Vier-Phasen-Modell für Künstliche Intelligenz Mit 4 E zur erfolgreichen KI-Integration

Künstliche Intelligenz ist ein Werkzeug: Sie entfaltet ihre positive Wirkung und Innovationskraft erst, wenn sie nutzbringend eingesetzt wird. Dafür müssen Grundsätze und Rahmenbedingungen für ihre Anwendung festgelegt werden. Die folgende Unterteilung des KI-Lebenszyklus in vier Phasen und die daraus abgeleiteten Imperative sollen eine Orientierung für den Weg in die Adaption bieten.

Groß denken (Envision)

Am Anfang steht die Idee, das große Bild des KI-getriebenen Unternehmens der Zukunft. Dazu gehören die Ausarbeitung einer Strategie und die Formulierung einer Roadmap. Dabei ist es wichtig zu klären, wie reif das Unternehmen aktuell in Sachen KI ist, welche Voraussetzungen (Personal, Know-how, Technologie) es dafür bereits mitbringt und welche (noch) nicht.

Dies wird im Rahmen eines sogenannten AI Maturity Assessment geklärt. Zu den Hausaufgaben gehört es dann, die Prinzipien und ein Framework für die Nutzung von KI aufzustellen. Zudem muss ein Risk and Compliance Management für die sichere und verantwortungsvolle KI-Nutzung implementiert werden.

Klein anfangen (Experiment)

Nach der Theorie kommen erste Schritte in die praktische Umsetzung. Und die sollten, im Gegensatz zur Strategie, kein „Big Bang“ sein, sondern klein anfangen.

In einem Opportunity Assessment werden vielversprechende, schnell umsetzbare Projekte mit hohem Wertschöpfungspotenzial identifiziert. Für diese Use Cases werden schließlich Proof of Concepts (PoC) erarbeitet und getestet. Dazu gehört unter anderem auch die Abklärung der für KI-Anwendungen so wichtigen Datenverfügbarkeit und -qualität. In dieser Phase ist es wichtig, alle Erfolge, aber auch alle Irrungen und Wirrungen zu analysieren, zu dokumentieren und intern zu kommunizieren.

Zukunftssicher aufbauen (Engineer)

Auf Basis aller Erfahrungen und Analysen kann die KI-Roadmap zukunftssicher auf- und ausgebaut werden. Zu den wichtigsten Schritten dieser Phase gehört der Ausbau einer KI- und Dateninfrastruktur, die die Konsolidierung und Qualitätssicherung von Daten, die Erstellung von Features und das Training von Modellen vereinheitlicht.

Zusätzlich sind Trainingsmaßnahmen zur Steigerung der KI-Kompetenz der Mitarbeiter, der Aufbau eines Center of Excellence, ein begleitendes Change Management sowie die Formulierung und Etablierung von Governance-Modellen wichtige Bestandteile dieser Phase. Diese Maßnahmen sind idealerweise Bausteine eines KI-Ökosystems, das sich daraus sukzessive herausbildet.

Schnell skalieren (Expand)

Das KI-Ökosystem ermöglicht eine schnelle Skalierung. Darüber hinaus hilft es, operative Effekte in Wertschöpfung umzuwandeln und zusätzliche Use Cases anzugehen. So ist etwa das Center of Excellence Brennpunkt und Vorbild für die Zusammenarbeit von Experten verschiedenster Abteilungen (IT, Fachabteilungen) und externer Dienstleister an KI-Projekten.

Methodisch sind dafür agile KI-DevOps die Projektform der Wahl. KI-DevOps-Technologien sichern die Reproduzierbarkeit von KI-Modellen und vereinfachen komplexe Workflows zur Bereitstellung von KI-Modellen in Produktionsumgebungen. Eine verbindliche Lifecycle Governance formuliert die Leitlinien für jeden Schritt im Lebenszyklus einer KI-Anwendung und legt die Prozesse, Sicherheitsregularien und Verantwortlichkeiten fest.

Fazit

„Ein planvolles strategisches und taktisches Vorgehen ist die beste Voraussetzung dafür, KI wirklich wertschöpfend nutzen zu können“, sagt Esther Berges, Business and Strategic IT Consulting Lead bei CGI Deutschland. „Unser Vier-Phasen-Modell gibt Orientierung, Unterstützung und Handlungsanweisung auf dem Weg zum KI-getriebenen Unternehmen.“