Aus diesem Grund muss die KI die meisten Unternehmen noch umgestalten

Konzeptzeichnung einer Parfümflasche und eines KI-Netzwerks Derek Brahney

Die Kunst der Herstellung von Parfums und Colognes hat sich seit den 1880er Jahren, als synthetische Inhaltsstoffe verwendet wurden, nicht wesentlich verändert. Erfahrene Duftkreateure basteln an Kombinationen von Chemikalien in der Hoffnung, überzeugende neue Düfte zu produzieren. Achim Daub, Manager bei einem der weltweit größten Dufthersteller, Symrise, fragte sich daher, was passieren würde, wenn er künstliche Intelligenz in den Prozess einbrächte. Würde eine Maschine ansprechende Formeln vorschlagen, an die ein Mensch vielleicht nicht denken würde?

Daub beauftragte IBM mit der Entwicklung eines Computersystems, das riesige Mengen an Informationen durchwühlen würde – die Formeln bestehender Duftstoffe, Verbraucherdaten, gesetzliche Informationen und so weiter – und dann neue Formulierungen für bestimmte Märkte vorschlagen würde. Das System heißt Philyra, nach der griechischen Göttin des Duftes. Abgesehen vom eindrucksvollen Namen kann es nichts riechen, also kann es menschliche Parfümeure nicht ersetzen. Aber es verschafft ihnen einen Vorsprung, etwas Neues zu schaffen.

Diese Geschichte war Teil unserer Ausgabe März 2019

• Siehe den Rest des Problems
• Abonnieren

Daub ist mit den bisherigen Fortschritten zufrieden. Dort sollen im Juni zwei Düfte für junge Kunden in Brasilien in den Verkauf gehen. Nur wenige der 70 Duftdesigner des Unternehmens verwenden das System, aber Daub geht davon aus, dass es schließlich allen zur Verfügung stehen wird.

Er weist jedoch darauf hin, dass es fast zwei Jahre gedauert hat, so weit zu kommen – und es erforderte Investitionen, deren Amortisierung noch eine Weile dauern wird. Philyras anfängliche Vorschläge waren schrecklich: Sie schlug immer wieder Shampoo-Rezepte vor. Immerhin hat es sich die Verkaufsdaten angesehen, und Shampoo verkauft sich bei weitem besser als Parfüm und Kölnischwasser. Es erforderte viel Training durch die Parfümeure von Symrise, um es auf den richtigen Weg zu bringen. Außerdem ringt das Unternehmen immer noch mit kostspieligen IT-Upgrades, die notwendig waren, um Daten aus unterschiedlichen Aufzeichnungssystemen in Philyra zu pumpen und gleichzeitig einige der Informationen vor den Parfümeuren selbst geheim zu halten. Es ist eine Art steile Lernkurve, sagt Daub. Wir sind noch lange nicht in der Nähe davon, KI fest und vollständig in unserem Unternehmenssystem zu etablieren.

Die Parfümbranche ist kaum die einzige, die maschinelles Lernen einführt, ohne einen schnellen Wandel zu erleben. Ungeachtet dessen, was Sie vielleicht darüber hören, dass KI die Welt erobert, sagen Menschen in einer Vielzahl von Branchen, dass die Technologie schwierig einzusetzen ist. Es kann teuer werden. Und die anfängliche Auszahlung ist oft bescheiden.

Es ist eine Sache, Durchbrüche in der künstlichen Intelligenz zu sehen, die Großmeister von Go übertrumpfen können, oder sogar Geräte zu haben, die Musik auf Ihren Befehl hin einschalten. Es ist eine andere Sache, KI zu verwenden, um mehr als nur inkrementelle Änderungen in Unternehmen vorzunehmen, die nicht von Natur aus digital sind.

Das bedeutet nicht, dass KI überbewertet wird. Aber Algorithmen sind nur ein kleiner Teil dessen, was wirklich wichtig ist, wenn es darum geht, die Art und Weise, wie Geschäfte gemacht werden, neu zu gestalten.

KI könnte schließlich die Wirtschaft verändern – indem sie neue Produkte und neue Geschäftsmodelle ermöglicht, indem sie Dinge vorhersagt, die Menschen nicht vorhersehen konnten, und indem sie Mitarbeiter von Plackerei befreit. Das kann aber je nach Sitzposition länger dauern als erhofft oder befürchtet. Die meisten Unternehmen erwirtschaften nicht wesentlich mehr Output aus den Stunden, die ihre Mitarbeiter investieren. Solche Produktivitätsgewinne sind bei den größten und reichsten Unternehmen am größten, die es sich leisten können, viel Geld für die Talent- und Technologieinfrastruktur auszugeben, die erforderlich ist, damit KI gut funktioniert.

Das bedeutet nicht zwangsläufig, dass KI überbewertet ist. Es ist nur so, dass Mustererkennungsalgorithmen nur ein kleiner Teil dessen sind, was zählt, wenn es darum geht, die Art und Weise, wie Geschäfte erledigt werden, neu zu gestalten. Weitaus wichtiger sind organisatorische Elemente, die von der IT-Abteilung bis hin zu den Frontlinien eines Unternehmens reichen. So ziemlich jeder muss sich darauf einstellen, wie KI funktioniert und wo ihre blinden Flecken sind, insbesondere die Menschen, von denen erwartet wird, dass sie ihren Urteilen vertrauen. All dies erfordert nicht nur Geld, sondern auch Geduld, Akribie und andere urmenschliche Fähigkeiten, die allzu oft Mangelware sind.

Einhörner gesucht

Letzten September twitterte ein Datenwissenschaftler namens Peter Skomoroch: Als Faustregel können Sie davon ausgehen, dass die Umstellung Ihres Unternehmens auf maschinelles Lernen etwa 100-mal schwieriger sein wird als die Umstellung auf Mobilgeräte. Es klang wie ein Witz, aber Skomoroch machte keine Witze. Mehrere Leute sagten ihm, sie seien erleichtert zu hören, dass ihre Unternehmen mit ihren Kämpfen nicht allein seien. Ich denke, es gibt da draußen eine Menge Ärger – überhöhte Erwartungen, sagt Skomoroch, der CEO von SkipFlag ist, einem Unternehmen, das sagt, dass es die interne Kommunikation eines Unternehmens in eine Wissensdatenbank für Mitarbeiter verwandeln kann. KI und maschinelles Lernen gelten als magischer Feenstaub.

Zu den größten Hindernissen gehört es, unterschiedliche Aufzeichnungssysteme dazu zu bringen, miteinander zu kommunizieren. Auf dieses Problem ist Richard Zane als Chief Innovation Officer bei UC Health gestoßen, einem Netzwerk von Krankenhäusern und medizinischen Kliniken in Colorado, Wyoming und Nebraska. Kürzlich wurde ein Konversationssoftware-Agent namens Livi eingeführt, der natürliche Sprachtechnologie von einem Startup namens Avaamo verwendet, um Patienten zu helfen, die UC Health anrufen oder die Website nutzen. Livi weist sie an, ihre Rezepte zu erneuern, bucht und bestätigt ihre Termine und zeigt ihnen Informationen über ihren Zustand.

Zane freut sich, dass die Mitarbeiter von UC Health mehr Zeit damit verbringen können, Patienten bei komplizierten Problemen zu helfen, da Livi Routinefragen bearbeitet. Aber er räumt ein, dass dieser virtuelle Assistent wenig von dem tut, was KI letztendlich in seiner Organisation tun könnte. Es ist nur die Spitze des Eisbergs, oder was auch immer die positive Version davon ist, sagt Zane. Die Bereitstellung von Livi dauerte anderthalb Jahre, vor allem wegen der IT-Probleme, die mit der Verknüpfung der Software mit Patientenakten, Versicherungsabrechnungsdaten und anderen Krankenhaussystemen verbunden waren.

Ähnliche Setups machen auch anderen Branchen zu schaffen. Einige große Einzelhändler speichern beispielsweise Lieferkettenaufzeichnungen und Verbrauchertransaktionen in separaten Systemen, von denen keines mit größeren Datenspeichern verbunden ist. Wenn Unternehmen nicht aufhören und Verbindungen zwischen solchen Systemen aufbauen, funktioniert maschinelles Lernen nur mit einigen ihrer Daten. Das erklärt warum die häufigsten Anwendungen von KI Bisher handelt es sich um Geschäftsprozesse, die isoliert sind, aber dennoch über reichlich Daten verfügen, wie z. B. Computersicherheit oder Betrugserkennung bei Banken.

Selbst wenn ein Unternehmen Daten aus vielen Quellen erhält, erfordert es viel Experimentieren und Überwachung, um sicherzustellen, dass die Informationen korrekt und aussagekräftig sind. Wenn Genpact, ein IT-Dienstleistungsunternehmen, Unternehmen dabei hilft, KI-Projekte auf den Weg zu bringen, sind 10 % der Arbeit KI, sagt Sanjay Srivastava, Chief Digital Officer. Neunzig Prozent der Arbeit besteht eigentlich aus Datenextraktion, Bereinigung, Normalisierung, Gerangel.

Diese Schritte könnten für Google, Netflix, Amazon oder Facebook nahtlos aussehen. Aber diese Unternehmen existieren, um digitale Daten zu erfassen und zu verwenden. Sie sind auch luxuriös mit Doktoranden in Datenwissenschaft, Informatik und verwandten Bereichen besetzt. Das ist anders als die Basis der meisten Großunternehmen, sagt Skomoroch.

In der Tat verlangen kleinere Unternehmen von ihren Mitarbeitern oft, dass sie sich in mehrere technische Bereiche vertiefen, sagt Anna Drummond, Datenwissenschaftlerin bei Sanchez Oil and Gas, einem Energieunternehmen mit Sitz in Houston. Sanchez hat kürzlich damit begonnen, Produktionsdaten von Bohrlöchern in Echtzeit zu streamen und zu analysieren. Es hat die Fähigkeit nicht von Grund auf neu entwickelt: Es hat die Software von einem Unternehmen namens MapR gekauft. Aber Drummond und ihre Kollegen mussten immer noch sicherstellen, dass Daten aus dem Feld in Formaten vorliegen, die ein Computer analysieren kann. Drummonds Team war auch an der Entwicklung der Software beteiligt, die die Bildschirme der Ingenieure mit Informationen versorgt. Leute, die sich mit all diesen Dingen auskennen, seien nicht leicht zu finden, sagt sie. Es ist im Grunde wie Einhörner. Das ist es, was die Einführung von KI oder maschinellem Lernen verlangsamt.

Fluor, ein riesiges Ingenieurunternehmen, hat etwa vier Jahre lang mit IBM zusammengearbeitet, um ein künstliches Intelligenzsystem zu entwickeln, um massive Bauprojekte zu überwachen, die Milliarden von Dollar kosten und Tausende von Arbeitern einbeziehen können. Das System verarbeitet sowohl numerische als auch Daten in natürlicher Sprache und warnt die Projektmanager von Fluor vor Problemen, die später zu Verzögerungen oder Kostenüberschreitungen führen könnten.

Datenwissenschaftler bei IBM und Fluor brauchten nicht lange, um Algorithmen zu simulieren, die das System verwenden würde, sagt Leslie Lindgren, Vice President of Information Management bei Fluor. Was viel mehr Zeit in Anspruch nahm, war die Verfeinerung der Technologie unter enger Beteiligung der Fluor-Mitarbeiter, die das System verwenden würden. Damit sie seinen Urteilen vertrauen konnten, mussten sie Einfluss darauf nehmen, wie es funktionieren würde, und sie mussten seine Ergebnisse sorgfältig validieren, sagt Lindgren.

Um ein System wie dieses zu entwickeln, müssen Sie Ihre Fachexperten aus dem Geschäft mitbringen – ich meine Ihre besten Leute, sagt sie. Das heißt, Sie müssen sie von anderen Dingen abziehen. Der Einsatz von Spitzenkräften sei unerlässlich, fügt sie hinzu, da der Bau der KI-Engine zu wichtig, zu langwierig und zu teuer sei, um sie anderweitig zu betreiben.

Die Samen der KI

Sobald eine Innovation entsteht, wie schnell verbreitet sie sich durch die Wirtschaft? Der Ökonom Zvi Griliches fand in den 1950er Jahren einige grundlegende Antworten – indem er sich Mais ansah.

Griliches untersuchte die Umstellungsraten von Maisbauern in verschiedenen Landesteilen auf Hybridsorten mit deutlich höheren Erträgen. Ihn interessierte nicht so sehr der Mais an sich, sondern der Wert von Hybriden als das, was wir heute als Plattform für zukünftige Innovationen bezeichnen würden. Hybridmais war die Erfindung einer Erfindungsmethode, einer Methode zur Züchtung von überlegenem Mais für bestimmte Orte, schrieb Griliches 1957 in einem wegweisenden Artikel.

Hybriden wurden Ende der 1920er und Anfang der 1930er Jahre in Iowa eingeführt. Bis 1940 machten sie fast den gesamten im Staat angebauten Mais aus. Aber die Adoptionskurve war an Orten wie Texas und Alabama, wo Hybriden später eingeführt wurden und Anfang der 1950er Jahre etwa die Hälfte der Maisfläche bedeckten, bei weitem nicht so steil. Ein wichtiger Grund ist, dass Hybridsaatgut teurer war als herkömmliches Saatgut und die Landwirte jedes Jahr neues kaufen mussten. Die Umstellung auf die neue Technologie war für die Farmen in diesen Bundesstaaten riskanter als im reicheren und produktiveren Maisgürtel des Mittleren Westens.

Was Griliches festhielt und was spätere Ökonomen bestätigten, ist, dass die Verbreitung von Technologien weniger von den intrinsischen Qualitäten der Innovationen als von der wirtschaftlichen Situation der Nutzer geprägt wird. Die Kernfrage der Anwender lautet nicht wie für Technologen: Was kann die Technik? aber wie viel werden wir davon profitieren, wenn wir darin investieren?

Heutzutage untermauert maschinelles Lernen jeden Aspekt der Geschäftstätigkeit von Unternehmen wie Facebook, Google und Amazon und vielen Startups. Es macht diese Unternehmen außergewöhnlich reich. Aber außerhalb dieses KI-Gürtels bewegen sich die Dinge aus rationalen wirtschaftlichen Gründen viel langsamer.

Bei Symrise glaubt Daub, dass das Parfüm-KI-Projekt in einen Sweet Spot geraten ist. Es war ein relativ kleines Experiment, aber es beinhaltete echte Arbeit für einen Duftkunden und war keine bloße Laborsimulation.

Wir alle stehen unter großem Druck, sagt er. Niemand hat wirklich Zeit, nebenbei auf der grünen Wiese zu lernen. Doch selbst dies erforderte einen Vertrauensvorschuss in die Technologie. Es gehe um Überzeugung, sagt er. Ich bin fest davon überzeugt, dass KI in den meisten Branchen, die wir heute sehen, eine Rolle spielen wird, einige sogar noch mehr. Ihn komplett zu ignorieren ist keine Option.

verbergen