (KPIs) werden verwendet. Ergebnisse werden identifiziert, mit vorhersehbaren und konsistenten Ergebnissen.
3. Definiert: Dokumentierte und standardisierte Prozesse sind mit den Zielen der Organisation abgestimmt. Teammitglieder erhalten Schulungen, haben Richtlinien und arbeiten auf Kennzahlen hin, um konsistente Ergebnisse sicherzustellen.
4. Verwaltet: Messungen und Kontrollen werden vollständig mit einem datenbasierten Ansatz für kontinuierliche Verbesserung entwickelt.
5. Optimiert: Prozesse sind klar definiert, getestet und effizient. Der Fokus liegt auf Innovation, Resilienz und Anpassungsfähigkeit.

Branchen, die den Reifemodellansatz übernommen haben, sind Technologie- und IT-Branchen, Gesundheitswesen, Fertigung und Finanzdienstleistungen.

KI-Reifemodell

Unternehmen werden KI auf unterschiedliche Weise einsetzen. Gartner hat ein KI-Reifemodell veröffentlicht, das Unternehmen in fünf Reifestufen hinsichtlich der Nutzung von KI durch eine Organisation segmentiert.

Deshalb haben wir verschiedene Phasen der KI, in die Unternehmen eintreten. Sehen Sie, wie BMC Service Management jetzt Generative KI-Lösungen anbietet, um die KI-Reife Ihrer Organisation zu verbessern.

Die meisten Unternehmen fallen heute unter Level 1 Awareness – ihre Geschäfte profitieren nur geringfügig von KI. Nur wenige Unternehmen sind auf Level 5, und nur wenige sind bereit und haben die Fähigkeit, KI in jeden ihrer Prozesse zu integrieren.

In jeder Phase des Gartner-Reifemodells verfolgt ein Unternehmen einen anderen Ansatz für KI:

Stufe 1. Bewusstsein

Unternehmen in dieser Phase kennen KI, haben sie aber noch nicht ganz genutzt. Diese Unternehmen sind vielleicht begeistert davon, KI einzusetzen. Sie sprechen oft mehr darüber, als sie wissen. Sie formulieren Ideen, aber keine Strategien, wie sie KI in ihren Geschäften einsetzen können.

Stufe 2. Aktiv

Diese Unternehmen spielen informell mit KI. Sie experimentieren mit KI in Jupyter-Notizbüchern und haben möglicherweise einige Modelle aus der TF.js-Bibliothek in ihre Prozesse integriert.

Stufe 3. Operativ

Diese Unternehmen haben maschinelles Lernen in ihre täglichen Aufgaben integriert. Wahrscheinlich verfügen sie über ein Team von ML-Ingenieuren. Sie könnten Modelle pflegen, Datenpipelines erstellen oder Daten versionsieren. Sie haben die ML-Infrastruktur eingerichtet und nutzen ML, um einige Informationsverarbeitungsaufgaben zu unterstützen – daher der Ansatz der künstlichen Informationsverarbeitung zur Wertmessung.

Stufe 4. Systemisch

Diese Unternehmen nutzen maschinelles Lernen auf neuartige Weise, um Geschäftsmodelle zu revolutionieren. Oft kann der Hype in der Bewusstseinsphase sagen, dass sie disruptiv sind, aber der Unterschied zwischen einem Level-1- und einem Level-4-Unternehmen besteht darin, dass das Level-4-Unternehmen mit der ML-Infrastruktur auf dem Boden steht.

Stufe 5. Transformativ

Unternehmen auf diesem Niveau des Gartner-Datenreifemodells nutzen ML weit verbreitet. Maschinelles Lernen und Informationsverarbeitung sind das Wertangebot für ihre Kunden.

Unternehmen in dieser Phase verlassen sich auf KI, um erhebliche Arbeit für das Unternehmen zu leisten. Google ist ein Informationsverarbeitungsunternehmen. Facebook bewertet Statusbeiträge und Anzeigen. Amazon, Netflix, Yelp empfehlen Produkten, Filmen und Restaurants für Nutzer. Alle diese Unternehmen nutzen maschinelles Lernen, um ihre eigenen Algorithmen anzupassen, ihr Produktangebot anzupassen und ihre Systeminfrastruktur zu optimieren (d. h. Netflix erlebt in bestimmten Zeitzonen eine geringe Latenz).

Wie man KI einsetzt, um den Unternehmenswert zu steigern

Die Einführung von KI sollte kein Umzug sein, den Organisationen nur deshalb ergreifen, weil sie in Gespräch ist. Jede KI-Einführung sollte dem Unternehmen einen strategischen, gemessenen Mehrwert bieten. Fragen zum Stellen:

• Welche Entscheidungen trifft mein Unternehmen?
• Welche Daten sammelt mein Unternehmen?

KI ist nützlich bei datenbasierten Entscheidungen. Ihr Unternehmen muss diese eine Sache sehr, sehr gut umsetzen können, wenn es das Beste aus KI herausholen will.

Die Einführung von KI ist ein fortlaufender zweistufiger Prozess: Aktuelle Praktiken zu erkunden und neue Entscheidungen zu entwickeln, um den Unternehmenswert zu steigern. Es funktioniert, wenn die Daten gesammelt sind und eine Entscheidung getroffen werden muss. Wenn Sie die Daten haben, welche Entscheidung kann dann daraus getroffen werden? Wenn Sie Entscheidungen treffen, welche Daten sind dann notwendig, um diese Entscheidung zu treffen? Abschließend: Wie können Sie jede tägliche Aktivität als datengetriebene Entscheidung betrachten?

1. Erkunden Sie aktuelle Geschäftspraktiken

Beginnen Sie damit, das Geschäft nach Bereichen zu erkunden, in denen KI eingesetzt werden kann. Auch wenn die Aufgabe einfällig und so einfach erscheint, dass sie nicht automatisiert werden muss, ist Automatisierung langfristig wertvoller.

Wenn eine Person nicht immer wieder dieselbe Entscheidung treffen muss, ist sie mental frei, andere Entscheidungen zu treffen. Mit der Zeit ermöglicht Automatisierung demselben Team, viele verschiedene Prozesse mit kontinuierlichem Wachstum durchzuführen, anstatt ihre mentale Kapazität auszuschöpfen, um immer wieder dasselbe Problem zu lösen. Ohne Automatisierung ist die einzige Möglichkeit für Wachstum, mehr Teammitglieder einzustellen.

2. Brainstormen Sie neue Entscheidungen, die Ihr Unternehmen wertvoller machen

Nachdem die aktuellen Geschäftsprozesse betrachtet wurden, ist es an der Zeit, über neue Wege nachzudenken, wie die Organisation ihr Geschäft führen kann. Beim Herausfinden sollte der Mittelpunkt der Aufmerksamkeit – all Ihre Aufmerksamkeit – auf datengetriebene Entscheidungsfindung gerichtet sein.

Fallstudie zur Einführung von KI

Schauen Sie sich zum Beispiel Ihr Vertriebsteam an. KI kann genutzt werden, um einem Vertriebsteam zu helfen, seine Kunden nach Typen zu segmentieren. Ein Vertriebsmitarbeiter profitiert davon, den Kundentyp auszuwählen, um einen Deal besser auszuhandeln oder die passenden Dienstleistungen anzubieten. KI kann Daten wie Kundenalter, E-Mail, Standort, Kaufgewohnheiten, Nutzergewohnheiten aufnehmen und beispielsweise einen K-Means-Clustering-Algorithmus nutzen, um die Nutzer in Typen einzuordnen. Oft ist die KI darin oft besser als der Vertriebsmitarbeiter. Talentscouts bei Moneyball dachten, sie würden einen guten Spieler kennen, wenn sie ihn sahen, aber bei den Daten konnten die Algorithmen das besser machen.

Nicht nur könnte die KI dies besser machen, sondern die Zeit des Vertriebsteams wird frei, um seine Aufmerksamkeit auf etwas anderes zu richten. Da die geistige Kapazität des Teams von Höflichkeiten mit Kunden aller Art befreit ist, können sie die KI zur Typerkennung nutzen und nun ihren Geist mit anderen höherwertigen Aufgaben überfluten, wie der Verfeinerung des Produktangebots für einen bestimmten Typ. Wenn das automatisiert werden kann, kann das Vertriebsteam seine Aufmerksamkeit auf etwas anderes richten, es wird automatisiert und so weiter...

Vertriebsteams werden durch den Einsatz von KI zu Entwicklern. Sie stapeln Prozess auf Prozess, sodass KI zu ihrem persönlichen Sales Agent Assistant werden kann. Werden Sie faul. Lassen Sie Software immer mehr Arbeit übernehmen.

KI hilft Ihrer Organisation dabei, Entscheidungen zu treffen

KI kann jeder Organisation bei Entscheidungen helfen. Hier sind einige Beispiele:

• Sortiere eine Liste von Gegenständen. Zum Beispiel ist der Status einer Person wertvoller als der einer anderen. Oder diese spezielle Farbe wird besser geschätzt als eine andere.
• Empfehlen Sie Artikel. Wenn diese Person X mag, wird sie auch Y mögen.
• Entdecken Sie Anomalien. Erkennen Sie, welche Lieferkette ineffizient arbeitet. Identifizieren Sie, welcher Kunde am wahrscheinlichsten zurückkehrt. Identifizieren Sie, welcher Kunde am ehesten ein weiteres Produkt Ihres Unternehmens möchte.
• Sortieren Sie Populationen nach Typen. Segmentieren Sie Ihre Kundenpopulation nach Top-Nutzern, gelegentlichen und einmaligen Nutzern. Teilen Sie Ihre Population in Persönlichkeiten ein: risikoscheu oder risikosuchend. Kombinieren Sie Produktmerkmale in Sets, um das Produktangebot zu verfeinern: Der Basisplan enthält diese 5 Funktionen, der Zwischenplan diese 8 Funktionen und der Advanced-Plan diese 15 Funktionen.

Zusätzliche Ressourcen

Mehr zu diesem Thema finden Sie im BMC Machine Learning & Big Data Blog oder lesen Sie diese Artikel:

• Was die Demokratisierung von KI für Unternehmens-IT bedeutet
• Maschinelles Lernen, Data Science, Künstliche Intelligenz, Deep Learning und Statistik
• Maschinelles Lernen: Hype vs. Realität
• Wie man eine Machine-Learning-Pipeline erstellt
• Maschinelles Lernen mit TensorFlow & Keras, einem mehrteiligen Leitfaden mit Tutorials
• Maschinelles Lernen mit sciKit Learn, einem mehrteiligen Leitfaden mit Tutorials

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.