Grundlage für diese präzisen Messungen ist eine qualitativ hochwertige Datenbasis – inwiefern sollten Unternehmen ihren Ansatz anpassen, um mit aktuellen Entwicklungen Schritt zu halten?

K. Minnasandram: Angesichts des rasanten technologischen Fortschritts und der sich ständig weiterentwickelnden Datenlandschaft können sich Unternehmen nicht mehr ausschliesslich auf klassische, statische Ansätze im Datenmanagement verlassen. Moderne KI-Modelle gedeihen auf Echtzeit-Erkenntnissen. Unternehmen sollten von der periodischen chargenweisen Datenerfassung auf Echtzeit-Datenströme umstellen. Dies ermöglicht KI-Systemen schnellere und genauere Vorhersagen und eine zeitnahe Messung der Auswirkungen von KI. Hier empfehlen sich Investitionen in skalierbare Dateninfrastrukturen wie cloudbasierte Data Lakes oder Plattformen, um vielfältige und wachsende Datensätze ohne Leistungsengpässe verarbeiten zu können. In diesem Zusammenhang ist ausserdem die Integration externer und unstrukturierter Marktdaten-Quellen von hoher Relevanz: Aktuelle Entwicklungen beinhalten zunehmend die Integration nicht-traditioneller Daten wie IoT-Sensordaten, Social-Media-Feeds oder Marktdaten von Drittanbietern in KI-Modelle. Unternehmen müssen ihre Daten-Ökosysteme um solche Quellen erweitern und gleichzeitig sicherstellen, dass sie Genauigkeit und Compliance aufrechterhalten. Nicht zuletzt braucht es eine datengetriebene Kultur: Über die Technologie hinaus sollten Unternehmen eine Kultur pflegen, in der Datenkompetenz auf allen Ebenen betont wird. Das stellt sicher, dass die Teams nicht nur qualitativ hochwertige Daten sammeln und pflegen, sondern auch verstehen, wie sie diese effektiv für eine kontinuierliche Verbesserung der KI nutzen können.

Schlüsseltrends: KI bietet neue Ansätze

Elektronikbranche im Spannungsfeld zwischen Innovationen und Nachhaltigkeit

In welchen konkreten Anwendungsfällen haben ROI-Messungen positive Auswirkungen auf den Gesamtbetrieb gehabt, bspw. durch daraus abgeleitete Massnahmen?

K. Minnasandram: Gezielte ROI-Messungen geben Unternehmen das Selbstvertrauen, erfolgreiche KI-Initiativen zu skalieren, Prozesse zu optimieren und Strategien auf der Grundlage von Daten anzupassen. Diverse Anwendungsfälle aus der Praxis zeigen, wie ROI-fokussierte Bewertungen direkt zu wirkungsvollen betrieblichen Veränderungen geführt haben. Optimierung der Lieferkette: KI-gestützte Tools zur Bedarfsprognose im Einzelhandel und in der Industrie haben messbare Verbesserungen bei den Lagerumschlagsraten und der Reduzierung von Betriebsmitteln gezeigt. Klare ROI-Kennzahlen veranlassten Unternehmen dazu, ihre Logistiknetzwerke neu zu konfigurieren, Überbestände abzubauen und günstigere Lieferantenverträge auszuhandeln. Qualitätskontrolle und Fehlererkennung: In Branchen wie der Automobil- und Elektronikindustrie wurden KI-Sichtprüfsysteme anhand eines an niedrigere Fehlerquoten und weniger Produktrückrufe gebundenen ROI bewertet. Angesichts der Rentabilität haben Unternehmen diese Systeme weiter vorne in der Produktionslinie integriert, Qualitätsprotokolle standardisiert und manuelle Prüfprozesse minimiert, was sowohl die Geschwindigkeit als auch die Produktkonsistenz verbessert. Energieoptimierung in Industrieanlagen: Einige Industrieunternehmen haben KI zur Optimierung des Energieverbrauchs eingesetzt, wobei der ROI in Form von messbaren Reduzierungen der Energiekosten verfolgt wurde. Dieser Erfolg hat sie dazu veranlasst, KI-gesteuertes Energiemanagement in weiteren Anlagen zu implementieren, grünere Energieverträge auszuhandeln und sich an Nachhaltigkeitszielen auszurichten.

Bildergalerie

Bildergalerie mit 5 Bildern

IT Security

DeepSeek-Untersuchung enthüllt kritische Sicherheitslücken

(ID:50395042)