KI und ihre vier wesentlichen Anwendungsgebiete

KI als kreative Assistenz

KI für das Outsourcing von Geschäftsprozessen

KI als digitales Erlebnis

KI zur Vorhersage und Prognose

Obwohl der Hype um ChatGPT noch relativ neu ist, werden Gespräche über die Leistungsfähigkeit neuronaler Netzwerke und des maschinellen Lernens schon seit längerem geführt: Bereits 2016 veröffentlichte die New York Times einen Artikel mit dem Titel „The Great AI Awakening". Darin wird erklärt, dass neuronale Netzwerke zwar schon seit Jahrzehnten existieren, aber nie eine breite kommerzielle Anwendung gefunden haben -- bis jetzt. 2017 veröffentlichte Google das inzwischen berühmte Werk „Attention is All You Need", in dem die revolutionäre Transformer-Architektur vorgestellt wurde.

Aber trotz dieser Veröffentlichungen hätten wir im Jahr 2017 nie gedacht, dass wir bis 2023 so große Fortschritte im Bereich der KI erzielen würden. Und wenn die nächsten 6 Jahre so verlaufen wie die vergangenen 6 Jahre, werden wir 2030 in einer völlig anderen Welt leben.

Was hat sich also verändert? 

Zunächst einmal gab es viele Fortschritte, darunter Verbesserungen bei der GPU-Hardware, die Einführung leistungsfähiger vortrainierter Transformer-Modelle wie BERT, eine Explosion der Open-Source-Community für KI auf HuggingFace und neue Durchbrüche in der Biologie wie AlphaFold. Aber der wichtigste Fortschritt von allen und der Grund dafür, dass die Medien täglich über KI berichten, war der Aufstieg der generativen KI und insbesondere großer Sprachmodelle (auch Large Language Models, LLMs) wie GPT-3 und ChatGPT.

Der Begriff „Generative KI" bezieht sich einfach auf KI-Modelle, die Dinge wie Text oder Bilder generieren. Das ist an sich nicht neu. Sogenannte „Generative Adversarial Networks" -- ein Vorläufer von Modellen für die Bildgenerierung wie Midjourney und Stable Diffusion -- wurden bereits 2014 von Ian Goodfellow erfunden. Und autoregressive Sprachmodelle wie GPT-1 und GPT-2 gibt es sogar noch länger.

Neu ist der Umfang dieser Modelle sowie ihr Trainingsverfahren: **Die Erweiterung dieser Modelle hat sie weitaus intelligenter und flexibler gemacht. Am wichtigsten ist vielleicht jedoch, dass dadurch der Bedarf an großen Trainingsdatensätzen weitgehend entfällt. **

Als Beispiel: Wenn Sie 2017 ein Modell brauchten, um die Absicht von Benutzern bei der Kommunikation mit einem Chatbot zu bestimmen, hätten Sie zuerst ein Modell auf Zehntausende von Beispielnachrichten trainieren müssen. Und das bedeutet, dass Sie Zehntausende von Nachrichten hätten kennzeichnen müssen, was wiederum zeitaufwändig und teuer gewesen wäre. Im Jahr 2023 können Sie GPT-3 aber ganz einfach per Prompt-Eingabe eine Aufgabe stellen -- genauso, als würden Sie diese Aufgabe einem Menschen stellen. Daraufhin führt GPT-3 die Aufgabe einfach auf der Grundlage Ihrer Anweisungen aus.

Prompt-Eingaben statt Training, und gleichzeitig ein enormer Zuwachs an Intelligenz und Stimmigkeit: LLMs sind für Unternehmen und Verbraucher ein echter Wendepunkt. Damit werden Dinge möglich, die man noch vor ein paar Jahren für Science Fiction gehalten hätte. Werden sie richtig eingesetzt, können sie einen enormen Wert für die Wirtschaft schaffen und -- noch viel wichtiger -- das Leben der Menschen tatsächlich verbessern. Dazu müssen wir jedoch die KI verstehen: Was sind ihre Stärken und Grenzen? Wie setzt man sie verantwortungsvoll und effektiv ein? 

In diesem Leitfaden erfahren Sie, was Führungskräfte über die wichtigsten Anwendungsgebiete von KI wissen müssen und wie KI ihr Unternehmen beeinflussen wird.

Vier wesentliche Anwendungsgebiete

Im Jahr 2023 über Anwendungsgebiete für KI zu sprechen, ist ein bisschen so, wie im Jahr 1970 über Anwendungsgebiete für Computer zu sprechen. Wenn Sie 1970 versucht hätten, die möglichen Anwendungsgebiete für Computer zu erklären, wären Sie vielleicht auf Beispiele wie die Durchführung mathematischer Berechnungen mit großen Datensätzen oder die Einrichtung einer Datenbank für das Inventar eines Unternehmens gekommen.

Aber das hätte natürlich viel zu kurz gegriffen. Wir verwenden Computer für weitaus mehr als nur für Berechnungen oder zum Führen einer Inventarliste. Computer prägen jeden Aspekt unseres Lebens, und wir nutzen sie heute für viele Dinge, die 1970 noch völlig unvorstellbar waren. KI wird wahrscheinlich einen ebenso bedeutenden Paradigmenwechsel wie das Personal Computing, Mobile Computing oder Internet darstellen, denn sie wird jeden Aspekt unserer Geschäftstätigkeit und unseres Lebens durchdringen, genauso wie diese Technologien es taten.

Die Identifizierung konkreter Anwendungsgebiete mag zwar fast schon albern oder einschränkend erscheinen -- dennoch sind sie ein wichtiger Ausgangspunkt, vor allem weil viele Unternehmen nur schwer verstehen können, wo diese Technologie ihren Platz findet und wofür sie eingesetzt werden kann. Außerdem können wir durch die Unterscheidung verschiedener Anwendungsgebiete bessere Entscheidungen über Risiken treffen, da die Risiken je nach Anwendungsfall sehr unterschiedlich sind.

Für jeden Anwendungsfall werden wir uns mit Beispielanwendungen, spezifische Technologien und die zugrunde liegenden Algorithmen befassen. Zudem werden wir sehen, wie die menschliche Beteiligung funktioniert und was sich durch die generative KI verändert hat.

KI als kreative Assistenz

Der erste Anwendungsfall ist der Einsatz von KI als kreative Assistenz. In diesem Fall hilft die KI einer hochqualifizierten Kreativkraft, indem sie Vorschläge macht, Informationen abruft und den Output unterstützt. Einige von uns tun dies bereits häufig mit GitHub Copilot oder ChatGPT.

Für Produktmanager kann Copilot beispielsweise dabei helfen, Code automatisch zu vervollständigen oder Code auf der Grundlage von Anweisungen zu schreiben. ChatGPT kann als eine Art Ersatz für StackOverflow dienen. Es hilft bei der Fehlersuche und beim Durchdenken neuartiger Probleme (viel schneller als durch das Lesen der Dokumentation). Diese beiden Produkte führen unter anderem bereits zu einer erhöhten Produktivität in diesen Bereichen. 

Copilot ist ein spezieller kreativer Assistent für Softwareentwickler. In Zukunft wird aber wahrscheinlich jede Branche und jede Anwendung eine Form von kreativem Assistenten in sich tragen. Es gibt bereits eine Reihe weiterer KI-Assistenten für andere Branchen wie Jasper und Copy AI für Copywriting oder UIZard und Galileo für UI-Design. Außerdem beginnen viele Softwareprodukte wie Notion und Microsoft Office mit der direkten Integration von KI-Assistenten in ihre Produkte.

In diesem Jahr werden wahrscheinlich weitere branchenspezifische Kreativassistenten für Gebiete wie Recht, Medizin, Unterhaltung, Werbung, Wissenschaft und Finanzen auf den Markt kommen. Hier einige konkrete Beispiele:

  • Juristische Kreativassistenten können Anwälte beim Verfassen von Schriftsätzen und Verträgen helfen, indem sie schnell relevante Fälle ausfindig machen und zusammenfassen. Oft schreibt der Assistent den ersten Entwurf, den die Anwälte dann nach Bedarf anpassen.

  • Medizinische Kreativassistenten könnten Ärzte bei der Diagnose von Patienten auf der Grundlage schriftlich festgehaltener Symptome helfen oder die Korrespondenz mit Versicherungen verfassen, wie es dieser Arzt bereits tut.

  • In der Unterhaltungsbranche können Kreativassistenten Drehbuchautoren dabei helfen, neue Ideen für TV-Episoden zu entwickeln und sogar die ersten Entwürfe für die Dialoge zu schreiben.

  • Kreativassistenten in der Werbebranche helfen dabei, erste Entwürfe für Werbespots oder andere Werbetexte auf der Grundlage einer Prompt-Eingabe zu schreiben. Sie können außerdem Bildmaterial oder sogar ganze Videos erstellen.

  • Akademische Kreativassistenten können Professoren beim Schreiben von Publikationen unterstützen, indem sie relevante wissenschaftliche Literatur identifizieren und zusammenfassen.

  • Kreativassistenten im Finanzsektor könnten Bankmitarbeitern beim Ausfüllen komplizierter Excel-Formeln in ihren Modellen und beim Zusammenfassen relevanter Marktdaten helfen.

Diese Anwendungen sind tatsächlich nur dank der generativen KI und LLMs möglich. Mit Ausnahme von Clippy gab es diese Produktkategorie im Grunde genommen vor 2022 nicht. Seitdem haben wir aber eine Explosion neuer Startups erlebt. Vor LLMs waren KI-Modelle einfach nicht intelligent oder flexibel genug, um in komplexen kreativen Bereichen eine effektive Hilfe zu sein.

Beim Einsatz von KI als Kreativassistenz hat der Mensch noch immer die Kontrolle. Die KI macht Vorschläge, fasst relevante Informationen zusammen oder versucht sich an einem ersten Entwurf. Aber der Mensch -- in der Regel ein hochqualifizierter Wissensarbeiter -- hat letztendlich das letzte Wort. Der Mensch kann die Vorschläge der KI annehmen, ablehnen oder anpassen.

Insgesamt hat dieser Anwendungsfall das Potenzial, Wissensarbeiter zu weitaus mehr Effizienz zu verhelfen. Er stärkt sie, anstatt sie zu ersetzen -- und das bei minimalem Risiko.

KI für das Outsourcing von Geschäftsprozessen

Der zweite Anwendungsfall ist der Einsatz von KI zur Automatisierung von Geschäftsprozessen. Dies ist vergleichbar mit der Art und Weise, wie viele Unternehmen bestimmte sich wiederholende Prozesse an andere Unternehmen und Länder auslagern (daher „Outsourcing von Geschäftsprozessen").

In den kommenden Jahren wird für eine Vielzahl von Geschäftsprozessen die Automatisierung in Frage kommen. Viele davon sind Aufgaben, die für jedes einzelne Unternehmen spezifisch sind. Dementsprechend schwierig ist es, genau vorherzusagen, wie sich das gestalten wird. 

Hier sind einige vorstellbare Beispiele:

  • Einsatz von KI zur Identifizierung und Schließung von Leistungslücken im Kundensupport.

  • Medizinische Kodierung: Übersetzung von Diagnosen und Verfahren in standardisierte medizinische Codes. Laut einer Studie aus dem Jahr 2016 kostet das die US-amerikanische Wirtschaft mehr als 400 Milliarden US-Dollar pro Jahr.

  • AML/KYC (Anti-Geldwäsche und Know-Your-Customer): Prozess, bei dem Finanzinstitute die Sorgfaltspflicht gegenüber neuen und bestehenden Kunden wahrnehmen.

Natürlich ist bereits seit vielen Jahren die Automatisierung von Aufgaben mithilfe von KI und maschinellem Lernen möglich, wobei ältere ML-Modelle häufig das richtige Werkzeug für die Aufgabe sind. LLMs legen jedoch die Messlatte für das, was automatisiert werden kann, deutlich höher und senken gleichzeitig die technischen Hürden. Sie können nicht nur schreiben, sondern auch Schlussfolgerungen ziehen, Vorhersagen treffen und Klassifizierungen vornehmen. Das bedeutet, dass sie für die Automatisierung einer Vielzahl von Aufgaben eingesetzt werden können -- nicht nur für solche, die mit dem Schreiben von Text zusammenhängen.

Besonders herausfordernd ist, dass der Mensch im Fall des vollständigen Outsourcings eines Geschäftsprozesses an die KI nicht mehr direkt in den Kreislauf eingebunden wird. Deshalb sind die Anforderungen an die Genauigkeit viel höher und es sind zusätzliche Sicherheitsvorkehrungen erforderlich, um das Modell im Laufe der Zeit zu überwachen und neu zu trainieren. Eine der besten Methoden zur Risikominderung ist die Feinabstimmung oder Überwachung des Modells. Hierzu muss das Modell anhand von Tausenden oder Millionen von Beispielen für die Aufgabe trainiert werden -- im Gegensatz zum sogenannten Zero-Shot-Learning, bei dem man der KI lediglich schriftliche Anweisungen gibt. Je mehr Beispiele man hierbei hat, desto genauer wird das Modell und desto geringer ist das Risiko von Fehlprognosen.

Trotzdem wird das Risiko immer bestehen, wenn auch nur gering. Bei der Bewertung dieses Risikos sollte man sich jedoch immer die Frage nach der Alternative stellen. Diese besteht normalerweise darin, die Aufgabe weiterhin von Menschen bearbeiten zu lassen. Menschen haben den Nachteil, dass sie sowohl kostspielig als auch langsam sind. Diese Kosten sind zwar gerechtfertigt, wenn Menschen eine genauere oder sicherere Option darstellen -- was allerdings nicht immer der Fall ist.

Daher sollte die Frage nicht lauten: „Kann KI das perfekt leisten?", sondern: „Verbessert KI den Status quo?". In vielen Fällen wird die Antwort „Ja" lauten. 

Hier werden oft wiederkehrende Back-Office-Arbeiten in der Informationswirtschaft am einfachsten zu bewältigen sein. Ein wichtiger Punkt ist, dass KI immer noch mit Anwendungen in der physischen Welt zu kämpfen hat, wie die überraschend geringe Verbreitung von selbstfahrenden Autos in den letzten zehn Jahren zeigt. Es ist tatsächlich eine große Herausforderung, die KI so zu gestalten, dass sie auf sichere und vorhersehbare Weise mit der physischen Welt interagiert.

Es wird noch sehr lange dauern, bis wir KI-Klempner, KI-Köche oder KI-Landwirte haben. Aber KI-Kodierer in der Medizin? Oder KYC-Analysten? Oder Anwaltsgehilfen? Sie sind schon bald Realität, wobei sich die Automatisierung von solchen Routinearbeiten für jedes Unternehmen lohnen wird. Das spart nicht nur enorm viel Geld, sondern befreit die Mitarbeitenden auch von einigen der undankbarsten und unbefriedigendsten Aufgaben. Diese Form der KI wird wahrscheinlich viele Arbeitsplätze ersetzen. In diesem Zusammenhang tun wir niemandem einen Gefallen, wenn wir so tun, als wäre das nicht der Fall. Allerdings geht es hierbei um Arbeitsplätze, die wir letztendlich nicht vermissen werden.

KI als digitales Erlebnis

Ein dritter Anwendungsfall ist der Einsatz von KI zur Entwicklung oder Verbesserung von digitalen Erlebnissen. (Wir verwenden „digitales Erlebnis" als weit gefassten Begriff, der sich auf jeden Berührungspunkt zwischen einem Unternehmen und seinen Endnutzern bezieht.) Im Wesentlichen ist KI ein Medium, über das Benutzer mit einem Unternehmen interagieren oder dessen Dienste nutzen.

Dieser Anwendungsfall ist bereits gut etabliert -- viele Menschen interagieren bereits seit Jahren mit KI-gestützten digitalen Erlebnissen. 

Bei jeder Interaktion mit Google verwenden wir eine KI-gestützte Suchmaschine. Wir verwenden KI-gestützte Empfehlungsdienste, um Filme, Songs und Produkte auf Netflix, Spotify und Amazon zu durchsuchen. Wir nutzen KI-gestützte Sprachassistenten wie Siri und Alexa, um Informationen abzurufen und Aufgaben zu erledigen. Damit ist KI zunehmend das Medium, über das wir mit digitalen Unternehmen interagieren.

Bei von KI gesteuerten digitalen Erlebnissen versuchen wir in der Regel nicht, einen Menschen zu ersetzen, sondern vielmehr ein Erlebnis zu bieten, das im Grunde nur von Software und KI geboten werden kann. Die Rolle des Menschen (sofern es eine gibt) besteht eher in der Überwachung des Verhaltens der KI und in der Auswahl der Inhalte, auf die sie Zugriff hat.

KI-gestützte digitale Erlebnisse gibt es nun schon seit fast 10 Jahren. Die generative KI hat jedoch das Potenzial, sie wesentlich zu verbessern. In der Vergangenheit war die Entwicklung KI-gestützter digitaler Erlebnisse nur für die größten und fortschrittlichsten Technologieunternehmen möglich. Die Fortschritte in der KI machen es für immer mehr Unternehmen möglich und oft sogar notwendig, solche Erlebnisse anzubieten.

Das kann viele Formen annehmen -- hier einige Beispiele:

  • Ein High-Tech-Unternehmen, das einen virtuellen Assistenten anbietet, der Benutzer bei der Navigation durch dessen Dokumentation helfen und komplexe Fragen dazu beantworten kann;

  • Ein Einzelhändler, der personalisierte Empfehlungen für zusammenpassende Produkte sowie eine schnelle semantische Suche anbietet, um Besucher bei der Suche nach dem gewünschten Produkt zu helfen;

  • Ein Gesundheitssystem, das einen virtuellen Assistenten anbietet, der Patienten bei der Suche nach dem richtigen Arzt für ihre Symptome und bei der Vereinbarung eines Termins helfen kann.

Je leistungsfähiger und verbreiteter KI wird, desto höher werden die Erwartungen der Verbraucher sein. Sie werden keine massigen, veralteten Websites und Chatbots mehr tolerieren. Sie werden erwarten, dass ihnen relevante, dynamische Inhalte und sofortige Antworten auf ihre Fragen geboten werden. Und wenn das nicht der Fall ist, werden sie sich bei der Konkurrenz umsehen.

KI zur Vorhersage und Prognose

Über den letzten Anwendungsfall wird zwar nicht so oft berichtet, und dennoch ist er äußerst wertvoll: KI kann zur Vorhersage der Zukunft verwendet werden. Aufmerksame Leser werden darauf hinweisen, dass KI grundsätzlich prädiktiv ist: LLMs prognostizieren das nächste Wort in einer Sequenz, Diffusionsmodelle bestimmen den idealen Satz von Pixeln für ein Bild und Empfehlungssysteme sagen voraus, ob Benutzer ein Produkt mögen werden. 

In diesem Fall geht es spezifisch um die Vorhersage von Geschäftsergebnissen in der realen Welt. Zum Beispiel:

  • Vorhersage der Verbrauchernachfrage für ein bestimmtes Produkt auf der Grundlage historischer Trends

  • Vorhersage der morgigen Entwicklung des Aktienmarktes auf der Grundlage verschiedener Faktoren

  • Vorhersage der Wahrscheinlichkeit, dass eine Person einen Kredit zurückzahlen wird, basierend auf dem Zahlungsverhalten

  • Vorhersage des morgigen Wetters auf der Grundlage von IOT-Daten

Sie denken bei diesen Dingen vielleicht eher an „Statistik" als an „maschinelles Lernen" oder „künstliche Intelligenz" -- dabei laufen alle drei Bereiche auf dasselbe hinaus. Bei KI und maschinellem Lernen handelt es sich tatsächlich um Statistik, die in einem außergewöhnlichen Umfang und auf Probleme angewendet wird, bei denen wir traditionell nicht an Zahlen denken.

Dieser Anwendungsfall ist der älteste der vier hier vorgestellten Fälle. Mathematik und Statistik werden schon seit vielen Jahrzehnten zur Vorhersage der Zukunft eingesetzt. Der Unterschied ist, dass die Algorithmen heute viel mehr Daten verarbeiten können als früher. 

In der Vergangenheit haben wir Vorhersagemodelle nur mit sorgfältig ausgewählten Signalen oder „Merkmalen" ausgestattet, von denen eine hohe statistische Relevanz bekannt war. (So würde man z. B. zur Vorhersage des Preises eines Hauses die Quadratmeterzahl als Merkmal verwenden.) Wir könnten 10 oder 20 dieser Datenpunkte verwenden, um ein einfaches Prognosemodell zu trainieren.

In den letzten 10 Jahren haben Deep Learning und große neuronale Netze in Kombination mit anderen Innovationen in der Datenverarbeitung uns jedoch die Möglichkeit gegeben, viel größere Modelle mit viel mehr Merkmalen auf riesigen Datensätzen zu trainieren. Mit diesen Modellen können wir komplexe Zusammenhänge und Darstellungen erfassen, die mit primitiveren statistischen Methoden unmöglich zu erlernen gewesen wären. 

Auch hier besteht der Sinn des Modells darin, den Menschen zu übertreffen, was diesen Modellen in der Regel auch gelingt. Tatsächlich schneiden sie genau in den Situationen am besten ab, in denen die menschliche Intuition versagt. Wenn Sie einen durchschnittlichen Menschen bitten würden, die Entwicklung der Rohstoffmärkte auf Grundlage historischer Zeitreihendaten vorherzusagen, könnten das die meisten sicherlich nicht leisten. Das ist eine Aufgabe für einen Algorithmus. Ein Algorithmus kann viel mehr Daten verarbeiten und statistische Muster erkennen, was dem Menschen so nicht möglich wäre.

Dieser Anwendungsfall ist wahrscheinlich am wenigsten von generativer KI betroffen. Im Allgemeinen verbessert die generative KI unsere Fähigkeit zur Erarbeitung statistischer Vorhersagen nicht sehr stark. Meistens funktionieren hier ältere ML-Methoden wie rekurrente neuronale Netze und sogar Transformatoren besser. Es gibt jedoch einige Ausnahmen: Deepmind hat beispielsweise vor kurzem mit Graphcast einen Algorithmus veröffentlicht, der mit Hilfe generativer KI das Wetter mit höchster Genauigkeit vorhersagt. Vielleicht wird generative KI auch diesen Bereich revolutionieren.

Die von uns erklärten Anwendungsgebiete sind keineswegs vollständig. Zudem lassen sich viele Anwendungen nicht eindeutig in eine einzelne Kategorie einordnen. (Zum Beispiel Gesichtserkennungssoftware auf Ihrem iPhone.) Aber dieser Rahmen hilft uns bei der Einordnung von KI-Anwendungen für Ihr Unternehmen, zum Beispiel: 

  • KI kann zur Unterstützung kreativer Wissensarbeiter wie Programmierer, Anwälte, Ärzte, Lehrer oder Drehbuchautoren eingesetzt werden. Sie sollten sich eher früher als später dafür entscheiden, denn das Risiko eines KI-Einsatzes ist sehr gering und der potenzielle Nutzen enorm. 

  • KI kann zur Automatisierung ganzer Geschäftsprozesse in großem Stil eingesetzt werden. Dies ist jedoch risikoreicher und erfordert hohe Genauigkeit und zusätzliche Überwachung und Sicherheitsmaßnahmen. Manchmal lohnt es sich aber, das Risiko einzugehen -- dabei gilt, dass Sie die KI mit dem Status quo und nicht mit Perfektion vergleichen sollten. 

  • KI kann zur Entwicklung immersiver, hilfreicher digitaler Erlebnisse eingesetzt werden. Die Aufgabe des Menschen besteht hier in der Auswahl der Inhalte und der Optimierung des Verhaltens des Algorithmus. Das Risiko ist hierbei relativ gering. Gleichzeitig werden die Verbraucher zunehmend KI-gestützte Erlebnisse von allen Unternehmen fordern -- nicht nur von Google und Netflix.

  • KI kann zur Vorhersage der Zukunft auf Grundlage von historischen Trends und anderen Daten verwendet werden. Obwohl dies eine wertvolle Anwendung ist, hat sich in diesem Bereich relativ wenig geändert.

Durch den Einsatz von KI zur Erfassung und Organisation von Informationen im gesamten Unternehmen können Sie skalierbare, nahtlose digitale Erlebnisse bereitstellen. Sie möchten mehr erfahren? Dann fordern Sie noch heute eine Demo an.

Yext ist Experte, wenn es um die Verwaltung Ihres Online-Auftritts geht. Erfahren Sie, warum.