Joel Hellermark, Chief AI Officer bei Workday, erklärt, warum die Ära der fortlaufenden Eingabeaufforderungen (Prompting) beinahe schon Geschichte ist – und wie Sie Ihr Unternehmen sicher auf autonome Workflows umstellen.
Die Ära der Co-Piloten ist vorbei. Willkommen im Zeitalter der autonomen Teammitglieder.
Jahrelang stand KI im Unternehmensumfeld für intelligente Assistenten: Co-Piloten, die auf einzelne Arbeitsumgebungen aufgesetzt wurden und mit denen Mitarbeitende durch fortlaufendes Prompting minimale Verbesserungen erzielten. Laut Joel Hellermark, dem neuen Chief AI Officer von Workday, nähert sich diese Ära ihrem Ende.
In einem Gespräch mit Michelle Dawkins, VP of Solution Consulting bei Workday, über die Zukunft der Arbeit plädiert Hellermark für eine neue Kategorie von Software, die nicht nur intelligent, sondern auch zuverlässig ist. Agenten, die als proaktive Teammitglieder agieren – statt reaktive Lösungen, die auf den nächsten Prompt warten.
Das Wichtigste in Kürze:
Von Co-Piloten zu proaktiven Agenten: Warum fortlaufendes Prompting in eine Sackgasse führt und wie KI Erkenntnisse liefert, noch ehe Sie danach fragen.
Regelkonforme vs. nicht regelkonforme KI: Wie Sie KI-Agenten innerhalb Ihrer bestehenden Berechtigungen und Schutzmechanismen arbeiten lassen und warum unbeaufsichtigt agierende Agenten ein kein technisches Versagen, sondern ein Governance-Versagen bedeuten.
Die 5 Autonomiestufen: Eine Roadmap für die Weiterentwicklung der menschlichen Kontrolle im Zuge der wachsenden Intelligenz von Systemen.
Das AGI-Potenzial nutzen: Warum Führungskräfte endlose ROI-Pilotprojekte hinter sich lassen und umfassend experimentieren sollten.
Joel Hellermark:
Es gibt regelkonforme und nicht regelkonforme Agenten. Letztere kennen weder die Berechtigungen noch die geltenden Schutzmechanismen. Sie können den Agenten genau die Informationen und Zugriffsrechte geben, die sie benötigen, statt dies den Anwendern zu überlassen. Darauf aufbauend können Sie proaktivere Erfahrungen gestalten.
Michelle Dawkins:
Hallo, ich bin Michelle Dawkins und in der heutigen Folge des Podcasts „Zukunft der Arbeit“ ist Joel Hellermark, Chief AI Officer bei Workday, mein Gast. In unserem Gespräch heute geht es um die kürzlich erschienene Studie von Workday zur sogenannten „Copy/Paste Economy“. Diese geht der Tatsache nach, dass Mitarbeitende enorm viel Zeit damit verbringen, Daten zwischen isolierten Systemen zu replizieren, was die Produktivitätslücke erheblich vergrößert. Joel und ich haben darüber gesprochen, wie wir dieses Problem lösen können. Wir haben uns intensiv damit beschäftigt, warum Kontext bei KI so wichtig ist, und weshalb KI innerhalb von Schutzmechanismen sowie von Systemen und Prozessen arbeiten sollte, anstatt getrennt von diesen. Außerdem haben wir über die Bedeutung des Menschen bei wichtigen Entscheidungsprozessen gesprochen, dem „Human-in-the-Loop-Ansatz“, der angesichts der zunehmenden Automatisierung unverzichtbar ist. Ich hoffe, dass Ihnen das Gespräch gefällt. Joel, vielen Dank, dass du bei uns bist. Es ist schön, dich hier in London zu sehen. Einfach fantastisch.
Hellermark:
Es ist fantastisch, hier zu sein.
Dawkins:
Freust du dich schon auf die Elevate morgen? Bist du ein Fan der Rolling Stones? Ist dir aufgefallen, dass wir hier im Londoner Büro im Rolling Stones-Zimmer sind?
Hellermark:
Oh ja, natürlich freue ich mich darauf. Ich bin leider kein großer Rolling Stones-Fan, freue mich aber trotzdem, hier in diesem Raum zu sein.
Dawkins:
Gut, dann fangen wir an. Heute sprechen wir über eine spannende neue Studie zur Einführung und Nutzung von KI in Unternehmen, die gerade veröffentlicht wurde. Ich freue mich sehr, dir dazu einige Fragen zu stellen und deine Einschätzung zu hören. Wenn es dir recht ist, legen wir gleich los.
Hellermark:
Gerne.
Dawkins:
Wenn wir über den Unterschied zwischen Einführung und Transformation sprechen: In vielen Unternehmen wird nicht klar zwischen Einführung und Transformation unterschieden. Wir wissen, dass ein KI-Assistent an jedem Arbeitsplatz allein nicht die von den Unternehmen erwarteten Veränderungen bewirken. Was muss sich in den Unternehmen also tatsächlich verändern?
Hellermark:
Ich denke, das vorrangigste Problem, das Unternehmen lösen müssen, ist die eigentliche Einführung von KI. Wenn die KI-Einführung erfolgreich ist, profitiert man von den nachfolgenden Verbesserungen des Modells. Jedes Mal, wenn die Modelle besser werden, profitiert das gesamte Unternehmen sofort von diesem Zuwachs an Intelligenz – vorausgesetzt, die KI ist fest verankert in allen Teams. Diese Systeme verändern jedoch inzwischen etwa alle zwölf Monate ihre Funktionsweise und damit die Art und Weise, wie wir sie nutzen.
Alles begann mit der Ära der Assistenten, die sehr stark promptbasiert war. Damals haben wir einfach einen Co-Piloten für jede Arbeitsumgebung bereitgestellt. Die Leute übertrugen per Copy&Paste Material aus den Stammdatensystemen in diese Co-Piloten und versuchten, sie für sich arbeiten zu lassen. Das verändert sich gerade, diese Art der Nutzung ist auf dem Rückzug, weil wir jetzt proaktive Agenten einsetzen.
Wir nutzen proaktive Agenten, die über die Apps den nötigen Kontext beziehen. Das bedeutet also, dass wir von Co-Piloten, die wir ständig anweisen und prompten müssen, um einen Nutzen aus ihnen zu ziehen, zu Agenten wechseln. Diese liefern uns proaktiv Aktionen und Erkenntnisse, noch bevor wir danach fragen. Wenn sie zunehmend in die Systeme integriert werden, die wir täglich nutzen, und über entsprechenden Kontext verfügen,
können sie ihre Arbeit sehr viel intelligenter erledigen. Es ist also ein Wechsel von reaktiven Co-Piloten zu proaktiven Agenten.
Dawkins:
Und genau das treibt die Transformation an, nicht einfach nur die Einführung von KI.
Hellermark:
Genau. Allgemein sehen wir gerade Co-Pilot-ähnliche Benutzeroberflächen, mit denen sich kleine Produktivitätssteigerungen von etwa zehn bis zwanzig Prozent erzielen lassen. Doch das eigentliche Potenzial liegt in Agenten, die Aufgaben proaktiv und umfassend erledigen – und genau diesen Wandel erleben wir gerade.
Dawkins:
Das ist interessant, weil die Studie – wie du bereits erwähnt hast – die Copy/Paste Economy beleuchtet. Sie erbrachte den Nachweis, dass Mitarbeitende sieben oder mehr Stunden pro Woche mit dem Verschieben von Daten zwischen isolierten Systemen verlieren. Das ist unglaublich. Das ist ein enormer Produktivitätsverlust. Warum also nicht einfach mehr KI einsetzen?
Hellermark:
Ich denke, die Agenten müssen kontextsensitiv und, wie bereits erwähnt, proaktiv sein. Bisher haben wir beobachtet, dass der Mensch bei jedem dieser Systeme gewissermaßen die Kontextentwicklung übernommen hat. Es wurde versucht, dem Modell für jede einzelne Aufgabe im passenden Moment den richtigen Kontext bereitzustellen. Da die Systeme nun integriert sind und proaktiv arbeiten, stellen sie den gesamten richtigen Kontext genau zum richtigen Zeitpunkt bereit, um die jeweilige Aufgabe zu lösen. Sie gehen aber auch von einstufigen Aufgaben zu mehrstufigen Aufgaben über. Früher nutzte man das vielleicht, um eine einzelne E-Mail oder ein Dokument zu generieren. Mittlerweile werden die Systeme auch besser darin, Aufgaben mit einem langfristigen Zeithorizont zu bewältigen. Derzeit beobachten wir, dass sich der Umfang der Aufgaben, die KI eigenständig erledigen kann, etwa alle sieben Monate verdoppelt. Das bedeutet, wir entwickeln uns von der Situation vor sieben Monaten, als man bestenfalls ein Dokument entwerfen konnte, hin zur Übernahme eines kompletten End-to-End-Prozesses. Durch Erfassen des richtigen Kontextes und die Ausführung mehrschrittiger Workflows erzielen wir mit diesen Systemen eine deutlich höhere Produktivität als zuvor, als für jede Teilaufgabe ein spezifischer Kontext entwickelt werden musste.
Dawkins:
Die Sache mit dem Kontext ist sehr interessant. Ich nutze momentan eine Lauf-App, um mein Tempo zu verbessern. Am Anfang war ich sehr langsam. Als ich die App zum ersten Mal benutzte, gab sie mir ein Tempo vor, das völlig unrealistisch war. Ich habe ständig protestiert: Dieses Tempo schaffe ich nicht! Mit der Zeit hat sich das jedoch vollkommen verändert. Die KI hat aus meinen Laufgewohnheiten und aus meinem Feedback gelernt. Jetzt liefert sie mir tatsächlich ein angemessenes Tempo, das auf meinen persönlichen Daten basiert. Der Kontext ist also sehr wichtig.
Hellermark:
Genau.
Dawkins:
Ich habe anfangs lange mit der KI diskutiert. Also, du hast von Kontext und End-to-End-Prozessen gesprochen. Die Studie beschreibt auch den richtigen und den falschen Ansatz in Bezug auf KI. Also die Frage, ob KI komplett isoliert oder vielmehr in Ihre Systeme integriert sein sollte. Worin besteht der entscheidende Unterschied zwischen einer separaten Ebene und der Einbettung in die Prozesse?
Hellermark:
Da muss man ein paar Dinge beachten. Erstens benötigen wir klare Leitlinien. Wir unterscheiden daher zwischen regelkonformen und nicht regelkonformen Agenten. Das Paradigma, nach dem heute viele handeln, basiert größtenteils auf nicht regelkonformen Agenten. Diese unkontrollierten Agenten kennen weder die Berechtigungen noch die zugrunde liegenden Strukturen. Sie haben große Schwierigkeiten, Aufgaben auszuführen, die richtlinien- und kontextsensitiv sind. Führt man sie jedoch innerhalb der Systeme und mit dem entsprechenden Kontext aus, kann man gewährleisten, dass sie die Regeln einhalten. Die Agenten erledigen dann exakt die Aufgaben, für die sie vorgesehen sind. Zweitens kann man einen Großteil dieses Kontextes vorab laden und den Agenten genau das bereitstellen, was sie zur Erledigung der Aufgaben benötigen. Anstatt dies jeden Anwender selbst herausfinden zu lassen, können auf diese Weise proaktivere Erfahrungen geschaffen werden. Anstatt also reaktiv zu agieren und den richtigen Kontext zusammenzustellen, um diesen dem Agenten zu übergeben, kann der Agent proaktiv Aufgaben vorschlagen, bei denen er Unterstützung bieten kann. So bewegen wir uns weg von diesen reaktiven Ansätzen hin zu einem Agenten, der effektiv rund um die Uhr im Einsatz ist. Ich stelle mir das so vor: Man bekommt eine unendliche Anzahl von Arbeitskollegen mit einem IQ von über 150 zur Seite gestellt, deren Arbeit und Vorschläge überprüfbar sind. Diese Kollegen liefern ständig neue Erkenntnisse, führen Aktionen aus oder erledigen Ihre Aufgaben.
Dawkins:
Ja, das ist genial. Eine KI zu entwickeln, die das Unternehmen, den Kontext und die Prozesse kennt, klingt in der Theorie einfach. Was genau macht es in der Praxis so schwer, und warum ist es schwierig, KI direkt in die Datenbasis zu integrieren?
Hellermark:
Der erste Schritt besteht darin, die notwendigen Schutzmechanismen zu schaffen, damit diese Agenten zuverlässig arbeiten können. Das ist ein völlig neues Modell im Vergleich zu den bisherigen Benutzeroberflächen. Bisher haben wir Software in erster Linie für Menschen entwickelt. Jetzt entwickeln wir Software für Agenten. Daher müssen wir uns mit den Latenzanforderungen von Agenten auseinandersetzen und uns damit befassen, wie man den richtigen Kontext bereitstellt, wie man ein Lang- und Kurzzeitgedächtnis aufbaut und so weiter. Wir entwickeln also im Grunde eine neue Art von Software, die für Agenten statt für Menschen ausgelegt ist. Ja. Deshalb entwickelt wir die passenden Richtlinien-Engines, Knowledge-Engines und Memory-Systeme für die Agenten, damit sie diese Aufgaben effektiv bewältigen können. In diesem Sinne ist es entwicklungstechnisch ein grundlegender Neuanfang: Wie gestalten wir diese Systeme so, dass sie nicht nur für Menschen, sondern auch für KI-Agenten intuitiv sind?
Dawkins:
Wenn ein Unternehmen versucht, dies außerhalb eines Systems zu erreichen, in dem Daten, Prozesse, Logik, Risiken, Compliance und Kosten verankert sind, wird das alles zu einem massiven Problem.
Hellermark:
Genau. Und diese Systeme verfügen möglicherweise nicht über den nötigen Kontext für die Aufgaben, die Sie erledigen möchten. Daher spielt das bereichsspezifische Fachwissen hier eine extrem wichtige Rolle. Wir verfügen über das umfassendste Wissen bezüglich unserer Aufgaben und Workflows und können dies nutzen, um die Kontrollmechanismen für die Agenten zu definieren. Wenn man das aber nur auf einer abstrakten Ebene angeht, ohne Einblicke in die konkreten Aufgaben, wird das richtig schwierig.
Dawkins:
Richtig. Du hast vorhin den Human-in-the-Loop erwähnt. Das ist ein Thema, über das wir schon lange sprechen und das nach wie vor wichtig ist. Wir bewegen uns immer mehr in Richtung autonomer Agenten, die Entscheidungen treffen, Maßnahmen ergreifen, Prozesse steuern und Seite an Seite mit Menschen zusammenarbeiten. Wie können wir das Konzept des Human-in-the-Loop weiterhin aufrechterhalten? Wie stellen wir sicher, dass wir diesem Konzept weiter folgen?
Hellermark:
Grundsätzlich gibt es fünf Stufen der Autonomie. Wir folgen hier gewissermaßen der Analogie der selbstfahrenden Autos. Zuerst hatten wir diese stark reaktiv, etwa in Form der Autovervollständigung oder ähnlicher Funktionen. Anschließend wurden sie zunehmend promptbasiert. Und heute werden sie mehr und mehr proaktiv. Je höher die Autonomiestufe, desto stärker werden sie an Richtlinien gebunden sein. Momentan befinden wir uns in einer Phase, in der wir Menschen maßgeblich an den endgültigen Genehmigungsverfahren beteiligt sind. Anstatt eine einzelne Aufgabe zu genehmigen, was eine Minute gedauert hätte, können wir gleich einen ganzen Arbeitsablauf genehmigen. Und wenn man erst einmal lange genug in diesen Ablauf eingebunden ist, sollte das System erkennen, wann es den Menschen tatsächlich einbeziehen muss. Bei selbstfahrenden Autos gab es eine ziemlich lange Phase, in der noch Menschen im Auto saßen und eingriffen, wenn es Fehler machte. Das autonome System übergab die Kontrolle an den Menschen, wenn es unsicher war.
An dieser Stelle stehen wir heute. Wir haben ein Auto, das ganz gut fährt, aber noch Fehler macht und noch nicht alle Sonderfälle erlebt hat. Jetzt sitzen wir quasi in diesen autonomen Autos und greifen bei Bedarf korrigierend ein. Irgendwann wird das System durch unsere Eingriffe eine Menge Richtlinien und Wissen gesammelt haben. Und ab diesem Punkt wird es zunehmend autonomer. Wir befinden uns bei der Wissensarbeit also etwa auf Stufe 3 und nähern uns der Autonomiestufe 4. Stufe 4 ist stark richtliniengebunden. Denkt man an Stufe 5, den Endzustand, sprechen wir von autonomen Unternehmen, die sich gewissermaßen selbst optimieren. Dann haben wir End-to-End-Agenten, die vollständige Zyklen erledigen und gleichzeitig die Prozesse prüfen und verbessern. Ich glaube allerdings, dass es ein langer Weg sein wird, bis die Stufen 3 und 4 das hinbekommen. bevor die Menschen autonomen Unternehmen wirklich vertrauen.
Dawkins:
Das Wort „Vertrauen“ ist tatsächlich sehr interessant. Ich bin kürzlich in San Francisco in einem autonomen Auto mitgefahren. Als Mensch hat man immer noch das Bedürfnis, die Kontrolle zu übernehmen und selbst zu fahren. Man sorgt sich, ob das Auto wirklich das Richtige tut. Das beobachten wir überall. Also, die Studie zeigt deutlich, dass das Thema Vertrauen von zentraler Bedeutung ist. Ist da eine Veränderung zu beobachten, wie Menschen mit KI interagieren – hin zu mehr Vertrauen, sodass wir die Ergebnisse nicht mehr doppelt und dreifach prüfen?
Hellermark:
Ich glaube, irgendwann wird es genau umgekehrt sein: Die Menschen werden das Vertrauen in rein von Menschen gesteuerte Systeme verlieren. Mir geht es auf jeden Fall so. Ich fühle mich in einem autonomen Auto in San Francisco sicherer als in einem Taxi in London mit einem menschlichen Fahrer. Obwohl diese Taxifahrer wirklich unglaublich gut sind. Vergleicht man die Fehlerraten der autonomen Fahrzeuge mit denen der Taxifahrer, so sind diese deutlich niedriger. Das wird für jede Arbeit gelten, nicht wahr? Wir stehen erst am Anfang dieses Wandels. Doch wir sehen derzeit ganz klar, dass die Menschen am liebsten alles von einem KI-System überprüfen lassen wollen.
Wenn sie etwas von Ihrem Arzt bekommen, möchten sie es an ein KI-System senden, um sich abzusichern. Doch blind vertrauen würden sie der KI in diesem Fall auch nicht. In solchen Situationen wünscht man sich eine Kombination aus beidem. Man möchte das Urteilsvermögen und die Intuition des Menschen, kombiniert mit KI-Systemen, die völlig uneingeschränkt arbeiten können. Das heißt, sie können auf das gesamte Wissen der Welt, das Wissen des Unternehmens und den gesamten Kontext zugreifen. Sie können Millionen von Stunden an Denkprozessen parallel durchführen, um unsere Aufgabe zu lösen. Daher werden sie natürlich bald deutlich weniger Fehler machen als wir Menschen.
Dawkins:
Ja, ich verstehe. Man sieht die Veränderung kommen und das Vertrauen wachsen, doch wie du schon sagtest: Die Daten, die Genauigkeit und die Schutzmechanismen müssen vorhanden sein, damit die Menschen diesen Weg auch mitgehen. Ja, mehr Vertrauen in die Ergebnisse führt letztlich zu mehr Produktivität. Du bist also der Chief KI Officer von Workday. In dieser Rolle arbeitest du daran, die Lücke zwischen unserem Potenzial und dem ROI zu schließen, den unsere Kunden erzielen. Wie siehst du das? Wie bewertest du den Nutzen, den wir mit KI erzeugen?
Hellermark:
Ich glaube, wir bewegen uns auf eine völlig neue Softwarekategorie zu. In der Vergangenheit haben wir hauptsächlich Software verkauft, die man den Mitarbeitenden zur Verfügung stellte, in der Hoffnung auf gewisse Produktivitätssteigerungen. Jetzt entwickeln wir Systeme, die es ermöglichen, eine unendliche Anzahl von Agenten zu erstellen, die uns bei der Arbeit unterstützen und die Teams verstärken. Während wir uns auf diese Umstellung vorbereiten und eine neue Softwarekategorie definieren, arbeiten wir sehr eng mit unseren Kunden zusammen. Die Ergebnisse, die wir sehen, sind wirklich verblüffend. Beim Wechsel von reaktiven Co-Piloten zu proaktiven Agenten sparen die Mitarbeitenden nicht mehr nur ein paar Stunden pro Woche, sondern erledigen Arbeit, die sonst Monate gedauert hätte. Daher freuen wir uns enorm über den ROI, den wir durch diese Partnerschaften erzielen. Wir bringen die besten KI-Experten und Designer der Welt mit unseren Kunden zusammen, die als Pioniere bei der Anwendung dieser Technologien vorangehen, um Benutzererfahrungen zu definieren, die ihre Teams optimal unterstützen.
Dawkins:
Bei der Definition des Nutzens, den unsere KI liefert, verfolgst du also im Wesentlichen einen ergebnisorientierten Ansatz. Wie sieht du das – geht es dabei um Produktivität? Geht es um den Zugang zu Daten? Gibt es bestimmte Kennzahlen, anhand derer du Erfolg definierst?
Hellermark:
Ich glaube, im Allgemeinen wird viel zu viel gemessen. Angesichts der aktuellen Entwicklung wird der ROI von KI unser kleinstes Problem sein. Die eigentliche Frage lautet: Legen wir unsere Prozesse konsequent auf KI aus? Passen wir uns schnell genug an, um die Technologie effektiv einzuführen? Und so weiter. Der entscheidende Unterschied zu früheren Umbrüchen besteht darin, dass wir damals in der Regel einige Jahre Zeit hatten, neue Technologien einzuführen und danach ein ganzes Jahrzehnt lang von ihrem Mehrwert profitieren konnten. Heute folgen diese Zyklen einem fast jährlichen Rhythmus.
Letztes Jahr waren wir dabei, uns an Co-Piloten zu gewöhnen, dieses Jahr passen wir uns bereits an Agenten an. Wir entwickeln uns also von einem Unternehmen, das solche Transformationen etwa alle zehn Jahre durchmacht, hin zu einer Organisation, die ihre Arbeitsweise von Jahr zu Jahr grundlegend überarbeiten muss. Unser Hauptaugenmerk liegt daher darauf, wie wir gemeinsam mit unseren Kunden neue Arbeitsweisen definieren können, die sich jährlich flexibel überarbeiten lassen. Doch so lange wir in der Definition von Pilotprojekten und von ROI-Kriterien verharren, stecken wir im alten Paradigma fest.
Ich bin daher ein großer Verfechter des KI-Maximalismus. Okay. Alles ausprobieren, parallel laufen lassen und lieber zu viel als zu wenig in die Einführung investieren. Ich glaube, Führungskräfte fahren heute besser damit, zu viel als zu wenig auf KI zu setzen. Und ich glaube, das Risiko eines zögerlichen Umgangs mit KI besteht darin, nur einige wenige Projekte zu definieren, einzelne Pilotprojekte durchzuführen, den ROI zu messen und erst dann weitere Investitionen ins Auge zu fassen. Auf diese Weise investiert man zu wenig. Am erfolgreichsten sind unserer Erfahrung nach Unternehmen, die vielfältige Ansätze ausprobieren und testen und dann die Projekte, die funktionieren, konsequent ausbauen.
Dawkins:
Interessant ist auch, dass mir viele Kunden sagen, dass dies auch die Kreativität in ihren Unternehmen fördert. Die Mitarbeitenden erhalten die Möglichkeit zu recherchieren, eigene Ideen zu entwickeln und zu sehen, was auf globaler oder Unternehmensebene übernommen werden könnte. Beobachtest du das auch, dass Unternehmen diesen Weg einschlagen?
Hellermark:
Genau. Ethan Mollick, ein herausragender Forscher auf diesem Gebiet, spricht über das Zusammenspiel von Labor, Crowd und Unternehmensleitung. Eine KI-Implementierung muss alle drei Aspekte abdecken. Der Wandel beginnt bei den Führungskräften. KI muss überall im Unternehmen verankert sein, von All-Hands-Meetings bis hin zu Performance-Reviews. Und die Unternehmensführung muss konsequent die Weichen für AGI stellen. Ist dies nicht der Fall, wird sich der Wandel auch nicht auf den unteren Ebenen durchsetzen. Wenn das Führungsteam beim Einsatz von KI minimalistisch vorgeht, nur einige wenige Projekte verfolgt und den ROI jeder einzelnen Initiative misst, wird der Wandel ganz stark gebremst.
Die oberste Ebene muss also voll und ganz hinter AGI stehen. Der zweite Aspekt ist das Labor. Das ist das zentrale KI-Team, das die Prinzipien festlegt, die Lösungen bewertet und die interne KI-Einführung so einfach wie möglich gestaltet. So kann dieses Team zahlreiche interne KI-Lösungen bereitstellen, auf die andere Teams zugreifen können. Und schließlich die Crowd. Ein weiterer Erfolgsfaktor besteht darin, gezielt in die Mitarbeitenden zu investieren und in jeder Funktion diejenigen zu identifizieren, die das größte fachliche Know-how und die Neugier mitbringen, um die neuen KI-Modelle intensiv zu testen. So haben Sie im Grunde jedes Mal in jedem einzelnen Team Botschafter, die ihr Handwerk beherrschen, die Modelle kennen und sie in der Praxis auch anwenden. Das Labor übernimmt die Aufsicht und stellt sicher, dass alle Teams die richtigen Lösungen haben, während die Führungskräfte dies in jedem Prozessschritt kontinuierlich verstärken. Unternehmen, die alle drei Faktoren richtig kombinieren, sind bei der Implementierung von KI meist am erfolgreichsten.
Dawkins:
Joel, wir haben vorhin über das schwedische Mittsommerfest gesprochen. Das ist eine wunderschöne Zeit des Jahres, in der viele Menschen eine längere Auszeit nehmen. Du hast erwähnt, dass du in dieser Zeit gerne Recherchen betreibst oder etwas Neues lernst. Was hat du für diesen Sommer geplant?
Hellermark:
Wir befinden uns gerade in einer sehr spannenden Ära der Heimrobotik. Diesen Sommer will ich ein bisschen an einem eigenen Sicherheitssystem basteln. Dabei überwachen Cloud-Bots kontinuierlich die Umgebung, damit keine Unbefugten ins Haus gelangen können. Aus meiner Sicht ist das ein geniales Projekt für den Sommer.
Dawkins:
Das geht ein ganzes Stück über einen einfachen Staubsaugroboter hinaus. Finde ich ganz toll. Ich weiß, dass du in den nächsten Tagen viel zu tun hast, aber ich habe das Gespräch sehr genossen. Vielen Dank für deine Teilnahme am Podcast.
Hellermark:
Vielen Dank für die Einladung.
Studie
Das wahre ROI-Problem liegt in der Diskrepanz zwischen dem investierten Aufwand und der tatsächlichen Wirkung. Entdecken Sie die Lösung.