Unternehmen sollten sich dagegen wehren, immer leistungsfähigere KI-Systeme nur deshalb einzuführen, um mit dem Hype Schritt zu halten, heißt es in einem von TechRadar Pro veröffentlichten Artikel. Seine zentrale These lautet, dass Unternehmenstechnologie ausgewählt werden sollte, um ein konkretes Geschäftsproblem zu lösen – und nicht, um die Zahl der eingesetzten Modelle oder Agenten zu maximieren.

Der Artikel weist darauf hin, dass Unternehmen seit Langem traditionelles maschinelles Lernen für Aufgaben wie Empfehlungen, Prognosen, Betrugserkennung und die Schätzung des Customer Lifetime Value einsetzen. Bei strukturierten Daten und einfachen Vorhersagen können diese Methoden schneller und kostengünstiger sein als große Sprachmodelle, die zusätzliche Kosten und Schwankungen verursachen können, ohne das Ergebnis zu verbessern.

Manche Prozesse benötigen möglicherweise überhaupt keine KI. Wenn eine Aufgabe festen Regeln folgt und konsistente Ergebnisse liefern muss – etwa Daten nach einem Zeitplan zu übertragen oder bei einer vordefinierten Bedingung eine Aktion auszulösen –, kann herkömmliche Automatisierung ausreichen. Einen Agenten in einen zuverlässigen, kostengünstigen Prozess einzubauen, kann zusätzliche Komplexität schaffen, ohne ihn nützlicher zu machen.

Generative KI eignet sich besser, wenn eine Aufgabe die Interpretation von Sprache, Bildern oder anderen unstrukturierten Informationen erfordert oder wenn der nächste Schritt vom Kontext abhängt. Agenten können dieses Verständnis nutzen, um mit Systemen zu interagieren und Aktionen auszuführen. Der Artikel geht davon aus, dass Unternehmenssysteme diese Ansätze kombinieren werden, statt dass eine Technologie alle anderen ersetzt.

Die Überführung von KI aus einem Konzeptnachweis in den produktiven Einsatz bringt auch Kosten und Verantwortlichkeiten mit sich, darunter Sicherheit, Überwachung und die Kontrolle des Systemverhaltens. Je mehr Spielraum ein Agent hat, Informationen zu interpretieren und Entscheidungen zu treffen, desto wichtiger wird es, seine Leistung zu bewerten, die für ihn zugänglichen Daten und Aktionen zu begrenzen und Möglichkeiten für menschliches Eingreifen vorzusehen. Leistungsfähigere Modelle können zudem im großen Maßstab teuer im Betrieb sein; ihr zusätzlicher Nutzen muss diese Kosten daher rechtfertigen.

Der Artikel empfiehlt, von den geschäftlichen Anforderungen und den verfügbaren Daten auszugehen, statt zuerst eine Technologie auszuwählen. Zuverlässige strukturierte Daten können sich für traditionelles maschinelles Lernen eignen; unstrukturierte Informationen können generative KI nützlich machen; und Agenten können gerechtfertigt sein, wenn Aufgaben kontextuelles Verständnis und Aktionen über mehrere Systeme hinweg erfordern. In anderen Fällen bleibt herkömmliche Software die bessere Wahl.

Außerdem wird argumentiert, dass KI-Tools den Bedarf an Ingenieurinnen und Ingenieuren nicht beseitigen. Sie können erfahrenen Mitarbeitenden helfen, schneller zu arbeiten, und jüngere Ingenieurinnen und Ingenieure früher produktiv machen. Organisationen brauchen jedoch weiterhin Menschen mit dem technischen Wissen, um die zugrunde liegenden Systeme zu entwickeln, zu überwachen und zu reparieren. Investitionen in Nachwuchskräfte und den Wissenstransfer bleiben wichtig, wenn erfahrene Ingenieurinnen und Ingenieure weiterziehen oder in den Ruhestand gehen.

Der Artikel kommt zu dem Schluss, dass der Wettbewerbsvorteil von Unternehmen davon abhängen wird, zu erkennen, wo KI die Ergebnisse tatsächlich verbessert und wo einfachere Werkzeuge besser funktionieren. Die Wahl des geeigneten Ansatzes erfordert, so der Artikel, solide Daten, technisches Fachwissen und das Urteilsvermögen, unnötige Komplexität zu vermeiden.

Quellen: TechRadar.