Studie zu maschinellem Lernen enthüllt Mangel an Klarheit in der Strategie

Eine jüngst von der SAP und der Economist Intelligence Unit durchgeführte Studie mit dem Titel „Maschinelles Lernen optimal nutzen: Fünf Tipps von Vorreitern“ hat ergeben, dass 68 Prozent der befragten Unternehmen maschinelles Lernen in irgendeiner Form nutzen. Bei Beschaffungsunternehmen sind es rund 65 Prozent. Diese Unternehmen haben den Weg zur Automatisierung bereits eingeschlagen.

Die Sozialpsychologin und Harvard-Professorin Shoshana Zuboff hat einmal gesagt: „Alles, was automatisiert werden kann, wird automatisiert.“ („In the Age of the Smart Machine: The Future of Work and Power“, New York: Basic, 1988.)  Zuboffs Aussage trifft besonders auf die Aufgaben derer zu, die wir als „Wissensarbeiter“ bezeichnen. Wissensarbeiter treffen in der Regel taktische Entscheidungen. Sie entscheiden beispielsweise über die Verlängerung einer Gewährleistungsfrist, bestimmen Nachschubebenen, wenn sich das Lager plötzlich zu schnell leert, und konzentrieren sich auf Geschäftschancen, bei denen sie am ehesten einen neuen Kunden gewinnen können.

Wenn wir betrachten, wie sich solche Entscheidungen automatisieren lassen, wird schnell klar, dass hier maschinelles Lernen als Teil einer künstlichen Intelligenz in Kombination mit menschlichen Entscheidungen das Mittel der Wahl ist. Heutzutage werden Entscheidungen und die verschiedenen Schritte, die darauf folgen, ständig feinjustiert, wobei Echtzeitverfügbarkeit, Daten und Algorithmen eine Rolle spielen. Die grundlegenden Informationen, auf die Wissensarbeiter ihre Entscheidungen stützen, sind besser verfügbar, denn Datenpunkte liefern Input.


Künstliche Intelligenz ist nicht eine Technologie, sondern lediglich ein Zusammenspiel von Technologien mit eingebettetem Wissen, die zusammen eine vollständige Aufgabe eines Spezialisten oder eines professionellen Wissensarbeiters erweitern oder automatisieren.“


Die neuen Daten machen Abkürzungen möglich, die eine digitale (Prozess-)Transformation vorantreiben. Und diese wiederum führt zu einer Wertschöpfung. Künstliche Intelligenz (KI) hilft dabei, Fragen rund um Daten zu beantworten. Wenn KI maschinelles Lernen (ML) nutzt, bedeutet das, dass die Software nicht ständig aktualisiert oder neu programmiert werden muss. ML wirkt mit KI zusammen, um Änderungen anzuwenden, die kontinuierlich aus aktualisierten Datenpunkten gelernt werden. Es ist ganz wichtig zu verstehen, dass Daten alles verändern, besonders die Automatisierung.

Technologien, die unter die Begriffsdefinition "künstliche Intelligenz" fallen
Zum Bereich “künstliche Intelligenz” gehören auch Technologien wie Blockchain, Internet der Dinge oder maschinelles Lernen.

An dieser Stelle muss zunächst klargestellt werden, was KI eigentlich ist. Um es ganz deutlich zu sagen: KI ist nicht „eine“ Technologie.  Vielmehr handelt es sich um Prozesskenntnisse oder eine Kombination verschiedener Techniken, Technologien, Tools und Mengen von Trainingsdaten. Man denke nur an ML, Blockchain, Data Intelligence, Big DataIoTvorausschauende Analysen, Prozessautomatisierung und die Bedienung von Benutzungsoberflächen mit natürlicher Sprache. KI lässt sich gut definieren als „Zusammenspiel von Technologien mit eingebettetem Wissen, die zusammen eine vollständige Aufgabe eines Spezialisten oder eines professionellen Wissensarbeiters erweitern oder automatisieren“.

Wenn künstliche Intelligenz mit Data-Science- und ML-Techniken unterlegt wird, kann sie eingesetzt werden, um den Computer Entscheidungen treffen oder dringende Handlungsempfehlungen aussprechen zu lassen. Deshalb können wir sicher davon ausgehen, dass in den kommenden drei Jahren ein guter Teil (vielleicht 50 Prozent) aller Geschäftsprozesse vollständig automatisiert sein wird. Sobald bestehende Prozesse automatisiert sind, werden neue Prozesse entstehen, je weiter wir uns von einer prozessorientierten Welt hin zu einer datenorientierten Welt bewegen. Auf Grundlage der aus Daten gewonnenen Erkenntnisse werden Unternehmen neue Prozesse schaffen, vorhandene Prozesse umgestalten und alle Prozesse digitalisieren.

Neue Strategie: Kunden via Bots ansprechen

Spielen wir das anhand von Kunden durch, die Produkte einkaufen möchten. Früher war das ein ziemlich geradliniger Prozess. Man sah Werbung, ging in den Laden und kaufte das Produkt. Heute können das Einholen von Informationen und der Einkauf vollständig von einer Einkaufsentscheidung abgekoppelt sein. Mit dem Siegeszug der sozialen Medien hat sich unser Einkaufsverhalten verändert. Kaufentscheidungen werden heute nur noch nach dem Preis getroffen.

Wie kann man damit umgehen? Von allen Technologien ist hier das maschinelle Lernen der vielleicht beste Ausgangspunkt, gefolgt von Conversational Bots, besonders wenn es gilt, den Millennial-Markt zu erobern. Studien zufolge lassen sich Millennials nämlich am besten per Chat, über soziale Medien und Messenger ansprechen. Am wenigstens erfolgversprechend ist hier eine telefonische Kontaktaufnahme.

Wie bei jeder grundlegenden Veränderung im Zusammenhang mit einer neuen Technologie stellt sich die Frage, wo der beste Einstiegspunkt für maschinelles Lernen ist und ob es sich rentiert.

Vorreiter sichern sich mit maschinellem Lernen einen Vorsprung

Kürzlich veröffentlichten die SAP und die Economist Intelligence Unit eine Studie zu ML. Darin kamen sie zu dem erfreulichen Ergebnis, dass ML Unternehmen sowohl zu Umsatz- und Gewinnsteigerungen als auch zu einem Wettbewerbsvorteil verhilft. Laut der Studie mit dem Titel „Maschinelles Lernen optimal nutzen: Fünf Tipps von Vorreitern“ erzielen Unternehmen, die sich frühzeitig für ML entschieden haben – in der Studie „Vorreiter“ genannt – bessere Geschäftsergebnisse:

  • 48 Prozent nennen als wichtigsten Vorteil von ML eine höhere Ertragskraft (sechs Prozent mehr Umsatz).
  • 36 Prozent implementieren ML in Funktionen für den Kundenkontakt und die Produktentwicklung, etwa Contact Center, Marketing, Datenverarbeitung und -analyse sowie Forschung und Entwicklung.
  • 41 Prozent beobachten eine höhere Kundenzufriedenheit durch ML.

Wie diese Zahlen zeigen, hat ML bei den Vorreitern einen sehr positiven Effekt, und für sie sind die Vorteile von ML bei Weitem noch nicht ausgeschöpft. Cliff Justice, Principal im Team für Innovation and Enterprise Solutions bei KPMG und einer der Teilnehmer, ging sogar so weit zu sagen: „KI und maschinelles Lernen verändern das Geschäftsmodell auf sehr viel grundlegendere Weise als … jede andere Innovation, der wir bisher begegnet sind.“

Maschinelles Lernen: drei Kriterien für schnelle Erfolge

  • Maschinelles Lernen erfordert eine große Menge hochwertiger Daten. In den meisten Unternehmen liegen diese Daten in Unternehmensanwendungen für Finanzen, Logistik und Vertrieb. Die Daten in diesen Systemen wurden bereits erfasst, bereinigt und langfristig gespeichert. Es stehen also umfangreiche Daten zur Verfügung, aus denen aussagekräftige und nützliche Vorhersagemodelle erstellt werden können.
  • Maschinelles Lernen funktioniert am besten, wenn mehrere Tausend Mal am Tag eine genau umrissene Entscheidung mit wenigen Variablen zu treffen ist und wenn Fehler eindeutig sind und schnell behoben werden können, um den Algorithmus zu verbessern.
  • Am einfachsten lässt sich maschinelles Lernen implementieren, wenn die Entscheidung nahtlos als Teil eines bestehenden Geschäftsprozesses automatisiert werden kann und keine radikalen Umwälzungen wie neue Prozesse oder Veränderungen der Unternehmenskultur erforderlich sind.

Einer der bemerkenswertesten (und am wenigsten Mut machenden) Aspekte jeglicher Bemühungen um Veränderungen in Unternehmen ist ihre geringe Erfolgsquote. Es ist hinreichend belegt, dass rund 70 Prozent aller Initiativen für Veränderungen, gleich welcher Art, scheitern.

Laut einem 2011 im Journal of Change Managementerschienenen Artikel liegt der Hauptgrund für das Scheitern der Bemühungen in einer mangelnden Abstimmung zwischen dem den Änderungsmaßnahmen zugrunde liegenden Wertesystem und dem Wertesystem der Mitglieder der Organisation, die die Veränderung durchläuft. Wie es scheint, steht und fällt alles mit einer Klarheit in der Strategie.

Erfolgreiche ML-Strategie wichtiger als Technologie

Ein eingehendere Betrachtung der Untersuchungen, die der ML-Studie zugrunde liegen, fördert einen besonders interessanten Punkt zu Tage: die Diskrepanz zwischen den Vorreitern und allen anderen. Ein besonders augenfälliger Unterschied betrifft einen „Mangel an Klarheit in der Strategie“. Bei der Klarheit in der Strategie klafft ein Unterschied von 10 Punkten. Beim unternehmensinternen KI- und ML-Know-how sind es nur zwei Punkte. Interessanterweise ist Technologie weniger problematisch als Strategie.

Unternehmen, die in ihrer Strategie klarer sind, scheinen auch besser informiert zu sein und realistischere Erwartungen in Bezug auf die Möglichkeiten, Vorteile und Einschränkungen der Technologie zu haben.

Weitere Betrachtungen der Wertesysteme der Vorreiter lassen erkennen, dass diese schon früh erkannt haben, dass maschinelles Lernen am besten funktioniert, wenn mehrere Tausend Mal am Tag eine genau umrissene Entscheidung mit wenigen Variablen zu treffen ist und wenn Fehler eindeutig sind und schnell behoben werden können, um den Algorithmus zu verbessern. Beispielsweise lässt sich die Frage „Welche dieser Bankeinzahlungen entspricht dieser Rechnung?“ sehr viel leichter mit ML beantworten als die Frage „Wie können die Überlebensraten von Lungenkrebspatienten langfristig verbessert werden?“. Die Lösung eines kleinen, immer wieder auftretenden Problems kann zu einem sehr großen Vorteil führen (siehe „Maschinelles Lernen: drei Kriterien für schnelle Erfolge“ weiter oben).

KI schafft Arbeitsplätze in neuen Branchen

Interessanterweise werden bei einer Veränderung nicht immer bestehende Strukturen beschädigt. Eine verbreitete Fehlannahme ist, dass KI die Wirtschaft automatisieren und Menschen arbeitslos machen wird. In Wahrheit hat die Geschichte immer wieder gezeigt, dass technische Neuerungen anfangs Arbeitsplätze kosten, aber später viele neue Arbeitsplätze schaffen. Und sie heben den Lebensstandard, indem sie die Entwicklung neuer Branchen möglich machen. Man denke nur daran, wie das Internet neue Jobs geschaffen hat.

KI zeigt ihre wahre Größe, wenn eine Entscheidung nahtlos automatisiert oder erweitert werden kann, um einen bestehenden Geschäftsprozess zu unterstützen. Es geht gar nicht darum, schwer erreichbare Ziele anzustreben, die ganz neue Prozesse oder radikale Veränderungen der Unternehmenskultur erfordern. Leider verwechseln diejenigen, die am lautesten vor Arbeitsplatzverlusten warnen, KI mit Automatisierung. Das überschattet den größten Vorteil der künstlichen Intelligenz: die sogenannte „KI-Augmentation“, eine Kombination von menschlicher und künstlicher Intelligenz, die einander ergänzen. Die KI-Augmentation schafft den Arbeitnehmern Freiraum, um ihre menschlichen Fähigkeiten besser zu entfalten, etwa in Serviceprozessen, und ihre Talente zur Wertschöpfung einzusetzen (siehe „Beispiele für Aufgaben, die mit KI und ML automatisiert werden können“ weiter unten). Dieser Trend wird in der Studie besonders hervorgehoben. Es wird beschrieben, wie Vorreiter ihre Mitarbeiter darin schulen, sich höherwertigen Aufgaben im Unternehmen zu widmen, wenn ihre Arbeitsaufgaben von maschinellem Lernen verdrängt werden.

Beispiele für Aufgaben, die mit KI und ML automatisiert werden können

  • Relevante Zahlungs- oder Bestelldaten aus unstrukturierten Rechnungen, Formularen oder E-Mails extrahieren (beispielsweise Produktnamen, Betrag, Währung, Zahlungsempfänger, Adresse)
  • Transaktionen zur Einhaltung von Steuervorschriften klassifizieren
  • Prognostizieren, wann verbrauchsabhängige Verträge verlängert werden müssen
  • Verzögerungen bei Transitbeständen vorhersehen und entsprechend handeln
  • Den optimalen Zeitraum zwischen Inventuren berechnen, um sicherzustellen, dass sie mit automatisierten Systemen im Einklang stehen
  • Kundenserviceanfragen an die zuständigen Teams weiterleiten
  • Neue Rechtsvorschriften mit Prozess- oder Produktbeschreibungen vergleichen und Merkmale, Änderungen und Auswirkungen klassifizieren und hervorheben
  • Redlining oder Vergleich zwischen zwei oder mehr Verträgen durchführen und abweichende oder im Konflikt miteinander stehende Bedingungen ermitteln

Ein Hotelbetreiber drückte es so aus, als seine Rezeptionsmitarbeiter vom täglichen Ansturm von Fragen wie der nach dem WLAN-Kennwort befreit wurden: „KI hilft den Menschen, menschlicher zu sein. KI macht das Geschäft wieder menschlich.“ ML nimmt den Menschen nicht die Arbeit weg. Im Gegenteil: Die Menschen müssen entscheiden, wann sie ML die Arbeit übernehmen lassen möchten. Das ist ein wunderbares Beispiel für den menschlichen Teil von ML und dafür, wie wichtig Kreativität ist, wenn ML ins Spiel kommt.

Oder anders ausgedrückt: Lasst die Roboter arbeiten und die Menschen denken! Mitarbeiter, deren Aufgaben von maschinellem Lernen übernommen werden, müssen umgeschult werden, damit sie höherwertige Aufgaben in der Organisation übernehmen können.


„Wir glauben, wenn die Menschen die Fähigkeit besitzen, neue Maschinen zu erfinden, die den Menschen die Arbeit nehmen, dann besitzen sie auch die Fähigkeit, diesen Menschen wieder Arbeit zu verschaffen.“ 

– John F. Kennedy


Weitere Informationen:

Erfahren Sie mehr über die von SAP gesponserte Studie „Maschinelles Lernen optimal nutzen: Fünf Tipps von Vorreitern“ der Economist Intelligence Unit. Lernen Sie auch SAP Leonardo kennen, das System, das es Unternehmen ermöglicht, neue Technologien zu nutzen und mit ihren Geschäftsdaten zu kombinieren, um schneller Innovationen einzuführen und die Unternehmenstransformation zu beschleunigen – und das mit geringerem Risiko.


Marc Teerlink ist Global Vice President of SAP Leonardo, New Markets, and Artificial Intelligence bei der SAP.

Dieser Artikel wurde ursprünglich im Digitalist Magazine veröffentlicht.