Geschäftsoptimierung mit Daten- und KI-Tools: Die Perspektive eines CEO (Interview mit Guy Ballantine)

Seit unserem letzten Interview haben sich viele neue Technologien entwickelt, wobei KI-Tools zu den am weitesten verbreiteten gehören. Haben KI-Prozesse und -Tools Ihr Berufsleben als Geschäftsführer, Vorsitzender und Mitglied des Beirats beeinflusst?

Ja, absolut. Der am meisten diskutierte Anwendungsfall für GenAI ist insbesondere im Coding-Bereich, aber ich bin kein Programmierer. Dennoch nutze ich GenAI-Tools, um mich in verschiedenen Bereichen zu unterstützen, und die Häufigkeit der Nutzung ist stetig gestiegen.
Ich würde sagen, dass ich in diesem Zeitraum auch verfeinert habe, wie und wo ich sie einsetze, da ich gelernt habe, wo sie mir wirklich helfen. Ich denke, dass ein gewisses Maß an Trial-and-Error notwendig ist, wenn man sie als Einzelperson nutzt, und man muss sich ihrer Grenzen bewusst bleiben.
Trial-and-Error ist schwieriger, wenn man KI für Kernprozesse des Unternehmens und für viele Personen einsetzen möchte – zum Beispiel in einer Kanzlei für Vertragsentwürfe – und hier müssen Organisationen besonders vorsichtig sein.

Sollten Unternehmensleiter KI-Tools heute als relevant betrachten? Können sie nachhaltigen Wert liefern? Können Sie ein Beispiel aus Ihrer Erfahrung im letzten Jahr nennen?

Ich denke, es ist extrem relevant, gleichzeitig bin ich mir bewusst, dass viele Unternehmen Zeit und Geld für erfolglose Projekte verschwendet haben. Es ist auch kein Selbstläufer: Man kann nicht einfach mit einem KI-Zauberstab winken und sofort Vorteile sehen. Der Einsatz muss durchdacht und geplant sein.
Die grundsätzliche Nutzung von ChatGPT oder Copilot ist in vielen Unternehmen inzwischen Standard, vorausgesetzt, es gibt eine passende Governance-Struktur. Sie ermöglicht es Mitarbeitenden in vielen Rollen, ihre Fähigkeiten und Produktivität zu steigern. Dies kann die Nutzung für Hintergrundrecherche, als Sparringspartner bei Entscheidungsprozessen oder zur Erstellung einfacher kreativer Inhalte sein. Solange man nicht vollständig das eigene Denken auslagert und die Ergebnisse überprüft, ist dies eine relativ standardisierte Arbeitsweise.
Auf organisatorischer Ebene ist es hingegen deutlich schwieriger, messbar besser, schneller und kostengünstiger zu arbeiten. Die besten Beispiele, die ich gesehen habe, lassen sich in drei Bereichen zusammenfassen:
Prozessoptimierung in operativ komplexen Unternehmen (z. B. industrielle Fertigung, Logistik, Lagerhaltung)

Für Unternehmen, die KI-Prozesse oder -Tools implementieren wollen: Können Sie einfache, risikoarme Wege aufzeigen, KI einzuführen?

Für viele Unternehmen gibt es eine grundlegende Frage, die sie sich zuerst stellen sollten, da sie die Art und das Tempo ihrer KI-Aktivitäten definiert: Möchten Sie ein Vorreiter in Ihrem Bereich sein, mit den damit verbundenen Risiken, oder möchten Sie ein schneller Nachfolger sein, der zunächst prüft, welche Anwendungsfälle wirklich funktionieren, welche Softwareanbieter ihre Produkte beherrschen und dann die besten Lösungen übernimmt und implementiert?
Die risikoärmsten Wege sind, Mitarbeitende mit Enterprise-Versionen von Copilot, Gemini, ChatGPT etc. auszustatten und sie innerhalb einer klaren Governance-Struktur zu nutzen. Wie weitreichend dies innerhalb einer Organisation geschieht, hängt vom Sektor, der Rollenstruktur und der Risikobereitschaft ab.
Eine weitere vergleichsweise risikoarme Möglichkeit besteht darin, einige der neuen KI-gestützten SaaS-Tools zu nutzen, die auf den jeweiligen Sektor zugeschnitten sind. Das ist nicht völlig risikofrei, da weiterhin die Herausforderungen einer erfolgreichen SaaS-Einführung bestehen und neue Tools möglicherweise nicht erfolgreich sind oder in 12 Monaten nicht mehr verfügbar sind. Dennoch lohnt es sich, etwas auszuprobieren. Alternativ verfügen viele SaaS-Systeme, die bereits genutzt werden, wie CRM-, Accounting- oder HR-Systeme, möglicherweise über KI-gestützte Funktionen, die hilfreich sein können.

Welche häufigen Fehler machen Unternehmen bei der Implementierung von KI? Können Sie ein Beispiel aus Ihrer Erfahrung nennen?

Ich sehe einige wiederkehrende Fehler:
Erstens: KI einfach an die IT- oder CTO-Funktion zu delegieren, als sei es in erster Linie ein technisches Problem, oder ein internes KI-Komitee aus Interessierten zu bilden und ihnen die Steuerung zu überlassen. Diese Gruppen sind bei der Umsetzung wichtig, aber die Entscheidung, wo und wie KI eingesetzt wird, sollte meiner Meinung nach vom CEO kommen, mit Input von kommerziellen und operativen Funktionsleitern. CEOs müssen festlegen, wie ambitioniert sie mit KI sein wollen, wo im Unternehmen sie den größten Einfluss haben kann und wie der ROI aussieht. Dies kann schwierig sein, da die meisten CEOs keinen Hintergrund in diesem Bereich haben, aber sie müssen die richtigen internen und externen Personen einbinden und die Richtung vorgeben – wie bei anderen strategischen Kernaspekten.
Daten sind für die meisten KI-Projekte entscheidend. Ich sehe zwei Probleme: Erstens, dass Unternehmen nicht prüfen, ob die erforderlichen Daten für den KI-Anwendungsfall tatsächlich verfügbar sind – ansonsten gut geplante Projekte scheitern sofort. Zweitens, ironischerweise, dass Unternehmen denken, alle Daten müssten perfekt sein, bevor sie KI einsetzen, und Monate damit verbringen, einen perfekten Data Lake zu bauen. Mit den richtigen Data Engineers ist diese Perfektion meist nicht nötig, und darauf zu warten, verlangsamt Projekte unnötig. Daten sind entscheidend, aber nicht jede Information muss perfekt sein, bevor man startet.
Schließlich ist der Fehler, maßgeschneiderte Lösungen zu entwickeln, ohne an die Produktionsreife zu denken. Das betrifft z. B., wie eine Lösung verwaltet wird, wenn sich Geschäftsbedingungen ändern. Wenn man 100 individuelle GPTs erstellt, was passiert, wenn sich die zugrunde liegenden Modelle ändern und die Tools schlechter werden? Oder wie aktualisiert man ein KI-Preistool bei Veränderungen im Inventar oder Kundenverhalten?

Können bewährte Projektmanagement-Praktiken auf Projekte angewendet werden, die KI-Prozesse und -Tools beinhalten? Sollten Teams die Methodik anpassen, um bessere Ergebnisse zu erzielen?

Viele Projektmanagement-Techniken aus der Zeit vor GenAI sind nach wie vor relevant. Es gibt neue Kurse speziell für KI-Projektmanagement wie AIPM oder CPMAI, die ich sehr empfehlenswert finde.
Man darf nicht vergessen, dass selbst das beste KI-Projekt scheitern kann, wenn die Personen, die das Tool einsetzen – und das sind immer Menschen – nicht ins Projekt eingebunden werden und ihr Verhalten nicht ändern. Deshalb ist es wichtiger denn je, die potenziellen Nutzer vor, während und nach dem Projekt einzubeziehen.
Eine weitere Herausforderung: Die zugrunde liegenden Technologien und ihre Fähigkeiten ändern sich so schnell, dass zum Ende eines langen Projekts die bisherigen Lösungen bereits suboptimal sein können. Daher sind Projektmanagement-Praktiken nötig, die Flexibilität und Agilität erlauben, und Lösungen sollten so gebaut werden, dass einzelne Komponenten später leicht angepasst werden können.

In 1 oder 2 Jahren: Welchen praktischen Rat würden Sie Unternehmen geben, damit sie Prioritäten setzen, ohne zurückzufallen?

Der Ausgangspunkt muss sein, dass – so einfach es auch ist – eine KI-Strategie vorhanden ist, die regelmäßig überprüft und angepasst wird. Dann neugierig, interessiert und auf dem Laufenden bleiben, was im KI-Bereich passiert. Sicherstellen, dass das Thema regelmäßig in Führungssitzungen behandelt wird. Selbst wenn man derzeit noch zurückhaltend ist, wird ein Zeitpunkt kommen, an dem man bereit ist, und dann sollte das Kosten-Nutzen-Verhältnis Sinn machen. So hat man die Hausaufgaben gemacht, gesehen, wie gute Praxis im eigenen Sektor aussieht, und ist hoffentlich in der Lage, es beim ersten Mal richtig umzusetzen.