Messbarer Nutzen KI-Anwendungen: gefühlter Mehrwert reicht nicht aus

Knapp ein Drittel der Schweizer Unternehmen kann den Mehrwert getätigter KI-Investitionen nicht konkret beziffern. Das geht aus einem vom Technologiedienstleister Wipro veröffentlichten Bericht hervor. Im Interview erklärt Kiran Minnasandram – Vice President & CTO, Wipro FullStride Cloud, wie sich die positiven Effekte KI-basierter Technologien von anderen Faktoren abgrenzen lassen.

at: Wieso ist es so wichtig für Unternehmen, sich von einem „gefühlten Mehrwert“ ihrer KI-Anwendungen hin zu eindeutigen Zahlen und Messwerten zu bewegen?

Kiran Minnasandram: Trotz erheblicher Investitionen in KI-Technologien kämpfen viele globale Unternehmen nach wie vor mit der Herausforderung, den greifbaren Wert ihrer KI-Initiativen zu quantifizieren. Die Unklarheiten bezüglich des Nutzens von KI zu überwinden und klar definierte Kennzahlen zu entwickeln ist nicht nur eine finanzielle, sondern auch eine strategische Frage mit Relevanz auf Vorstandsebene. Indem Unternehmen KI-Bemühungen an ihren langfristigen Geschäftszielen ausrichten, können sie nachhaltiges Wachstum und Resilienz in einer zunehmend datengesteuerten Welt sicherstellen. So zeigt sich ein Vorteil in einer fundierten Entscheidungsfindung und Ressourcenzuweisung: Ohne klare Kennzahlen riskieren Unternehmen, zu viel in ineffektive KI-Lösungen zu investieren oder vielversprechende Projekte unterzufinanzieren. Klare KPIs und messbare Ergebnisse helfen ausserdem zu erkennen, welche KI-Initiativen einen echten Vorsprung gegenüber Wettbewerbern verschaffen. Es reicht nicht aus, das Gefühl zu haben, dass KI-Technologien helfen, sondern es braucht Belege, um diese KI-gesteuerten Differenzierungsmerkmale zu verfeinern, zu skalieren und kontinuierlich zu optimieren. Im Sinne einer verschärften Rechenschaftspflicht können verlässliche Daten ausserdem das Vertrauen von Stakeholdern und Investoren stärken. Konkrete Daten, die den ROI belegen, schaffen Glaubwürdigkeit, helfen bei der Rechtfertigung weiterer Investitionen und fördern das Vertrauen in die KI-Strategie des Unternehmens.

Embedded-KI Systeme

Die wichtigsten Embedded-KI-Trends in 2025

Wo liegen für Kunden in der Industrie aktuell die grössten Stolpersteine hinsichtlich der Messung ihrer KI-Ziele?

K. Minnasandram: Global agierende Unternehmen haben das transformative Potenzial von KI erkannt, aber die Übersetzung dieses Potenzials in quantifizierbare Ergebnisse bleibt eine erhebliche Herausforderung. Eine der grössten Herausforderungen für Unternehmen ist das Fehlen klar definierter, geschäftsorientierter KI-Ziele von Anfang an. Häufig werden KI-Projekte eher aufgrund von technologischer Begeisterung als aus strategischer Notwendigkeit initiiert. Ohne eine starke Verbindung zu spezifischen Geschäftszielen – sei es die Verbesserung der Effizienz, Kostensenkungen oder eine verbesserte Kundenerfahrung – haben Unternehmen Schwierigkeiten, relevante Erfolgskennzahlen zu etablieren. Des Weiteren hängt eine effektive KI-Messung stark vom Zugang zu qualitativ hochwertigen und gut strukturierten Daten ab. Viele Kunden stossen auf Herausforderungen, die sich aus Datensilos, inkonsistenten Formaten, unvollständigen Datensätzen oder der fehlenden Verfügbarkeit von Echtzeit-Daten ergeben. Ohne ein robustes Datenfundament werden jedoch die Ermittlung akkurater Referenzwerte und der Vergleich der Leistung vor und nach der KI nahezu unmöglich. Hinzu kommt die Herausforderung, den spezifischen Mehrwert von KI-Lösungen von gleichzeitigen Initiativen oder externen Marktfaktoren zu unterscheiden. Geschäftsumgebungen sind dynamisch und komplex; oft laufen mehrere digitale Transformationsprojekte gleichzeitig ab. Ohne einen systematischen Ansatz zur Durchführung kontrollierter Experimente oder Benchmarks riskieren Unternehmen, die Rolle der KI bei der Erreichung der gewünschten Ergebnisse entweder zu über- oder zu unterschätzen.

Bildergalerie

Bildergalerie mit 5 Bildern

KI-Assistenzsysteme

Künstliche Intelligenz hilft beim Entwurf und Erhalt von Brücken

Was sind die zentralen Massnahmen zur Messung der Rentabilität von KI-Anwendungen im industriellen Umfeld? Und wie können deren positive Effekte von anderen Einflussfaktoren abgegrenzt werden?

K. Minnasandram: Eine wichtige Voraussetzung besteht darin, in robuste Infrastruktur zu investieren. Dazu gehört auch eine vollständige Integration der Systeme. Denn nur ein nahtloser Datenaustausch erlaubt Funktionen wie Echtzeit-Monitoring und somit die Herstellung eines umfassenden Überblicks über den ROI.

Die Messungen stehen und fallen mit einer guten Datenbasis: Hier können auf der einen Seite Cloud-basierte Lösungen zielführend sein, da diese flexibel skalierbare Kapazitäten bieten. Gleichzeitig sollten Unternehmen bei der Datenerhebung einen dynamischen Ansatz verfolgen: KI-Modelle entwickeln sich ständig weiter, sodass die Parameter regelmässig mit Blick auf notwendige Anpassungen infrage gestellt und aktualisiert werden sollten. Es ist von entscheidender Bedeutung, die spezifischen Vorteile der KI von anderen Variablen zu isolieren, die die Leistung beeinflussen, um datengesteuerte Entscheidungen über zukünftige KI-Investitionen treffen zu können. Effektive Vorgehensweisen sind in diesem Zusammenhang: A/B-Tests: Hier lassen Unternehmen KI-Anwendungen in nur einem Segment des Betriebs laufen, während sie in einer Kontrollgruppe etablierte Prozesse beibehalten. Durch den Vergleich der Ergebnisse zwischen beiden Gruppen können sie die spezifischen Auswirkungen der KI klar erkennen und sie von anderen Variablen wie Prozessänderungen oder Marktverschiebungen isolieren. Isolierte Pilotprojekte: Die Einführung von KI-Initiativen in einer kontrollierten Pilotumgebung im kleinen Massstab ermöglicht es Unternehmen, den Einfluss externer Faktoren zu begrenzen. Diese kontrollierten Testungen machen es einfacher, die spezifischen Vorteile zu beobachten, die KI mit sich bringt − ohne Verzerrungen durch nicht damit zusammenhängende betriebliche Veränderungen. Regressionsanalyse: Statistische Methoden wie die Regressionsanalyse können Variablen wie beispielsweise saisonale Nachfrage oder wirtschaftliche Trends kontrollieren. Indem sie diese externen Einflüsse berücksichtigen, können Unternehmen Leistungsverbesserungen mit grösserer Sicherheit allein auf ihre KI-Anwendungen zurückführen. KPI-Zuordnung: Die direkte Verknüpfung von KI-Funktionalitäten mit spezifischen Key Performance Indicators (KPIs) stellt sicher, dass klar ist, was genau die KI verbessert. Wenn beispielsweise ein KI-Modell die Maschinenlaufzeit optimiert, sollten seine Auswirkungen explizit anhand von laufzeitbezogenen KPIs gemessen werden. Prozess-Segmentierung: Anstatt die Auswirkungen entsprechender Anwendungen auf Makroebene zu bewerten, zeigt eine granulare Aufschlüsselung der Leistungskennzahlen für jeden einzelnen Prozessschritt genau, wo KI einen Mehrwert schafft.

Generative KI für die Industrie

Siemens Industrial Copilot gewinnt Hermes Award 2025

(ID:50395042)