Globale KI-Umfrage von McKinsey Mehr KI, mehr Risikobewusstsein

Höhere Kosteneinsparungen gehören zu den wichtigsten positiven Auswirkungen des Einsatzes von Künstlicher Intelligenz (KI, engl. Artificial Intelligence – AI) im Finanzjahr 2020. Außerdem steigt das Risikobewusstsein der Anwender. KI-Spitzenreiter können sich vom durchschnittlichen Anwender deutlich absetzen, ergab eine aktuelle Studie von McKinsey.

Anbieter zum Thema

Weiss Technik GmbH

ISH Ingenieursozietät GmbH

SECO Northern Europe

McKinsey & Company Inc.

Michael Chui, Bryce Hall, Alex Singla und Alex Sukharevsky vom Marktforschungsunternehmen McKinsey führten im Mai und Juni 2021 die mittlerweile dritte weltweite Umfrage des Beratungsunternehmens zum Thema KI-Nutzung und ihr Einfluss auf Kosten und Gewinne durch. Erfasst wurde das Fiskaljahr 2020. Den Online-Fragebogen beantworteten 1.843 Personen. Sie kamen aus vielen geografischen Regionen, Industriebranchen, Unternehmensgrößen und Funktionen. Beteiligt wurden erfahrene und relativ unerfahrene Mitarbeiter.

Die Daten gewichtete McKinsey nach dem Anteil der Herkunftsländer der jeweils Antwortenden am globalen Bruttosozialprodukt, was bedeutet, dass Antworten aus ökonomisch unbedeutenderen Ländern weniger Einfluss auf die Umfrageergebnisse haben. Dieser Mechanismus soll laut McKinsey unterschiedliche Beteiligungsraten der Länder ausgleichen.

Im Ergebnis gaben 56 Prozent der Teilnehmenden an, dass KI mindestens eine betriebliche Funktion unterstützt. In der Vorerhebung waren es noch 50 Prozent. Die KI-Nutzung habe, so die Studie, vor allem in sich entwickelnden Wirtschaftsräumen wie China, dem Nahen Osten und Nordafrika zugenommen. Hier meldeten sogar 57 Prozent, dass KI eingesetzt werde, während es zuvor erst 45 Prozent waren. Die höchste KI-Adoptionsrate erreicht Indien.

KI wird am häufigsten bei der Optimierung von Serviceprozessen, bei der Verbesserung von Produkten und bei der Automatisierung von Kontaktzentren eingesetzt. Den größten prozentualen Zuwachs des KI-Einsatzes gab es bei der Verteilung von Marketing-Budgets und deren effektiver Nutzung.

Zusätzliche Gewinne und Kostensenkungen durch KI

Die schon lange versprochenen zusätzlichen Gewinne durch KI scheinen sich inzwischen einzustellen. Inzwischen geben 27 Prozent der Befragten an, mindestens fünf Prozent mehr Einnahmen vor Zinsen und Steuern (EBIT) wegen KI zu erzielen. In der Vorjahresumfrage waren es 22 Prozent.

Im Erfassungszeitraum blieben die Vorteile der KI bei der Umsatzgenerierung gegenüber der vorigen Erfassung in etwa gleich oder nahmen sogar ab. Dies galt besonders für das Management der Lieferkette. Hier konnte KI die offensichtlichen pandemiebedingten Probleme nicht kompensieren. Dafür wirkte sich KI jetzt besonders positiv auf die Kostenkontrolle aus. Das gilt über alle Funktionen hinweg. Besonders günstig wirkt sich der KI-Einsatz hinsichtlich der Kosten der Produkt- und Serviceentwicklung, von Vertrieb und Marketing, Strategie und dem Finanzwesen aus.

Auch in Zukunft soll sich nach der Studie KI bester Aussichten erfreuen. Beinahe zwei Drittel der Befragten geben an, dass ihre Unternehmen in den kommenden drei Jahren mehr für KI ausgeben wollen. Das war auch schon im Vorjahr so.

Welche Formen und Bedingungen des KI-Einsatzes machen diesen besonders profitabel? Besonders interessierte McKinsey, wie diejenigen Firmen KI einsetzen, die mindestens 20 Prozent ihres EBIT auf den KI-Einsatz zurückführen. McKinsey spricht hier von „AI High Performers“.

Den Fokus legte McKinsey auf MLOps. Dieses auf Best Practices basierende Vorgehen bei Aufbau und Bereitstellung von ML-basierender KI hat sich in den vergangenen Jahren entwickelt.

Besonders erfolgreiche Vorgehensweisen im KI-Bereich

Wenig überraschend, setzen alle Unternehmen Core-KI-Vorgehensweisen ein, KII-High-Performer wenden zusätzlich neue und fortschrittliche Verfahren öfter als andere an und kommen so bei der Industrialisierung und Professionalisierung ihrer KI-Arbeit schneller voran. Das führt zu besseren Ergebnissen, mehr Effizienz und Vorhersehbarkeit bei den KI-Kosten.

Daher sagen drei Viertel der „AI High Performer“, dass ihre Kostenerwartungen bei KI-Projekten eingehalten wurden oder sie sogar weniger als erwartet ausgaben. Bei den übrigen wuchsen die Kosten eher übers Budget hinaus. Der Vorsprung der High Performers könnte sogar weiter wachsen, da sie bei weiteren geplanten Ausgabensteigerungen diese wohl effizienter einsetzen würde, vermutet McKinsey.

Zu den am häufigsten angewandten Verfahren gehören im Bereich AI Core Design Thinking beim Entwurf von KI-Tools (AI High Performers: 60 Prozent, übrige: 46 Prozent), Leistungstests an KI-Modellen vor der Bereitstellung (57/43 Prozent), zu den fortschrittlichen Vorgehensweise hinsichtlich der Daten gehören der Aufbau eines unternehmensweiten Data Dictionary (53/29 Prozent) und die schnelle Integration interner strukturierter Daten in KI-Initiativen (51/32 Prozent).

Bei Modellen, Werkzeugen und Technologien bewähren sich besonders die Anwendung eines Lebenszyklusmodells auf KI-Modelle (57/26 Prozent) und reguläre Auffrischungen von KI-Modellen nach klar definierten Kriterien (49/23 Prozent). Hinsichtlich der Befähigung der Anwender zum Umgang mit KI und KI-Modellen bewährt sich insbesondere die Ausbildung der Anwender in den Grundlagen der Arbeit mit Modellen (57/35 Prozent) und die ständige Einbeziehung der Anwender in Design, Entwicklung, Training und Bereitstellung der Modelle (50/50 Prozent) sowie die Modellnutzung (46/45 Prozent).

Die Ergebnisse sprechen dafür, dass die Nutzung der Cloud die Effizienz des KI-Einsatzes steigert. Die meisten Unternehmen mischen Cloud- und On-Premises-KI-Plattformen. Allerdings nutzen die AI High Performers die Cloud intensiver (für 64 Prozent der KI-Workloads) als die übrigen (44 Prozent der KI-Workloads). Außerdem verwenden sie eine breitere Dienstevielfalt. Beispielsweise verwendeten doppelt so viele von ihnen Dienste zum Verstehen natürlicher Sprache und Gesichtserkennungsservices.

Risikomanagement: Nach wie vor verbesserungswürdig

Das Risikomanagement bietet bei allen Befragten – wie im vergangenen Jahr – noch Raum für Verbesserungen. Cybersecurity gilt nach wie vor als das größte Risiko, wobei der Anteil abgenommen hat. Gleichzeitig wird mehr Wert auf Algorithmen gelegt, die Gleichbehandlung und Fairness realisieren.

Die Ergebnisse zu Cybersicherheits-Risiken unterscheiden sich regional: In entwickelten Ökonomien sehen 57 Prozent (2020: 63 Prozent) Cybersicherheit als größtes KI-Risiko. In den sich entwickelnden Ökonomien rücken dagegen Themen wie Datenschutz als KI-Risiko stärker in den Vordergrund.

Wenn Unternehmen nicht alle relevanten Risiken absichern, liegt das meist an fehlenden Kapazitäten, sodass sie priorisieren müssen. Das hat bei vielen Einfluss auf den finanziellen Gewinn durch KI: Bei denen, die KI weniger profitabel einsetzen, herrscht oft Unsicherheit darüber, inwieweit sie sich durch KI-Einsatz spezifischen Risiken aussetzen (29 Prozent, AI High Performer: 17 Prozent). Auch Unternehmen aus Entwicklungsökonomien warten momentan oft noch auf klarere Regeln für die Risikoabsicherung. Sie fürchten, dass die Kosten der Absicherung letztlich größer sind als die eines risikobasierten Sicherheitszwischenfalls.

Zum Schutz vor Risiken gibt es diverse Praktiken, die sämtlich bei KI-High-Performern öfter angewandt werden als bei durchschnittlichen Unternehmen. Dazu gehören hinsichtlich der Trainings- und Testdaten insbesondere Überprüfungen von Testdaten auf Schutzmerkmale und Repräsentativität (AI High Performers: 47 Prozent, übrige 33 Prozent), aktive Datenprüfungen durch Spezialisten beim Daten-Ingest (47/27 Prozent), die Ergänzung von geschützten Merkmalen oder Attributen bei Training und Test je nach Bedarf, um Fehlrepräsentationen vorzubeugen (43/23 Prozent), aktive Datenprüfungen durch Profis in verschiedenen Stadien der Modellentwicklung (36/24 Prozent).

Bei der Überprüfung der Modelle auf die algorithmische Verkörperung von Vorurteilen und ihre Genauigkeit bewähren sich besonders das Retraining kritisierter Modelle (43/27 Prozent), die regelmäßige Überprüfung auf Daten- oder Konzeptdrift (42/25 Prozent). Darunter ist zu verstehen, dass die den Modellen zugrundeliegenden Daten und Konzepte durch die reale Entwicklung inzwischen überholt wurden und daher neue Trainingsdaten heranzuziehen sind. Weiter bewähren sich die persönliche Verifikation in der Verwendung der Daten mit Testdaten nach der Lernphase (39/30 Prozent) und ein aktives Training der Modellanwender in der Überprüfung auf Bias oder andere Themen während der Nutzung (39/21 Prozent).

Auch bei der Modelldokumentation werden einige risikomindernde Praktiken sehr häufig eingesetzt. Dazu gehören vor allem ein laufendes Leistungsmonitoring der Modelle (59/43 Prozent), die Dokumentation der Modellarchitektur (53/43 Prozent), die Speicherung von Informationen über Training und Trainingsdaten (52/34 Prozent) und der Datenflüsse (52/42 Prozent).

Dieser Beitrag erschien zuerst auf unserem Partnerportal Bigdata-Insider.de.

(ID:47977727)