KI und das fehlende Wozu

Report: Sehen Sie ein gängiges Missverständnis oder Problem bei KI-Projekten in Unternehmen?

Paul Haberfellner: Die grundlegende Herausforderung ist, dass oft einzelne Projekte begonnen werden, ohne dabei die Frage nach dem „Wozu“ für ein Unternehmen im Gesamten zu beantworten. Es werden Unmengen an Geld investiert – das kann bis in die Millionen gehen – und am Ende ist das Ergebnis überschaubar. Man hat dann vielleicht auf falschen Erwartungen oder schlechten Datensets aufgebaut. Strategisch müssen wir von isolierten Silos wegkommen, die das Unternehmen keinen Meter weiterbringen.

Wie können Unternehmen KI strategisch einordnen, obwohl sich Technologie, Markt und Rahmenbedingungen laufend verändern?

Die Zukunft ist „agentic“, sie besteht aus intelligenten Agenten, die in einem unternehmensübergreifenden System zusammenwirken. Bei Nagarro nennen wir diesen Ansatz „Fluidic Intelligence“. Es geht darum, Informationen in Menschen, Systemen und Daten so zu verknüpfen, dass ein echter „Flow“ entsteht. Um dabei nicht in die Falle der Abhängigkeit von einzelnen Herstellern zu tappen, setzen wir auf eine zusätzliche technische Ebene, die unterschiedliche Technologien zusammenführen kann. Unternehmen können damit das Sprachmodell im Hintergrund jederzeit austauschen, wenn sich die wirtschaftlichen oder regulatorischen Rahmenbedingungen ändern. Und das werden wir noch häufig erleben. Bei all dem KI-Hype ist der Faktor Flexibilität, ein agnostisches Baukastenmodell zu haben, die wichtigste Währung für die Wirtschaftlichkeit.

Wie hält man die Projektbudgets im Rahmen?

Man sollte bei Projekten nicht jedes Mal bei null anfangen – Unternehmen verlieren sonst den Anschluss. Wir nutzen dafür einen Werkzeugkasten, mit dem man etwa 50 bis 60 Prozent der Entwicklungszeit einspart. Zur Kostentransparenz gehört aber auch ein tiefes Verständnis der eingesetzten Technologien der Sprachmodelle. Diese ändern sich aktuell fast im Monatsrhythmus. Es herrscht ein massiver Verdrängungswettbewerb unter den großen LLM-Anbietern. Hier hilft bei einer Unternehmenslösung ein zentrales Element, ein sogenanntes „Harness“.  Dabei geht es um ein Regelwerk, das festlegt, wie eine KI mit Informationen umgeht, wie viel Kontext sie im Blick behält" und wie sie auf Anfragen reagiert. Die Grundeinheit dabei sind Token, also die kleinsten Bausteine, in die KI-Modelle Text aufteilen, um ihn zu verarbeiten. Werden zu wenige Token zugelassen, schneidet das System relevante Informationen ab und die KI beginnt zu halluzinieren. Werden hingegen zu viele Token verbraucht, steigen die Kosten unnötig, und die Antwortzeiten verlängern sich. Ein professionelles Harness regelt das präzise und sorgt für verlässliche Ergebnisse in einer Balance von Qualität und Kosten.

Bei der Kostenfrage gilt es, möglichst flexibel zu bleiben. Ich habe schon Geschäftsführer erlebt, die sich für aktuell günstige KI-Services vertraglich über sechs Jahre an einen Anbieter binden. In einer Technologie, die sich monatlich grundlegend verändert, ist eine mehrjährige Bindung wirtschaftlicher Irrsinn.

Wie können Unternehmen den Nutzen von KI messbar machen?

Der ROI hängt unmittelbar vom Wozu ab. Will ich schneller werden, die Qualität erhöhen oder die Produktivität steigern? Wenn ein Prozess früher drei Tage gedauert hat und heute in drei Minuten erledigt ist, ist der Nutzen offensichtlich. Bei einem großen Anlagenbauer in Österreich setzten wir auf KI zur vollautomatisierten Planung seiner Lieferketten. Früher haben das 100 Kalkulanten händisch gemacht. Für einen weltweiten Beauty-Konzern entwickelte Nagarro eine Prognose-Engine, die mit einer Genauigkeit von 99,99 Prozent auf Artikelebene Vorhersangen machen kann, zum Beispiel welcher Lippenstift in welcher Farbe in Ägypten aufgrund der Wettervorhersage in zwei Tagen gefragt sein wird. Das ist realer Business-Mehrwert.

Man kann die Kosten für das Personal den Token-Kosten gegenüberstellen, aber das ist oft zu kurz gegriffen. KI sollte die Mitarbeiter*innen nicht ersetzen, sondern unterstützen und ihre Arbeit verbessern. Wir sprechen von gemischten Teams, bei denen wir die menschlichen Expert*innen, die „Human Tokens“, mit „AI-Tokens“ anreichern.

Welche Rollen in den Unternehmen sind Ihrer Meinung wirklich in Gefahr und wo sehen wir bereits Veränderungen am Arbeitsmarkt?

Ein prägnantes Beispiel ist die Rechtsbranche. Wir haben bei Nagarro vor Kurzem eine Stelle für einen Konzernjuristen in Österreich ausgeschrieben. Früher war das eine eher mühsame Suche: Wir hatten vielleicht zwei Bewerbungen in drei Monaten. Diesmal hatten wir innerhalb der ersten zwei Stunden 200 Bewerbungen auf dem Tisch. Wenn man mit den jungen Absolvent*innen spricht, hört man immer wieder das Gleiche: „Die großen Kanzleien brauchen uns nicht mehr.“ Wo früher 15 Konzipienten für den Research und die Analyse von Akten zuständig waren, sitzen heute vielleicht noch zwei oder drei. Den Rest erledigt die KI in Sekunden, weil sie mit den Texten der Partner trainiert wurde und repetitive Recherchearbeiten perfekt beherrscht. Auch Grafiker für erste Mockups werden heute oft schon durch textbasierte Prompts ersetzt. Man braucht sie vielleicht noch für den finalen Schliff, aber nicht mehr im ersten Schritt der Entwurfserstellung.

Wenn die KI diese Aufgaben so effizient übernimmt, braucht es dann überhaupt noch den Menschen in den Unternehmen?

Das ist genau der Fehler, den manche Unternehmen machen. Es herrscht der Aberglaube, man könne die teuren, erfahrenen Mitarbeiter durch Juniors ersetzen, die man einfach mit KI-Tools ausstattet. Wir haben in einem Projekt in Frankreich gesehen, was dann passiert: Ein Unternehmen entzog den Teams die Senioren und ließ nur noch Junioren mit der KI arbeiten. Die waren zwar anfangs viermal schneller und konnten exzellent prompten, aber nach einigen Iterationen war der Code so komplex und durch die KI-Veränderungen so unübersichtlich, dass bei einem fatalen Fehler niemand mehr wusste, wie das System überhaupt funktioniert.

Man darf die Seniors nicht ausradieren, weil sie kennen die komplette Historie und haben das Kontextwissen des Unternehmens. Die KI hat kein echtes Verständnis, sie hat nur ein Regelwerk, dem sie folgt. Der Mensch wird als Korrektiv dringender gebraucht denn je. Wir müssen lernen, das natürliche Gespür und das kritische Hinterfragen beizubehalten.

Wir warnen auch vor einem Standardisieren ohne zu hinterfragen. Zu viel Perfektion kann bei aller Effizienz einen Erfolg sogar kippen. Es gibt hier ein wunderbares Beispiel: Ein US-Kekshersteller hat seine Produktion so perfekt automatisiert, dass jedes Keks identisch rausgegangen ist. Als Folge sind aber die Umsätze eingebrochen. Die Kund*innen haben das Handgemachte beim Produkt vermisst. Das Unternehmen hat reagiert, indem es einen Gummi-Finger in den Prozess integriert, der zufällig in den Teig fährt und für optische Unregelmäßigkeiten sorgt. Man sieht also: Die Strategie ist es, permanent anpassungsfähig zu bleiben. Man muss rasch und fluidic adaptieren, nachjustieren und lernen können.