Neues Zeitalter der KI - KI-Grundlagen, Auswirkungen und Aussichten

Kurze historische Einführung in die KI, Überblick über aktuelle Entwicklungen und Technologien, Auswirkungen auf die Wirtschaft, Anwendungen und Einstiegsmöglichkeiten

Adam D. Wisniewski

7/11/202419 min read

Neues Zeitalter der KI - KI-Grundlagen, Auswirkungen und Aussichten

Seitdem OpenAI die Version 3.5 von ChatGPT der Öffentlichkeit zugänglich gemacht hat, ist KI in aller Munde. Diese Technologie weckt immense Hoffnungen, sowohl für die Wirtschaft als auch für die Gesellschaft als Ganzes, aber auch tiefe Ängste. Sie verspricht, die Welt weiter zu vereinen und jeden einzelnen Menschen an ihren Vorteilen teilhaben zu lassen, birgt aber auch die Gefahr, neue Gräben zu schaffen und bestehende zu vertiefen - zum Beispiel zwischen technologisch fortgeschrittenen Ländern, Gesellschaftsschichten und Unternehmen und solchen, die technologisch weit entfernt oder weniger technikaffin sind.

Heute können wir nur eines sicher sein: Wir stehen am Anfang einer Entwicklung, die sich auf alle Lebens- und Wirtschaftsbereiche ausdehnen wird und die mit einer Geschwindigkeit voranschreitet, wie wir sie in der gesamten Menschheitsgeschichte noch nicht erlebt haben. Es ist und wird eine grosse Herausforderung sein, diese Entwicklung so zu steuern, dass wir langfristig das Beste daraus machen - und Probleme und Gefahren abwenden, die nur schwer wieder in den Griff zu bekommen sind.

Dieser erste Artikel - und Sie können sich auf weitere freuen - soll dazu beitragen, das Verständnis für diese Entwicklung zu stärken und Sie und Ihre Unternehmen auf diese wilde Fahrt vorzubereiten.

Was ist künstliche Intelligenz?

KI ist an sich nichts wirklich Neues. Der Begriff Künstliche Intelligenz wurde bereits 1956 von John McCarthy auf der Dartmouth-Konferenz eingeführt, die als Ausgangspunkt der KI als Forschungsgebiet gilt. Er beschreibt Algorithmen und Modelle, die es Computern ermöglichen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

Insbesondere Alan Turing und Isaac Asimov haben sich bereits Jahre vor der Dartmouth-Konferenz Gedanken zu diesem Thema gemacht. Schliesslich ist es eine alte menschliche Fantasie und ein ebenso grosser Wunsch, Wesen zu schaffen, die unsere Arbeit für uns erledigen - und uns als grosse Schöpfer bestätigen.

Evolution der KI

1) Die Vergangenheit

Die Entwicklung der KI ist steinig - immer wieder von grossen Hoffnungen getragen und immer wieder von Enttäuschungen geprägt. Nach den ersten theoretischen Überlegungen von Alan Turing - der den Turing-Test entwickelte, mit dem entschieden werden sollte, ob eine Maschine selbst denken kann bzw. ob es möglich ist, zwischen dem Denken einer Maschine und dem eines Menschen zu unterscheiden - und Isaac Asimov, der darüber nachdachte, wie man mit einfachen Regeln sicherstellen kann, dass ein Automat oder Roboter dem Menschen keinen Schaden zufügt, begannen viele Wissenschaftler 1956 mit der Arbeit an der KI.

Dieses so genannte Goldene Zeitalter der KI war von großen Erwartungen geprägt und hatte grosse Ziele. Die Krönung sollte ein Computer sein, der über das gesamte Wissen der Menschheit verfügt und auf dieser Grundlage alle Fragen und Probleme der Menschheit lösen kann.

Es stellte sich jedoch heraus, dass die Wissenschaftler und Entwickler nicht einmal für einfache Probleme eine Lösung finden konnten. Sie waren nicht in der Lage, brauchbare automatische Übersetzungen zu erstellen oder gesprochene Sprache zu erkennen. 1973 sagte der Lingthill-Bericht voraus, dass Maschinen immer auf dem Niveau eines erfahrenen Amateurs bleiben würden. Dies machte grosse Hoffnungen zunichte, die KI-Forschung wurde nicht mehr finanziert und der so genannte KI-Winter herrschte bis 1980.

2) Die Gegenwart

Die Entwicklungen in Bereichen wie der Computertechnologie und die nicht zuletzt durch den Erfolg des Internets ständig wachsende Menge an leicht zugänglichen Daten brachten ab etwa 1980 neuen Schwung in die KI-Forschung. Spätestens 1997, als die IBM-KI Deep Blue den damaligen Schachweltmeister Kasparow in einem vielbeachteten Mensch-gegen-Maschine-Turnier besiegte, war die KI wieder auf der Weltbühne angekommen. Grosse Unternehmen wie IBM, Google und Apple begannen bald, erheblich in die KI-Forschung zu investieren. Daraus entstanden Anwendungen wie Siri, IBM Watson, Autokorrekturfunktionen, automatische Songempfehlungen von Spotify oder der Staubsaugerroboter Roomba von iRobot.

Diese Entwicklung hat sich mit dem Aufkommen immer schnellerer Computer und immer grösserer verfügbarer Datenmengen beschleunigt, ist aber nicht ohne Enttäuschungen geblieben. Auf der Grundlage von Watson hat IBM beispielsweise die Spracherkennung gemeistert und dies mit dem Gewinn der amerikanischen Jeopardy-Show im Jahr 2011 eindrucksvoll unter Beweis gestellt, doch in anderen Bereichen wie der Medizin hat das KI-System die Erwartungen enttäuscht.

Der nächste Durchbruch kam mit einem völlig neuen Lernansatz für die KI-Algorithmen - sie sollen ihre Entscheidungen nicht auf der Grundlage einer möglichst grossen Datentiefe treffen, sondern nur die grundlegenden Regeln für ein Problem erhalten und dann durch iterative Versuche selbst die besten Lösungen finden, wobei sie der besten Lösung mit jeder Iteration ein Stück näher kommen.

Ein grosser Vorteil dieses neuen Ansatzes, der als Deep Learning bezeichnet wird, besteht darin, dass er auf jedes Problem angewendet werden kann. Und Google hat 2017 mit seinem AlphaZero-System bewiesen, wie leistungsfähig es ist. Es gab seinem System die Grundlagen des Schachspiels, liess es trainieren und spielte 100 Partien gegen den damaligen Schachcomputerweltmeister Stockfish 7. Von diesen 100 Partien hat AlphaZero 28 gewonnen, 72 Mal unentschieden gespielt und keine einzige verloren. Und AlphaZero musste nur 4 Stunden lang trainieren, um dieses Kunststück zu vollbringen!

Seitdem haben Deep-Learning-Systeme gelernt, Objekte und Gesichter auf Bildern zu erkennen, eigene Bilder und neuerdings auch Videos auf der Grundlage einer einfachen Beschreibung zu erstellen, die Faltung von Proteinen oder sogar Krebserkrankungen auf der Grundlage von Röntgenbildern vorherzusagen, Werbetexte oder sogar ganze Artikel und Bücher zu schreiben, Computercode zu schreiben oder Musik zu komponieren. Und seit OpenAI, das Zugang zu riesigen Informationsmengen hat, im November 2022 sein KI-ChatGPT 3.5 der Öffentlichkeit zugänglich gemacht hat, hat diese Technologie endlich Einzug in jedes Klassenzimmer, jedes Büro und wahrscheinlich sogar in Ihr Zuhause gehalten.

3) Die Zukunft

Bei einer Technologie, die sich so schnell entwickelt, ist es natürlich schwierig vorherzusagen, was die Zukunft bringen wird. Auf jeden Fall werden wir in den Bereichen, in denen sie heute schon eingesetzt wird, rasche Verbesserungen erleben. Die automatisch erzeugten Bilder werden bald kaum noch von Fotografien zu unterscheiden sein, die KI wird immer bessere und längere Videos erstellen - bald vielleicht ganze Filme, ganz nach den Vorgaben ihrer Betrachter. Sie werden immer mehr Aufgaben in der Forschung, in Unternehmen übernehmen, und wir werden ihnen immer häufiger begegnen, wenn wir online kommunizieren. Sprachbarrieren werden fallen, jeder wird Zugang zu den besten Lehrern in jedem Bereich haben, und immer mehr unserer Entscheidungen werden von einer KI unterstützt werden.

Wir werden lernen müssen, eng mit KI zusammenzuleben, sei es privat oder beruflich. Und in beiden Bereichen müssen wir uns schon jetzt darauf einstellen, dass wir uns an eine sich immer schneller verändernde Umwelt anpassen müssen.

Viele der Folgen dieser Entwicklung bekommen wir bereits heute zu spüren. KI beeinflusst unser Verhalten in den sozialen Medien, und bei Bildern und Videos fällt es uns schwer, echte Nachrichten von künstlich erstellten Fälschungen zu unterscheiden. Bei einem Telefon- oder Videoanruf können wir nicht mehr sicher sein, dass wir es mit einem echten Menschen zu tun haben. Texte werden zunehmend automatisch erstellt, was neue Ansätze für Texter, Lehrer und Juristen gleichermassen erfordert.

Mit immer besser werdenden Systemen ist zu erwarten, dass sich immer mehr Berufe durch KI grundlegend verändern werden. Dabei wird es sich zunehmend um komplexe und kreative Aufgaben handeln. Eine aktuelle Studie des Beratungsunternehmens Cognizant in Zusammenarbeit mit Oxford Economics schätzt, dass 90 % der Arbeitsplätze in den USA durch KI wegfallen werden (https://www.cognizant.com/us/en/aem-i/generative-ai-economic-model-oxford-economics).

Wenn man weiter in die Zukunft blickt, könnte die KI jedoch noch grössere Auswirkungen haben. In wissenschaftlichen Kreisen wird derzeit darüber diskutiert, ob oder wann KI die volle Bandbreite menschlicher Intelligenz erreichen könnte - die so genannte Künstliche Allgemeine Intelligenz (AGI). Die Technologie könnte dann für jede intellektuelle menschliche Aufgabe eingesetzt werden. Eine weitere Entwicklung könnte zur Künstlicher Superintelligenz (ASI) führen, d. h. zu KI-Systemen, die uns an Intelligenz in allen Bereichen übertreffen. Einige Experten glauben, dass dies geschehen könnte, wenn die KI selbst noch bessere KI erschaffen kann, und dass sich dieser Prozess dann exponentiell beschleunigen wird. Nach Ansicht dieser Experten hätten wir dann die Kontrolle über die Technologie vollkommen verloren und wären überlegenen KI-"Wesen" ausgeliefert.

Künstliche Allgemeine Intelligenz

Künstliche Allgemeine Intelligenz (Artificial General Intelligence, AGI) bezeichnet eine Art von künstlicher Intelligenz, die in der Lage ist, zu verstehen, zu lernen und Wissen in einem breiten Spektrum von Aufgaben auf einem Kompetenzniveau anzuwenden, das mit dem eines Menschen vergleichbar ist. Im Gegensatz zur engen KI, die auf die Ausführung spezifischer Aufgaben mit Fachwissen ausgelegt ist, kann die AGI ihre Lern- und Denkfähigkeiten verallgemeinern, um jedes Problem zu lösen, auch solche, für die sie nicht speziell programmiert wurde. AGI verfügt über ein breites und flexibles Spektrum an kognitiven Fähigkeiten, die sie in die Lage versetzen, jede intellektuelle Aufgabe zu lösen, die auch ein Mensch lösen kann.

Künstliche Superintelligenz

Künstliche Superintelligenz (Artificial Superintelligence, ASI) bezieht sich auf eine hypothetische KI, die die menschliche Intelligenz in allen Bereichen übertrifft, einschliesslich Kreativität, allgemeine Weisheit und Problemlösung. Im Gegensatz zur allgemeinen künstlichen Intelligenz (Artificial General Intelligence, AGI), die darauf abzielt, den menschlichen kognitiven Fähigkeiten zu entsprechen, wäre ASI in der Lage, die intellektuelle Leistung der besten menschlichen Köpfe in praktisch jeder Disziplin zu übertreffen, von der wissenschaftlichen Forschung und Erfindung bis hin zu sozialen Interaktionen und emotionalem Verständnis. Das Konzept der ASI birgt sowohl Chancen als auch erhebliche ethische und sicherheitstechnische Bedenken, da es zu beispiellosen Fortschritten in Technik, Medizin und Wissenschaft führen könnte, aber auch existenzielle Risiken birgt, wenn es nicht angemessen kontrolliert oder mit menschlichen Werten und Interessen in Einklang gebracht wird.

Die Singularität

Im Zusammenhang mit der Entwicklung der künstlichen Intelligenz (KI) bezeichnet die Singularität einen hypothetischen zukünftigen Zeitpunkt, an dem die künstliche Intelligenz (KI) so weit fortgeschritten sein wird, dass Maschinen entstehen, die intelligenter sind als Menschen. Es wird erwartet, dass dieser Zeitpunkt zu einem exponentiellen technologischen Wachstum führen wird, das die menschliche Zivilisation in unvorstellbarer Weise verändern wird. Das Konzept geht davon aus, dass sich die KI nach der Singularität selbständig und in immer schnellerem Tempo verbessern könnte, was zur Schaffung von Maschinen mit übermenschlicher Intelligenz und Fähigkeiten führen würde. Die Idee der Singularität löst sowohl Begeisterung als auch Besorgnis aus, da sie Chancen für die Lösung der dringendsten Probleme der Menschheit bietet, aber auch erhebliche ethische, sicherheitstechnische und existenzielle Risiken mit sich bringt. Der Begriff wird häufig mit Futuristen wie Ray Kurzweil in Verbindung gebracht, die vorhersagen, dass dieses Ereignis noch im 21. Jahrhundert eintreten könnte.

KI-Hype - Warum jetzt?

Wie bereits in dem Artikel erwähnt, wurde die jüngste Entwicklung der KI vor allem durch die zunehmende Rechenleistung, die Verfügbarkeit großer Datenmengen und die Entwicklung neuer KI-Konzepte beschleunigt.

Die Akzeptanz in der breiten Öffentlichkeit und in den Unternehmen sollte jedoch nicht unterschätzt werden. Wir leben zunehmend in einer digitalen Welt, kommunizieren, arbeiten und kaufen online. Wir sind es auch gewohnt, immer schneller auf neue, noch komfortablere Online-Dienste zuzugreifen und erwarten individuelle und personalisierte Services in allen Bereichen. Dies sind natürliche Anwendungsfelder für die KI-Technologie, weshalb wir sie mit offenen Armen empfangen.

Haupttypen aktueller AI-Systeme

KI ist ein Begriff, der viele Technologien zusammenfasst. Dazu gehören zum Beispiel das maschinelle Lernen, bei dem Entscheidungen automatisch, aber unter menschlicher Anleitung getroffen werden, und als Unterart davon das Deep Learning, bei dem der Algorithmus selbst entscheidet, ob eine Vorhersage richtig oder falsch ist. Hier ist eine Liste der wichtigsten Arten von KI:

1) Maschinelle Lernsysteme

Diese KI-Systeme lernen aus Daten, erkennen Muster und treffen Entscheidungen mit minimalem menschlichen Eingriff. Maschinelles Lernen (ML) ist die Grundlage für viele moderne KI-Anwendungen, darunter Bild- und Spracherkennung, medizinische Diagnose und Börsenhandel. Es umfasst Unterkategorien wie Überwachtes Lernen, Unüberwachtes Lernen und Verstärkungslernen.

2) Experten-Systeme

Expertensysteme wurden entwickelt, um die Entscheidungsfähigkeit eines menschlichen Experten zu imitieren, und verwenden vordefinierte Regeln und Wissen, um Schlussfolgerungen zu ziehen. Sie werden in speziellen Bereichen wie der medizinischen Diagnose, dem Ingenieurwesen, dem Finanzwesen usw. eingesetzt, um Ratschläge zu erteilen, Daten zu interpretieren oder Probleme auf der Grundlage ihrer umfangreichen Wissensdatenbank zu diagnostizieren.

3) Deep Learning

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem tiefe neuronale Netze eingesetzt werden, um komplexe Muster in grossen Datenmengen zu modellieren und zu verstehen. Indem sie die Struktur und Funktion des menschlichen Gehirns durch Schichten künstlicher Neuronen nachahmen, können Deep-Learning-Algorithmen automatisch Merkmale extrahieren und lernen, die für ihre Aufgaben relevant sind, z. B. Bilderkennung oder Verarbeitung natürlicher Sprache. Diese Technologie hat zu bedeutenden Fortschritten in der KI geführt und ermöglicht es Maschinen, ein breites Spektrum von Aufgaben mit zunehmender Genauigkeit und Autonomie auszuführen, ohne dass sie explizite Anweisungen für die Extraktion und Interpretation von Merkmalen benötigen.

4) Generative KI

Diese Art der KI konzentriert sich auf die Erstellung neuer Inhalte wie Bilder, Texte, Musik und sogar Videos, die den von Menschen erstellten Inhalten ähneln. Generative Adversarial Networks (GANs) sind ein beliebter Ansatz, bei dem zwei neuronale Netze miteinander konkurrieren, um die Qualität und den Realismus der erzeugten Ergebnisse zu verbessern. Zu den Anwendungen gehören die Erstellung von Kunstwerken, die Generierung von Videospielinhalten und vieles mehr.

5) Verarbeitung natürlicher Sprache

NLP (Natural Language Processing)-Systeme sind darauf ausgelegt, menschliche Sprache zu verstehen, zu interpretieren und in einer Weise zu generieren, die wertvoll ist. Sie ermöglichen es Computern, Aufgaben wie Übersetzung, Stimmungsanalyse und Spracherkennung durchzuführen. Chatbots und virtuelle Assistenten wie Siri und Alexa sind gängige Anwendungen von NLP.

6) Computer Vision

Diese KI-Technologie ermöglicht es Maschinen, visuelle Daten zu interpretieren und auf dieser Grundlage Entscheidungen zu treffen. Von der Erkennung von Gesichtern in Social-Media-Fotos bis hin zu autonomen Fahrzeugen, die die Fahrumgebung interpretieren, werden Computer-Vision-Systeme in den Bereichen Sicherheit, Einzelhandel, Gesundheitswesen und vielen anderen Branchen eingesetzt.

7) Robotergestützte Prozessautomatisierung

RPA (Robotic Process Automation)-Technologien ermöglichen die Automatisierung von sich wiederholenden Aufgaben, die normalerweise von Menschen ausgeführt werden. Durch die Nachahmung menschlicher Interaktionen mit Software und Anwendungen kann RPA Prozesse in verschiedenen Bereichen wie Kundenservice, Dateneingabe usw. automatisieren und so die Effizienz steigern und Fehler reduzieren.

8) Kognitive Datenverarbeitung

Bei kognitiven Computersystemen, die menschliche Denkprozesse in einem computergestützten Modell simulieren sollen, kommen selbstlernende Algorithmen zum Einsatz, die Data Mining, Mustererkennung und die Verarbeitung natürlicher Sprache nutzen, um das menschliche Gehirn zu imitieren. Ziel ist es, automatisierte IT-Systeme zu schaffen, die in der Lage sind, Probleme ohne menschliche Hilfe zu lösen.

Gegenwärtige Grenzen der KI

Trotz der rasanten Fortschritte im Bereich der künstlichen Intelligenz stossen die derzeitigen Systeme noch immer an einige erhebliche Grenzen, an deren Überwindung Forscher und Entwickler aktiv arbeiten. Zu diesen Einschränkungen gehören:

  • Generalisierung: KI-Systeme, insbesondere solche, die auf enger KI basieren, haben Schwierigkeiten, Wissen von einem Bereich auf einen anderen zu verallgemeinern. Sie zeichnen sich durch die spezifischen Aufgaben aus, für die sie trainiert wurden, schwächeln aber außerhalb dieser Parameter.

  • Datenabhängigkeit: KI-Modelle, insbesondere im Bereich des maschinellen Lernens und des Deep Learning, benötigen grosse Mengen an Daten, um zu lernen und genaue Vorhersagen zu treffen. Die Qualität und Vielfalt dieser Daten ist entscheidend; eine schlechte Datenqualität kann zu verzerrten oder ungenauen Ergebnissen führen.

  • Verstehen des Kontextes: KI ist oft nicht in der Lage, den Kontext oder die Nuancen der menschlichen Sprache und Interaktionen vollständig zu verstehen. Besonders deutlich wird diese Einschränkung bei Anwendungen zur Verarbeitung natürlicher Sprache, wo die Feinheiten der menschlichen Kommunikation verloren gehen oder missverstanden werden können.

  • Kreativität und Innovation: KI kann zwar neue Inhalte oder Lösungen auf der Grundlage bestehender Muster generieren, doch ist ihre Fähigkeit, wirklich kreativ zu sein oder innovativ zu handeln, wie es Menschen tun, begrenzt. Der "Kreativität" der KI sind durch die Daten und Algorithmen, denen sie unterworfen wurde, Grenzen gesetzt.

  • Ethische und soziale Bedenken: KI-Systeme können unbeabsichtigt die in ihren Trainingsdaten vorhandenen Vorurteile aufrechterhalten, was zu ungerechten oder unethischen Ergebnissen führt. Darüber hinaus wirft die zunehmende Automatisierung, die durch KI ermöglicht wird, Bedenken hinsichtlich der Verdrängung von Arbeitsplätzen und der Zukunft der Arbeit auf.

  • Energieverbrauch: Fortgeschrittene KI-Modelle, insbesondere solche, die beim Deep Learning eingesetzt werden, benötigen viel Rechenleistung und Energie, was Bedenken hinsichtlich ihrer Umweltauswirkungen weckt.

  • Interpretierbarkeit und Transparenz: Viele KI-Modelle, insbesondere Deep-Learning-Modelle, werden oft als "Black Boxes" bezeichnet, da ihre Entscheidungsprozesse für den Menschen nicht leicht zu interpretieren sind. Dieser Mangel an Transparenz kann ein Hindernis bei kritischen Anwendungen sein, bei denen das Verständnis der KI-Argumente von entscheidender Bedeutung ist.

Die Behebung dieser Einschränkungen ist ein Schwerpunkt der laufenden KI-Forschung, die darauf abzielt, anpassungsfähigere, zuverlässigere und transparentere KI-Systeme zu schaffen, die sich harmonischer in menschliche Kontexte und Gesellschaften einfügen.

Anwendungen von AI in der Geschäftswelt

Früher oder später wird die KI die meisten Bereiche Ihres Unternehmens beeinflussen. Je früher sich ein Unternehmen damit auseinandersetzt, desto besser ist es auf den Wandel vorbereitet und desto größer sind die Chancen, KI im Wettbewerb erfolgreich einzusetzen. Vor allem aber wird damit frühzeitig der Grundstein für den erfolgreichen Einsatz dieser Technologie gelegt. Auch wenn der Fokus darauf je nach Branche und Anwendungsbereich von KI variiert, sollten die folgenden Komponenten berücksichtigt werden:

  • Klare Strategie und Ziele: Bevor ein Unternehmen KI einsetzt, sollte es sich über seine strategischen Ziele im Klaren sein und wissen, wie KI dazu beitragen kann, diese zu erreichen. Dazu gehört auch die Identifizierung spezifischer Probleme, die KI lösen kann, oder von Bereichen, in denen sie einen Mehrwert schafft.

  • Dateninfrastruktur: KI-Modelle benötigen grosse Mengen an Daten, um zu lernen und genaue Vorhersagen zu treffen. Eine robuste Dateninfrastruktur, die die Qualität, Zugänglichkeit und Sicherheit dieser Daten gewährleistet, ist von entscheidender Bedeutung. Unternehmen müssen in Systeme zur Datenerfassung, -speicherung und -verwaltung investieren.

  • Talente und Fachwissen: Für die Entwicklung, den Einsatz und die Verwaltung von KI-Lösungen ist es wichtig, über die richtigen Talente zu verfügen. Dazu gehören nicht nur KI-Forscher und Datenwissenschaftler, sondern auch Fachleute, die den geschäftlichen Kontext des Unternehmens verstehen und mit den technischen Mitarbeitern zusammenarbeiten können.

  • Technologie-Infrastruktur: Eine wirksame KI-Implementierung erfordert eine geeignete technologische Infrastruktur, einschliesslich Hardware und Software, die die KI-Entwicklung und die Integration in bestehende Systeme unterstützen kann. Möglicherweise sind Cloud-Computing-Ressourcen und spezielle Hardware für die KI-Verarbeitung erforderlich.

  • Ethische und rechtliche Erwägungen: Unternehmen müssen die ethischen Implikationen von KI berücksichtigen, einschliesslich Datenschutz, Transparenz und Fairness. Die Einhaltung einschlägiger Gesetze und Vorschriften zum Datenschutz und zur Nutzung von KI ist ebenfalls unerlässlich.

  • Änderungsmanagement und Schulung: Die erfolgreiche Integration von KI in Geschäftsprozesse erfordert häufig Änderungen der Arbeitsabläufe und der Aufgabenbereiche. Unternehmen müssen in Schulungen und Änderungsmanagement investieren, um sicherzustellen, dass die Mitarbeiter effektiv mit KI-Systemen arbeiten können.

  • Skalierbarkeit und Wartung: KI-Systeme müssen skalierbar sein, um wachsende Datenmengen und Anwendungsfälle bewältigen zu können. Regelmässige Wartung und Aktualisierungen sind ebenfalls notwendig, um sicherzustellen, dass sie im Laufe der Zeit weiterhin gut funktionieren.

  • Einbindung der Stakeholder: Die Einbindung von Stakeholdern, einschliesslich Mitarbeitern, Kunden und Partnern, in den KI-Implementierungsprozess hilft dabei, Erwartungen abzustimmen, die Akzeptanz zu fördern und potenzielle Problembereiche zu identifizieren.

Einige namhafte Strategieberatungen sind der Meinung, dass die Lerneffekte und der Aufbau der notwendigen Infrastruktur Grund genug für die Einführung von KI sind, auch wenn sie vorerst wirtschaftlich nicht tragfähig ist. Ich teile diese Ansicht nicht. KI löst oft grosse Ängste bei den Mitarbeitern und Unsicherheit beim Management aus. Wenn ein erstes KI-Projekt scheitert, weil die Ziele zu hoch - oder zu naiv - gesteckt wurden, kann dies den internen Widerstand auf lange Zeit verstärken und ähnliche Initiativen ausbremsen. Wenn dann auch noch die Kunden enttäuscht werden, kann der Schaden noch grösser sein. Ist ein Projekt jedoch gut vorbereitet und erfolgreich, steht einer KI-freundlichen Weiterentwicklung nichts im Wege.

Dennoch gibt es Möglichkeiten, mit relativ geringem Aufwand und Risiko erste Erfahrungen zu sammeln und Erfolge zu testen, zum Beispiel durch die Zusammenarbeit mit externen Unternehmen, die einfach zu konfigurierende KI-Plattformen anbieten. Dieser Ansatz ermöglicht es insbesondere, die ersten Schritte zu gehen, ohne gleich viel KI-Know-how im Unternehmen aufzubauen.

Bei der Analyse des potenziellen Nutzens von KI für ein Unternehmen - dies wird Gegenstand eines späteren Artikels sein - sollten die möglichen Anwendungsbereiche mit den Eigenschaften solcher Systeme verglichen werden: Bringen bessere Vorhersagen einen wesentlichen Mehrwert? Kann die Technologie gut in die bestehende Infrastruktur und Organisation integriert werden? Gibt es Prozesse, die leicht automatisiert werden können? Passt die Technologie in die Innovationsstrategie des Unternehmens?

Risiken der KI und ethische Erwägungen in Unternehmen

Ihr Einsatz von KI im Unternehmen, ob für interne Prozesse oder gegenüber Kunden, ist natürlich nicht ohne Risiken. Diese hängen u. a. von der Art der eingesetzten KI-Technologie ab. Da KI-Systeme in der Regel dynamisch sind und sich im Laufe der Zeit verändern - zum Beispiel durch wiederholtes Training mit neuen Daten - sollten geeignete Strukturen für das Risikomanagement vorhanden sein.

Als Hauptrisiken von KI-Systemen in Unternehmen werden häufig der Datenschutz - d. h. der Umgang mit vertraulichen Daten -, Verzerrungen - d. h. verzerrte Ergebnisse, die in der Regel auf unvollständige oder unausgewogene Trainingsdaten zurückzuführen sind - und die mangelnde Transparenz der von KI generierten Entscheidungen - insbesondere bei selbstlernenden Algorithmen wie Deep Learning - genannt. Es gibt jedoch noch viele weitere Risiken, die berücksichtigt werden sollten. Da diese vom Unternehmen, dem Anwendungsbereich und der Technologie abhängen, erhebt die folgende Liste keinen Anspruch auf Vollständigkeit:

  • Datenschutz und Sicherheit: KI-Systeme sind in hohem Masse auf Daten angewiesen, was zu Bedenken hinsichtlich Datenschutzverletzungen und unbefugtem Zugriff führt. Sensible Informationen können preisgegeben werden, wenn sie nicht ordnungsgemäss geschützt sind.

  • Verzerrungen und Fairness: Wenn die zum Trainieren von KI-Modellen verwendeten Daten voreingenommen sind, können auch die Entscheidungen des KI-Systems voreingenommen sein, was zu ungerechten Ergebnissen oder Diskriminierung führt. Dies kann dem Ruf eines Unternehmens schaden und zu rechtlichen Problemen führen. Es ist unbedingt erforderlich, die Trainingsdaten regelmässig zu überprüfen.

  • Mangelnde Transparenz und Erklärbarkeit: Viele KI-Modelle, insbesondere Deep-Learning-Algorithmen, werden oft als "Black Boxes" mit nicht leicht verständlichen Entscheidungsprozessen angesehen. Dieser Mangel an Transparenz kann zu Vertrauensproblemen bei Nutzern und Beteiligten führen.

  • Abhängigkeit und übermässiges Vertrauen: Ein übermässiges Vertrauen in KI-Systeme kann ein Unternehmen anfällig machen, wenn diese Systeme ausfallen oder die Daten, mit denen sie gespeist werden, verfälscht werden. Kritische Entscheidungsprozesse könnten zu sehr von KI abhängig werden, was zu Versäumnissen bei der Aufsicht führen könnte.

  • Regulatorische und Compliance-Risiken: In dem Masse, in dem Regierungen und Aufsichtsbehörden neue Vorschriften für KI und die Datennutzung einführen, müssen Unternehmen sicherstellen, dass ihre KI-Systeme den Vorschriften entsprechen. Die Nichteinhaltung von Vorschriften kann zu rechtlichen Strafen und Reputationsschäden führen.

  • Herausforderungen bei der Integration: Die Integration von KI-Systemen in die bestehende IT-Infrastruktur kann komplex und kostspielig sein, was zu Betriebsunterbrechungen und Kompatibilitätsproblemen führen kann.

  • Operative Risiken: KI-Modelle können schlecht funktionieren, wenn sie auf Daten oder Situationen treffen, die sich erheblich von ihren Trainingsdaten unterscheiden, was zu falschen Vorhersagen oder Entscheidungen führt, die sich auf den Geschäftsbetrieb auswirken können.

  • Risiken in Bezug auf geistiges Eigentum: Bei der Verwendung von KI-Modellen oder -Algorithmen von Drittanbietern müssen sich Unternehmen mit Rechten an geistigem Eigentum, Lizenzierung und potenziellen Nutzungsbeschränkungen auseinandersetzen, was sich auf Innovation und Wettbewerbsvorteile auswirken kann.

  • Wirtschaftliche und finanzielle Risiken: Investitionen in KI-Systeme können beträchtlich sein, ohne dass es eine garantierte Rendite gibt. Fehleinschätzungen bei der Anwendung von KI können zu finanziellen Verlusten und verschwendeten Ressourcen führen.

  • Kompetenzlücken und Talentakquise: Die hohe Nachfrage und der umkämpfte Markt für qualifizierte KI-Fachleute kann es für Unternehmen schwierig und teuer machen, die für die Entwicklung, Implementierung und Wartung dieser Systeme erforderlichen Talente zu finden.

Darüber hinaus erfordert der Einsatz von KI auch ein Bewusstsein für ethische Aspekte gegenüber Mitarbeitern, Kunden und der Umwelt. Hier sind die wichtigsten, wobei die ersten 3 der Vollständigkeit halber wiederholt werden:

  • Datenschutz: KI-Systeme verarbeiten oft grosse Mengen personenbezogener Daten, was Bedenken hinsichtlich des Datenschutzes der Nutzer weckt. Unternehmen müssen sicherstellen, dass Daten in einer Weise erhoben, gespeichert und verwendet werden, die die Privatsphäre respektiert und die Datenschutzbestimmungen einhält.

  • Voreingenommenheit und Fairness: KI-Algorithmen können in ihren Trainingsdaten vorhandene Vorurteile aufrechterhalten oder sogar noch verstärken, was zu einer ungerechten Behandlung von Einzelpersonen oder Gruppen führt. Es ist ein wichtiges ethisches Anliegen, sicherzustellen, dass KI-Systeme in einer Weise entwickelt und eingesetzt werden, die Voreingenommenheit minimiert und Fairness fördert.

  • Transparenz und Erklärbarkeit: Es gibt eine wachsende Nachfrage nach KI-Systemen, die transparent sind und deren Entscheidungen erklärbar sind, insbesondere bei kritischen Anwendungen, die das Leben der Menschen betreffen. Unternehmen müssen die Komplexität von KI-Modellen mit der Notwendigkeit in Einklang bringen, dass sie für Nutzer und Stakeholder verständlich sind.

  • Rechenschaftspflicht und Verantwortung: Die Bestimmung der Verantwortlichkeit für die von KI-Systemen getroffenen Entscheidungen kann eine Herausforderung sein. Es ist wichtig, dass Unternehmen klare Richtlinien zur Verantwortung aufstellen, insbesondere in Fällen, in denen KI-gesteuerte Entscheidungen erhebliche Konsequenzen haben können.

  • Sicherheit: KI-Systeme sind anfällig für verschiedene Sicherheitsbedrohungen, darunter Datenschutzverletzungen und feindliche Angriffe. Die Gewährleistung der Sicherheit von KI-Systemen zum Schutz sensibler Daten und der Infrastruktur ist eine wesentliche ethische und operative Überlegung.

  • Verdrängung von Arbeitsplätzen: Die Automatisierung von Aufgaben, die zuvor von Menschen ausgeführt wurden, wirft Bedenken hinsichtlich der Verdrängung von Arbeitsplätzen und der Zukunft der Arbeit auf. Unternehmen sollten die sozialen Auswirkungen des Einsatzes von KI berücksichtigen und nach Möglichkeiten suchen, negative Auswirkungen auf die Beschäftigung abzumildern.

  • Informierte Zustimmung: Beim Einsatz von KI in Bereichen, in denen Menschen betroffen sind, wie z. B. Kunden oder Mitarbeiter, ist die Einholung einer informierten Zustimmung von entscheidender Bedeutung. Der Einzelne sollte sich darüber im Klaren sein, wie KI eingesetzt wird und welche Auswirkungen dies auf seine Daten und seine Privatsphäre hat.

  • Gesellschaftliche Auswirkungen: Abgesehen von den unmittelbaren geschäftlichen Belangen sollten Unternehmen auch die breiteren Auswirkungen ihrer KI-Anwendungen auf die Gesellschaft berücksichtigen. Dazu gehört auch das Potenzial, gesellschaftliche Ungleichheiten zu verstärken oder demokratische Prozesse zu beeinträchtigen.

  • Auswirkungen auf die Umwelt: Der Energieverbrauch, der für das Training grosser KI-Modelle erforderlich ist, hat einen erheblichen ökologischen Fussabdruck. Der ethische Einsatz von KI beinhaltet die Berücksichtigung und Abmilderung dieser Umweltauswirkungen.

  • Erweiterung menschlicher Fähigkeiten: Im Zuge des Fortschritts der KI-Technologien müssen Unternehmen, die Anwendungen zur Erweiterung menschlicher Fähigkeiten erforschen, ethische Überlegungen zu Gleichberechtigung, Zustimmung und den langfristigen Auswirkungen der Erweiterung menschlicher Fähigkeiten durch KI anstellen.

Der Umgang mit diesen ethischen Erwägungen erfordert einen vielschichtigen Ansatz, der ethische Leitlinien, die Einbeziehung von Interessengruppen, Transparenz bei der Entwicklung und dem Einsatz von KI sowie die Einhaltung der einschlägigen Gesetze und Vorschriften umfasst. Dazu gehört auch die Verpflichtung zum kontinuierlichen Lernen und zur Anpassung an die sich weiterentwickelnden KI-Technologien und ihre gesellschaftlichen Auswirkungen.

Wo soll man anfangen?

So dringend es für Unternehmen ist, sich mit diesem Thema zu befassen, so überwältigend kann die Aufgabe sein. Einblicke in Artikel wie diesen - und die folgenden - sind sicherlich ein guter Rat. Ein KI-Zertifikat von einem der vielen Anbieter zu erwerben, ist sicherlich auch gut investierte Zeit, wenn man sie hat.

Aus Sicht der Geschäftsentwicklung ist es jedoch besser, mit Experten - wie uns - zusammenzuarbeiten. Dafür haben wir ein spezielles Angebot konzipiert, das innerhalb von 7 Tagen viel praktisches Wissen vermittelt und die wichtigsten Grundlagen für eine robuste KI-Strategie auf der Basis von Praxiserfahrungen legt:

https://adwconsulting.ch/ai-strategy-blueprint/

Es sollte auch erwähnt werden, dass jeder Einsatz von KI mit der Qualität der verfügbaren Daten steht und fällt. Die Entwicklung einer soliden Datenstrategie ist daher in der Regel der erste Schritt und sollte unabhängig vom Einsatz von KI in Angriff genommen werden. Natürlich sind wir auch dabei gerne behilflich.

Fazit

Dieser Artikel hat sich mit den Anfängen und der Entwicklung der KI beschäftigt, einen Überblick über den aktuellen Stand der Technologie gegeben und einen Blick in die Zukunft gewagt. Auch wenn die Auswirkungen auf die Gesellschaft insgesamt erheblich sind, haben wir uns hier auf die Auswirkungen für Unternehmen konzentriert, auf die Chancen, aber auch auf die Risiken, die es zu beachten gilt. Und schliesslich haben wir betont, wie wichtig es ist, sich frühzeitig mit diesem Thema zu beschäftigen.

KI ist Teil unserer Gesellschaft und Wirtschaft und wird es für immer bleiben. Nur Unternehmen, die sich darauf einlassen, werden langfristig überleben können.

Um eine unbekannte Quelle zu zitieren: Der beste Zeitpunkt, um anzufangen, war gestern, der zweitbeste Zeitpunkt ist heute!