Zweiten Seiten der Medaille
Seit ChatGPT, das Sprachmodell der generativen KI, lanciert wurde, eröffneten sich unzählige Möglichkeiten. Generative KI ermöglicht es, Inhalte wie Texte, Bilder oder Töne zu generieren, anstatt sie lediglich zu erkennen oder zu klassifizieren. Es bestehen Hoffnungen, dass KI einen Beitrag zu einer besseren Zukunft leisten kann, zum Beispiel durch bessere Information, im Einsatz gegen den Klimawandel oder um den Fachkräftemangel zu kompensieren, indem Maschinen langweilige, repetitive Arbeiten übernehmen.

Auf der anderen Seite ist diese Entwicklung begleitet von gossen Ängsten. Experten weltweit befürchten, dass die Welt untergehen könnte; seit langer Zeit wird der Verlust von Arbeitsplätzen prognostiziert. Zyniker bemerken, ChatGPT sei mehrheitlich ein Tool, das Schülern und Studenten beim Betrügen hilft.

Künstliche Intelligenz (KI) ist seit 1956 ein Forschungsgebiet, als an der Ostküste der USA die ersten Projekte zur Erforschung von KI ins Leben gerufen wurden. Über die letzten Jahrzehnte gab es immer wieder Zeiträume, in denen befürchtet wurde, dass Maschinen den Menschen die Arbeit wegnehmen. Sigrist: «Gleichwohl sind wir heute nicht alle arbeitslos, sondern haben vielmehr einen Fachkräftemangel.» Die Realität zeige, so Sigrist, dass ChatGPT in der industriellen Produktion bei der Gestaltung automatisierter Prozesse auch einen Beitrag leisten könne.

Fear of missing out
«Wenn man versucht, mit dieser schnellen Entwicklung Schritt zu halten – zunehmend ist Agilität gefordert – dann gibt es ein Risiko für Kurzfristigkeit», monierte Sigrist. «Es besteht die Gefahr, immer dem letzten Hype hinterherzuhinken.» Es gebe sogar einen Fachbegriff dafür: «Fomo», fear of missing out. «Fomo» prognostiziert Unternehmen, die nicht sofort mit dem KI-Schnellzug mitziehen, das Verpassen des Anschlusses an die Zukunft. Es sei aber wichtig, einen weiteren Blickwinkel zu haben und nicht jedem Trend hinterherzulaufen.

KI einordnen
Es brauche eine kritische Einordnung – das Verständnis eines etwas grösseren Bildes, das nicht allein technologische Potenziale in den Mittelpunkt stelle. Sigrist: «Eine Innovation ist nicht primär, was technisch machbar ist, sondern sie ist an künftige Bedürfnisse gekoppelt.»
Der Begriff «KI» sei, so Sigrist, nicht ganz glücklich gewählt, man würde besser von Daten- und Algorithmen-basierten Systemen sprechen, weil nicht wirklich eine menschliche Intelligenz reproduziert wird. Beides erfülle zwar ähnliche Aufgaben – es können Herausforderungen analysiert und Lösungen generiert werden –, aber KI funktioniere wesentlich anders als Menschen.
KI kann in grossen Datenmengen Muster erkennen und basierend auf dem, was sie gelesen hat, neue Outputs generieren, also lernen. Daraus ergeben sich vier zentrale Anwendungsfelder: Entscheidungen zu treffen und anhand vorhandener Daten Vorhersagen zu erstellen, Geräte zu steuern (Robotik) und neue Designs, Sprache, Prozesse und Code zu generieren. Diese Anwendungen müssen, so Sigrist, unterschieden werden. Die generative KI, basierend auf Large Language Models (LLM), sei eine komplett andere Anwendung, als wenn es darum gehe, den Prozessfluss in einer Industriestrasse zu optimieren.

Chancen für KMU
Es gibt, so Sigrist, ein breites Spektrum von Anwendungen und Chancen für KMU. Zum Beispiel die Automatisierung repetitiver Prozesse oder die Verbesserung von Produktionslinien, die man besser und breiter automatisieren kann. Ein weiteres Beispiel: die Verbesserung des Kundenerlebnisses, z.B. durch schnelle Reaktionsfähigkeit, indem niemand mehr lange in Telefonleitungen warten muss.

Ausblick
Von der wachsenden Leistungsfähigkeit von KI und damit der Möglichkeit, Intelligenz in Prozesse einzubringen, profitieren zunächst vor allem grosse Unternehmen mit skalierbaren Produkten, die schon über grosse Datenmengen verfügen. In den nächsten zwei bis vier Jahren werde es also einen weiteren Boost bei jenen Unternehmen geben, die bereits von der Digitalisierung profitiert haben. Das heisst, so Sigrist, es entstehe ein zunehmender Preisdruck, der die Märkte prägen werde. Es entstehe eine Flutung des Marktes und des Internets mit generierten Lösungen. 

Grenzen
Die Frage stelle sich: Haben wir die vollständige Disruption durch KI erreicht? Sigrist: «Nein!» In vielen Bereichen nehme die Leistungsfähigkeit zu, aber es gebe Grenzen. Man könne nicht alles vorhersagen. Es gebe diverse komplexe Systeme. «Was Kunden in drei Jahren in einem spezifischen Markt wollen, kann keine KI vorhersagen.»
Ein weiterer Punkt sei: Ohne Daten keine Qualität. Die Qualität der Ausgaben von ChatGPT basiere auf den Trainingsdaten, die zur Entwicklung des Modells verwendet werden, erklärte Sigrist. Wenn die Grundlagendaten falsch sind oder einseitige Sachverhalte abbilden, entstehen verzerrte Aussagen. Dies könne zu geschlechterdiffamierenden oder rassistischen Aussagen führen, vor allem aber Kulturräume bevorzugen, von denen die Daten stammen.
Es finde ferner eine Angleichung der Resultate statt. Ein Computermodell könne zwar Autos neu generieren, aber immer nur auf der Basis der Daten, die es gelernt hat. Etwas komplett Neues werde dabei nicht entwickelt. Das Resultat sei eine Reproduktion. Es gebe zudem viele rechtliche Fragen. Denn bestehende Designs, Lösungen und Text wurden von KI beim Lernen einfach übernommen.
Laut der internationalen Wochenzeitung «The Economist» werde die wichtigste Frage des 21. Jahrhunderts sein, wie definiert wird, von welchen Daten KI tatsächlich lernen darf. Momentan bestehe laut Sigrist eine Wildwest-Situation. 

Fazit und Empfehlungen
Man sollte also nicht in Panik verfallen und alle Empfehlungen und Versprechungen von Beratungsfirmen 1:1 umsetzen wollen. Man sollte sich hingegen fragen: Was ist der eigentliche Mehrwert, was ist eine langfristige Perspektive, bei der KI für mein KMU einen effektiven Nutzen stiften kann? Es gehe um das Definieren einer Haltung, nicht um 100’000 einzelne Tools. Um ein realistisches Verständnis zu schaffen, in welchen Aufgabenfeldern generative KI-Systeme effektiv einen nachhaltigen Mehrwert liefern und welche Herausforderungen dabei berücksichtigt werden müssen, braucht es eine differenzierte Analyse der Potenziale und Limitationen.

Es gehe darum, das Gesamtbild zu verstehen, die Welt in den nächsten zehn Jahren anzudenken und aus dieser Sichtweise zu überlegen: Wo kann mir welche KI einen tatsächlichen Mehrwert liefern? Es brauche eine differenzierte «Due Dilligence» in Bezug auf technische Machbarkeit und Effizienz. Man müsse konkrete «Use Cases» definieren – Anwendungsfelder, mit denen man klein beginnt und dann skaliert –, die künftige Bedürfnisse lösen. Das Etablieren einer langfristigen Perspektive sei nötig in Bezug auf den Einsatz und den Mehrwert von KI sowie auf den Nutzen – für Unternehmen und die Schweiz. Die Rolle von KI für die Differenzierung oder Optimierung sei zu definieren. Die Erkenntnisse der bisherigen digitalen Transformation zeigen, dass der klassische, von Mark Zuckerberg propagierte Ansatz «move fast and break things» nicht zu nachhaltig erfolgreichen Lösungen oder profitablen Geschäftsmodellen führt. Das Berücksichtigen von gesellschaftlichen Anforderungen und Herausforderungen müsse die Grundlage sein, auf der künftige Innovationen in den Markt getragen werden. Es gelte, Vertrauen aufzubauen durch stabile und resiliente technologische Grundlagen.

«Es werden nicht jene Unternehmen Erfolg haben, die am schnellsten alle möglichen Tools umgesetzt haben, sondern jene, die sie so einsetzen, dass Vertrauen entsteht und dass sie stabil und resilient sind.» Der Zugang zu qualitätsgeprüften Daten und Prozessen sei zu klären, ebenso müssten ethische und rechtliche Grundlagen abgeklärt werden. Man müsse die Gesamtkosten berücksichtigen: Daten seien Öl, nicht Gold!

Es braucht neue Kompetenzen im Umgang mit diesen Möglichkeiten. Es sei wichtig, Experimente zu starten, im Kleinen zu sehen: Wo funktioniert’s, wo nicht? Man dürfe KI nicht automatisch auf die Kunden loslassen. Man müsse sie davor im geschützten Rahmen testen.