AI Strategy: How to Choose What AI Product to Implement
Dieses Papier stellt das eROI-Framework (expected ROI) vor, welches Unternehmen dabei hilft, die Unsicherheit bei der Auswahl von KI-Projekten zu überwinden, indem es den potenziellen Wert, die Erfolgswahrscheinlichkeit und die Implementierungskosten jeder Idee separat bewertet, um ein robustes Portfolio aus aussichtsreichen Wetten aufzubauen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind der Kapitän eines riesigen Raumschiffs und verfügen über einen begrenzten Treibstoffvorrat. Sie müssen entscheiden, welche fernen Planeten Sie besuchen sollen. Einige Planeten sehen auf Ihrem Radar glänzend und vielversprechend aus, andere wirken geheimnisvoll und potenziell gefährlich. In der Geschäftswelt ist dieser „Treibstoff“ Geld und Zeit, und die „Planeten“ sind neue Projekte. Lange Zeit waren Unternehmen, die versuchten, Künstliche Intelligenz (KI) einzusetzen, wie Kapitäne, die raten, welchen Planeten sie besuchen sollten, basierend darauf, wie cool der Planet aussieht, anstatt zu prüfen, ob man dort tatsächlich landen kann oder ob sich die Reise überhaupt lohnt. Dieses Papier befasst sich genau mit diesem Problem: Wie entscheidet man, welches KI-Projekt man entwickelt, wenn man sich nicht zu 100 % sicher sein kann, ob es funktionieren wird? Die Autoren führen eine neue Denkweise namens „eROI“ (erwarteter Return on Investment) ein. Anstatt zu versuchen, eine einzige magische Zahl für den Gewinn zu erraten, schlagen sie vor, die Entscheidung in drei einfache Fragen zu zerlegen: Wie viel Geld würden wir verdienen, wenn es funktioniert? Wie wahrscheinlich ist es, dass es tatsächlich funktioniert? Und wie viel wird es kosten, es zu bauen? Es ist, als würde man eine Karte, einen Wetterbericht und ein Budget prüfen, bevor man überhaupt den Hafen verlässt.
Die Autoren, die Experten in den Bereichen Wirtschaft und Data Science sind, argumentieren, dass die meisten Unternehmen bei KI nicht scheitern, weil die Technologie zu schwierig ist, sondern weil sie die falschen Projekte auswählen. Sie schlagen ein Framework namens eROI (expected Return on Investment) vor, um Führungskräften zu helfen, durch hunderte von Ideen zu sortieren und die Gewinner zu finden. Der Kern der Idee ist einfach, aber kraftvoll: Versuchen Sie nicht, alles in eine einzige verwirrende Zahl zu pressen. Teilen Sie stattdessen Ihre Entscheidung in drei deutliche Säulen auf.
Fragen Sie zuerst: „Wie wertvoll wäre es, wenn es funktionierte?“ Hierbei geht es nicht nur um den unmittelbaren Cashflow; es geht darum, ob das Projekt zu den großen Zielen des Unternehmens passt, ob es neue Datenbestände für die Zukunft schafft oder ob das Team dadurch etwas Neues lernt.
Fragen Sie zweitens: „Wie wahrscheinlich ist es, dass es funktioniert?“ Das ist der schwierige Teil. KI ist voller wissenschaftlicher Unsicherheit. Nur weil man die Daten hat, heißt das noch lange nicht, dass der Computer das Muster auch erkennen kann. Die Autoren unterteilen dies in vier Prüfungen: Werden Kunden es nutzen? Können unsere Ingenieure es bauen? Verfügen wir über die richtigen Daten? Und vor allem: Ist die Wissenschaft dahinter überhaupt möglich? Wenn die Antwort auf eines dieser „Nein“ lautet, ist das gesamte Projekt riskant.
Fragen Sie drittens: „Was wird es kosten?“ Dies umfasst nicht nur den Preis der Software. Es beinhaltet die Zeit, die Ihr Team aufwendet, die Kosten für den Kauf neuer Daten und die harte Arbeit, das neue Werkzeug in Ihre bestehenden täglichen Abläufe zu integrieren.
Um dies zu verdeutlichen, erzählen die Autoren die Geschichte eines Immobilienunternehmens namens Compass. Sie betrachteten drei verschiedene KI-Ideen, die das Unternehmen in Erwägung zog:
Das „Wahrscheinlich-zu-verkaufen“-Tool: Dies war ein System, das die Kontaktlisten der Makler analysierte und Personen markierte, die am wahrscheinlichsten bald ihr Haus zum Verkauf anbieten würden.
- Das Urteil: Dies war ein Volltreffer. Es war sehr hoher Wert, da es den Maklern direkt half, mehr Verkäufe zu tätigen. Es war eine hohe Wahrscheinlichkeit, da die Daten klar und die Wissenschaft unkompliziert war. Es waren mittlere Kosten, da das Team bereits über die nötigen Werkzeuge verfügte, um es zu bauen.
- Das Ergebnis: Das Unternehmen baute es, und es generierte letztlich hunderte Millionen Dollar an zusätzlichem Umsatz.
Das „Zeit-auf-dem-Markt“-Tool: Dies war ein ausgeklügelter Rechner, der zu versuchen pflegte, exakt vorherzusagen, wie lange ein Haus zu einem bestimmten Preis auf dem Markt liegen würde.
- Das Urteil: Dies war eine Falle. Obwohl es auf dem Papier nach hohem Wert aussah, war die Erfolgswahrscheinlichkeit niedrig. Warum? Weil die Wissenschaft dahinter fehlerhaft war. Um vorherzusagen, wie der Preis die Geschwindigkeit des Hausverkaufs verursacht, muss man wissen, was passiert wäre, wenn der Preis anders gewesen wäre. Aber man kann dieses „Was-wäre-wenn“-Szenario in der Realität niemals beobachten. Die Autoren nennen dies ein „kausales“ Problem, und ohne spezielle Experimente konnte die KI es nicht lösen.
- Das Ergebnis: Das Unternehmen stellte diese Idee klugerweise ein. Den Aufbau hätte Geldverschwendung bedeutet, da die wissenschaftliche Grundlage dafür schlichtweg noch nicht existierte.
Das „Renovierungs-Visualisierungs“-Tool: Dies war ein Generative-AI-Tool, das ein Foto einer abgenutzten Küche nehmen und zeigen sollte, wie sie nach einer Renovierung aussehen würde.
- Das Urteil: Dies war ein „Vielleicht“. Der Wert war niedrig bis mittel, da es bereits günstigere Wege gab (wie virtuelles Staging). Die Wahrscheinlichkeit war mittel, da die KI seltsame Fehler machen könnte, die Käufer verärgern könnten. Die Kosten waren mittel.
- Das Ergebnis: Obwohl es cool klang und das neueste „Generative AI“-Buzzwort verwendete, ging die Rechnung nicht auf. Das Unternehmen entwickelte eine Version davon, aber sie zündete nicht, weil das Fehlerrisiko im Vergleich zum Nutzen zu hoch war.
Das Papier legt nahe, dass das Geheimnis des Erfolgs nicht nur darin besteht, eine großartige Idee oder die klügsten Ingenieure zu haben. Es geht darum, ein Portfolio an Wetten zu besitzen. Man setzt nicht den gesamten Treibstoff auf das eine „beste“ Projekt. Stattdessen mischt man einige sichere Dinge (Quick Wins), einige große, riskante Träume (Moonshots) und einige Forschungsprojekte, um herauszufinden, ob die großen Träume überhaupt möglich sind.
Die Autoren betonen vorsichtig, dass man keine perfekte Mathematik benötigt, um dies anzuwenden. Man muss nicht den exakten Gewinn bis auf den Cent berechnen. Man muss lediglich einfache Bewertungen wie „Niedrig“, „Mittel“, „Hoch“ oder „Sehr Hoch“ für jede der drei Säulen verwenden. Dies hilft Teams, aufzuhören, darüber zu streiten, ob ein Projekt „gut“ oder „schlecht“ ist, und stattdessen echte Gespräche darüber zu führen, warum es scheitern oder erfolgreich sein könnte.
Am Ende lehrt uns das Papier, dass die Auswahl eines KI-Projekts wie die Planung eines Roadtrips ist. Man kann nicht einfach das Ziel mit dem schönsten Bild auswählen. Man muss prüfen, ob das Auto die Straße bewältigen kann (Technische Gewissheit), ob man genug Benzin hat (Investition) und ob das Ziel die Fahrt überhaupt wert ist (Wert). Indem man diese Fragen trennt, können Unternehmen aufhören, Geld für Projekte zu verschwenden, die gut aussehen, aber unmöglich zu bauen sind, und anfangen, diejenigen zu finanzieren, die tatsächlich das Spiel verändern werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.