Man kann dem Thema Künstliche Intelligenz (KI) fast nicht mehr entkommen. Es ist die am schnellsten wachsende Technologie und beinahe jede Woche geht eine neue Applikation damit viral. Die dahinterstehende Technologie, das Maschine Learning, könnte einer der wichtigsten Faktoren für viele Unternehmen sein, um wettbewerbsfähig zu bleiben. Aufgrund von fehlender Expertise hadern jedoch die meisten noch mit dem Einsatz von KI und beobachten, was andere tun.
Wir zeigen Ihnen auf, in welchen Bereichen KI das größte Potenzial für Unternehmen bietet und was Early Adopter bereits mittels künstlicher Intelligenz an Geschäftsprozessen optimieren.
KI ist mehr als nur ein Chatbot
Die Veröffentlichung von ChatGPT war für Künstliche Intelligenz (KI) das, was das iPhone für die Mobiltechnologie war – ein Wendepunkt. Ähnlich wie beim iPhone wurde keine neue Technologie präsentiert, sondern eine bestehende Technologie auf eine Art und Weise eingeführt, die sie für die breite Öffentlichkeit nutzbar machte. Vielleicht wird sie auf absehbare Zeit sogar unverzichtbar.
Unternehmen spüren den Druck, nicht den Anschluss zu verlieren und jetzt ebenfalls auf die Technologie zu setzen. Wie seit 2007 viele Geräte einen Touchscreen haben, wird seit 2022 alles mit KI-Support angekündigt.
Die Einsatzmöglichkeiten von KI in Unternehmen sind vielfältig, von der Bilderkennung über autonomes Fahren bis hin zur Optimierung von Lieferketten. KI ist weit mehr als nur ein cleverer Chatbot. Um passende Einsatzmöglichkeiten zu finden, lohnt sich ein breiter Blick über den Markt derzeitiger KI-Anwendungen.
Dabei sollten sich Unternehmen immer fragen: Wie können wir KI in den verschiedensten Feldern gewinnbringend einsetzen?
Anwendungsgebiete von KI in Unternehmen
KI im Kundenservice: Wiederkehrende Aufgaben automatisieren
Der Kundenservice ist oft das Aushängeschild und der erste Kontaktpunkt eines Unternehmens. Kundenservice ist derzeit aber oft auch das erste Ärgernis mit langen Wartezeiten, Weiterleitungen und am Ende häufig nicht den gewünschten Ergebnissen.
Hier kann der Einsatz intelligenter Systeme wahre Wunder wirken. Chatbots und virtuelle Assistenten sind rund um die Uhr ohne Wartezeiten verfügbar. Sie beantworten Kundenanfragen schnell und effizient – können sogar im System nach passenden Lösungen suchen und diese in die Wege leiten.
Unternehmen wie Amazon und Zalando nutzen solche Technologien bereits seit Jahren, um die Kundenzufriedenheit zu steigern. Lösungen wie Zendesk, LivePerson und Open-Source-Optionen wie Rasa und Botpress bieten flexible Möglichkeiten für maßgeschneiderte Chatbot-Lösungen.
Auch außerhalb rein digitaler Geschäftsmodelle hat die Technologie schon Anwendung gefunden. Die Deutsche Telekom hat bereits 2017 einen KI-gestützten Chatbot namens Tinka vorgestellt, um Kundenanfragen zu Produkten und Dienstleistungen zu beantworten. Tinka lernte kontinuierlich dazu und wurde dadurch immer besser darin, auch komplexe Fragen zu beantworten. Mittlerweile wurde sie von ihrem Nachfolgesystem Frag‘ Magenta abgelöst.
Eine solche Automatisierung entlastet die Mitarbeiter im First-Level-Support und erhöht die Effizienz des Kundenservice erheblich.
KI im Marketing: passende Angebote für Kunden
Kundenbedürfnisse zu analysieren und damit Marketingmaßnahmen und Produkte präzise zuzuschneiden, ist in einigen Branchen schon lange üblich. Dabei wird meist mit sogenannten Personas gearbeitet – also idealtypischen Kategorisierungen von (potenziellen) Kunden, je nach verfügbaren Daten (sowohl sozioökonomischen als auch Verhaltensdaten). Während das Arbeiten mit Personas und das Definieren von Zielgruppen für das Verstehen von Menschen besser ist als nichts, fallen natürlich viele Feinheiten weg bei dem Versuch Menschen in einige wenige Gruppen zu packen.
Plattformen wie Amazon und Netflix zeigen hier das nächste Level und setzen auf maschinelles Lernen. Kundendaten werden nicht nur analysiert, sondern basierend darauf direkt Empfehlungen auf persönlichem Level ausgesprochen. Die Einordnung in Gruppen wird ersetzt durch eine direkte persönliche Ansprache.
Diese Art mit maschinellem Lernen zu arbeiten, lässt sich auch für Geschäftsfelder nutzen, bei denen Umsatz in Person erzielt wird. Starbucks nutzt als Cafékette beispielsweise KI, um personalisierte Marketingkampagnen zu erstellen. Durch die Analyse von Kundenverhalten und Präferenzen kann Starbucks gezielte Angebote und Empfehlungen aussprechen, was die Kundenbindung stärkt und den Umsatz erhöht. Die KI analysiert Millionen von Datenpunkten, um Muster zu erkennen und Vorhersagen zu treffen, welche Produkte bei Kunden am beliebtesten sein werden.
Darüber hinaus kann KI im Marketing auch dabei helfen, kreative Prozesse zu unterstützen und Rechercheaufgaben zu übernehmen. So können Large Language Models wie Chat GPT oder Llama Texte zu allen möglichen Themen generieren. Auch für andere Medien gibt es schon passende Tools, die es bspw. ermöglichen, Bilder oder Videos zu erstellen. Beides ist nicht unumstritten, den die derzeitigen Modelle produzieren noch häufig sowohl faktische als auch logische Fehler und es sollte zumindest hinterfragt werden, ob die KI-generierten Inhalte einen wirklichen Mehrwert für die Empfänger bieten und ob die Arbeitslast im Kontext der notwendigen Kontrolle überhaupt sinkt.
Tools wie HubSpot, Marketo und Evalanche optimieren Marketingkampagnen, während Open-Source-Lösungen wie TensorFlow und Scikit-learn flexible Entwicklungsoptionen bieten.
KI als Sicherheitsfaktor: kein Fehler wird übersehen
Ein weiteres beeindruckendes Beispiel ist die Nutzung von KI bei der Erkennung von Betrug im Finanzsektor. Unternehmen wie PayPal und Mastercard setzen maschinelles Lernen ein, um verdächtige Transaktionen in Echtzeit zu erkennen und zu verhindern. Diese Systeme analysieren Tausende Transaktionen pro Sekunde und identifizieren Anomalien, die auf betrügerisches Verhalten hinweisen könnten. Dadurch wird die Sicherheit der Kunden erhöht und die finanziellen Verluste werden minimiert.
Systeme wie das von Darktrace und CrowdStrike überwachen dafür den Datenverkehr in Echtzeit und lernen kontinuierlich, um neue Bedrohungen automatisch zu identifizieren und abzuwehren. Gesichtserkennungstechnologien und Open-Source-Plattformen wie OpenCV bieten kostenlose Lösungen für physische Sicherheit, während Tools wie Snort und Suricata die Netzwerküberwachung unterstützen.
Automatisierung von Geschäftsprozessen durch KI
Routineaufgaben sind im Arbeitsalltag besonders zeitintensiv. Intelligente Systeme können hier Abhilfe schaffen, indem sie diese Tätigkeiten übernehmen. Das sorgt für eine bessere Work-Life-Balance der Mitarbeitenden und hilft, Fehler zu vermeiden.
Finanzunternehmen setzen deshalb auf Robotic Process Automation (RPA), um monotone Tätigkeiten wie das Ausfüllen von Feldern in Formularen zu automatisieren. In der Produktion übernehmen ähnliche intelligente Systeme die Überwachung des Materialflusses und der Maschinenleistung. Open-Source-Tools wie TensorFlow und PyTorch ermöglichen die Entwicklung maßgeschneiderter Lösungen, die sich nahtlos in bestehende Prozesse integrieren lassen.
Die Warenproduktion kann auch von dieser Technologie profitieren. Die großen Player der Automobilindustrie, Unternehmen wie Mercedes oder Tesla, nutzen KI-gesteuerte Roboter, um Produktionslinien zu überwachen und Wartungsbedarf vorherzusagen. Diese Systeme analysieren Daten von Sensoren und Kameras in Echtzeit und erkennen Abweichungen, die auf potenzielle Probleme hinweisen. Dadurch können Ausfallzeiten reduziert und die Effizienz der Produktion gesteigert werden.
In der Lebensmittelindustrie kommen vergleichbare Bilderkennungssysteme zum Einsatz, um die Frische der Produkte entlang der Lieferkette und in den Auslagen zu beurteilen. Dieselbe Technologie, oft in Kombination mit dem Einsatz von Blockchains zum Vermeiden von Betrug, stellt in der Pharmaindustrie sicher, dass Medikamente eine verlässliche Qualität haben und wie zu erwarten wirken.
Unternehmen wie DHL nutzen maschinelles Lernen, um optimale Routen zu berechnen und sparen damit eigenen Angaben zufolge bis zu 53 % der Kosten auf der letzten Meile.
Dropshipping-Unternehmen, die Produkte direkt vom Hersteller zum Kunden versenden, ohne sie selbst zu lagern, haben aus der Fähigkeit mit Machine Learning die Produktions- und Lieferzeiten vorherzusagen ein neues Geschäftsmodell gemacht. Sie setzen KI ein, um die Nachfrage besser zu prognostizieren und Lagerbestände optimal zu managen. So können sie als Stores auftreten, ohne viel Geld in Lagerfläche zu investieren. Während dieses Modell für viele Unternehmen zwar nicht zum Geschäftsmodel passt, kann man sich von den technischen Lösungen einiges abschauen, um Lagerkosten zu minimieren.
KI-basierte Vorhersage: Optimierung von Wartung und Lagerbestand
Auch in der Personalplanung zeigt sich KI als nützlicher Helfer, indem sie Arbeitszeiten und Projektanforderungen analysiert. Mit den Ergebnissen lassen sich sowohl Over- als auch Understuffing verlässlich vermeiden.
Open-Source-Tools wie OptaPlanner und COIN-OR bieten flexible Lösungen für diverse Planungsaufgaben.
Diese Planung kommt auch bei analogen Systemen zum Einsatz. Die Lufthansa nutzt KI, um die Wartungsplanung für Flugzeuge zu optimieren. Durch die Analyse historischer Wartungsdaten und Echtzeit-Informationen zu den aktuellen Flugzeugzuständen kann Lufthansa Wartungsintervalle besser planen und so die Betriebsbereitschaft der Flotte maximieren. Mit der zunehmenden Verfügbarkeit von Sensorik in moderneren Maschinen etabliert sich die vorausschauende Wartung, auch Predictive Maintenance genannt, immer mehr als Standardpraktik.
Ein weiteres Beispiel ist die vorausschauende Wartung in der Industrie. Unternehmen wie Siemens nutzen KI, um Maschinen und Anlagen kontinuierlich zu überwachen und Wartungsbedarf vorherzusagen. Durch die Analyse von Sensordaten kann das System frühzeitig erkennen, wenn ein Teil auszufallen droht, rechtzeitig eine Wartung einleiten und Ersatzteile dafür ordern. Dies minimiert Ausfallzeiten und verlängert die Lebensdauer der Maschinen.
In einigen Fällen müssen Ersatzteile gar nicht mehr bestellt werden. Mittels Open-Source-Plattformen wie Blender und MeshLab lässt sich die Erstellung von statisch korrekten und druckbaren 3D-Modellen erheblich beschleunigen. In der Bauindustrie dienen sie der Planung und Visualisierung, in der Medizin unterstützen präzise Modelle die Operationsplanung. Animationsstudios und Videospielentwickler nutzen KI zur Erstellung realistischer Charaktere und Szenen.
Technisch nahe verwandt mit der vorausschauenden Wartung ist die Predictive Analytics. Hierbei wird maschinelles Lernen angewandt, um zukünftige Entwicklungen vorherzusagen. Unternehmen wie Walmart und Procter & Gamble setzen auf diese Technik, um ihre Bestandsführung zu optimieren. Heute zu wissen, was übermorgen wahrscheinlich gefragt sein wird, ermöglicht es, nie leere Regale zu haben, ohne exzessive Bestände in den Lagern ansammeln und oft nach dem Mindesthaltbarkeitsdatum wegwerfen zu müssen.
Open-Source-Tools wie Prophet und TensorFlow bieten dafür flexible Lösungen.
Computer Audition: Sprachverarbeitung und -umwandlung
Seit Star Trek träumen wir davon, sagen zu können „Computer …“, unsere Wünsche zu äußern und verstanden zu werden. Computer Audition ermöglicht genau das. Unternehmen wie Microsoft, Google und Apple haben das schon lange mit ihren virtuellen Assistenten gezeigt – damit aber auch immer die Grenzen des aktuell Möglichen aufgezeigt.
In den vergangenen Jahren hat sich hier viel getan. Sprachumwandlungstechnologien wie Google Translate und DeepL erleichtern die Kommunikation über Sprachbarrieren hinweg. Services wie Trint machen das händische Transkribieren zu einem Relikt der Vergangenheit.
Auch das Gesundheitswesen bedient sich der hörenden Maschinen. Kliniken nutzen sprachgesteuerte Assistenten, um Ärzten bei der Dokumentation von Patientendaten zu helfen. Diese Assistenten transkribieren Gespräche zwischen Arzt und Patient in Echtzeit und fügen die Informationen direkt in die elektronische Patientenakte ein. Dadurch werden Zeit gespart und die Fehlerquote reduziert.
Ein wichtiger Grund für die deutliche Verbesserung im Vergleich zu den Vorjahren ist der Fortschritt in der Computational Linguistics. Hier geht es vom reinen Verstehen noch einen Schritt weiter und lässt Maschinen Bedeutungen und Kontexte von Sprache erfassen.
Unternehmen wie Amazon und Airbnb analysieren Kundenfeedback, um wertvolle Erkenntnisse zu gewinnen. Während früher kulturelle Unterschiede oder Sarkasmus solche Analysen erschwert haben, können intelligente Systeme das mittlerweile klassifizieren und kategorisieren.
Tools wie NLTK und SpaCy bieten flexible Lösungen für diese Aufgaben.
Die KI kann aber nicht nur Wissen von Menschen aufnehmen, sondern es auch weitergeben. Eine dauerhafte Herausforderung für jedes Unternehmen ist es, wissen zu halten und neuen Beschäftigen weiterzugeben. Gerade das Weitergeben ist oft ein Einschnitt in die Produktivität. Bis neue Mitarbeitenden alles wissen, was sie brauchen und voll einsatzbereit sind vergehen in manchen Feldern Jahre. Und in dieser Zeit sind nicht nur die neuen nicht voll produktiv, sondern auch die welche sie einlernen und ihre Fragen beantworten weniger mit anderen Aufgaben belastbar. Ein Teil dieser Last kann mit KI gelöst werden – vermittelt man dieser all das notwendige Wissen, kann sie es weitergeben und Fragen beantworten. Dazu sind in einigen Unternehmen bereits Custom GPTs im Einsatz, in anderen werden bereits existierende interne Dokumente mittels Tools wie Adobes Acrobat in die Lage versetzt Fragen zu beantworten.
Zukunft der KI in Unternehmen
Die Implementierung von KI bringt Herausforderungen mit sich, doch die potenziellen Vorteile sind erheblich. Open-Source-Tools und kommerzielle Lösungen bieten flexible Optionen, die an spezifische Bedürfnisse angepasst werden können.
Mit kontinuierlichen Fortschritten wird die Bedeutung von KI in Unternehmen weiter wachsen. Unternehmen sollten sich jetzt die Frage stellen, welche dieser (KI-)Technologien zu ihnen passt und sich strategisch einsetzen lässt. Es gilt Prozesse zu transformieren und sich mittels KI einen entscheidenden Wettbewerbsvorteil sichern.
Hier lohnt es sich, auf eine Tool-unabhängige Beratung zurückzugreifen, um einen wirklich breiten Blickwinkel einnehmen zu können. Denn bei der strategischen Implementierung von KI bzw. der KI-Produktentwicklung sind viele Aspekte zu beachten – von der Informationssicherheit und der Compliance bis zu den Changeprozessen bei Mitarbeitern und Management.