Viele Organisationen sind nicht bereit, KI einzuführen

"Wer Chaos mit KI automatisiert, bekommt nicht mehr Effizienz, sondern schnelleres Chaos." Mit dieser Warnung brachte Hochschuldozent Diego Kuonen in seinem Referat am Service Management Forum Schweiz in Zürich eine seiner zentralen Botschaften auf den Punkt. Der Datenexperte und Gründer des Beratungsunternehmens Statoo Consulting hält wenig davon, KI als Lösung für organisatorische Probleme zu betrachten. Unternehmen müssten zunächst verstehen, welche Probleme sie überhaupt lösen wollten und ob ihre bestehenden Prozesse dafür geeignet seien.

Kuonen beschäftigt sich seit rund 25 Jahren mit Daten und deren Nutzung in Unternehmen und Organisationen. Seine Erfahrung: Nicht die Technologie ist das eigentliche Problem. Auch an der blossen Verfügbarkeit von Daten würden Vorhaben nicht zwangsläufig scheitern. Vielmehr würden die organisatorischen Grundlagen vernachlässigt, die notwendig seien, um mit Daten und Technologien tatsächlich einen Mehrwert zu schaffen.

Das Risiko liegt laut Kuonen deshalb weniger im technologischen Versagen als in der Illusion, eine Organisation sei für den verantwortungsvollen und wirksamen Einsatz von Datenanalyse und KI bereits ausreichend vorbereitet.

Vertrauen ist das Ergebnis, nicht der Ausgangspunkt

Den Ausgangspunkt seiner Überlegungen bildet für Kuonen das Vertrauen. Dienstleistungsorganisationen funktionierten nicht auf der Grundlage von Daten und Technologie, sondern auf der Grundlage von Vertrauen. Dieses sei die entscheidende Währung im Verhältnis zu Kunden und Bürgern.

Vertrauen lasse sich allerdings weder technisch herstellen noch verordnen oder automatisieren. Unternehmen müssten es sich durch nachweisliche Vertrauenswürdigkeit verdienen. Dazu gehören laut Kuonen Kompetenz, Ehrlichkeit, Zuverlässigkeit und die Bereitschaft, das eigene Handeln nachvollziehbar zu machen.

Insbesondere müssten Organisationen überprüfbare Belege dafür liefern, dass ihre Prozesse und Entscheidungen vertrauenswürdig seien, sagt Kuonen. Das setze Transparenz voraus und bedeute auch, sich gegenüber Dritten überprüfbar und damit in gewissem Masse verwundbar zu machen.

Vertrauen sei folglich kein Zustand, den ein Unternehmen einmal erreiche und anschliessend voraussetzen könne. Es müsse durch konsistentes Handeln immer wieder neu erarbeitet werden. Für den Einsatz von Daten und Analytics bedeutet dies nach Kuonen, dass Vertrauenswürdigkeit in den Grundlagen und Prozessen einer Organisation verankert ist.

Daten sind kein Selbstzweck

Eine weitere Schwachstelle sieht Kuonen im Umgang mit Daten. Viele Unternehmen sammeln grosse Datenmengen, speichern diese in der Cloud und bauen umfangreiche Datenbestände auf, ohne sich ausreichend mit deren späteren Verwendung zu beschäftigen.

Daten sind kein Selbstzweck, wie Kuonen in seinem Referat verdeutlicht. Ihr Wert entstehe erst, wenn sie zur Lösung konkreter Probleme, zur Unterstützung von Entscheidungen oder zur kontinuierlichen Verbesserung von Prozessen eingesetzt würden.

Kuonen unterschied ausdrücklich zwischen Daten und Analytics: Während Daten den Rohstoff beziehungsweise Treibstoff lieferten, bilde Analytics den Motor der datenbasierten Wertschöpfung. Darunter versteht er einen iterativen, zweckgerichteten Problemlösungsprozess, bei dem aus Daten Erkenntnisse gewonnen und konkrete Handlungen abgeleitet werden.

Am Anfang dieses Prozesses stehe aber nicht die Auswahl einer Technologie, sondern die Definition des Problems. Erst danach folgten die Beschaffung, Exploration und Analyse geeigneter Daten sowie die Kommunikation der Ergebnisse. Die daraus abgeleiteten Entscheidungen und Massnahmen erzeugten wiederum neue Daten und damit die Grundlage für weitere Verbesserungen.

Für Kuonen ist dieser Kreislauf keineswegs neu. Auch die grundlegenden Fragen der Datenanalyse hätten sich durch den aktuellen KI-Boom nicht verändert: Was ist geschehen? Warum ist es geschehen? Was wird geschehen? Und was sollte man tun?

Ohne gemeinsame Sprache keine Datenkultur

Eine wesentliche Voraussetzung für datenbasierte Wertschöpfung ist nach Kuonens Überzeugung die Datenkompetenz, die sogenannte Data Literacy. Sie umfasst demnach die Fähigkeit, Daten zu sammeln, zu verwalten, zu bewerten und im jeweiligen Kontext kritisch und reflektiert zu nutzen. Dazu gehört auch der verantwortungsvolle Umgang mit Daten unter Berücksichtigung von Datenschutz, Datenethik sowie wirtschaftlichen, gesellschaftlichen und ökologischen Auswirkungen.

Diese Kompetenz sei nicht nur für Spezialisten relevant. Mitarbeitende, die Daten erzeugten, müssten verstehen, wie diese später verwendet würden, sagte Kuonen. Wer Daten nutze, müsse wiederum deren Herkunft, Qualität und Bedeutung beurteilen können.

Besonders wichtig sei eine gemeinsame Sprache. Kuonen berichtete von Diskussionen mit Geschäftsleitungen, in denen sich bereits bei der Frage nach der Bedeutung künstlicher Intelligenz unterschiedliche Definitionen gezeigt hätten. Wenn innerhalb eines Unternehmens kein gemeinsames Verständnis der grundlegenden Begriffe existiere, werde eine koordinierte Nutzung der Technologie entsprechend schwierig.

Auch eine Datenkultur lasse sich nicht einfach durch eine Managemententscheidung einführen. Sie entstehe vielmehr als Ergebnis individueller Datenkompetenz, gemeinsamer Werte und der Fähigkeit, Daten über organisatorische Grenzen hinweg zu verstehen und zu teilen.

Dabei wies Kuonen auf eine Besonderheit von Daten hin: Anders als bei vielen anderen Ressourcen verringere sich ihr Wert durch das Teilen nicht zwangsläufig. Im Gegenteil könne die gemeinsame Nutzung ihren Wert vervielfachen.

KI ist ein Werkzeug innerhalb des Analyseprozesses

Künstliche Intelligenz ordnete Kuonen konsequent als Werkzeug innerhalb des übergeordneten Analytics-Prozesses ein. Die Methoden der KI und des maschinellen Lernens könnten bei unterschiedlichen Schritten der Problemlösung helfen. Sie ersetzten aber weder die Problemdefinition noch die kritische Bewertung der Ergebnisse.

Besonders geeignet sei Automatisierung für datenintensive Aufgaben mit repetitivem Charakter. Eine weitere wichtige Voraussetzung sei, dass die zugrunde liegenden Regeln und Zusammenhänge über die Zeit ausreichend stabil blieben.

Als Beispiel verwies Kuonen auf Spiele wie Schach oder Go, deren Regeln klar definiert und weitgehend unveränderlich seien. In realen Geschäftsprozessen sei eine vergleichbare Stabilität dagegen keineswegs selbstverständlich.

Unternehmen müssten deshalb unterscheiden, welche Aufgaben sie automatisieren könnten und welche sie überhaupt automatisieren sollten.

Denn schlechte Prozesse würden durch Automatisierung nicht besser. Fehlerhafte Daten könnten zu weiteren fehlerhaften Daten führen, bestehende Probleme würden sich vervielfachen und ineffiziente Abläufe lediglich schneller ausgeführt.

Kuonens Schlussfolgerung: Zuerst müsse ein Prozess zuverlässig funktionieren. Erst danach sei es sinnvoll, ihn zu automatisieren und zu skalieren.

Menschliche Fähigkeiten erweitern statt ersetzen

Trotz seiner kritischen Haltung gegenüber einem technologiegetriebenen KI-Einsatz sieht Kuonen durchaus grosses Potenzial in der künstlichen Intelligenz. Allerdings liege dieses vor allem darin, menschliche Fähigkeiten zu ergänzen und zu erweitern.

Er verwies auf das bereits 1962 von Douglas Engelbart formulierte Konzept des "Augmenting Human Intellect". Dahinter steht die Idee, Menschen durch technische Werkzeuge zu befähigen, komplexe Probleme besser zu verstehen und Lösungen zu entwickeln.

KI könne beispielsweise bei der Beschaffung und Analyse von Daten, bei der Formulierung von Fragestellungen oder bei der Kommunikation von Ergebnissen unterstützen. Generative KI eröffne zusätzliche Möglichkeiten, etwa beim Erstellen von Texten, Bildern oder Programmcode. Die Resultate müssten jedoch kritisch überprüft werden.

Der Mensch übernehme dabei zunehmend eine orchestrierende Rolle. Er müsse Probleme definieren, geeignete Werkzeuge auswählen, deren Einsatz steuern und die Ergebnisse beurteilen.

Datenanalyse sei deshalb auch kein isoliertes IT-Projekt, sondern ein Teamsport. Die Wertschöpfung entstehe durch die Zusammenarbeit unterschiedlicher Fachbereiche, Funktionen und Organisationseinheiten.

Governance braucht gemeinsame Prinzipien

Wie sich diese Zusammenarbeit organisieren lässt, erläuterte Kuonen anhand einer prinzipienbasierten Data & Analytics Governance.

Deren Aufgabe bestehe nicht darin, möglichst viele zentrale Vorschriften zu erlassen. Vielmehr solle sie einen gemeinsamen Rahmen schaffen, innerhalb dessen unterschiedliche Teams eigenständig und verantwortungsvoll mit Daten und Analytics arbeiten könnten.

Zu den grundlegenden Prinzipien zählte Kuonen unter anderem die Zweckgebundenheit der Datennutzung, Interoperabilität, Auffindbarkeit, Transparenz, Beobachtbarkeit, Sicherheit und die Eignung von Daten für Analysen.

Bei analytischen Anwendungen kämen weitere Anforderungen hinzu, darunter Nichtdiskriminierung, Erklärbarkeit, Nachvollziehbarkeit, Reproduzierbarkeit, Neutralität und der ethische Umgang mit Daten und Ergebnissen.

Diese Prinzipien seien allerdings nicht als einfache Ein-Aus-Schalter zu verstehen. Vielmehr müssten Organisationen je nach Anwendung entscheiden, welche Anforderungen besonders stark zu gewichten seien. Kuonen verglich dieses Vorgehen mit einem DJ-Mischpult, an dem unterschiedliche Regler auf die jeweilige Situation abgestimmt werden.

Organisatorisch plädierte er für ein föderiertes Governance-Modell, das gemeinsame Leitplanken und zentrale Koordination mit dezentralen Verantwortlichkeiten verbindet.

Erst orchestrieren, dann integrieren und umsetzen

Zur Veranschaulichung präsentierte Kuonen sein Modell eines "Data & Analytics House". Dieses unterscheidet drei Ebenen:

Auf der strategischen Ebene steht die Orchestrierung: Hier werden die Ziele der Daten- und Analytics-Initiativen auf die Unternehmensstrategie abgestimmt sowie gemeinsame Prinzipien und Governance-Strukturen festgelegt.

Die taktische Ebene dient der Integration. Strategische Vorgaben werden in konkrete Rollen, Verantwortlichkeiten, Prozesse und organisatorische Strukturen übersetzt.

Auf der operativen Ebene folgt schliesslich die Umsetzung konkreter Data-&-Analytics-Initiativen und -Produkte in den Geschäftsbereichen.

Damit sollen die in vielen Unternehmen bestehenden Silos überwunden werden, ohne sämtliche Kompetenzen und Verantwortlichkeiten zentralisieren zu müssen.

Kuonen warnte davor, unmittelbar auf der operativen Ebene mit technischen Lösungen zu beginnen. Ohne übergeordnete Koordination fehle einzelnen Initiativen häufig der gemeinsame Rahmen.

70 Prozent der Herausforderungen betreffen Menschen und Prozesse

Dass diese organisatorischen Fragen entscheidend sind, unterstrich Kuonen mit Verweis auf das sogenannte 10-20-70-Modell der Boston Consulting Group.

Demnach entfallen bei der erfolgreichen Umsetzung von KI-Vorhaben rund 10 Prozent auf Algorithmen, 20 Prozent auf Technologie und 70 Prozent auf Menschen, Organisation und Prozesse. Diese Aufteilung dient als Orientierungsmodell für die Gewichtung der Transformationsarbeit.

Kuonen präsentierte dazu Ergebnisse der BCG-Studie "Build for the Future 2025" mit 1250 Befragten. Darin wurden neben technischen Schwierigkeiten insbesondere Probleme mit Datenqualität, Kosten, Kompetenzen, der Integration von KI in bestehende Systeme sowie der organisatorischen Anpassung sichtbar.

Die Botschaft des Referenten: Unternehmen konzentrierten sich häufig auf jenen Teil eines KI-Projekts, der vergleichsweise leicht einzukaufen sei. Die aufwändigere Veränderung von Organisation, Prozessen und Arbeitsweisen komme dagegen zu kurz.

Dabei müsse ein erfolgreiches Transformationsprojekt in der richtigen Reihenfolge angegangen werden: zuerst die Strategie, danach die Organisation, anschliessend Prozesse und Daten und erst zum Schluss die Technologie.

"Start right" ist wichtiger als "Start fast"

Für den praktischen Einstieg empfahl Kuonen ein schrittweises Vorgehen nach dem Grundsatz "Think big, start small, start right and start fast".

Besonders betonte er dabei das "Start right": Unternehmen sollten mit einem konkreten Problem beginnen, bei dem ein gemeinsames Verständnis und ein klarer Nutzen vorhanden seien.

Statt unmittelbar ein umfassendes Governance-System aufzubauen, schlug er eine "Minimal Viable Governance" vor. Dabei werden zunächst die kleinsten notwendigen gemeinsamen Regeln und Verantwortlichkeiten definiert. Diese lassen sich anschliessend aufgrund der gewonnenen Erfahrungen erweitern. Auf diese Weise entstehe ein lernendes Governance-System, das sich kontinuierlich weiterentwickle.

Den Abschluss seines Referats bildete erneut die Forderung, die Grundlagen vor die Technologie zu stellen. Vertrauen entstehe nicht dadurch, dass Unternehmen Datenplattformen, Analytics-Systeme oder KI-Anwendungen einführten. Es entstehe dadurch, dass sie die Voraussetzungen für einen vertrauenswürdigen Einsatz dieser Technologien schafften. Oder, wie Kuonen seine zentrale Botschaft zusammenfasste: "Foundations First!"

 

Lesen Sie zum Thema Data Literacy auch die Netzwoche-Artikelserie mit dem Bundesamt für Statistik.