Der Business Case für KI: Ein Leitfaden und Anwendungsfälle für Stakeholder

KI-Technologien wie Anomalieerkennung und Vektorsuche unterstützen Unternehmen bereits seit einiger Zeit. Doch erst in den letzten Jahren ist es für die meisten Unternehmen möglich geworden, mit Computern in natürlicher Sprache zu kommunizieren – Geschäftskennzahlen abzufragen und Ursachen zu diskutieren. Es liegt auf der Hand, dass Computer, die Daten in Sekundenbruchteilen analysieren können, Ihrem Unternehmen helfen können. Doch um echten Geschäftswert daraus zu ziehen, sind erhebliche Investitionen nötig – und nicht immer ist klar, ob sich diese auch auszahlen.

Einig ist man sich jedoch darin, dass KI eine zentrale Rolle in der Geschäftswelt spielen wird. Die Herausforderung bleibt, ein überzeugender Business Case mit soliden ROI-Berechnungen zu erstellen. Schauen wir uns an, wie sich KI-Investitionen rechtfertigen lassen.

Was ist KI?

Künstliche Intelligenz bezeichnet Computersysteme, die Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern. Die fortschrittlichste Form sind sogenannte Large Language Models (LLMs), die auf umfangreichen Datensätzen aus dem Internet und anderen Quellen trainiert werden. Nach dem Training sind LLMs besonders gut darin, Sprache zu verstehen, in vielen Disziplinen Unterstützung zu bieten und Pläne für die Ausführung unterschiedlichster Aufgaben zu entwickeln. Diese Fähigkeiten werden besonders wertvoll, wenn sie mit den eigenen Daten eines Unternehmens kombiniert werden.

Wichtige Erkenntnisse

• KI ist in vielen Geschäftsanwendungen präsent, hilft bei der Datenverarbeitung, liefert neue Erkenntnisse und steigert die Effizienz.
• Die Fähigkeiten von KI entwickeln sich rasant weiter. KI-Agenten können komplexe Aufgaben planen und ausführen und mit sicherem Zugriff auf Unternehmensdaten viele bislang manuell erledigte Tätigkeiten übernehmen.
• Unternehmen sollten die Einführung von KI planen, um nicht von der Konkurrenz überholt zu werden. Wie bei jeder guten Geschäftsstrategie sollte jeder Schritt auf dem vorherigen Erfolg aufbauen.

9 geschäftliche Anwendungsfälle für KI

ChatGPT, das 2022 eingeführt wurde, erregte gleichermaßen die Aufmerksamkeit von Studenten und Führungskräften. Während es vermutlich vielen Studenten bei ihren Schreibaufgaben half, waren für einen breiten geschäftlichen Nutzen weitere Fortschritte nötig.

Unternehmen profitieren heute vor allem von zwei Entwicklungen: Die erste ist der Zugriff auf Geschäftsdaten – meist über Technologien wie Retrieval-Augmented Generation (RAG) oder das Model Context Protocol (MCP). Mit RAG, MCP und ähnlichen Technologien erhalten LLMs relevante Daten, die sie nutzen können, um Fragen zum Geschäft zu beantworten – von Kundenanfragen zu Produktdetails bis hin zu „Was-wäre-wenn“-Szenarien von Führungskräften zu Umsatzprognosen.

Die zweite ist die Fähigkeit der KI, Pläne zu erstellen, indem sie versteht, wie frühere Aufgaben erledigt wurden, und Toolsets nutzt, um komplexere Aufgaben selbstständig auszuführen. Dies wird als agentenbasierte KI bezeichnet und entwickelt sich zu einem Schlüsselfaktor, um greifbaren geschäftlichen Mehrwert zu schaffen – insbesondere mit der zunehmenden Nutzung von MCP. Die Frage lautet nicht mehr, ob KI im Unternehmen eingesetzt wird, sondern wann und wie.

Hier sind neun Bereiche, in denen Unternehmen bereits Erfolge mit KI verzeichnen.

1. Kundenservice

Die meisten Kundenservice-Interaktionen sind wiederkehrend. Das bedeutet: Eine KI mit Zugriff auf die Historie von Fragen, Lösungen und Produktdokumentationen kann als leistungsfähiger Tier-1-Kundenservice-Agent agieren – und mit neuen Tools sogar über Tier-1-Aufgaben hinausgehen. Agentenbasierte KI kann aus vergangenen Interaktionen lernen und interaktive Gespräche führen, um Probleme zu lösen. Besonders überzeugend ist der Business Case, wenn die Kundenservicedaten vollständig und umfassend sind. Schauen wir uns fünf zentrale Fähigkeiten an.

• Automatisierte Anfragenbearbeitung über Chatbots und Sprachassistenten: Die bisher oft enttäuschende Qualität nicht KI-gestützter Chatbots frustrierte Kunden, die schnell den Kontakt zu einem Menschen suchten. Auch mit KI müssen Chatbots und Sprachassistenten direkt, korrekt und schnell reagieren, um Nutzer zu überzeugen.
• Grundlegende Fragen und Antworten, einschließlich Bewertungen und Antworten aus der Dokumentation: Eine Möglichkeit, Kunden von der Unterstützung durch Chatbots zu überzeugen, besteht darin, Antworten zu liefern, die den Mehrwert von KI nutzen. Amazons „Rufus“ kann beispielsweise Dokumentationen und Käuferbewertungen kombinieren, um Einblicke und Produktmerkmale zu teilen – und gleichzeitig vermitteln, wie frühere Käufer die Leistung des Produkts bewerten. Für den Produktsupport kann ein Chatbot basierend auf seiner Wissensdatenbank schnell die wahrscheinlichsten Lösungen für ein Problem auflisten oder Einblicke geben, die menschliche Servicemitarbeiter nicht ohne Weiteres liefern können.
• Stimmungsanalyse: Kunden, die Hilfe benötigen, sind nicht immer in der Stimmung, ihr Problem geduldig zu erklären und sich durch einfache Standardfragen zu klicken – niemand hört gerne „Ist es angeschlossen?“. KI kann zunehmend den Tonfall in Chats oder Sprachinteraktionen analysieren, um Ungeduld oder Ärger zu erkennen – ein entscheidender Faktor für effektiven Support.
• Ticket-Triage und -Weiterleitung: Wenn Supportanfragen eingehen, ist es wichtig, sie an die richtige Stelle zu leiten. Handelt es sich um einen wichtigen Kunden, der Premium-Support erhalten sollte? Um welches Produkt geht es und wer ist am besten verfügbar, um das konkrete Anliegen zu bearbeiten? Durch die Analyse früherer Lösungen kann KI den Fluss von Supportanfragen effizient steuern.
• Personalisierter Support: Ob KI oder menschliche Servicemitarbeiter – personalisierte Unterstützung hängt von der Qualität der Daten im Kundensupportsystem ab. Mit KI können Agenten in Echtzeit relevante Kundeninformationen finden und präsentieren oder Interaktionen direkt personalisieren, wenn die KI selbst den Kontakt übernimmt.

2. Marketing und Vertrieb

KI überzeugt durch ihre Fähigkeit, Daten blitzschnell zu analysieren und individuelle Marketing- und Vertriebsstrategien zu entwickeln – oft bis hin zum einzelnen Kunden. Die Investition zahlt sich schneller aus, wenn die Funktionen der bestehenden CRM- und Marketing-Automatisierungssysteme konsequent ausgeschöpft werden. Je besser Ihre Daten sind, desto besser werden die Ergebnisse sein, wenn Sie KI einsetzen. Führen Ihre Vertriebsmitarbeiter wirklich sorgfältig Protokoll über ihre Kundeninteraktionen? Vielleicht ja, vielleicht nein. KI kann in jedem Fall unterstützen – doch je mehr hochwertige Daten vorliegen, desto besser fallen die Ergebnisse aus.

• Leadqualifizierung und -pflege: Was ist Ihr Ziel? Möchten Sie Ihre Kundenbasis in den nächsten zwei Jahren verdoppeln oder lieber um 10 % bis 20 % steigern? Kennt Ihr Vertriebsteam die Konkurrenz gut und hat einen klaren Überblick über potenzielle Kunden? Wenn Ihr Team gut aufgestellt ist und ein Wachstum von 10 % bis 20 % bereits ein Erfolg wäre, ist KI zur Vertriebsunterstützung möglicherweise weniger entscheidend als für Unternehmen mit hohem Wachstumsziel oder sehr breiter Kundenbasis. Hier ist es oft schwieriger, einen überzeugenden Business Case für KI zu erstellen als beispielsweise im Kundenservice. Für Unternehmen, die neue Märkte erschließen oder neue Produkte einführen wollen, ist der Business Case jedoch deutlich stärker. KI kann Leads bewerten – besonders nützlich, wenn viele Leads vorhanden sind, Sie aber nur einen kleinen Teil davon gezielt ansprechen können.
• Identifizierung potenzieller Kunden: Wie bereits erwähnt, kann KI ideale Kundenprofile (ICPs) für neue Produkte oder Services erstellen, indem sie Daten wie Demografie, Onlineverhalten, Social-Media-Aktivitäten und frühere Käufe analysiert. So erkennt sie Muster, die Menschen möglicherweise übersehen. Anschließend kann KI mithilfe dieser ICPs und Lead-Bewertungsstrategien Marketingmaßnahmen gezielt ausrichten.
• Kampagnenoptimierung: Wenn Ihre Kampagnen große Datenmengen generieren (wie z. B. Tausende oder gar Zehntausende Leads), kann KI die erfolgreichsten Ansätze identifizieren und Kampagnen simulieren, bevor hohe Umsetzungskosten entstehen. Unternehmen, die den gesamten Lead-Prozess bis hin zum Geschäftsabschluss nachverfolgen, können zudem neue Erkenntnisse aus den Daten gewinnen und künftige Kampagnen noch präziser steuern.
• Kundensegmentierung: Ähnlichkeiten in großen Datensätzen zu finden, gehört zu den Stärken der KI. Daher ist es besonders interessant, KI einzusetzen, um potenzielle Kunden zu identifizieren, die Ihren besten bestehenden Kunden ähneln. Wenn Ihre Datenbasis ausreichend solide ist, kann KI schnell potenziell profitable Kunden aufzeigen und häufig auch erklären, warum sie gute Kandidaten sind – und für welche Produkte. Diese Fähigkeit verbessert sich, je mehr Daten das System verarbeitet.
• Kundenkommunikation, einschließlich Erstellung von Mitteilungen und Überwachung der Reaktionen: Wenn Sie E-Mails, LinkedIn-Posts, andere Korrespondenz und Statistiken zur Performance sammeln, kann KI daraus lernen, welche Ansätze am besten funktionieren, und Mitteilungen erstellen, die voraussichtlich sehr effektiv sind. Entscheidend ist – wie überall – die Qualität der Daten. Ebenso wichtig: Erwarten Sie nicht, dass KI-generierte Texte sofort versandfertig sind. Sie sollten vor dem Versand an Kunden und Interessenten immer geprüft werden.
• Dynamische Preisgestaltung und Empfehlungen: Die Fähigkeit von KI, Daten blitzschnell zu analysieren und Vorhersagen zu treffen, ist besonders wertvoll für Unternehmen, die dynamische Preisstrategien in Betracht ziehen. Stellen Sie sich vor, Sie sind Manager des Dodger Stadium in Los Angeles und die New York Yankees sind zu Gast. Ein Sitzplatz, der normalerweise 100 US-Dollar kostet, könnte für dieses Spiel 1.000 US-Dollar oder mehr einbringen. Welchen Preis sollten Sie also festlegen, um den Umsatz zu maximieren und dennoch das Stadion auszuverkaufen? Wenn Ihnen dieses Dilemma bekannt vorkommt, könnte KI-gestützte dynamische Preisgestaltung genau das Richtige für Sie sein. Wenn Sie sich hingegen eher in die Lage des Managers des Petco Park in San Diego versetzen können, wo Tickets für die Padres selten ausverkauft sind – die Nachfrage also das Angebot nicht so stark übersteigt –, ist dynamische Preisgestaltung möglicherweise nicht die richtige Lösung für Sie.

3. Betrieb

KI eignet sich hervorragend zur Automatisierung repetitiver Prozesse, die Ausnahmen beinhalten – besonders für Unternehmen, die einen Verbund kompatibler Produkte zur Steuerung ihrer Abläufe nutzen, meist mit einem ERP-System als Kernstück. Um den maximalen Nutzen aus KI zu ziehen, sollte sie mit operativen und finanziellen Daten arbeiten können. Dies kann entweder direkt in einem ERP-zentrierten System erfolgen oder in einem Data Warehouse, das so angebunden ist, dass es Daten aus den operativen Systemen des Unternehmens zieht.

Das bedeutet nicht, dass KI in einzelnen Lösungen wie dem Lieferkettenmanagement keinen Mehrwert bietet. Doch die operativen Effizienzgewinne und organisatorischen Einblicke sind deutlich größer, wenn KI einen ganzheitlichen Blick auf das Tagesgeschäft erhält.

• Optimierung der Lieferkette: KI kann Lieferanten bewerten, indem sie Leistungsänderungen erkennt, oder den Beschaffungsprozess neu ausbalancieren, um den Zugriff auf mehrere Quellen zu ermöglichen – vorausgesetzt, sie ist in ein Lieferkettenmanagement-(SCM)-System integriert. Allerdings erfordern SCM-Systeme eine aufwendige Integration, um wirklich effektiv zu sein. Die besten KI-basierten Business Cases entstehen daher meist direkt durch Ihren SCM-Anbieter. Die Ergebnisse werden umso wertvoller, wenn KI detaillierte Einblicke in Ihre Lieferkette erhält und Zugriff auf Verkaufsprognosen sowie operative Leistungsdaten hat – so lassen sich potenzielle Probleme in der Lieferkette frühzeitig erkennen.
• Bestandsprognosen: Der Business Case basiert darauf, schneller und detaillierter zu prognostizieren, als es Ihr Team ohne KI könnte. KI-gestützte Bestandsprognosen sind besonders effektiv, wenn sie mit detaillierten Verkaufsdaten verknüpft sind, um Bestände optimal zu positionieren. Agentenbasierte KI kann noch weiter gehen, indem sie Bestellvorschläge macht oder eigenständig Pläne für neue Bestellungen erstellt und die Lagerbestandsplanung kontinuierlich optimiert.
• Robotic Process Automation (RPA): Robotic Process Automation ist eine Technologie, mit der sich wiederkehrende Prozesse automatisieren lassen. Traditionell kam dabei keine KI zum Einsatz – das ändert sich jedoch. Angenommen, das Anlegen eines neuen Kontos in einer Anwendung erfordert fünf stets identische Schritte. Sie können einen robotischen Prozess erstellen, der diese Schritte automatisch ausführt und so Zeit spart, wenn neue Mitarbeiter Zugriff benötigen. Das klingt zwar vielversprechend, doch in der Praxis steht der Aufwand für die Implementierung von RPA nicht immer im Verhältnis zu den erzielten Effizienzgewinnen. Wenn Sie nur 10 oder 20 Benutzer pro Monat hinzufügen, ist der Nutzen möglicherweise gering. Müssen jedoch Hunderte von Benutzern in kurzer Zeit angelegt werden, ist Automatisierung meist ein klarer Vorteil. Mit KI-gestützter Bilderkennung und Datenerfassung kann RPA auch komplexe Dateneingabeprozesse übernehmen – zum Beispiel in der Debitoren- und Kreditorenbuchhaltung. Diese Effizienzgewinne können noch größer werden, wenn KI-Agenten RPA nutzen, um ihnen zugewiesene Aufgaben eigenständig zu erledigen. Mehr dazu im Abschnitt „Finanzwesen“ weiter unten.
• Vorausschauende Wartung: Proaktive Wartung ist deutlich besser, als eine Maschine in Eile zu reparieren, während die Produktionslinie stillsteht. Zu häufige Wartung kann Ressourcen verschwenden. Daher ist es sinnvoll, Maschinen kontinuierlich zu überwachen und die Daten an eine KI zu übermitteln, die Abweichungen vom Normalbetrieb erkennt. Das Problem: Die Nachrüstung älterer Maschinen mit IoT-Sensoren kann sehr kostspielig sein, weshalb viele Hersteller bis zum nächsten Maschinenersatz warten. Da die Lebensdauer der meisten Produktionsmaschinen in Jahrzehnten gemessen wird, kann dieser Zeitpunkt lange auf sich warten lassen. Sobald IoT flächendeckend eingesetzt wird, kann KI riesige Datenmengen analysieren und Anomalien frühzeitig erkennen. Das ist ein großer Gewinn für Maschinen, die bereits mit Sensoren ausgestattet sind – wie es im Gesundheitswesen häufig der Fall ist.

4. Finanzwesen

Finanzteams sind häufig stark ausgelastet. KI kann unterstützen, indem sie viele Routinetätigkeiten übernimmt, die erhebliche Ressourcen in Anspruch nehmen. KI für Dokumentenerfassung, -verständnis und -klassifikation kann die manuelle Dateneingabe im Finanzwesen deutlich reduzieren. Im Forderungsmanagement kann KI Zahlungen korrekt verbuchen und oft auch die erforderlichen Hauptbucheinträge automatisch erstellen. Außerdem kann sie Bestellungen mit Wareneingängen und Rechnungen abgleichen, um sicherzustellen, dass Sie genau das erhalten haben, was bestellt wurde, und korrekt abgerechnet wird.

• Spesenabrechnung: Mitarbeiter können seit einiger Zeit Smartphone-Apps nutzen, um ihre Spesen direkt bei Entstehung zu erfassen. Der Einsatz von KI kann die Genauigkeit verbessern und oft überprüfen, ob Ausgaben den Unternehmensrichtlinien entsprechen – was Genehmigungen und Rückerstattungen vereinfacht und beschleunigt.
• Betrugserkennung: Die Betrugserkennung nutzt KI, um Anomalien in Transaktionen zu identifizieren, die auf unrechtmäßige Aktivitäten hindeuten könnten. KI ist sehr gut darin, Auffälligkeiten zu erkennen, weshalb sie bei Kreditkartenanbietern, Finanzinstituten und Versicherungen weit verbreitet ist. KI-gestützte Anomalieerkennung arbeitet extrem schnell, sodass potenziell betrügerische Transaktionen oft pausiert werden können, bis eine weitere Überprüfung erfolgt.
• Finanzprognosen: Mit Zugriff auf die erforderlichen Daten kann KI Prognosen auf Basis historischer Informationen und noch ausstehender Umsätze erstellen. Besonders wertvoll ist sie für Szenarioplanungen, da KI sehr schnell neue Prognosen generieren kann, wenn neue Annahmen vorliegen. Bevorzugt werden Systeme, die ihre Prognosen nachvollziehbar erklären – noch besser, wenn sie längere Dialoge ermöglichen und Ansätze aufzeigen, wie sich Ergebnisse potenziell verbessern lassen. Wie in allen Anwendungsfällen ist die Qualität der genutzten Daten entscheidend für die Genauigkeit der Vorhersagen. Je komplexer die Erstellung einer Prognose ist, desto stärker ist der Business Case für KI-gestützte Tools. Unternehmen, die eine integrierte Suite für Finanz- und Betriebsprozesse nutzen, erzielen in der Regel schneller einen ROI, als Organisationen, die zunächst Daten konsolidieren und normalisieren müssen, bevor eine Analyse möglich ist.
• Kreditrisikobewertung: KI kann die Kreditwürdigkeit von Antragstellern analysieren. Eine menschliche Prüfung bleibt jedoch notwendig, um die Einhaltung gesetzlicher Vorschriften sicherzustellen. Bundes- und Landesgesetze legen Anforderungen an eine faire Kreditvergabe fest. Daher ist es entscheidend, nachvollziehen zu können, wie eine Kreditbewertung zustande gekommen ist, und nachzuweisen, dass sie fair erfolgt ist.

5. Personalwesen

KI kann außerdem Mitarbeitern oder neuen Kollegen helfen, sich in Aufzeichnungssystemen, Richtlinien und Benefits zurechtzufinden. Sie kann auch bei der Erstellung von Stellenbeschreibungen und -anzeigen unterstützen.

• Kandidatenabgleich: KI kann Kandidaten mit offenen Positionen im Unternehmen abgleichen. Dabei ist darauf zu achten, dass die KI ausschließlich berufliche Qualifikationen berücksichtigt und nicht in rechtlich geschützte Bereiche vordringt, die potenziell zu Diskriminierung führen könnten. Menschen sollten weiterhin eingebunden bleiben, um Probleme zu erkennen und zu korrigieren, falls die KI unerwünschte Entscheidungen trifft.
• Bots für Interviewplanung: KI kann Vorstellungsgespräche automatisiert planen, wenn sie mit den Kalendern der Mitarbeiter verbunden ist. Zusätzlich können sogenannte Ambient-KI-Systeme Gesprächsnotizen während der Interviews erstellen und diese in die Bewertung einfließen lassen.
• Assistenten für das Mitarbeiter-Onboarding: KI kann bei der Bestellung und Konfiguration von IT-Ausstattung und Anwendungen helfen oder neue Mitarbeiter durch den Orientierungsprozess und die Dokumentation führen. Auch nach dem Onboarding kann KI Fragen zu Unternehmensrichtlinien und Benefits beantworten.
• Personalanalysen: Mit Zugriff auf Daten zu Arbeitszeiten, Anwesenheit und Aufgabenerledigung kann KI Lücken im Personalbedarf erkennen und wertvolle Einblicke für die Personalplanung liefern.

6. Produktentwicklung

KI-gestützte Tools für die Produktentwicklung werden häufig als Agenten bereitgestellt. Diese unterstützen beim Entwerfen, Programmieren, Testen und Simulieren von Designs, bevor echte Prototypen gebaut werden. Hier einige Beispiele.

• Funktionspriorisierung durch Benutzerfeedbackanalyse: Keine Lust, tagelang Tausende von Kommentaren zu durchforsten, um herauszufinden, welche Funktionen sich Kunden als Nächstes wünschen? KI kann diese Aufgabe in wenigen Minuten übernehmen, und anschließend können Sie gezielt Fragen zu den Ergebnissen stellen.
• Automatisiertes Testen und Qualitätssicherung: Testprozesse erzeugen riesige Datenmengen – ideal für die KI-gestützte Analyse. Anomalieerkennungssysteme gibt es seit Jahren, und sie können subtile Fehler aufspüren, die andere Analysemethoden übersehen. Auch in visuelle Systeme ist KI häufig integriert und erkennt Defekte in kürzester Zeit.
• Einblicke in die Produktnutzung: Gerade bei SaaS-Produkten, die detaillierte Protokolle führen, kann KI Nutzungsmuster bis auf Feature-Ebene identifizieren. LLMs fassen Ergebnisse zusammen und leiten schnell und effizient Erkenntnisse aus den gesammelten Daten ab.
• Prototyping mit generativer KI: Digitale Zwillinge erstellen Computermodelle, mit denen sich reale Geräte und Abläufe simulieren lassen. Diese Technologie gibt es schon länger, wird aber nun mit LLMs kombiniert, um die Erstellung von digitalen Zwillingen zu beschleunigen. Nirvana würde beide Technologien vereinen, um ein Tool zu schaffen, das digitale Zwillinge nicht nur erstellt, sondern auch testet – und zwar gezielt für den Einsatz im Prototyping. Bisher bilden digitale Zwillinge vor allem Live-Systeme wie Produktionsanlagen oder ganze Städte ab. LLMs können Sensordaten und Logfiles auswerten und so Vorhersagen über bestimmte Ereignisse treffen – wie beispielsweise eine Hitzewelle in einem Stadtviertel oder die Inbetriebnahme einer neuen Maschine. Für zuverlässiges Prototyping sind allerdings umfangreiche Datensätze nötig. Fehlen diese, lohnt sich die Investition in KI-gestützte digitale Zwillinge möglicherweise nicht.

7. Datenanalyse

Früher benötigte die Datenanalyse ein spezialisiertes Team mit umfangreichen Fachkenntnissen und teuren Tools. Entscheidungsträger mussten genau festlegen, welche Fakten das Team herausarbeiten sollte. KI verändert diesen Ansatz grundlegend. Dank Natural-Language-Prompting und automatisiertem Reporting wird die Analyse zunehmend zu einer Selfservice-Aktivität, bei der Geschäftsanwender ihre eigenen Fragen formulieren können. Entscheidend ist der Zugang zu einer breiten Palette an Geschäftsdaten, damit KI beispielsweise die Nachfrage anhand von Vertriebspipelines und Lieferplänen auf Basis von Bestandsdaten bewerten kann. Zunehmend finden KI und Datenanalyse in der Cloud zusammen.

• Abfrageschnittstellen in natürlicher Sprache: Datenbanken wie Oracle Database 23ai ermöglichen es Nutzern inzwischen, Daten in natürlicher Sprache statt mit SQL-Abfragen zu durchsuchen. Die Datenbank behält dennoch Sicherheits- und Zugriffskontrollen bei, was es erleichtert, KI-gestützte Analysen breiter zugänglich zu machen.
• Anomalieerkennung: Anomalieanalysen sind schon seit Längerem eine Fähigkeit des maschinellen Lernens. LLMs haben die Technologie verbessert und den Bedarf an aufwendiger Vorverarbeitung von Trainingsdaten reduziert. Einsatzbereiche reichen von Betrugserkennung bis hin zu vorausschauender Wartung.
• Berichterstellung: SQL-Abfragen liefern in der Regel nur Daten oder Tabellen mit Daten – nicht mehr. LLMs können die zurückgegebenen Daten erklären und die Ergebnisse aus großen Tabellen zusammenfassen. Zunehmend erstellen LLMs auch Visualisierungen der Daten, ein bislang zeitaufwendiger Prozess, der Spezialwissen und Tools erfordert. Jetzt lassen sich aussagekräftige Berichte mit Grafiken in wenigen Minuten erstellen.
• Datenbereinigung und -anreicherung: Besonders wenn Unternehmen Backoffice-Anwendungen verschiedener Anbieter nutzen, müssen Daten dedupliziert und normalisiert werden, bevor sie für Analysen nutzbar sind. Zudem können durch die Verknüpfung von Ereignissen aus mehreren Systemen Daten angereichert und so wertvoller gemacht werden. KI unterstützt sowohl bei der Bereinigung als auch der Anreicherung, indem sie manuelle, zeitintensive und fehleranfällige Prozesse automatisiert. Bei der Bereinigung können KI-Algorithmen Dubletten erkennen und zusammenführen, selbst wenn Daten nicht exakt übereinstimmen – wie z. B. „Jen Smith, 123 Main St.“ und „J. Smith, 123 Main Street“ – durch Analyse und Bewertung von Ähnlichkeiten in verschiedenen Feldern. Außerdem kann KI Daten normalisieren und häufige Fehler wie Tippfehler, falsche Formate oder fehlende Werte korrigieren. Bei der Anreicherung können Datensätze aus mehreren Systemen automatisch verknüpft, Prognosen unterstützt und unstrukturierte Daten – wie beispielsweise Daten aus sozialen Medien – extrahiert und strukturiert werden.

8. Sicherheit und IT

KI bietet enorme Möglichkeiten, die Datensicherheit und IT-Betriebsabläufe zu verbessern. Anomalieerkennung kann Aktivitäten in Echtzeit überwachen und so helfen, Bedrohungen zu erkennen und zu entschärfen. Allerdings nutzen auch Angreifer KI, wodurch Unternehmen ständig gefordert sind, einen Schritt voraus zu sein. Positiv ist, dass KI zunehmend in die Verwaltung komplexer Unternehmensanwendungen integriert wird. Oracle begann 2018 damit, autonome Verwaltungsfunktionen in einigen Datenmanagement-Produkten einzuführen, und kündigte 2023 die Autonomous Database an. Das System konfiguriert, aktualisiert und optimiert sich selbst, entlastet die DBAs und ermöglicht ihnen, sich auf die Nutzung der Daten für geschäftlichen Mehrwert zu konzentrieren.

• Bedrohungserkennung und Reaktion auf Vorfälle: Wie oben erwähnt, können Anomalieerkennung und ergänzende Technologien Angreifer bereits beim Start ihrer Angriffe identifizieren. Zunehmend können KI-Agenten auch aktiv eingreifen. Die Reaktionen gehen über das Schließen des Angriffsvektors hinaus und umfassen die Dokumentation des Vorfalls sowie die Benachrichtigung der Sicherheitsteams.
• Log-Analyse: Log-Analyse-Tools gibt es seit Langem. Ohne KI können sie Fragen zur Nutzung beantworten und dabei helfen, nachzuvollziehen, wer was wann getan hat. Durch den Einsatz von LLMs werden die Möglichkeiten zur Zusammenfassung verbessert, und sie können auch Teil von Bedrohungserkennungssystemen sein.
• Helpdesk-Automatisierung: IT-Helpdesksysteme führten in der Vergangenheit häufig zu Frustration bei den Nutzern. Mit KI und dem Zugriff auf bestehende Lösungsdatenbanken lässt sich ein System aufbauen, das deutlich leistungsfähiger ist, da es mithilfe der semantischen Suchfunktionen von GenAI ähnliche Problembeschreibungen und deren Lösungen finden kann. Die Qualität eines KI-gestützten Helpdesks hängt jedoch stark von der Qualität und Vollständigkeit dieser Datensätze ab.

9. Recht und Compliance

Berufe im Rechtswesen werden sich in weniger als fünf Jahren vermutlich grundlegend verändern, da KI-Assistenten viele Routineaufgaben übernehmen, die derzeit von Anwälten und Paralegals erledigt werden – und diese schneller und präziser ausführen werden. Hier sind einige Bereiche, in denen KI unterstützen kann:

• Vertragsanalyse und -zusammenfassung: Auch wenn Anwälte Verträge selbst lesen wollen, haben LLMs hier ihren Nutzen. Wenn ein Vertrag in Verhandlung ist und eine neue Version eintrifft, kann KI die Änderungen hervorheben und zusammenfassen – eine erhebliche Zeitersparnis.
• Regulatorische Überwachung: Überwachungsdienste können Rechtsteams informieren, wenn neue Vorschriften verabschiedet werden. KI kann Verträge und andere Dokumente prüfen, um zu erkennen, wo diese neuen Vorschriften greifen, und in manchen Fällen Strategien zur Einhaltung vorschlagen.
• Compliance-Audits: Die Ermittlung der für ein Unternehmen relevanten Vorschriften ist der erste und oft schwierigste Schritt, besonders für international tätige Unternehmen. Ist dies geschafft, kann KI Verträge und Compliance-Nachweise prüfen und aufzeigen, wo Dokumente unvollständig sind – und warum.
• Assistenten für juristische Recherchen: Die Ähnlichkeitssuche von KI eignet sich hervorragend, um relevante Rechtsprechung zu finden.

So erstellen Sie einen Business Case für KI

Da KI potenziell nahezu alle Unternehmensfunktionen beeinflussen kann, ist die Entwicklung eines Business Case nicht so einfach, wie nur einen Bedarf zu identifizieren und eine Lösung zu kaufen. Unternehmen haben in den 1970er- und 1980er-Jahren teure Fehler gemacht, indem sie genau das taten. Der Kauf teurer Best-of-Breed-Einzellösungen führte dazu, dass Unternehmen Schwierigkeiten hatten, die unterschiedlichen Produkte zu integrieren und ein ganzheitliches Geschäftsmanagementsystem aufzubauen.

Diese Best-of-Breed-Einzellösungen waren teuer, und der Einsatz von Middleware, um sie miteinander zu verbinden, führte zu einem hohen Bedarf an Integratoren. Ein noch größeres Problem trat auf, als versucht wurde, Daten aus Dutzenden verschiedener Produkte zu sammeln und in eine Form zu bringen, die Analysen über die Gesamtperformance des Unternehmens und Prognosen für die Zukunft ermöglicht.

Eine KI-Einführung ohne klare Strategie wird wahrscheinlich ähnliche Probleme verursachen und den Wettbewerbsvorteil zunichtemachen. Hier sind einige Schritte, die Sie berücksichtigen sollten:

1. Einrichtung eines AI Center of Excellence
Versammeln Sie interessierte Abteilungs- und IT-Leiter, um die KI-Ziele und Interessen aller Beteiligten zu verstehen. Diese Gruppe sollte festlegen, wo mit KI gestartet wird, den Rollout planen und den Erfolg überwachen.

2. Verstehen Sie die KI-Roadmaps Ihrer Anbieter
Ihre aktuellen Anbieter bieten wahrscheinlich bereits KI-Services an und planen, diese auszubauen. Das Testen dieser Funktionen in bestehenden Anwendungen ist ein guter Ausgangspunkt, insbesondere zur Effizienzsteigerung, während Sie eine umfassendere Strategie entwickeln.

Der beste Weg, um die Akzeptanz von KI bei Mitarbeitern zu fördern, ist ihre direkte Integration in Arbeitsabläufe. KI, die nur mit großem Aufwand zugänglich ist, wird kaum genutzt werden. Wenn die KI-Roadmaps Ihrer wichtigsten Anbieter unzureichend sind oder Sie zu viele Anbieter haben, deren Systeme nicht gut zusammenarbeiten, sollten Sie einen Wechsel in Betracht ziehen – insbesondere bei veralteten On-Premises-Anwendungen. Gehen Sie davon aus, dass Ihre Mitbewerber KI einsetzen – und dass Sie zurückfallen, wenn Sie keine Strategie zur Einführung entwickeln. Cloudbasierte Anwendungen liefern in der Regel schneller neue KI-Funktionen.

3. Entwickeln Sie eine Datenstrategie
Das Sprichwort „Gute KI benötigt gute Daten“ trifft zu. Wenn KI-Agenten Debitoren- und Kreditorenprozesse automatisieren sollen, benötigen sie mindestens Anbindungen an Finanz-, Vertriebs- und Bestandsmanagementsysteme. Soll KI Sie bei der Szenarioplanung unterstützen? Dafür benötigen Sie möglicherweise ein Data Warehouse oder einen Data Lake, den die KI analysieren kann. Wenn Sie die richtigen Datenverbindungen relativ einfach herstellen können, sind die Vorteile von KI in der Regel größer und treten schneller ein.

4. Erstellen Sie eine Roadmap für Ihren KI-Rollout
KI kann fast jeden Bereich Ihres Unternehmens unterstützen. Es ist verlockend, sofort mit den größten Projekten mit dem höchsten langfristigen ROI zu starten. Behalten Sie diese Vorhaben im Blick, aber sorgen Sie dafür, dass kleinere Maßnahmen den Weg dorthin ebnen. Beginnen Sie mit schnellen Erfolgen, die einen klaren und sofort messbaren ROI bringen. Die Automatisierung von Aufgaben ist oft ein idealer Startpunkt.

5. Lassen Sie die Abteilungen ihr eigenes Tempo wählen – mit gelegentlichen Impulsen
Entwicklungsteams setzen möglicherweise bereits KI ein, um ihre Programmierung zu unterstützen. Vertriebsteams bewegen sich möglicherweise langsamer. HR kann mit einem Chatbot punkten, der Mitarbeitern Vorteile und Richtlinien erklärt. Die Finanzabteilung profitiert, wenn KI AR-/AP-Aufgaben erleichtert und den Monatsabschluss beschleunigt. Solche schnellen Erfolge motivieren das Team, wenn sich die Ergebnisse herumsprechen. Bleiben einzelne Abteilungen zögerlich, kann ein Impuls aus der Führungsebene sinnvoll sein.

6. Erfolge mitteilen
Nicht alle in Ihrem Unternehmen werden begeistert sein, wenn KI Aufgaben automatisiert und Daten analysiert. Solche kleineren Projekte zeigen den Mehrwert auf eine Weise, die zögerliche Mitarbeiter nicht verunsichert. Sie belegen außerdem, dass die IT einen klaren Plan zum Schutz der Daten verfolgt und dass automatisierte Aufgaben zuverlässig und korrekt ausgeführt werden.

Nutzen Sie die Vorteile von Oracle AI schon heute

Oracle unterstützt Sie dabei, KI optimal zu nutzen – egal wo und wie Sie sie einsetzen möchten. Die Oracle Applications enthalten KI-Funktionen für Hunderte von Anwendungsfällen ohne zusätzliche Kosten, einschließlich einer wachsenden Zahl nützlicher KI-Agenten. Oracle Cloud Infrastructure (OCI) bietet Preis-Leistungs-Vorteile für Modellnutzer und -entwickler. Ein umfangreiches Set an KI-Services und eine große Auswahl an Foundation Models lassen sich mit gängigen Open-Source-Tools und Frameworks kombinieren. Und natürlich gibt es keinen besseren Ort, um Ihre Oracle Datenbanken mit KI zu verbinden – für Datenanalysen und alle weiteren Anwendungsfälle.

Die Integration von KI in ein Unternehmen ist ein mehrstufiger Prozess, der Planung und Datenvorbereitung erfordert. Für Mitarbeiter kann dies jedoch auch spannend sein. Studien zeigen, dass IT, Marketing, Vertrieb und Kundenservice die Vorreiter bei der KI-Einführung sind. Doch auch HR, Finanzen, Betrieb, Außendienst und andere Teams können profitieren. Untersuchungen belegen zudem, dass große Unternehmen KI schneller eingeführt haben als kleinere – letztere holen jedoch schnell auf.

Welche kreativen, kundenorientierten Aufgaben könnte Ihr Team mit der gewonnenen Zeit übernehmen?

Business Case für KI – Häufig gestellte Fragen

Wie integriert man KI in ein Unternehmen?

Die Integration von KI ist ein strategischer Prozess in vier Schritten: Identifizieren Sie zunächst eine Herausforderung oder Chance, bei der KI einen klaren ROI liefern kann – wie z. B. durch Effizienzsteigerungen im Finanzteam oder als First-Level-Kundensupport. Bereiten Sie anschließend Ihre Dateninfrastruktur vor, um qualitativ hochwertige, zugängliche Daten bereitzustellen, auf die KI-Modelle angewiesen sind.

Sobald Use Case und Datenquellen definiert sind, wählen Sie die passenden Tools. Die meisten Unternehmen nutzen vorhandene Software mit integrierten KI-Funktionen, wie eine KI-gestützte Datenbank, oder arbeiten mit einem Cloud-Anbieter zusammen. Individuelle Lösungen sind möglich, aber meist teuer. Zum Schluss binden Sie die KI-Lösung in die Workflows ein, schulen Mitarbeiter in der Nutzung und verfolgen Leistung und ROI, um künftige Projekte zu steuern.

Was ist ein Beispiel für ein Unternehmen mit KI?

Einzelhändler nutzen KI-gestützte Empfehlungs-Engines, um das Surf- und Kaufverhalten, die Vorlieben und das Verhalten ähnlicher Kunden zu analysieren. So können sie in Echtzeit relevante Produkte vorschlagen, den Umsatz steigern und das Einkaufserlebnis personalisieren.

Was sind einige gängige Geschäftsanwendungsfälle für generative KI?

Unternehmen setzen KI für eine Vielzahl kreativer und produktiver Aufgaben ein. Marketingteams starten häufig mit der Erstellung von Pressemitteilungen, Blogbeiträgen, Produktbeschreibungen und Social-Media-Posts. Entwickler setzen LLMs ein, um Code zu schreiben, zu dokumentieren und zu debuggen. Viele Unternehmen implementieren zudem fortschrittliche Chatbots, die komplexe Kunden- und Mitarbeiteranfragen bearbeiten und Supportfälle zusammenfassen, um Servicemitarbeiter zu entlasten.