Kontakt

Kontakt

Kontakt

So gelingt die KI-Transformation: Schritt für Schritt zum Erfolg

Verständlich, interaktiv und umsetzbar

START

Methodik

Kontakt

Kontakt

Herzlich Willkommen!

Der nachfolgende Leitfaden wurde im Zuge des Forschungsprojektes „KI-Navigator“ durch das Institut für Logistik und Unternehmensführung (LogU) der Technischen Universität Hamburg (TUHH) erstellt.Informationen für den Leitfaden wurden durch eine Literaturrecherche, eine Interview-Studie, einer quantitativen Befragung, sowie Workshops gesammelt. Die Ergebnisse wurden mit Unternehmen aus der Praxis erarbeitet und validiert. Das Ergebnis des Projektes stellt der folgende Leitfaden dar.

Disclaimer: Die Inhalte stellen keine Beratung dar. Die Inhalte dienen dazu den Leser an das Thema heranzuführen und zu informieren.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI verstehen: einfach und auf den Punkt gebracht

KI in der Praxis: ein Blick hinter die Kulissen

Von der Idee zur Umsetzung: so geht’s

Potenziale entdecken: Reale Beispiele

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Was ist eigentlich Künstliche Intelligenz?

Künstliche Intelligenz = Die Fähigkeit eines Systems, menschliche Intelligenz zu imitieren. Im Fokus stehen vor allem maschinelles Lernen und

neuronale Netze.

Super KI

Starke KI

10+ Jahre

Schwache KI

Heute

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Warum sich Unternehmen aus der Logistikbranche mit Künstlicher Intelligenz beschäftigen

Künstliche Intelligenz hat das Potenzial, zentrale Prozesse in der Logistik zu verbessern. Aktuelle Studien zeigen, dass der Einsatz von KI zur Steigerung der Produktivität beitragen kann [1], die Transparenz entlang der Lieferkette erhöht [2] und die Widerstandsfähigkeit gegenüber Störungen verbessert [3]. Die Ergebnisse unserer Umfrage verdeutlichen, dass die Nutzung vorhandener Daten zur Wertschöpfung als stärkster Motivationsfaktor wahrgenommen wird. Dies weist darauf hin, dass Unternehmen zunehmend den strategischen Wert datenbasierter Entscheidungen erkennen.

[1] (Zhao et al. 2025)[2] (Boone et al. 2025)[3] (Lu, Xu und Sun 2025)

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Gesagt, Getan? Künstliche Intelligenz in KMU heute

n=64

Unternehmen (mehr als 250 MA)

Mittlere Unternehmen (49-250 MA)

Kleine Unternehmen (bis 49 MA)

Bereits teilweise KI umgesetzt

Bereits umfassend KI umgesetzt

Geringfügig KI umgesetzt

Keine KI Umsetzung nicht geplant

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Warum KMU bei der Einführung von Künstlicher Intelligenz zögern

Fehlende KI-Schulungsmöglichkeiten

Widerstand gegen KI

Finanzierung

Fehlende Datenverfügbarkeit

Fehlende Einstieg zur KI-Einführung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI verstehen: einfach und auf den Punkt gebracht

KI in der Praxis: ein Blick hinter die Kulissen

Von der Idee zur Umsetzung: so geht’s

Potenziale entdecken: Reale Beispiele

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Handlungsfelder für eine erfolgreiche KI-Einführung

Bei der Einführung von Künstlicher Intelligenz spielen verschiedene Handlungsfelder eine zentrale Rolle, um den Erfolg und die nachhaltige Integration sicherzustellen.

Anwender

Technologie

Organisation

Externe Umwelt

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI in der Praxis: Worauf es zu achten gilt

Trotz des großen Potenzials von Künstlicher Intelligenz zeigen sich bei der praktischen Nutzung verschiedene Defizite, die in unterschiedlichen Bereichen auftreten.

Technologie im Einsatz

Umsetzungs-ebene

Geschäfts-ebene

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Hilfestellungen zum Umgang mit sensiblen Daten

Ein verantwortungsvoller Umgang mit sensiblen Daten ist grundlegend für den erfolgreichen und rechtskonformen Einsatz Künstlicher Intelligenz. Die folgenden Links bieten praxisnahe Hilfestellungen, rechtliche Orientierung und konkrete Empfehlungen für den sicheren Umgang mit Daten im Kontext von KI.

Technische und organisa-torische Maßnahmen bei der Datenverarbeitung

Rechtliche Rahmenbe-dingungen und zukünftige Anforderungen bei der Datenverarbeitung für KI

Checkliste zur Daten-minimierung und Anonymisierung beim Einsatz generativer KI

Rechtliche Rahmen-bedingungen und Transparenz in der Daten-verarbeitung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI verstehen: einfach und auf den Punkt gebracht

KI in der Praxis: ein Blick hinter die Kulissen

Von der Idee zur Umsetzung: so geht’s

Potenziale entdecken: Reale Beispiele

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase A: Initiierung

A.1Bedarf erkennen

A.3 Situationsanalyse (Wer bin ich?)

A.2 Aufbau des Technologie-verständnises

A.4 Strategische Zielsetzung

Maßnahme

Maßnahme

Maßnahme

Technologie-verständnis

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase B: Anwendungsfallidentifikation

B.1 Anwendungsfallsuche

B.3Anwendungsfall- priorisierung

B.4Anwendungsfall- auswahl

Maßnahme

Maßnahme

Maßnahme

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase C: Anwendungsfallanalyse

C.4: Bewertungskriterien

C.1Bildung des Projektteams

C.2 Prozessanalyse

C.3: Anforderungsanalyse

Maßnahme

Maßnahme

Maßnahme

Maßnahme

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase D: Konfiguration der KI-Anwendung

D.2Marktanalyse und Auswahl der KI-Lösung

D.1Technische Merkmale

Technische Merkmale

Maßnahme

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase E: Pilotierung

E.1 Datenzugang sicherstellen

E.3 Projektteam-Testen

E.2 Modellentwicklung

E.4 Anpassung des Prototyps

Maßnahme

Maßnahme

Maßnahme

Maßnahme

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Vorgehen zur praktischen Umsetzung

Konfiguration der KI-Anwendung

Anwendungsfall-identifikation

Implementierung

Anwendungsfall-analyse

Initiierung

Pilotierung

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Phase F:Implementierung

F.1 Beta-Test

F.2 Changemanagement

F.3 Überwachung der KI-Lösung

F.4 Verbesserung der KI-Lösung

Maßnahme

Maßnahme

Maßnahme

Maßnahme

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI verstehen: einfach und auf den Punkt gebracht

KI in der Praxis: ein Blick hinter die Kulissen

Von der Idee zur Umsetzung: so geht’s

Potenziale entdecken: Reale Beispiele

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI-Anwendungsfälle

Prognose

Segmen-tierung

Simulation

Auto-matisierung

NLP/CV

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI verstehen: einfach und auf den Punkt gebracht

KI in der Praxis: ein Blick hinter die Kulissen

Von der Idee zur Umsetzung: so geht’s

Potenziale entdecken: Reale Beispiele

3 Umsetzung

4 Beispiele

1 Einführung

2 Wissen

Sie haben Fragen oder möchten mit uns in den Austausch treten? Kontaktieren Sie uns gerne!

Tjark Zeiher, M.Sc.

040 42878-4523 Tjark.Zeiher@tuhh.de

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Was ist eigentlich Künstliche Intelligenz?

Überwachtes Lernen

Unüberwachtes Lernen

Bestärkendes Lernen

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Was ist eigentlich Künstliche Intelligenz?

Maschinelles Lernen vs. Deep Learning

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Künstliche Intelligenz aus der geschäftlichen Perspektive

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI-Konfiguration: Der Morphologische Kasten

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI-Modell-Training

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

KI-Modell-Training

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Support Vector Machines

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Entscheidungsbäume (DT)

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

K-Nearest-Neighbour

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Extreme Gradient Boosting

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

K-Means

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Genetische Algorithmen

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Deep Q-Learning

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Neuronales Netzwerk

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Convolutional Neuronales Netzwerk

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Long Short-Term Memory

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Gated Recurrent Unit

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Large Language Models

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Mitarbeiterschulungen

Mitarbeiterschulungen sind Teil des Personalmanagements und dienen der Vermittlung neuen Wissens. Sie finden entweder intern im Unternehmen oder extern an Schulungsorten statt. Häufig genutzte Formate sind Seminare und Workshops. Schulungen sind besonders wichtig bei der Einführung neuer Software, Qualitätskonzepte oder größeren Umstrukturierungen, um Mitarbeitende gezielt auf Veränderungen vorzubereiten.

AufwandDer Aufwand ist abhängig von der Umstrukturierung und der Anzahl der betroffenen Abteilungen und Mitarbeitern.

Schöni, W. (2001): Praxishandbuch Personalentwicklung: Strategien, Konzepte und Instrumente, Rüegger Verlag, 2001

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Technologieanalyse

Bei der Technologieanalyse werden bestehende und potenzielle Technologien im Unternehmen hinsichtlich Aktualität, Effizienz und Kosten-Nutzen-Verhältnis systematisch erfasst und bewertet.

AufwandDer Aufwand hängt von der Anzahl der angewendeten Technologien ab, der Anzahl der Alternativtechnologien und ist branchenspezifisch zu betrachten.

Pfeiffer, W. (1991): Technologie-Portfolio: Zum Management strategischer Zukunftsgeschäftsfelder

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Brainstorming

Das Brainstorming ist die wohl bekannteste und weitverbreitetste Kreativitätstechnik, welche grundsätzlich das Ziel haben Denkprozesse zu aktivieren und eine möglichst große Anzahl von Ideen bzw. Risiken zu identifizieren, indem das kreative Potenzial einer Gruppe bzw. von Einzelpersonen gefördert wird.

AufwandDer Zeitaufwand des eigentlichen Brainstorming sollte im Bereich von 20 bis 70 Minuten liegen. Hinzu kommen Vorarbeiten (Entwicklung der Fragestellung, Auswahl der Teil-nehmer, Organisation) sowie die Auswertung der Ergebnisse.

Backerra, H./ Malorny, C./ Schwarz, W. (2007): Kreativitätstechniken, Hanser Fachbuch

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Workshops

Bei Workshops handelt es sich um Seminare, Gruppendiskusionen oder Ähnliches, in denen Ideen ausgetauscht werden oder bestimmte Techniken demonstriert und/oder angewendet werden.

AufwandDer Aufwand ist abhängig von der Größe des zu lösenden Problems. Ein Workshop kanndaher mehrere Tage andauern. Zudem ist weitreichende Kenntnis über Kreativitätsme-thoden zu empfehlen, da diese während eines Workshops zum Einsatz kommen.

Schlicksupp, H. (1999): Innovation, Kreativität und Ideenfindung.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Eisenhower-Matrix

Die Eisenhower-Matrix ist ein einfaches Werkzeug, um Anwendungsfälle zu priorisieren. Zur Priorisierung werden die Faktoren "Relevant" und "nicht relevant", sowie "schwer" und "leicht" umsetzbar herangezogen.

AufwandDer Aufwand für die Anwendung der Eisenhower-Matrix ist gering, da sie ohne spezielle Tools oder lange Vorbereitung durchgeführt werden kann. Lediglich die Abstimmung im Team zur Einschätzung von Relevanz und Umsetzbarkeit erfordert etwas Zeit, ist aber in der Regel in einem kurzen Workshop leistbar.

Windolph, Andrea (2021): Die Eisenhower-Matrix – Aufgaben richtig priorisieren

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Stakeholderanalyse

Die Stakeholderanalyse ist ein zentrales Instrument im Projektmanagement, um alle Personen, Gruppen oder Organisationen zu identifizieren, die Einfluss auf den Projekterfolg haben. Ziel ist es, deren Interessen, Erwartungen, Machtverhältnisse und potenziellen Einfluss systematisch zu erfassen, um gezielt Maßnahmen zur Einbindung, Information oder Steuerung abzuleiten.

AufwandDer Aufwand ist abhängig von der Größe des zu lösenden Problems. Ein Workshop kanndaher mehrere Tage andauern.

https://www.projektmagazin.de/glossarterm/stakeholderanalyse; abgerufen am 30.07.2025. Praxisleitfaden - Projektmanagement für die öffentliche Verwaltung, 2012, Berlin

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Process Mapping in der Softwareentwicklung

Process Mapping ist eine Methode zur grafischen Darstellung von Geschäftsprozessen oder Abläufen, um ein gemeinsames Verständnis über bestehende oder zukünftige Prozesse zu schaffen. Ziel ist es, Schritte, Abhängigkeiten, Rollen und Entscheidungen sichtbar zu machen.

AufwandErfordert einen moderaten Aufwand für Moderation und Visualisierung. Der organisatorische Nutzen überwiegt deutlich, da die Methode Transparenz, Nutzerzentrierung und teamübergreifende Kommunikation erheblich verbessert.

Damelio, Robert. The Basics of Process Mapping. 2nd ed. New York: Productivity Press, 2011. https://doi.org/10.4324/9781439891278.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Personas in der Softwareentwicklung

Die Persona-Methode ist ein zentrales Element des Human-Centred Designs (nach DIN EN ISO 9241-210) und unterstützt eine anwenderzentrierte Entwicklung. Dabei werden fiktive, aber realitätsnahe Nutzerprofile erstellt, die auf Zielen, Bedürfnissen und Verhaltensmustern echter Nutzer basieren.

AufwandPersonas müssen im Verlauf des Projekts aktualisiert werden Moderater organisatorischer Aufwand für Kommunikation, Dokumentation und ggf. zentrale „Persona Library“

Holt, Eva-Maria, Dominique Winter, and Jörg Thomaschewski. Personas als Werkzeug in modernen Softwareprojekten – Die Humanisierung des Anwenders.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: User Story Mapping in der Softwareentwicklung

User Story Mapping ist eine agile Methode zur strukturierten Erfassung und Priorisierung von Nutzeranforderungen. Der typische Ablauf:(1) Identifikation der Nutzeraktivitäten, (2) Zerlegung in User Tasks, (3)Detaillierung in User Stories, (4) Anordnung der Stories.

AufwandErfordert einen moderaten Aufwand für Moderation und Visualisierung. Der organisatorische Nutzen überwiegt deutlich, da die Methode Transparenz, Nutzerzentrierung und teamübergreifende Kommunikation erheblich verbessert.

Patton, Jeff. User Story Mapping: Discover the Whole Story, Build the Right Product. 2014.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Erfolgsfaktorenanalyse

Der Erfolgsfaktoranalyse liegt die Prämisse zu Grunde, dass jedes Unternehmen seine Potentiale an den Anforderungen der Unternehmensumwelt ausrichten sollte, um erfolgreich zu sein.

AufwandFür den Fall der erstmaligen Ausführung sollten mehrere Wochen angesetzt werden bis verlässliche Daten zur Verfügung stehen.

Bea, F. X. / Haas, J. (2013): Strategisches Management, UVK, Konstanz

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Prozessanalyse

Die Prozessanalyse ist eine Methode, mit der Geschäftsprozesse beschrieben und optimiert werden können. Sie liefert Daten, die die logistische Strategieplanung und das Qualitätsmanagement unterstützen.

AufwandLangwieriger Prozess, abhängig von Unternehmensgröße.

Staud, J. (2006): Geschäftsprozessanalyse: Ereignisgesteuerte Prozessketten und objektorientierte Geschäftsprozessmodellierung für Betriebswirtschaftliche standard-software.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Interviews

Interviews sind verbale Befragungen, die mithilfe standardisierter Fragebögen vergleichbar gemacht werden können. Im Risikomanagement dienen sie dazu, betriebliche und externe Risiken zu identifizieren. Mitarbeitende liefern dabei interne Einblicke, externe Experten weisen auf unternehmensübergreifende Risiken hin. Die Qualität der Interviews hängt maßgeblich von der Kompetenz der Befragten und der Interviewführung ab.

AufwandHoher zeitlicher Aufwand, da Durchführung und Auswertung sehr personalintensiv ist.

Bioly, S. (2010): Qualitative Trendforschung in der Logistik, in Klumpp, M.: Dienstleistungsmanagement in Theorie und Praxis, Logos, Berlin

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Workshops

Bei Workshops handelt es sich um Seminare, Gruppendiskusionen oder Ähnliches, in denen Ideen ausgetauscht werden oder bestimmte Techniken demonstriert und/oder angewendet werden.

AufwandDer Aufwand ist abhängig von der Größe des zu lösenden Problems. Ein Workshop kanndaher mehrere Tage andauern. Zudem ist weitreichende Kenntnis über Kreativitätsme-thoden zu empfehlen, da diese während eines Workshops zum Einsatz kommen.

Schlicksupp, H. (1999): Innovation, Kreativität und Ideenfindung.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Feedbackrunden

Feedbackrunden sind strukturierte Formate, in denen Beteiligte gezielt Rückmeldungen zu Prozessen, Ergebnissen oder Entwicklungen geben. Sie fördern Transparenz, ermöglichen frühzeitige Korrekturen und stärken die Akzeptanz von Maßnahmen. Im Projektkontext helfen sie, unterschiedliche Perspektiven zu integrieren, Missverständnisse zu klären und die Qualität von Lösungen kontinuierlich zu verbessern. Entscheidend für den Erfolg sind eine offene Gesprächskultur, klare Fragestellungen und eine systematische Auswertung der Rückmeldungen

Aufwandje nach Umfang und Häufigkeit. Es erfordert Vor- und Nachbereitung (z. B. Moderation, Dokumentation, Auswertung) sowie die Einbindung relevanter Stakeholder. Besonders bei größeren Gruppen steigt der organisatorische Aufwand.

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Mitarbeiterschulungen

Mitarbeiterschulungen sind Teil des Personalmanagements und dienen der Vermittlung neuen Wissens. Sie finden entweder intern im Unternehmen oder extern an Schulungsorten statt. Häufig genutzte Formate sind Seminare und Workshops. Schulungen sind besonders wichtig bei der Einführung neuer Software, Qualitätskonzepte oder größeren Umstrukturierungen, um Mitarbeitende gezielt auf Veränderungen vorzubereiten.

AufwandDer Aufwand ist abhängig von der Umstrukturierung und der Anzahl der betroffenen Abteilungen und Mitarbeitern.

Schöni, W. (2001): Praxishandbuch Personalentwicklung: Strategien, Konzepte und Instrumente, Rüegger Verlag, 2001

1 Einführung

3 Umsetzung

4 Beispiele

2 Wissen

Methode: Interviews

Interviews sind verbale Befragungen, die mithilfe standardisierter Fragebögen vergleichbar gemacht werden können. Im Risikomanagement dienen sie dazu, betriebliche und externe Risiken zu identifizieren. Mitarbeitende liefern dabei interne Einblicke, externe Experten weisen auf unternehmensübergreifende Risiken hin. Die Qualität der Interviews hängt maßgeblich von der Kompetenz der Befragten und der Interviewführung ab.

AufwandHoher zeitlicher Aufwand, da Durchführung und Auswertung sehr personalintensiv ist.

Bioly, S. (2010): Qualitative Trendforschung in der Logistik, in Klumpp, M.: Dienstleistungsmanagement in Theorie und Praxis, Logos, Berlin

D2 Marktanalyse

Long List und Short List werden als sinnvolle Maßnahmen vorgeschlagen, um den Auswahlprozess systematisch und transparent zu strukturieren. Die Long List umfasst eine umfassende Sammlung aller potenziellen Anbieter oder Lösungen, die grundsätzlich infrage kommen. Darauf aufbauend wird die Short List als stark gefilterte Auswahl der vielversprechendsten Kandidaten erstellt, die anschließend vertieft geprüft und miteinander verglichen werden.

E.3 Projektteam-Testen

Die entwickelte Lösung wird in dieser Phase von den tatsächlichen Endanwendern getestet, um die Praxistauglichkeit zu überprüfen und wertvolles Feedback zur Verbesserung zu erhalten.

Maßnahme Durchführung von Anwender-Tests und Sammlung von Feedback zur Anpassung, Anforderungen und Zielsetzung des Modells

Methode Interviews, Workshops

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Long Short-Term Memory

Long Short-Term Memory (LSTM) ist eine spezielle Form eines rekurrenten neuronalen Netzwerks (RNN), die entwickelt wurde, um Langzeitabhängigkeiten in Sequenzdaten effektiv zu lernen. LSTM-Zellen enthalten Speicherzustände und Kontrollmechanismen (Tore), die entscheiden, welche Informationen behalten, vergessen oder weitergegeben werden. Dadurch überwinden LSTMs das Problem des Vanishing Gradient und sind besonders geeignet für Aufgaben wie Sprachverarbeitung, Zeitreihenanalyse und maschinelle Übersetzung.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Machine Learning und Deep Learning

Machine Learning (ML) und Deep Learning (DL) unterscheiden sich vor allem in Komplexität und Leistungsfähigkeit. ML-Modelle arbeiten mit wenigen Parametern, sind i.d.R. leichter interpretierbar und effizient bei kleineren, strukturierten Datensätzen. Sie benötigen weniger Rechenleistung und lassen sich schneller trainieren. Deep Learning hingegen verwendet deutlich mehr Modellparameter und eignet sich besonders für große, unstrukturierte Datenmengen wie Bilder oder Texte. Es ermöglicht eine automatische Merkmalsextraktion und liefert bei komplexen Aufgaben oft bessere Ergebnisse – erfordert dafür jedoch mehr Daten, Rechenleistung und ist schwieriger zu interpretieren.

F.1 Beta-Test

In der Phase des Beta-Test wird die entwickelte KI-Lösung in den Echtbetrieb überführt. Dabei wird sie schrittweise in die bestehenden Arbeitsprozesse integriert und gezielt den relevanten Nutzergruppen zur Verfügung gestellt, um eine reibungslose Einführung sicherzustellen.

Maßnahme Lösung bereitstellen, Nutzung begleiten

MethodeFeedbackrunden

A3 Situationsanalyse

Eine Situationsanalyse schafft ein klares Verständnis über Geschäftsprozesse, das bestehende Technologieportfolio und die Kundenstruktur. Sie bildet die Grundlage, um den gezielten und sinnvollen Einsatz von KI im Unternehmen zu ermöglichen.

Maßnahme Erfassung des "Status Quo"

Methode Technologieportfolio

Natürliche Sprachverarbeitung (NLP)

Entlang der Lieferkette bestehen vielfältige Herausforderungen, insbesondere im Umgang mit steigender Komplexität, Informationsüberflutung und hohem Zeitdruck. Gleichzeitig wachsen die Anforderungen an schnelle, präzise und kontextbezogene Entscheidungsprozesse. Ziel: Große Mengen unstrukturierter, sprachbasierter Daten schnell, präzise und kontextsensitiv auszuwerten und daraus sinnvolle Entscheidungen oder Aktionen abzuleiten. Voraussetzungen: Leitlinien und ggf. Lizenzen zur Nutzung Chancen: Relevante Informationen schneller identifizieren, Mitarbeitende durch virtuelle Assistenten unterstützen und gezielte Hilfestellung bei Fragen bieten.Einflussfaktoren: Entscheidend sind Datenschutz und Governance, sowie die Akzeptanz bei Mitarbeitenden und Kunden.

Geeignte KI-Modelle

A3 Situationsanalyse

In der Situationsanalyse liegt der Fokus auf einer systematischen und kontextbezogenen Betrachtung der aktuellen Ausgangslage im Unternehmen, das eine KI-Einführung plant.Dabei wird deutlich, welches Problem gelöst, welcher Prozess verbessert und welcher konkrete Mehrwert geschaffen werden soll. Zudem werden die relevanten Akteure identifiziert, die an einer potenziellen Umsetzung beteiligt sind.A3 dient somit als strategischer Orientierungsrahmen und bildet die Grundlage für die anschließende Zieldefinition.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Handlungsfeld Anwender

Vertrauen: Die Zuverlässigkeit und Transparenz der KI-Systeme wird kontinuierlich geprüft.Widerstand und Ängste: Potenzielle Ängste und Widerstände werden durch gezielte Information und Unterstützung reduziert.Interesse an Technologien: Ein Interesse an der neuen Technologie wird geschaffen, um die Akzeptanz und den erfolgreichen Einsatz von KI zu fördern.Einfachheit der Nutzung: Die KI-Anwendungen sind benutzerfreundlich gestaltet und ermöglichen eine intuitive Nutzung.

Support Vector Machines

Support Vector Machines (SVMs) sind überwachte Lernalgorithmen, die zur Klassifikation und Regression verwendet werden. Ziel ist es, eine optimale Trennlinie (Hyperplane) zu finden, die zwei Klassen im Merkmalsraum maximal voneinander trennt. Die Datenpunkte, die am nächsten an dieser Grenze liegen, nennt man Support-Vektoren. SVMs funktionieren auch bei nicht-linear trennbaren Daten durch die Verwendung von Kernels, die die Daten in höhere Dimensionen abbilden, in denen eine lineare Trennung möglich ist. Sie sind besonders effektiv bei hochdimensionalen Datensätzen und robust gegenüber Overfitting.

Large Language Models

Large Language Models (LLMs) wie GPTs (Generative Pre-trained Transformers) werden mit großen Textkorpora trainiert. Sie nutzen Embeddings, um Wörter und deren Bedeutungen mathematisch darzustellen und lernen dabei Muster sowie Zusammenhänge in den Daten. Ihr Kernprinzip ist die Vorhersage des nächsten Wortes in einem Satz. Nach dem Training können sie so kohärente und kontextuell passende Sätze generieren, was zu verallgemeinerbaren und vielseitigen Ausgaben führt.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Kosten – Wie wird die KI-Nutzung abgerechnet?

• Zahlungsmodell: Auch beim Kostenmodell gibt es mehrere Möglichkeiten. Manche Anwendungen sind kostenlos. Andere erfordern eine einmalige Zahlung, ein Abonnement oder werden nach tatsächlichem Verbrauch abgerechnet (Pay-per-Use). Die Wahl hängt stark vom Anwendungsfall und den Anforderungen der Organisation ab.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

C.4 Bewertungs-kriterien

Bewertungskriterien sind messbare Merkmale oder qualitative Faktoren, anhand derer Prozesse systematisch analysiert und verglichen werden können. Sie helfen dabei, den Ist-Zustand objektiv zu bewerten. Zu den Bewertungskriterien können z. B. das verfügbare Budget, technische und personelle Ausstattung, sowie rechtliche Randbedingungen sein. Diese Rahmenbedingungen sind typischerweise kurzfristig kaum veränderbar und müssen daher in die Lösungsfindung einbezogen werden.

Der Morphologische Kasten

Ein Morphologischer Kasten hilft dabei, komplexe Themen (wie KI) in übersichtliche Wahlmöglichkeiten zu zerlegen. Er zeigt verschiedene Gestaltungsoptionen, um eine KI-Lösung systematisch zusammenzustellen.

Entscheidungs-bäume

Entscheidungsbäume sind überwachte Lernverfahren zur Klassifikation und Regression. Sie treffen Entscheidungen, indem sie Daten anhand von Merkmalen in Teilmengen aufteilen. Der Baum besteht aus Knoten (Tests auf Merkmale), Ästen (Entscheidungswege) und Blättern (Vorhersagen). Der Algorithmus wählt bei jedem Knoten das Merkmal, das die beste Trennung der Daten liefert – meist basierend auf Informationsgewinn oder Gini-Index. Entscheidungsbäume sind leicht interpretierbar, anfällig für Overfitting, aber durch Methoden wie Pruning oder Random Forests gut regulierbar.

Handlungsfeld Organisation

Qualifikationen der Mitarbeitenden: Die Mitarbeitenden verfügen über aktuelle und passende Qualifikationen, die kontinuierlich weiterentwickelt werden. Prozessanpassung: Prozesse werden überprüft und an neue Anforderungen angepasst. Wettbewerbsfähigkeit: Die Organisation ist durch effiziente Strukturen und innovative Ansätze wettbewerbsfähig aufgestellt. Veränderungsbereitschaft: Eine offene Haltung gegenüber Veränderungen fördert Anpassungsfähigkeit und kontinuierliche Verbesserung. Bereichsübergreifende Kommunikation: Kommunikation zwischen den Bereichen ist transparent, koordiniert und unterstützt den Informationsfluss.

Systemarchitektur – Wie wird die KI angewendet und entwickelt?

• Konfiguration: Für die Entwicklung der KI gibt es verschiedene Ansätze. Die klassische Variante ist die Programmierung per Code, was viel Fachwissen erfordert. Alternativ gibt es KI-Toolboxen, mit denen die Entwicklung vereinfacht wird, oder grafische Plattformen (Low- und No-Code), die auch ohne Programmierkenntnisse genutzt werden können.
• Bereitstellung: Die KI kann technisch unterschiedlich bereitgestellt werden: lokal auf einem Computer, als Webanwendung im Browser, als App auf dem Smartphone oder direkt auf Geräten wie Sensoren. Letzteres nennt man Edge AI – dabei wird die KI direkt auf dem Gerät ausgeführt, ohne dass eine Verbindung zu einem Rechenzentrum nötig ist.
• API: Eine weitere Frage betrifft die Verwendung von Schnittstellen, sogenannten APIs. Sie ermöglichen, dass die KI mit anderen Systemen verbunden wird. Ob eine API gebraucht wird, hängt vom konkreten Einsatzzweck ab.

Handlungsfeld Geschäftsebene

Schnelllebigkeit der Technologien: KI-Technologien entwickeln sich rasant – was heute gefragt ist, kann morgen schon überholt sein. Eine flexible Strategie und Offenheit für neue Tools sind daher entscheidend für eine zukunftsfähige Umsetzung. Kein einheitliches KI-Verständnis: Ein gemeinsames Verständnis von KI innerhalb der Organisation ist wichtig, um Ziele klar zu definieren und die Einführung effektiv zu gestalten.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Maschinelles Lernen ist ein Oberbegriff für Methoden, bei denen Computer aus Daten Muster erkennen und Vorhersagen treffen.Deep Learning ist eine spezielle Form des maschinellen Lernens, die tiefe neuronale Netze mit vielen Schichten nutzt, um komplexe Merkmale automatisch aus großen Datenmengen zu lernen.Der Hauptunterschied liegt also in der Architektur und Fähigkeit: Deep Learning kann komplexere Zusammenhänge direkt aus rohen Daten erfassen, während traditionelles maschinelles Lernen oft manuelle Merkmalsextraktion benötigt.

B1 Anwendungsfall-suche

Eine KI-Anwendungsfall-Suche vor der KI-Einführung ist wichtig, um konkrete Einsatzmöglichkeiten zu identifizieren, die den größten Nutzen für das Unternehmen bringen.

F.4 Verbesserung der KI-Lösung

Basierend auf den Ergebnissen der Überwachung erfolgt eine gezielte Weiterentwicklung der KI-Lösung. Dies kann die Anpassung des Modells an neue Daten, die Integration von Feedback der Nutzer oder die technische Aktualisierung umfassen, um langfristig eine hohe Qualität und Akzeptanz sicherzustellen.

C.2 Prozessanalyse

Bevor eine KI-Lösung eingeführt wird, ist eine umfassende Prozessanalyse ein zentraler und unverzichtbarer Schritt. Sie schafft die Grundlage für ein fundiertes Verständnis der bestehenden Abläufe, Rollen, Schnittstellen und Herausforderungen innerhalb des betreffenden Prozesses. Ziel dieser Analyse ist es, die relevanten Prozessschritte systematisch zu erfassen, kritisch zu bewerten und zu hinterfragen – insbesondere mit Blick auf die Frage: Ist der Einsatz von KI hier überhaupt sinnvoll und zielführend?Denn nicht jeder Prozess eignet sich gleichermaßen für den Einsatz von Künstlicher Intelligenz. Häufig liegt die eigentliche Lösung nicht in einer KI-Anwendung, sondern in der Neugestaltung oder Optimierung des bestehenden Prozesses. Eine solide Analyse hilft dabei, Klarheit über den tatsächlichen Bedarf zu gewinnen, unrealistische Erwartungen zu vermeiden und zielführende Entscheidungen zu treffen – ob für eine KI-basierte Lösung oder eine strukturelle Prozessanpassung.

K-Nearest-Neighbour

K-Nearest-Neighbour (KNN) ist ein einfacher, aber effektiver Algorithmus des überwachten Lernens für Klassifikation und Regression. Er speichert die Trainingsdaten und trifft Vorhersagen, indem er für einen neuen Datenpunkt die K nächsten Nachbarn im Merkmalsraum sucht – basierend auf einer Distanzmetrik wie z. B. euklidischer Abstand.Bei der Klassifikation wählt KNN die am häufigsten vertretene Klasse unter den K Nachbarn. Der Algorithmus ist nicht parametergesteuert, leicht verständlich, aber rechenintensiv bei großen Datensätzen und empfindlich gegenüber irrelevanten Merkmalen und Skalierung der Daten.

E.4 Anpassung des Prototyps

Basierend auf den Ergebnissen des Projektteams-Tests wird in diesem Schritt der Prototyp oder die Softwarelösung gezielt angepasst und optimiert. Ziel ist es, die Anwendung benutzerfreundlich und effizient zu gestalten und bestmöglich auf die Bedürfnisse der Anwender einzugehen.

Neuronales Netzwerk

Ein vorwärtsgerichtetes neuronales Netzwerk ist die einfachste Form künstlicher neuronaler Netzwerke. Informationen fließen dabei nur in eine Richtung – von den Eingabeneuronen über eine oder mehrere versteckte Schichten bis zu den Ausgabeneuronen. Es gibt keine Rückkopplungen oder Schleifen. Jedes Neuron berechnet aus den Eingaben eine gewichtete Summe, wendet eine Aktivierungsfunktion an und gibt das Ergebnis weiter. Vorwärtsgerichtete Netzwerke werden häufig für Klassifikations- und Regressionsaufgaben eingesetzt.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

E1 Datenzugang

Für die Pilotierung ist es zunächst erforderlich, einen Zugang zu den benötigten Daten sicherzustellen. Dabei muss der Datenzugang nicht von Beginn an automatisiert erfolgen – gerade in frühen Phasen kann auch ein manueller Zugriff ausreichen. Herausforderungen entstehen häufig dann, wenn die Daten von anderen Abteilungen oder externen Partnern verwaltet werden. Daher sollten sowohl unternehmensintern als auch zwischen Unternehmen frühzeitig klare Vereinbarungen zur Datenbereitstellung getroffen werden, um Verzögerungen im weiteren Projektverlauf zu vermeiden.

Machine Learning und Deep Learning

Machine Learning (ML) und Deep Learning (DL) unterscheiden sich vor allem in Komplexität und Leistungsfähigkeit. ML-Modelle arbeiten mit wenigen Parametern, sind i.d.R. leichter interpretierbar und effizient bei kleineren, strukturierten Datensätzen. Sie benötigen weniger Rechenleistung und lassen sich schneller trainieren. Deep Learning hingegen verwendet deutlich mehr Modellparameter und eignet sich besonders für große, unstrukturierte Datenmengen wie Bilder oder Texte. Es ermöglicht eine automatische Merkmalsextraktion und liefert bei komplexen Aufgaben oft bessere Ergebnisse – erfordert dafür jedoch mehr Daten, Rechenleistung und ist schwieriger zu interpretieren.

Erkenntnisse aus der Praxis!

Die quantitative Befragung liefert wertvolle Einblicke in die aktuelle Bedeutung von KI in deutschen Unternehmen. Die Ergebnisse zeigen, in welchem Umfang KI bereits in den Unternehmen realisiert wurde. Auffällig ist, dass der Großteil der Unternehmen KI nur in geringem Maße umgesetzt hat. Nur wenige größere Unternehmen geben an, KI bereits teilweise eingeführt zu haben. Lediglich ein Unternehmen berichtet, KI umfassend implementiert zu haben.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

A4 Strategische Zieldefinition

Eine strategische Zieldefinition vor der Einführung von KI-Technologie ist wichtig, um den Einsatz klar an den übergeordneten Unternehmenszielen auszurichten. Sie hilft dabei, konkrete Anwendungsfelder zu identifizieren, Prioritäten zu setzen und den Ressourceneinsatz gezielt zu steuern. Eine überspitzte strategische Zielsetzung könnte beispielsweise lauten: „Wir wollen ein vollständig papierloses Büro.“ Zudem schafft sie eine gemeinsame Orientierung für alle Beteiligten.

Daten – Woher stammen sie und wie sicher sind sie?

• Datenquellen: Daten, die für die KI verwendet werden, können unterschiedlich gewonnen werden: sie können selbst erzeugt, gekauft, aus dem Kundenkontakt gewonnen, intern gespeichert oder öffentlich verfügbar sein. Diese Herkunft hat Einfluss auf den Schutzbedarf der Daten.
• Rechtliches: Auch rechtliche Aspekte spielen eine Rolle. Manche Anwendungen unterliegen der Datenschutz-Grundverordnung (DSGVO), andere nicht. Ähnliches gilt für die Anforderungen des europäischen AI Act – je nach Anwendung kann dieser relevant sein oder nicht.

Bias und Varianz

Die Fehlerhaftigkeit eines ML-Modells kann in die Komponenten Bias und Varianz zerlegt werden, die sich gegenseitig beeinflussen. Eine Verringerung der Varianz geht mit einer Erhöhung des Bias einher. Diese Wechselwirkung zwischen Bias und Varianz, ist als „Bias-Varianz-Dilemma“ bekannt. Prinzipiell wird bei der Modelwahl versucht einen akzeptablen Kompromiss zwischen den beiden Komponenten zu finden. Die erfolgreiche Bewältigung des Bias-Varianz-Dilemmas geht mit einem Optimum einher und ist von hoher Bedeutung für die Entwicklung leistungsfähiger ML-Modelle.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

K-Means

K-Means ist ein unüberwachter Clustering-Algorithmus, der Daten in k Gruppen (Cluster) einteilt. Ziel ist es, Objekte so zu gruppieren, dass die Abstände innerhalb eines Clusters minimal und die Abstände zwischen den Clustern maximal sind.Ablauf:1. Wähle k zufällige Startzentren.2. Weise jedem Punkt das nächstgelegene Zentrum zu.3. Berechne neue Zentren als Mittelwert der zugehörigen Punkte.4. Wiederhole Schritte 2–3, bis sich die Zuordnungen nicht mehr ändern.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

C1 Bildung des Projektteams

Ziel ist es in dieser Phase, ein Projektteam aufzubauen und alle relevanten Stakeholder frühzeitig einzubinden. Dabei werden klare Rollen und Verantwortlichkeiten definiert, um eine strukturierte und zielgerichtete Zusammenarbeit zu ermöglichen.Die Rollenverteilung sollte sich sowohl an fachlichen Zuständigkeiten als auch an persönlicher Motivation orientieren. Neben klassischen Funktionen wie Projektleitung oder fachlicher Expertise können auch Rollen wie „KI-Promoter“ vergeben werden – also Personen, die eine hohe Begeisterung für neue Technologien mitbringen und als Multiplikatoren im Unternehmen wirken.

MaßnahmeRollen definieren, Kommunikationswege etablieren (Jour Fixe)

MethodeStakeholderanalyse

A1 Bedarfserkennung

Im Schritt Bedarf erkennen steht die Identifikation von Innovations- und Verbesserungsbedarf im Mittelpunkt. Sowohl Bottom-up als auch Top-down wird ein Bewusstsein für neue Lösungen geschaffen. Das frühzeitige Erkennen des Bedarfs für den Einsatz von KI ermöglicht eine gezielte Nutzung von Potenzialen, minimiert Risiken wie unkontrollierte Datenverwendung und unterstützt eine strukturierte, zukunftsorientierte Weiterentwicklung von Prozessen und Strukturen im Unternehmen.

Maßnahme Bewusstsein für die Notwendigkeit neuer Lösungen entwickeln.

Methode Besuch von Vorträgen und Schulungen

F.1 Beta-Test

Der erste praktische Einsatz der KI-Lösung, der sogenannte „Beta-Test“, sollte gezielt mit den relevanten Personas und Abteilungen durchgeführt werden. So wird gewährleistet, dass die Anwendung praxisnah getestet wird, Feedback aus unterschiedlichen Perspektiven berücksichtigt wird und die Lösung bestmöglich an die Bedürfnisse aller Nutzer angepasst werden kann.

KI-Prognosen

Geeignte KI-Modelle

In den Bereichen Beschaffung, Produktion, Logistik und Distribution bestehen vielfältige Herausforderungen wie die Auswahl zuverlässiger Lieferanten, effiziente Ressourcenallokation, optimales Inventarmanagement und Minimierung von Versandrisiken. Ziel:Mit Prognosen die Planungssicherheit erhöhen, Kosten senken und Durchlaufzeiten senken. Voraussetzungen:Der gezielte Einsatz von KI-Prognosen erfordert eine Solide Daten- und IT-Infrastruktur. Chancen:Verbesserte Transparenz, präzisere Bestandsführung und schnellere Reaktionsfähigkeit auf Marktveränderungen. Einflussfaktoren:Sind die Komplexität der Lieferkette, die verschiedene Datenquellen, sowie Mitarbeiterkompetenzen.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Erkenntnisse aus der Praxis!

Die Ergebnisse der Erhebung liefern nicht nur einen Überblick über den aktuellen Umsetzungsstand von KI in deutschen Unternehmen, sondern verdeutlichen auch, warum insbesondere KMU bei der Einführung von Künstlicher Intelligenz zögern. Als zentrale Herausforderungen werden fehlende Schulungsangebote im Bereich KI, technologische Vorbehalte sowie finanzielle Einschränkungen genannt. Zusätzlich behindern eine unzureichende Datenverfügbarkeit und der Mangel an klaren Einstiegsmöglichkeiten den erfolgreichen Einsatz von KI-Lösungen.

D.2 Modellentwicklung

Hier werden auf Basis der verfügbaren Daten geeignete Modelle entwickelt und trainiert. Ziel ist es, ein funktionsfähiges Prototyp-Modell zu erstellen, das die Anforderungen erfüllt und validiert werden kann.

Maßnahme Auswahl geeigneter Algorithmen und Training der Modelle

MethodeIterative Entwicklung, MVP (minimum viable Product)

B1 Anwendungs-fallsuche

In den Schritt der Anwendungsfallsuche geht es darum, geeignete Einsatzmöglichkeiten für KI zu identifizieren.

Maßnahme Anwendungsfall identifizieren.

Methode Best Practices Workshops

F.2 Change-management

In diesem Schritt steht das Changemanagement im Mittelpunkt. Bei generativen KI-Anwendungen lässt sich der Nutzen oft schnell vermitteln, sodass Nutzer befähigt werden, eigenständig Inhalte wie Texte oder Bilder zu erstellen. Hierfür eignen sich gezielte Schulungen, um sicherzustellen, dass Mitarbeitende die Funktionsweise verstehen und die Anwendung effektiv nutzen können. Bei KI-Modellen, die vor allem zur Datenanalyse oder Prozessautomatisierung eingesetzt werden, kann ein höherer Schulungsaufwand erforderlich sein, da der Mehrwert nicht immer auf den ersten Blick erkennbar ist und mit Ängsten oder Widerständen gerechnet werden muss.

Simulation

Geeignte KI-Modelle

In den Bereichen Beschaffung, Produktion, Logistik und Distribution bestehen vielfältige Herausforderungen wie Bestandsverwaltung, Effizienzsimulation, Lagerverwaltung und Risikobewertung. Ziel:Mit KI gestützten Simulationen sollen adaptive, lernfähige Systeme geschaffen werden, die optimale Strategien für Bestände, Lagerprozesse und Risikoabsicherung finden. Voraussetzungen:Der Einsatz dieser Verfahren erfordert ein realitätsnahes Modell des Prozesse sowie Rechenressourcen für die Trainingsphasen. Chancen:Ermöglichen die iterative Optimierung komplexer Parameterkombinationen, z. B. für Lagerstrategien oder Risikoverteilungen. Einflussfaktoren:Wesentlich sind die Qualität und Abdeckung der Simulationsdaten, die Genauigkeit der Modellierung sowie die Fähigkeit, Zielgrößen (z. B. Lieferfähigkeit vs. Kosten) korrekt zu gewichten.

Bias und Varianz

Die Fehlerhaftigkeit eines ML-Modells kann in die Komponenten Bias und Varianz zerlegt werden, die sich gegenseitig beeinflussen. Eine Verringerung der Varianz geht mit einer Erhöhung des Bias einher. Diese Wechselwirkung zwischen Bias und Varianz, ist als „Bias-Varianz-Dilemma“ bekannt. Prinzipiell wird bei der Modelwahl versucht einen akzeptablen Kompromiss zwischen den beiden Komponenten zu finden. Die erfolgreiche Bewältigung des Bias-Varianz-Dilemmas geht mit einem Optimum einher und ist von hoher Bedeutung für die Entwicklung leistungsfähiger ML-Modelle.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Automatisierung

In den Bereichen Beschaffung, Produktion, Logistik und Distribution bestehen vielfältige Herausforderungen wie Auftragszuweisung, automatisierte Planung, Bestandsmanagement und Textmining. Ziel: Prozesse datenbasiert automatisiert, Entscheidungen optimiert und unstrukturierte Informationen (z. B. Texte) effizient nutzbar gemacht werden. Voraussetzungen: Erforderlich sind große, gut strukturierte Datenmengen, leistungsfähige Recheninfrastruktur (GPU/TPU) sowie eine saubere Integration der Modelle in bestehende Planungs- und Steuerungssysteme. Chancen:Verbesserte Routine Aufgaben, präzisere Prozessesteuerung auch bei wachsendem Volumen oder steigender Komplexität. Einflussfaktoren: Erfolgsentscheidend sind die Qualität und Repräsentativität der Trainingsdaten, die Modellarchitektur, die Zieldefinition, sowie die Fähigkeit der Organisation, automatisierte Entscheidungen zu kontrollieren.

Geeignte KI-Modelle

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

C.3 Anforderungs-analyse

In dieser Phase wird der zuvor priorisierte Anwendungsfall im Detail ausgearbeitet.Dazu gehört eine strukturierte Anforderungsanalyse, in der die Zielsetzung des neuen Prozesses, potenzielle Herausforderungen bei der Umsetzung sowie konkrete Anforderungen an die Ausgestaltung erfasst werden.C3 knüpft unmittelbar an die Prozessanalyse an.

Gated Recurrent Unit

Gated Recurrent Unit (GRU) ist eine Variante von rekurrenten neuronalen Netzen (RNNs), die entwickelt wurde, um das Problem des Verschwindens von Gradienten zu reduzieren. GRUs nutzen spezielle Gate-Mechanismen (Update- und Reset-Gate), um zu steuern, welche Informationen gespeichert oder verworfen werden. Dadurch sind sie effizienter und einfacher als LSTMs, behalten aber trotzdem langfristige Abhängigkeiten in Sequenzdaten bei. GRUs werden häufig in Sprachverarbeitung und Zeitreihenanalyse eingesetzt.

Convolutional Neuronales Netzwerk

Ein Convolutional Neuronales Netzwerk (CNN) ist ein spezieller Typ künstlicher neuronaler Netze, der besonders für die Verarbeitung von Bild- und Videodaten geeignet ist. CNNs nutzen Faltungsoperationen (Convolution), um lokale Merkmale wie Kanten oder Formen automatisch zu erkennen. Durch Schichten von Faltung, Pooling und Aktivierung lernen CNNs hierarchische Merkmalsrepräsentationen und ermöglichen so effiziente Bildklassifikation, Objekterkennung und andere visuelle Aufgaben

Handlungsfeld Technologie

IT-Infrastruktur: Eine leistungsfähige IT-Infrastruktur bildet das stabile Fundament für erfolgreiche KI-Anwendungen. Systemeintegration und Schnittstellen: ermöglichen einen reibungslosen Datenfluss, die Basis für eine effektive Zusammenarbeit zwischen bestehenden Anwendungen und neuen KI-Lösungen. Sicherheit: mit klaren Schutzmaßnahmen lassen sich Daten, Systeme und Prozesse zuverlässig absichern.Datenqualität: Grundlage für zuverlässige KI-Ergebnisse. Datenmanagement: Ein durchdachtes Datenmanagement bringt Ordnung, Transparenz und Effizienz – es macht Daten langfristig nutzbar und bereitet den Weg für nachhaltige KI-Projekte.

C1 Bildung des Projektteams

In diesem Schritt steht der Aufbau eines geeigneten Projektteams im Mittelpunkt. Aufbauend auf den Ergebnissen aus Phase B sollten alle relevanten Akteure frühzeitig identifiziert und aktiv in den weiteren Prozess eingebunden werden. Ziel ist es, den zentralen Stakeholdern klar definierte Rollen und Verantwortlichkeiten zuzuweisen, um Zuständigkeiten zu klären und die Effizienz in der Zusammenarbeit zu erhöhen.Darüber hinaus sollen verbindliche Kommunikationsstrukturen etabliert werden – etwa in Form regelmäßiger Jour-fixe. Diese Maßnahmen dienen dazu, einen reibungslosen Informationsfluss zu gewährleisten, Missverständnisse zu vermeiden und eine enge, abgestimmte Zusammenarbeit über alle beteiligten Bereiche hinweg zu ermöglichen.Eine frühzeitige und strukturierte Teambildung ist essenziell für den Projekterfolg: Sie fördert das gemeinsame Verständnis für Ziele und Vorgehen, steigert die Identifikation mit dem Projekt und erhöht die Umsetzungsfähigkeit – insbesondere bei komplexen, bereichsübergreifenden Vorhaben.

F.3 Überwachung der KI-Lösung

Eine kontinuierliche Überwachung ist essenziell, um die Leistung des Modells im realen Einsatz zu überprüfen. Dabei werden beispielsweise Genauigkeit, Nutzungsverhalten und Fehlerquoten überwacht, um frühzeitig Optimierungspotenziale zu erkennen und Probleme zu beheben.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

D.2 Marktanalyse und Auswahl

Eine Marktanalyse, die harte und weiche Kriterien berücksichtigt, unterstützt eine gezielte Auswahl der passenden Lösung und minimiert Fehlentscheidungen. Sie stellt sicher, dass die Lösung sowohl technisch den Anforderungen entspricht als auch in der Praxis akzeptiert und genutzt wird. Harte Kriterien wie Marktpreise, verfügbare Funktionen, technische Anforderungen und Sicherheitsstandards ermöglichen eine objektive Vergleichbarkeit verschiedener Anbieter und Lösungen. Weiche Kriterien wie Benutzerfreundlichkeit, Supportqualität, Integrationsfähigkeit und Flexibilität sind ebenso wichtig, da sie die tatsächliche Akzeptanz und Nutzbarkeit maßgeblich beeinflussen.Zur Evaluierung der Software- oder KI-Lösungen empfiehlt es sich, zunächst eine breite Liste potenzieller Ansätze anhand harter Kriterien zu validieren. Anschließend werden die verbleibenden Lösungen detaillierter geprüft und priorisiert, bis maximal zwei bis drei vielversprechende Kandidaten für eine praktische Validierung ausgewählt werden. Neben fertigen Lösungen kann auch die Entwicklung eigener Ansätze mithilfe konfigurierbarer Programme oder selbst programmierter Anwendungen (z. B. mit Python) sinnvoll sein. Diese bieten höhere Flexibilität und Anpassungsmöglichkeiten für weitere Anwendungsfälle, setzen jedoch entsprechende personelle Kompetenzen voraus.

Extreme Gradient Boosting

XGBoost (Extreme Gradient Boosting) ist ein leistungsstarker, optimierter Ensemble-Algorithmus auf Basis von Gradient Boosting. Er baut eine Folge von Entscheidungsbäumen, wobei jeder neue Baum die Fehler der vorherigen Modelle korrigiert. Die Optimierung erfolgt durch Gradientenabstieg auf eine differenzierbare Verlustfunktion. XGBoost zeichnet sich durch:hohe Genauigkeit,Effizienz durch parallele Verarbeitung,eingebaute Regularisierung (zur Vermeidung von Overfitting), aus.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Datenzugriff - Wer greift wie auf das System zu?

• Zugriff: Es gibt verschiedene Möglichkeiten, wie der Zugriff auf die KI geregelt ist. Manchmal erfolgt er über einen festen Vertrag für einzelne Nutzer. In anderen Fällen können sich viele Nutzer selbst anmelden. Es gibt auch offene Modelle, bei denen viele Nutzer auf viele Systeme zugreifen können.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Künstliche Intelligenz

Einsatzfertige KI-Lösungen, wie etwa KI-Tools im SaaS-Modell, lassen sich meist schnell testen und ohne großen Aufwand implementieren. Dagegen erfordert der Einsatz von KI zur Datenanalyse firmenspezifisch aufbereitete Daten sowie oft den Aufbau und das Training eigener Modelle. Noch komplexer ist die Nutzung von KI zur Automatisierung, da diese direkt in bestehende Geschäftsprozesse eingreift und eine tiefgehende Integration in IT-Systeme und Workflows notwendig macht.

B2 Priorisierung

Im Schritt der Priorisierung werden die identifizierten Anwendungsfälle systematisch bewertet, um die relevanten und umsetzbaren Ideen gezielt weiterzuverfolgen.

Methode Modifizierte Eisenhower-Matrix

Maßnahme Anwendungsfälle gewichten.

Handlungsfeld Umsetzungsebene

Keine universelle Lösung: KI-Lösungen werden angepasst, um individuelle Anforderungen optimal zu erfüllen.Branchenspezifisch: Die Berücksichtigung branchenspezifischer Besonderheiten gewährleistet passgenaue und effektive KI-Anwendungen.Komplexe Prozesse: Komplexe Prozesse bieten Potenziale für gezielte Automatisierung und Effizienzsteigerung durch KI.Qualität der Leistung unbekannt: Die kontinuierliche Überwachung und Bewertung der KI-Leistung sorgt für Transparenz und stetige Verbesserung.

E.4 Anpassung des Prototyps

Basierend auf dem Feedback aus den Tests wird die Lösung gezielt überarbeitet und optimiert, um eine möglichst hohe Nutzerfreundlichkeit, Funktionalität und Effektivität zu gewährleisten.

Maßnahme Fehlerbehebung und Feinjustierung

Methode Iterative Verbesserungen (z. B. durch kurze Entwicklungszyklen und erneutes Testen)

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

D.1 Technische Merkmale

Die in Phase C erfassten Anforderungen spiegeln wider, was die Anwender:innen konkret von der Lösung erwarten. Eine präzise und strukturierte Anforderungserhebung ist entscheidend, um die notwendige Komplexität der Lösung realistisch einschätzen zu können und erste Rückschlüsse auf relevante technische Merkmale zu ermöglichen. Hier ist zu berücksichtigen, dass KI-Anwendungen in vielen Fällen komplex sind. Um dieser Herausforderung zu begegnen, wurde im Rahmen des KI-Navigators ein morphologischer Kasten entwickelt. Dieses Instrument ordnet technische Merkmale systematisch entlang verschiedener Dimensionen und bietet Praktiker:innen ein strukturiertes Modell, um Lösungsoptionen besser zu vergleichen und fundierte Entscheidungen zu treffen.

C.3 Anforderungs-analyse

In der Anforderungsanalyse werden die konkreten Anforderungen an den neuen Prozess systematisch erhoben. Ziel ist es, ein klares Verständnis über Erwartungen, Ziele und Rahmenbedingungen zu gewinnen.

MaßnahmeAnforderungen an den neuen Prozess identifizieren

MethodePersonas,User-Story-Telling

D.2 Modell-entwicklung

Bei der Modellentwicklung (E2) wird empfohlen, zunächst eine einfache, regelbasierte Logik oder Statistik als Referencemodell zu entwickeln, bevor komplexe KI-Modelle zum Einsatz kommen. Dies ermöglicht eine fundierte Bewertung der Leistungsfähigkeit der später eingesetzten Modelle.

A1 Bedarf erkennen

Dem eigentlichen Einführungsprozess vorgelagert ist das Erkennen des Bedarfs für die Einführung von KI. Der Bedarf kann aus verschiedenen Faktoren heraus entstehen: Mitarbeiterinitiative: Mitarbeiter nutzen KI-Anwendung im Privaten oder mit privaten Accounts im Arbeitsalltag (z. B. ChatGPT), ohne, dass es vom Unternehmen gesteuert wird. Die Potenziale sollen dann auch in den Unternehmensalltag integriert werden. Dies kann z. B. auch dazu dienen Sicherheitsrisiken zu reduzieren, da Mitarbeiter möglicherweise sensible Unternehmensdaten in Drittanbieter Anwendungen eingeben könnten. Änderungsbedarf für konkrete Prozesse: Herausforderungen, z. B. neue Anforderungen durch Partner oder Behörden, in bestehenden Prozessen erfordern Änderungsbedarf, welcher evtl. durch KI-Anwendungen gedeckt werden kann.Hype-getrieben: Die Omnipräsenz von KI, insbesondere durch das Aufkommen von alltagstauglichen LLMs führt zu einem hohen Interesse sich mit der „neuen“ Technologie auseinanderzusetzen, vor allem auch, um nicht den Anschluss zu verlieren.

Basis der vorliegenden Informationen sind:

• Multivokale Literaturanalyse zu KI-Anwendungsfällen
• Eine Interviewstudie
• Eine Online-Befragung
• Workshops mit Praxisvertretern

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

E.3 Projektteam-Testen

In diesem Schritt wird der entwickelte Prototyp oder die Softwarelösung durch die Anwender im Projektteam getestet, um zu überprüfen, ob sie den definierten Anforderungen entspricht und im praktischen Einsatz zuverlässig funktioniert. Dabei werden gezielt Feedback und Verbesserungsvorschläge gesammelt, um mögliche Schwachstellen frühzeitig zu identifizieren und gezielt weiterzuentwickeln.

Anforderungen – Welche Aufgabe soll die KI übernehmen?

Die erste Kategorie beschreibt, was die KI leisten soll. Es gibt verschiedene Zielstellungen:

• Wenn die KI Werte vorhersagen soll, wie zum Beispiel Umsätze oder Temperaturen, spricht man von einem Regressionsproblem. Dafür wird meist überwachtes Lernen eingesetzt.
• Soll die KI Daten in Gruppen einteilen – zum Beispiel Kundentypen erkennen oder Texte klassifizieren – spricht man von einem Klassifikationsproblem. Hierfür kommen sowohl überwachtes als auch unüberwachtes Lernen in Frage.
• Muss die KI Sprache, Bilder oder Texte verstehen, sind komplexere Verfahren notwendig. In diesen Fällen werden oft mehrere Methoden kombiniert, beispielsweise in der Bildanalyse oder Sprachverarbeitung.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Handlungsfeld Technologie im Einsatz

Entwicklung skalierbarer Lösungen: Die tatsächliche Leistungsfähigkeit von KI zeigt sich oft erst im Praxiseinsatz, weshalb es wichtig ist, kontinuierlich Potenziale und Schwachstellen zu identifizieren und zu verbessern.Modellpflege und Qualitätssicherung: Eine nachhaltige Pflege und sorgfältige Qualitätssicherung sind entscheidend, um die Zuverlässigkeit der KI-Modelle langfristig sicherzustellen.Halluzinationen und Blackbox-Effekte: KI-Modelle können gelegentlich unerwartete Ergebnisse liefern und sind nicht immer transparent, was eine aktive Auseinandersetzung mit Erklärbarkeit und Kontrolle erfordert. Komplexität der Technologie: Die technische Komplexität erfordert gezielte Unterstützung, damit Anwender die KI-Systeme effektiv verstehen und nutzen können.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Genetische Algorithmen

Genetische Algorithmen (GA) sind Such- und Optimierungsverfahren, die von der natürlichen Evolution inspiriert sind. Sie arbeiten mit einer Population potenzieller Lösungen, die als Chromosomen kodiert sind. Durch wiederholte Anwendung von Selektion, Kreuzung (Crossover) und Mutation entwickeln sich diese Lösungen über Generationen hinweg weiter. Ziel ist es, eine möglichst gute Lösung für ein gegebenes Problem zu finden. Genetische Algorithmen eignen sich besonders für komplexe Probleme mit großen Suchräumen, bei denen klassische Methoden versagen oder ineffizient sind.

Modelltraining

Im Grunde soll durch ML, ein einfaches, aber effektives Modell entwickelt werden, das ein Phänomen vorhersagen oder erklären kann. Die Methodologien des ML begründen sich auf dem wissenschaftlichen Prinzip des „Trial and Error“ (deutsch: „Versuch und Irrtum“). Diese Methode dient der fortlaufenden Validierung und Verfeinerung eines Modells, basierend auf den Verlusten, die aus den Ergebnissen über ein gegebenes Phänomen resultieren. Das Modellieren basiert demnach auf Beobachtungen (Daten) und stellt eine induktive Form des Lernens da. Wenn Beobachtungen auftreten, die einen hohen Fehler aufweisen, wird das Modell aktualisiert oder durch ein komplexeres Modell ersetzt. Oftmals erweist sich ein evolutionärer Ansatz, als sinnvoll, welcher mit einem einfachen Modell beginnt und im Verlauf komplexer wird.

C.4 Bewertungs-kriterien

In dieser Phase werden klare und nachvollziehbare Bewertungskriterien definiert, um den Erfolg des neuen Prozesses messbar zu machen.

MaßnahmeBewertungskriterien für den neuen Prozess festlegen

MethodeErfolgsfaktorenanalyse

B3 Anwendungsfall-auswahl

Nachdem die Analyse abgeschlossen ist, sollten zwei bis drei konkrete Anwendungsfälle identifiziert und ausgewählt werden, die sich besonders gut für eine erste Pilotierung eignen. Diese Pilotprojekte dienen dazu, erste Erfahrungen mit der praktischen Umsetzung zu sammeln, technologische und organisatorische Machbarkeit zu prüfen und potenzielle Mehrwerte frühzeitig sichtbar zu machen.

Modelltraining

Im Grunde soll durch ML, ein einfaches, aber effektives Modell entwickelt werden, das ein Phänomen vorhersagen oder erklären kann. Die Methodologien des ML begründen sich auf dem wissenschaftlichen Prinzip des „Trial and Error“ (deutsch: „Versuch und Irrtum“). Diese Methode dient der fortlaufenden Validierung und Verfeinerung eines Modells, basierend auf den Verlusten, die aus den Ergebnissen über ein gegebenes Phänomen resultieren. Das Modellieren basiert demnach auf Beobachtungen (Daten) und stellt eine induktive Form des Lernens da. Wenn Beobachtungen auftreten, die einen hohen Fehler aufweisen, wird das Modell aktualisiert oder durch ein komplexeres Modell ersetzt. Oftmals erweist sich ein evolutionärer Ansatz, als sinnvoll, welcher mit einem einfachen Modell beginnt und im Verlauf komplexer wird.

Zieldefinition

Im Schritt der strategischen Zieldefinition steht die Formulierung des Projektziels im Vordergrund. Dabei geht es um, langfristige, übergeordnete Ziele für das Projekt festzulegen. Diese Ziele geben die Richtung vor, in die sich die Organisation entwickeln will.

Maßnahme Formulierung einer strategischen Zielsetzung

MethodeBrainstorming

Segmentierung

Geeignte KI-Modelle

In den Bereichen Beschaffung, Produktion, Logistik und Distribution bestehen vielfältige Herausforderungen wie Lieferverzögerungen, Maschinenplanung, Standortauswahl und Kundensegmentierung. Ziel:Mit Hilfe von Cluster/Klassifikation-Algorithmen sollen Muster erkannt, Prozesse differenziert analysiert und Entscheidungen datenbasiert unterstützt werden – z. B. durch präzisere Segmentierungen, effizientere Planungen und reduzierte Ausfallrisiken. Voraussetzungen:Der gezielte Einsatz von Cluster/Klassifikation-Algorithmen erfordert eine Solide Daten- und IT-Infrastruktur. Chancen:Durch Clustern können in den Daten strukturelle Muster und verborgene Gruppen entdeckt werden – ohne dass vorher definiert werden muss, wonach genau gesucht wird.Einflussfaktoren:Die Qualität und Vielfalt der Datenquellen, sowie die Interpretation der Ergebnisse durch qualifiziertes Personal.

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

Deep Q-Learning

Deep Q-Learning ist ein Verfahren aus dem Bereich des Reinforcement Learning, bei dem ein Agent durch Interaktion mit einer Umgebung lernt, optimale Entscheidungen zu treffen. Es kombiniert Q-Learning – eine Methode zur Bewertung von Aktionen – mit Deep Learning, indem ein neuronales Netz verwendet wird, um die Q-Funktion zu approximieren. Ziel ist es, den erwarteten zukünftigen Belohnungswert (Q-Wert) für jede Aktion in einem bestimmten Zustand vorherzusagen. Deep Q-Learning eignet sich besonders für komplexe Aufgaben mit großen Zustandsräumen.

F.4 Anpassung der KI-Lösung

Basierend auf dem Feedback aus den Tests wird die Lösung angepasst und optimiert, um eine bestmögliche Nutzerfreundlichkeit und Effektivität sicherzustellen.

Maßnahme Modell nachtrainieren, Feedback berücksichtigen

MethodeIterative Optimierung

F.3 Überwachung der KI-Lösung

Nach der Einführung wird die KI-Anwendung kontinuierlich überwacht, um Leistung und Stabilität im laufenden Betrieb sicherzustellen. Dabei sollen Schwachstellen erkannt und die tatsächlichen Ergebnisse regelmäßig mit den definierten Zielen abgeglichen werden.

Maßnahme Nutzung analysieren, Fehler identifizieren

MethodeInterviews, Monitoring

B2 Priorisierung

In diesem Schritt sind die Anwendungsfälle zu priorisieren. Relevante Kriterien sind insbesondere die Relevanz für das Unternehmen und die Umsetzbarkeit. Kriterien für die Relevanz können Effizienzsteigerung gemessen an der Zeit, Performance z.B. gemessen an Aufrufen oder die Reduzierung von Fehlern bei Routineaufgaben sein. Kriterien für die Umsetzbarkeit können die Verfügbarkeit von Daten, eine Plausibilitätsprüfung oder die Kosten sein.

B3 Anwendungsfall-auswahl

Im Schritt Anwendungsfallauswahl werden gezielt geeignete Pilotprojekte ausgewählt. Dabei werden 2–3 priorisierte Anwendungsfälle identifiziert, die sich durch Umsetzbarkeit, Nutzenpotenzial und Relevanz für die Organisation auszeichnen.

Maßnahme 2-3 Anwendungs-fälle prioriseren.

Methode Modifizierte Eisenhower-Matrix

Künstliche Intelligenz

Schwache KI: Erfüllt spezifische Aufgaben, z. B. Sprachassistenten. Sie hat kein Bewusstsein oder Verständnis. Starke KI: Hypothetisch, mit menschenähnlicher, allgemeiner Intelligenz. Existiert bisher nicht. Superintelligenz: Theoretisch, übertrifft menschliche Intelligenz in allen Bereichen. Existiert bisher nicht.

F.2 Change-management

Damit die KI-Lösung im Unternehmen erfolgreich angenommen wird, ist aktives Changemanagement entscheidend. Durch gezielte Kommunikation und Schulungsmaßnahmen sollen Vorbehalte abgebaut, Akzeptanz gefördert und die Mitarbeitenden befähigt werden, die neue Lösung einzusetzen.

Maßnahme Schulungen durchführen, Kommunikation

MethodeMitarbeiterschulungen

Handlungsfeld Externe Umwelt

Branchenspezifische Vorschriften: werden sorgfältig eingehalten und in die KI-Strategie integriert.DSGVO: Die KI-Anwendungen gewährleisten Datenschutz und Datensicherheit.AI-Act: Die KI-Entwicklung erfolgt konform zum AI-Act, um Transparenz und Verantwortlichkeit sicherzustellen.Urheberrecht: Das Urheberrecht wird bei der Nutzung und Verarbeitung von Daten respektiert und konsequent umgesetzt.Kundenerwartungen: Die KI-Lösungen erfüllen die aktuellen Kundenerwartungen und steigern dadurch die Kundenzufriedenheit.

D.1 Datenzugang

In dieser Phase wird sichergestellt, dass alle relevanten Daten für das Projekt zugänglich und verfügbar sind. Dies umfasst die Identifikation der Datenquellen sowie die Klärung von Zugriffsrechten und Schnittstellen.

Maßnahme Datenquellen identifizieren und Zugriffsrechte klären

MethodeProzessanalyse

Lernmethoden

Überwachtes Lernen: nutzt gelabelte Daten, um Modelle zu trainieren, die Eingaben gezielt auf bekannte Ausgaben abbilden (z. B. Klassifikation).Unüberwachtes Lernen: arbeitet mit ungelabelten Daten, um Strukturen oder Muster wie Cluster oder Zusammenhänge zu erkennen.Bestärkendes Lernen: trainiert einen Agenten durch Interaktion mit einer Umgebung, wobei er durch Belohnungen lernt, optimale Entscheidungen zu treffen.

C2 Prozessanalyse

Die Prozessanalyse erfolgt in mehreren aufeinander aufbauenden Schritten. Zunächst werden im Rahmen der Prozesserhebung die bestehenden Ist-Prozesse systematisch erfasst – etwa durch Interviews, Workshops, Dokumentenanalysen oder direkte Beobachtung. Anschließend erfolgt die Prozessmodellierung, bei der die Abläufe, Rollen und Schnittstellen in standardisierten Diagrammen visualisiert werden, um Transparenz und ein gemeinsames Verständnis zu schaffen. In der Phase der Prozessbewertung werden Effizienz, Qualität und mögliche Schwachstellen analysiert, beispielsweise anhand von Kennzahlen oder Durchlaufzeiten. Auf dieser Basis erfolgt die Ableitung von Potenzialen, bei der geprüft wird, ob der Einsatz einer KI-Lösung sinnvoll ist oder ob andere Optimierungsmaßnahmen geeigneter wären.

MaßnahmeProzesse analysieren und bewerten

MethodeProzessmapping

A2 Technologieverständnis

Dieser Schritt ist insbesondere bei KI-Anwendungen wichtig, da im allgemeinen noch viele Unklarheiten bzgl. der Fähigkeiten und Risiken der Technologie bestehen. Ein wichtiger Faktor dabei ist, dass die Merkmale von Generativer KI und Prädiktiver KI oft miteinander vermischt werden. Während erstere in der Regel mit der Verarbeitung großer, unstrukturierter Datenmengen auf den Servern von Hyperscalern verbunden sind, stellen zweitere im Grunde eine erweiterte Form der Datenanalyse dar, welche auch auf lokalen Rechnern verarbeitet werden können. Im KI-Navigator wird von drei verschiedenen Ki-verständnissen ausgegangen, mit denen ein unterschiedlicher Implementierungs- und Zeitaufwand einhergeht.