Die Arbeitswelten der Zukunft werden entscheidend von der Entwicklung Künstlicher Intelligenz (KI) geprägt sein. Das Fraunhofer IAO verfolgt in seiner Forschungsarbeit das Ziel, KI-Anwendungen umzusetzen, denen die Menschen vertrauen und die sie akzeptieren.
Künstliche Intelligenz (KI) ist eine der zentralen Technologien für die Zukunft der Produktion. Auf Basis von Daten lassen sich gewaltige Potenziale zur Optimierung der Arbeitsprozesse erschließen. Unternehmen stehen nun vor der Herausforderung, Potenziale von KI für die eigene Produktion zu erkennen und diese wirtschaftlich nutzbar zu machen.
Im Rahmen unserer Studie »Menschzentrierte KI-Anwendungen« (siehe Leselinks) haben wir vielfältige praktische Erfahrungen aus KI-Projekten gesammelt und in einer Vorgehensweise gebündelt, die den Unternehmen eine wertvolle Orientierung geben können.
Wirksame Mittel gegen das KI-Kauderwelsch
Viele Diskussionen im Unternehmen scheitern in der Praxis bereits am gemeinsamen Verständnis zum Thema KI: Big Data, Data Science, Machine Learning, Deep Learning, und Co. machen es für Mitarbeitende schwer, über das gleiche zu sprechen. Missverständnisse, überzogene Erwartungshaltungen und Fehlinterpretationen des Gesagten sind die Folge. In Meetings werden viele Stunden damit verbracht, über Begrifflichkeiten zu diskutieren. Wir empfehlen deshalb jedem Unternehmen, sich frühzeitig ein Glossar anzulegen. Dies hilft nicht nur in Projektsitzungen, sondern auch in der Kommunikation im Gesamtunternehmen.
Erfahrungsaustausch und Lernen im Netzwerk
Datenbasierte Optimierungsverfahren sind für Produktionsprozesse unverzichtbar, um die nächste Stufe von Produktivitätszuwächsen in den Wertströmen zu erreichen. Dennoch sind viele Produktionsverantwortliche noch vorsichtig und teilweise skeptisch, wenn es darum geht, KI im eigenen Betrieb einzuführen. In einem ersten Schritt zur Annäherung können Unternehmen sich Netzwerken anschließen und sich über reale Umsetzungen in anderen Unternehmen informieren.
Mitarbeitende zu Mitwirkenden machen
Bevor Unternehmen mit KI-Projekten starten, muss die Zielsetzung für den Einsatz definiert werden: sollen Prozesse und/oder Geschäftsmodelle optimiert oder gar neu entwickelt werden?
Unternehmen ohne jegliche Erfahrungen im Bereich KI sollten zunächst konkrete Erfahrungen sammeln. So kann das Potenzial, aber auch der notwendige Aufwand für KI-Projekte realistisch eingeschätzt werden. Dies kann bedeuten, im Rahmen einer studentischen Arbeit erste Gehversuche in Richtung KI zu unternehmen oder bspw. eines der vielfältigen Angebote zu Quick Checks und Co. des KI-Fortschrittszentrums (siehe Leselinks) in Anspruch zu nehmen. Neben den richtigen KI-Strategien steht zu Beginn vor allem die Mobilisierung der Mitarbeitenden im Vordergrund. Je früher Mitarbeitende transparent informiert und eingebunden werden, desto besser. Abstrakte Vorstellungen von KI müssen konkreten und erlebbaren Beispielen weichen. Nur so kann Skepsis abgebaut und frühzeitig für genügend Akzeptanz gesorgt werden. Dabei setzen die von uns untersuchten Unternehmen auf Informationskampagnen im Intranet bis hin zur Ausstellung von KI-Demonstratoren in der Aula.
Die richtigen Probleme und Potenziale finden
Ein entscheidender Baustein auf dem Weg zu wirtschaftlichen KI-Anwendungen ist die Identifikation und Definition der richtigen Anwendungsfälle und Potenziale. In unserer Praxis haben sich zwei Wege bewährt. Die Identifikation von KI-Anwendungen ausgehend von Problemstellungen oder technologiegetrieben. Problemorientierte Herangehensweisen haben den Vorteil, dass konkrete Optimierungspotenziale bereits zu Beginn klar definiert werden können. Gerade für erste Erfahrungen bietet sich für Unternehmen diese Herangehensweise an, da so der Mehrwert für den KI-Einsatz direkt sichtbar wird.
Auswege aus der Komplexitätsfalle
KI-Anwendungen basieren bekanntermaßen auf Daten. Einer der Gründe für viel Frust in KI-Projekten liegt im Aufwand der Datenplanung, -selektion und -erhebung. Bei unseren Projekten und Gesprächen wird immer wieder von den unterschätzten Herausforderungen im Bereich der Daten geklagt. Beginnend mit der Frage, welche Daten bspw. eine Maschine überhaupt erzeugt bis hin zur Quantitäts- und Qualitätsprüfung und Interpretation der Daten, beißen sich Projektteams mitunter die Zähne aus. In der Praxis helfen dabei meist eine Fokussierung und Verkleinerung des betrachteten Bereichs. Zu oft werden schon zu Beginn zu komplexe Arbeitsprozesse mit dem Ziel einer KI-basierten Optimierung definiert. Mitarbeitende mit entsprechendem Domänenwissen können dabei helfen, den Gegenstandsbereich zu fokussieren, getreu dem Motto: think big, start small.
Erwartungs- und Enttäuschungsmanagement
In KI-Projekten kann es auch zu Frust und Enttäuschungen kommen. Euphorische Starts werden durch unzureichende Daten oder aufgedeckte Digitalisierungslücken auf den Boden der Tatsachen geholt. Unternehmen berichten uns immer wieder, dass neben unterschätzten Aufwänden für die Datenplanung zu schließende Digitalisierungslücken zu längeren Projektlaufzeiten führen. Auch für Experimente mit verschiedenen Verfahren, KI-Architekturen und Algorithmen muss genügend Zeit eingeplant werden. Iterative Herangehensweisen haben sich auch hier bewährt.
Wenn zusätzlich enge Vorgaben bzgl. ROI gelten, erschwert dies die Projektarbeit. Wir beobachten in der Praxis, dass Unternehmen der Einstieg in neue Technologien dann besonders gut gelingt, wenn Freiheiten eingeräumt werden und Ressourcen zum Experimentieren bereitgestellt werden.
Warum es sich trotzdem lohnt
Viele KI-Projekte erreichen auf den ersten Blick nicht die ursprünglich geplanten Nutzenpotenziale. Und dennoch berichten uns die meisten Unternehmen, dass sich der Einstieg vor allem aus zwei Gründen gelohnt hat. Zum einen liegt zu Beginn vieler KI-Projekte noch wenig bis keine Erfahrung vor, was zu Fehlern, Doppelarbeit und Verzögerungen führt. Zum anderen müssen mitunter vorab Digitalisierungslücken geschlossen werden. Dennoch wird in den meisten Projekten der strategische Wert der KI erkannt. Viel wichtiger aber: Auch wenn die eigentlich beabsichtigte Anwendung nicht realisiert wird, lernt das Projektteam auf diesem Weg viel über die Arbeitsprozesse, das Maschinenverhalten und die damit verbundenen Daten. Das zahlt sich bei zukünftigen Projekten aus oder bringt auf anderer Ebene Vorteile. In einem unserer Projekte konnten am Ende zwar keine Störungen vorhergesagt werden, dafür aber neue Arten der digitalen Assistenzfunktionen für Mitarbeitenden an der Maschine realisiert werden.
Starten Sie Ihre KI-Reise – gemeinsam mit den Mitarbeitenden
KI kommt immer mehr auf dem betrieblichen Hallenboden an. Unternehmen müssen einen eigenen Weg finden, die möglichen Potenziale für sich zu identifizieren und zu realisieren. Wir sind der Überzeugung, dass Unternehmen diesen herausfordernden Weg gemeinsam mit ihren Mitarbeitenden gehen und KI-Anwendungen menschzentriert gestalten sollten. Nur dann können die Expertisen der Mitarbeitenden aktiv genutzt, die Akzeptanz gesichert und der nachhaltige Erfolg gewährleistet werden.
Wie menschzentrierte KI-Anwendungen in der Praxis konkret realisiert werden, erfahren Sie in den kommenden Blog-Beiträgen meiner Kollegen. Viel Spaß dabei!
Leselinks:
- Studie »Menschzentrierte KI-Anwendungen in der Produktion«
- Quick Checks und Exploring Projects des KI-Fortschrittszentrums
- Industrienetzwerk »KI in der Produktion«
- Alle Blogbeiträge zum Theme »Künstliche Intelligenz«
