Zweieinhalb Jahre nach dem Einzug von ChatGPT in unser Leben scheint der Einzug von LLM in unsere Software und Alltagstools immer noch begrenzt zu sein. Das zeigt sich auch in den immer noch erscheinenden Artikeln und Inhalten zum Thema "Wie man KI in sein Unternehmen integriert".
Es mangelt jedoch nicht an der Bereitschaft dazu. Eine Studie der Boston Consulting Group, die 13.000 Mitarbeiter weltweit befragte, ergab für das Jahr 2024, dass 42 % der Mitarbeiter zuversichtlich waren, dass KI ihre Arbeit beeinflussen würde. Eine andere Studie von Slack drückte aus, dass von denjenigen, die KI am Arbeitsplatz eingesetzt hatten, 71 Prozent angaben, dass diese Technologien ihre Produktivität steigerten.
Man muss jedoch feststellen, dass die Einführung im Büro nicht so schnell voranschreitet wie erwartet. Der Grund dafür ist, dass viele Hersteller unserer alltäglichen B2B-Software Schwierigkeiten haben, künstliche Intelligenz in ihren ohnehin schon komplexen Technologie-Stack zu integrieren.
Denn die Integration einer LLM erfordert ein Überdenken der gesamten Funktionalität und der Benutzeroberfläche der Software. Welche bestehenden Funktionen können besser durch KI realisiert werden? Welche neuen Funktionalitäten kann diese mit sich bringen? Wie kann man die Fähigkeit von LLMs integrieren, eine personalisiertere und adaptive Benutzererfahrung zu liefern? All dies sind Fragen, die man sich stellen muss, bevor man beginnt, und Iterationsentscheidungen, die man treffen muss, sobald man eine klare Vision hat.
Es ist immer kompliziert, etwas Erfolgreiches zu zerstören. Zurückgehen, um besser abprallen zu können. Und heute stellt dieser Kontext die SaaS-Märkte mit der Ankunft neuer, ultraarmer Akteure, die diese Entscheidungen nicht treffen müssen, auf den Kopf; AI-native Unternehmen.
KI-native Unternehmen sind weniger darauf aus, neue Märkte zu erschließen (wie es bei FinTech der Fall war), als vielmehr zu kommen, um in sehr etablierten Märkten besser abzuschneiden als die etablierten Akteure:
Zunächst eine Änderung der technologischen Vision: Ihr gesamter Technologie-Stack basiert auf LLMs. Jeder wichtige Schritt der Informationsverarbeitung wird durch proprietäre Modelle manipuliert, die in der Lage sind, die semantische Welt der Daten zu vektorisieren. Dies ermöglicht ein tieferes Verständnis der Daten und damit eine bessere Verknüpfung der Daten.
Zweitens eine weitgehende Automatisierung von Aufgaben:LLMs sind besonders gut darin, Informationsflüsse zu verstehen und zu erstellen, wodurch die Menge an manuellen Aufgaben, die der Benutzer ausführen muss, reduziert wird. Das bedeutet, dass der gesamte Informations-Workflow von der KI automatisiert wird. Der Mensch ist nur noch an zwei Enden des Workflows beteiligt: am Anfang, um die Arbeitsschwerpunkte des Tools festzulegen, und am Ende, um die vom Tool gelieferten Ergebnisse zu analysieren.
KI-native Unternehmen entwickeln ihre eigenen RAG-Systeme, die es dem Tool ermöglichen, sich durch die Interaktion mit den Nutzern zu verbessern und seine Empfehlungen zu verfeinern.
Schließlich eine Änderung der Nutzung: Der Nutzer kann dem Tool gezielte Fragen stellen, um Einsichten zu entdecken, anstatt in den Daten zu graben und daraus manuell Informationen von Interesse zu extrapolieren. Wir lesen und klicken nicht mehr nur. Wir sprechen. Man interagiert.
Durch die Entwicklung einer AI-nativen Lösung wird die Zeit für die Informationssuche zugunsten der Analyse und Entscheidungsfindung reduziert. Auch die Fehlerquote ist begrenzt: keine Zeilenumbrüche mehr in einer Datentabelle, keine Auswahl falscher Datenfilter, keine Fehler in einer Aufgabeneinstellung.
Anstatt die Wahl der LLM zu revidieren, wenn der kleine Aufgabenbaustein komplexer geworden ist und nun seinen ursprünglichen Zweck verfehlt, muss man die Wahl der LLM überdenken.
Dies ist ein Zeichen für Qualität und Innovation, sowohl für sein Unternehmen als auch für die Nutzer der Lösung.
