Studie deckt drei grundlegende Mechanismen und ihre notwendigen Bedingungen auf, mit denen Machine Learning über die Zeit verschiedene Wertbeiträge leisten kann
Die Fortschritte im Bereich der künstlichen Intelligenz (KI) verändern die Wettbewerbslandschaft. Auf der Suche nach einer geeigneten strategischen Antwort engagieren sich Unternehmen derzeit in einer Vielzahl von KI-Projekten. Allerdings fällt es Unternehmen schwer, durch KI einen greifbaren Geschäftswert zu schaffen. In einer Studie untersuchten Forschende der Copenhagen Business School, der Universitäten Bamberg und Paderborn sowie der IT University of Copenhagen, wie Unternehmen durch Anwendungen des maschinellen Lernens (ML) – einer Kerntechnologie der KI – nachhaltigen Wert erzielen können.
Studie hilft, KI-Initiativen gezielter zu planen und zu überwachen
Während der vierjährigen explorativen qualitativen Studie betrachteten die Forschenden 56 operative ML-Anwendungen in 29 Unternehmen. Sie führten dazu 40 Interviews mit Data Scientists und Führungskräften, 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 benötigt gewisse Gegebenheiten, um erfolgreich eingesetzt zu werden, bringt aber auch einen einzigartigen Wertbeitrag im Unternehmen“, erläutert Dr. Konstantin Hopf vom Lehrstuhl für Wirtschaftsinformatik, insbesondere Energieeffiziente Systeme, der Universität 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", erklärt 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 ausgewählte 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 Geschäftsfeld oder Kundenverhalten zu gewinnen. Für diese Art der Wertschöpfung benötigen Unternehmen insbesondere datenwissenschaftliche Fähigkeiten und Domänenkenntnisse.
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 Wertschöpfung essenziell.
Autonome Agenten: Bei der dritten Art der Wertschöpfung wird ML entweder direkt in neue Produkte oder Dienstleistungen integriert und somit dem Endkunden zur Verfügung gestellt oder Teile von Geschäftsprozessen 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 Geschäftsumfeld und wenige rechtliche und ethische Probleme mit ihren ML-Anwendungen angewiesen.
Wertschöpfungsmechanismen ändern sich im Laufe der Zeit
Während der Analyse stellten die Forschenden fest, dass Unternehmen den Wertschöpfungsmechanismus von ML-Projekten im Laufe der Zeit wechseln. Das lässt sich verdeutlichen am Beispiel eines Schmuckeinzelhändlers, 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 anschließend ML zu nutzen, um Wissen über die neue Situation zu sammeln. Mit dem gewonnenen Wissen wurden dann automatisierte Dashboards zur Unterstützung der routinemäßigen menschlichen Entscheidungsfindung erstellt und schließlich trainierte das Unternehmen neue Vorhersagemodelle, die auf die Pandemiesituation zugeschnitten waren. Der Schmuckeinzelhändler kehrte zum alten Modus der ML-basierten Prozessautomatisierung zurück. „Das Wissen, dass sich ML-Wertschöpfungsmechanismen über die Zeit ändern können, erlaubt Unternehmen, eine Entwicklungsperspektive auf ihre KI-Initiativen einzunehmen. Wenn also der angedachte Wert eines einzelnen Projekts nicht erfüllt werden konnte, bestehen womöglich Weiterentwicklungsmöglichkeiten 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 Fähigkeiten des Unternehmens oder die Umfeldbedingungen nicht zu den gewählten ML-Mechanismen passen. Dabei übersehen Unternehmen bei ihren KI-Aktivitäten beispielsweise oft, dass die verschiedenen ML-Mechanismen aufeinander aufbauen und vorgelagerte Mechanismen die notwendigen Ressourcen und Bedingungen für umfangreichere ML-Vorhaben schaffen können. Für Manager*innen und Data Scientists ist es deshalb ratsam, die Fähigkeiten 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 Universität 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.
