Kaizen 2 go 377 : KI-Innovationsprozesse

Fragestellungen aus der Unterhaltung mit Thomas Usländer: Was war der Auslöser zur Beschäftigung mit Innovationsprozessen im KI-Bereich? Was zeichnet Innovationsprozesse dabei besonders aus bzw. unterscheidet sie von „normalen“ Innovationsprozessen? Was sollte man bei Innovationsprozessen im Allgemeinen und im KI-Bereich besonders beachten bzw. welche „Fehler“ werden dabei häufig von Anwendern und Anbietern gemacht? Welche Folgen ergeben sich daraus? Wie lassen sich diese „Fehler“ initial vermeiden bzw. wie kann man die Folgen eindämmen? Wie sollte ein idealer Innovationsprozess aussehen? Welche Voraussetzungen sollte man berücksichtigen bzw. schaffen, bevor man in das Thema einsteigt? Welche Rolle spielt der Faktor Mensch im KI-Kontext i. A. und in diesbezüglichen Innovationsprozessen im Besonderen? Wo kann man mehr über das Thema erfahren und von den Erfahrungen anderer profitieren?

• 1

Werbung

Das Transkript der Episode ist hier verfügbar.

Kaizen 2 go 377 : KI-Innovationsprozesse

KI-generierte Zusammenfassung des Transkripts

In dieser Episode spricht Götz Müller mit Thomas Usländer über die Besonderheiten moderner Innovationsprozesse im Umfeld künstlicher Intelligenz. Beide beleuchten, weshalb KI in der Praxis häufig nicht über den Prototypen hinauskommt und wie sich dies systematisch vermeiden lässt. Thomas Usländer erklärt, dass KI erst dann zur echten Innovation wird, wenn sie dauerhaft, nachhaltig und im betrieblichen Alltag nutzbar wird. Genau daran scheitern viele Projekte, weil Unternehmen die spätere Einbettung in bestehende Produkte und Prozesse nicht ausreichend berücksichtigen. Hinzu kommen Anforderungen an Regulierung und IT-Sicherheit, die von Anfang an bedacht werden müssen. Aus diesem Grund wurde die Methodik des KI-Engineerings entwickelt, die für mehr Systematik in der KI-Entwicklung sorgen soll.

Im Gespräch wird deutlich, dass Innovationsprozesse im Allgemeinen anspruchsvoll sind, aber KI-Projekte zusätzliche Herausforderungen mitbringen. Während herkömmliche Innovationen häufig mit einem funktionsfähigen Prototyp ihren Höhepunkt erreichen, müssen KI-Innovationen weiterdenken. Daten spielen dabei eine zentrale Rolle. Unternehmen benötigen Daten aus eigenen Prozessen, Daten aus Dokumenten und gegebenenfalls Daten von Partnern. Diese müssen beschafft, aufbereitet, integriert und später laufend aktualisiert werden. Dieser dynamische Datenbezug macht KI-Projekte komplex und kostenintensiv. Außerdem verändern sich Rahmenbedingungen laufend, weshalb KI-Modelle nachtrainiert werden müssen. Beide Faktoren unterscheiden KI-Innovationen deutlich von klassischen Entwicklungsprojekten.

Götz Müller hinterfragt die Rolle des Anwenders und vergleicht sie mit alltäglichen Technologien wie dem Auto oder dem Navigationssystem. Thomas Usländer verdeutlicht, dass Anwender von KI-Systemen stärker gefordert sind. Bei technischen Prozessen mit Assistenzsystemen müssen Operatorinnen und Operatoren nicht nur Hinweise verstehen, sondern auch deren Qualität bewerten können, da die Verantwortung bei ihnen bleibt. Bei Sprachmodellen kommt hinzu, dass die Systeme gelegentlich fehlerhafte oder erfundene Informationen liefern. Dies erfordert ein deutlich kritisches Nutzungsverhalten.

Unternehmen müssen Fehlertoleranzen je nach Anwendungsfall bewerten. In sicherheitskritischen Bereichen wie der Automobiltechnik oder Industrieautomation sind Fehlerraten, die bei Sprachmodellen noch akzeptiert werden, undenkbar. Hier gelten strikte Anforderungen an Verlässlichkeit. Werden diese zu Beginn eines Innovationsprozesses nicht berücksichtigt, kann dies zur Ablehnung eines Produktes führen oder sogar Haftungsrisiken verursachen. Der Innovationsprozess muss daher klar definierte Ziele, klare Anforderungen und nachvollziehbare Entscheidungen enthalten.

An dieser Stelle betont Thomas Usländer die Bedeutung von KI-Engineering. Es handelt sich um eine Forschungs- und Methodenrichtung, die KI-Entwicklung stärker an ingenieurtechnischen Prinzipien ausrichtet. Während klassische technische Systeme auf physikalischen Modellen und Berechnungen beruhen, funktionieren KI-Systeme datengetrieben. Sie erkennen Muster und schlagen Lösungen vor, ohne dass zwingend bekannte Ursache-Wirkungs-Beziehungen zugrunde liegen. Da die Leistungsgrenzen solcher Systeme schwer vorhersehbar sind, müssen datengetriebene Methoden mit klassischen Engineering-Praktiken kombiniert werden, um verlässliche Systeme zu schaffen.

Götz Müller spricht die Unsicherheit von KI-Systemen an und fragt, ob dies nicht sogar eine Chance sein könnte, den Umgang mit Unsicherheit neu zu verstehen. Thomas Usländer sieht diese Chance zwar, zeigt jedoch Skepsis, ob Nutzer tatsächlich kritisch genug bleiben. Besonders junge Menschen tendieren dazu, Ergebnisse ungeprüft zu übernehmen, weil sie plausibel erscheinen. Die Fähigkeit zur kritischen Bewertung könnte dadurch leiden.

Im weiteren Verlauf rückt der Faktor Mensch in den Mittelpunkt. Kreativität, Urteilsvermögen und Bewertungsfähigkeit bleiben entscheidend, auch wenn KI viele Möglichkeiten eröffnet. Idealerweise dient KI als Inspirationsquelle, ohne menschliches Denken zu ersetzen. In der Ausbildung von Informatikern und Ingenieuren sollte diese kritische Perspektive weiterhin eine große Rolle spielen.

Für Organisationen, die sich dem Thema KI-Innovation nähern wollen, empfiehlt Thomas Usländer ein strukturiertes Vorgehen. Er verweist auf die Arbeit der KI-Allianz Baden-Württemberg, die Unternehmen und KI-Anbieter in einem moderierten Prozess zusammenbringt. Der erste Schritt ist die klare Definition einer Fragestellung und eines Zielzustands. Unternehmen sollten mit realistischen Erwartungen starten, Low-Hanging-Fruits identifizieren und iterativ vorgehen, statt zu früh in komplexe Entwicklungen einzusteigen. Wichtig ist, den gesamten Projektverlauf zu dokumentieren, Meilensteine festzulegen und die technologische Entwicklung im Blick zu behalten, da sich Rahmenbedingungen schnell ändern.

Zum Ende der Episode wird deutlich, dass Erfolg im KI-Innovationsprozess weniger an der Algorithmik liegt, sondern an einem sauberen, durchdachten Prozess, der Daten, Ziele, Nutzer und Geschäftsmodell gleichermaßen berücksichtigt. Genau dazu liefert das KI-Engineering das methodische Fundament.

Werbung