Daten- und KI-Strategien müssen den Menschen in den Mittelpunkt stellen, erklärt Dael Williamson, Field CTO bei Databricks. | Data and AI strategies must put people at the center, explains Dael Williamson, Field CTO at Databricks. |
|---|---|
| Viele Führungskräfte konzentrieren sich bei der Einführung von Werkzeugen der Künstlichen Intelligenz (KI) oder von Large Language Models (LLMs) darauf, die IT auf den neuesten Stand zu bringen. Sie unterschätzen die tiefgreifenden Veränderungen, die diese Technologie auf die Mitarbeiter und ihre zukünftige Arbeitsweise haben wird. 26 Prozent der im MIT Technology Review Insights Report „Bringing breakthrough data intelligence to industries“ befragten Unternehmen investieren bereits in generative KI-Systeme. Für viele Unternehmen steht die technische Umsetzung im Vordergrund, um Prozesse anzupassen und die richtige Plattform zu nutzen. Dazu gehört aber auch die Etablierung einer Daten- und KI-Kultur. Diese braucht die Akzeptanz der Mitarbeiter, vom Manager bis zum Berufseinsteiger. Die Mitarbeiter müssen verstehen, welchen Wert eine daten- und wissensbasierte Strategie für ihre Arbeit hat. Sie müssen verstehen, welchen Umsatz sie generieren können und welche Karrieremöglichkeiten sich ihnen bieten. Wenn dieses Verständnis erreicht ist, können Führungskräfte interne Fürsprecher ernennen. Sie tragen dazu bei, Widerstände gegen Veränderungen abzubauen und den Modernisierungsprozess erfolgreich in Gang zu bringen. Widerstand muss moderiert werden Unabhängig davon, wie groß die Auswirkungen auf den Umsatz sind, werden die Mitarbeiter skeptisch bleiben. Sie können sich gegen jede Maßnahme wehren, die von ihnen verlangt, von etablierten Prozessen abzuweichen. Selbst Techniker, die sich auf ihre selbst entwickelten Werkzeuge verlassen, werden wahrscheinlich Widerstand leisten. Eine Strategie, die von jedem Mitarbeiter verlangt, sofort eine neue Anwendung oder einen neuen Prozess zu nutzen, ist zum Scheitern verurteilt. Die Beschäftigten müssen verstehen, wie die neuen KI-gestützten Werkzeuge in ihre gewohnten Arbeitsabläufe passen und – was noch wichtiger ist – welche Auswirkungen sie auf diese haben. Viele Unternehmen sind noch dabei, ihre langfristige Strategie für generative KI zu entwickeln. Sie lassen ihre Mitarbeiter jedoch bereits mit einigen der populären LLM-basierten Chatbots auf dem Markt experimentieren. Dies geschieht jedoch in einer verantwortungsvollen Art und Weise, die nicht dazu führt, dass das geistige Eigentum des Unternehmens direkt in diese Modelle einfließt. Je früher Unternehmen ihren Mitarbeitern einen konkreten Nutzen aufzeigen können, desto schneller werden sie Akzeptanz, Experimentierfreude und damit Geschäftsergebnisse erzielen. Zugang zu Daten und KI demokratisieren Der beste Weg, um Mehrwert aus Daten und künstlicher Intelligenz zu schöpfen, besteht darin, sie dem gesamten Unternehmen zugänglich zu machen. Große Unternehmen haben oft Zehntausende von Mitarbeitern mit unterschiedlichen Aufgaben. Sie nutzen unterschiedliche Tools und Systeme und benötigen unterschiedliche Datenanalysen. Projekte bleiben in der Pilotphase stecken, wenn die Erwartungen der Anwender nicht berücksichtigt werden. Führungskräfte sollten sich daher Zeit nehmen, um zu klären, wer auf welche Informationen und Kontrollen Zugriff haben soll. Sie müssen erklären, welche Unterschiede zwischen der Benutzeroberfläche und dem Datenformat bestehen und wo der Return on Investment liegt. Vielen Unternehmen fällt es schwer, präzise Sicherheitskontrollen zu implementieren, um mehr Mitarbeitern den Zugriff auf Informationen zu ermöglichen und gleichzeitig vertrauliche Daten zu schützen. Ohne eine klare Governance-Strategie können CISOs und andere Sicherheitsverantwortliche KI-Investitionen sofort stoppen. 64 % der für den MIT Technology Review Report Befragten sind der Ansicht, dass ihre Datenarchitektur einen sicheren plattformübergreifenden Austausch von Live-Daten ermöglicht, und halten dies für „entscheidend“, um ihre technologischen Ziele zu erreichen. Noch häufiger als technologische Schwächen nannten die Manager jedoch personelle Engpässe. Als größtes Problem nannten die Befragten die Notwendigkeit, Mitarbeiter aus- und weiterzubilden (40 Prozent). Andererseits können enorme Produktivitätsgewinne erzielt werden, wenn der Zugang zu KI- und ML-Tools im gesamten Unternehmen demokratisiert wird. Ein gängiges Beispiel in vielen kleinen, aber auch großen Unternehmen ist die Transformation von Daten, die in Data-Analytics-Berichten dargestellt werden. Vor dem Einsatz von KI-Tools war es nicht möglich, den dargestellten Berichtsinformationen die notwendige Semantik und den Kontext zu geben. Mit den neuesten GenAI-Tools ist dies jedoch eine einfache Aufgabe. CIOs wollen Business-Intelligence-Einblicke in Form von Sprachausgabe. Ein Beispiel ist ein 8-minütiger Podcast. Daher sind KI-generierte Audio-Synthesen bei denjenigen sehr beliebt, die viele Berichte mit komplexen Daten lesen müssen. Die Anzahl der E-Mails und Anfragen für zusätzliche Syntax wird erheblich reduziert. Konsistenz, Kapazität und Verantwortlichkeit Bei der Umsetzung einer Daten- und KI-Strategie können Unternehmen zwischen verschiedenen Ansätzen wählen. Sie können ein Team einsetzen, das schnelle KI-Projekte durchführt und allgemeine Hindernisse sowie bewährte Verfahren ermittelt, die den Erfolg künftiger KI-Bemühungen sicherstellen. Parallel dazu kann es ein Team geben, das ein bestimmtes vorrangiges Projekt vorantreibt. Ein zentrales Team von Dateningenieuren und Datenwissenschaftlern kann der richtige Ansatz sein, um das Fachwissen und den Nutzen auf das gesamte Unternehmen auszuweiten. Ein zentrales Data Science-Team, das auf die verschiedenen Geschäftsbereiche zugeschnitten ist, kann das operative Wissen dieser Teams nutzen, um maßgeschneiderte Lösungen zu entwickeln. In der Zwischenzeit kann sich ein zentrales Data-Engineering-Team auf eine umfassendere Datenhygiene, Governance und Kuratierung konzentrieren. Dies bietet ein gutes Gleichgewicht zwischen Kontrolle und Autonomie. Ein zentrales Team kann auch die Überwachung aller laufenden Projekte übernehmen. Unterstützer können dann die vielversprechendsten Pilotinitiativen hervorheben und haben Beweise, um weitere Investitionen in diese Projekte zu unterstützen. Wenn neue Technologien auf den Markt kommen, könnte das Unternehmen in einer viel besseren Position sein, um sie schneller in Schlüsselbereichen einzusetzen. Für andere Unternehmen könnte ein dezentraler Ansatz besser geeignet sein. Dabei haben verschiedene Abteilungen die Befugnis, Daten- und KI-Initiativen unabhängig voneinander zu verfolgen. In diesem Fall könnte ein zentrales Team das Unternehmen bei der Einführung von Kontrollen, Richtlinien, Rahmenbedingungen und bewährten Verfahren unterstützen. Sobald diese Grundlagen geschaffen sind, können die Mitarbeiter eigenständig weiterarbeiten. Die Unternehmen nutzen dann die Kreativität und das Fachwissen ihrer Mitarbeiter. Gleichzeitig sorgen sie für eine gewisse Standardisierung der verschiedenen Daten- und KI-Projekte. Erwartungen setzen Um eine erfolgreiche Daten- und KI-Strategie voranzutreiben, muss sich das Verhalten ändern. Und diese Verhaltensänderung basiert auf Kommunikation. Führungskräfte müssen ihren Unternehmen dabei helfen, zu verstehen, warum der Wandel stattfindet, wie er sich auf das Unternehmen auswirkt und wie die Mitarbeiter auf dem Weg dorthin Feedback geben können. Letzteres ist von entscheidender Bedeutung, jeder Versuch, technologische Veränderungen einfach durchzusetzen, kann auf heftigen internen Widerstand stoßen. Kommunikation muss auf allen Managementebenen stattfinden. Zwei grundlegende Elemente jeder Kommunikation sollten die Erinnerung an die strategische Bedeutung von Daten und KI für das Unternehmen und an bewährte Verfahren oder „Lessons Learned“ sein. Ein solider Kommunikationsplan kann dazu beitragen, gute Praktiken zu verstärken und den Kurs zu korrigieren, wenn die Dinge nicht gut laufen. Der Kommunikationsplan sollte über mehrere Kanäle und häufig im Laufe der Zeit verbreitet werden. Die Daten- und KI-Strategie sollte sich in E-Mails, Newslettern, All-Hands, Wissensmanagementsystemen und Datenbereitstellungsveranstaltungen widerspiegeln. Es geht für Manager darum die Mitarbeiter dort abzuholen, wo sie am liebsten lernen. Das Team schulen und fördern Der technologische Wandel bedeutet, dass Unternehmen und ihre Mitarbeiter nie auslernen. Die Fähigkeit eines Unternehmens, eine Kultur des kontinuierlichen Lernens in Bezug auf neue Daten- und KI-Technologien zu schaffen, wird kurzfristig zu Ergebnissen führen und gleichzeitig das Unternehmen auf eine langfristige Übernahme vorbereiten. Diese Lernbemühungen sollten viele verschiedene Formen annehmen:
Foren, in denen Mitarbeiter bewährte Verfahren austauschen oder Antworten auf häufig gestellte Fragen erhalten können, gehören ebenfalls dazu. Regelmäßige Highlights von Erfolgsgeschichten, um die Begeisterung für Daten und KI aufrechtzuerhalten, gehören ebenfalls dazu. – Bieten Sie viele verschiedene Lernmöglichkeiten an: Einige Mitarbeiter möchten sich durch Lernplattformen klicken, andere bevorzugen Kurse mit Dozenten. Manche Mitarbeiter wollen nur einen kurzen Workshop, der ihnen die Grundkenntnisse vermittelt, die sie für den Einstieg benötigen, während andere eine Zertifizierung für Fortgeschrittene anstreben. Unternehmen sollten all diese unterschiedlichen Wege unterstützen, um den Erfolg sicherzustellen. – Kulturelle Stärkung und Sicherheit: Nicht jedes Daten- und KI-Projekt ist ein Erfolg. Unternehmen müssen ihren Mitarbeitern die Möglichkeit geben, auf sichere und finanziell verantwortliche Weise mit der Technologie zu experimentieren. Hackathons sind beispielsweise eine gute Möglichkeit, um mehr „Open-Source“-Forschung zu fördern. Mitarbeiter, die Daten und künstliche Intelligenz nutzen und ihre Ergebnisse und Innovationen präsentieren, um andere zu inspirieren, sollten anerkannt und belohnt werden. Die Anpassung von Stellenbeschreibungen mit einem stärkeren Fokus auf Daten und KI trägt dazu bei, die Rolle der Technologie im Unternehmen zu stärken. – Denken Sie in größeren Zusammenhängen: Es sind nicht nur die Führungskräfte oder die technisch versiertesten Mitarbeiterinnen und Mitarbeiter, die im Umgang mit Daten und KI geschult werden müssen. Der Erfolg hängt davon ab, dass sie von der obersten Führungsebene bis hin zu den Beschäftigten genutzt werden. Aus- und Weiterbildungsmaßnahmen sollten dies berücksichtigen. Schlussfolgerung Die unternehmensweite Skalierung von Daten und künstlicher Intelligenz ist eine der größten Herausforderungen für moderne Technologien. Sie kann Führungskräfte leicht überfordern und IT-Teams an ihre Grenzen bringen. Wenn sich Unternehmen von Anfang an Zeit nehmen, nicht nur über die KI-Infrastruktur, sondern auch über die organisatorischen Anforderungen nachzudenken, können sie Daten und KI nahtlos in ihr gesamtes Unternehmen integrieren. | Many executives focus on getting IT up to speed when implementing artificial intelligence (AI) tools or large language models (LLMs). They underestimate the profound changes this technology will have on employees and how they will work in the future. 26 percent of companies surveyed in the MIT Technology Review Insights Report „Bringing breakthrough data intelligence to industries“ are already investing in generative AI systems. For many companies, the focus is on technical implementation, adapting processes and using the right platform. But it also involves establishing a data and AI culture. This requires buy-in from employees, from executives to young professionals. Employees need to understand the value of a data- and knowledge-based strategy for their jobs. They need to understand the revenue they can generate and the career opportunities available to them. Once this understanding is achieved, managers can appoint internal advocates. They help break down resistance to change and successfully launch the modernization process. Resistance Must Be Moderated Regardless of the impact on revenue, employees will remain skeptical. They may resist any measure that requires them to deviate from established processes. Even technicians who rely on home-grown tools are likely to resist. A strategy that requires everyone to immediately use a new application or process is doomed to failure. Employees need to understand how the new AI-powered tools fit into their existing workflows and, more importantly, how they will affect them. Many companies are still developing their long-term strategy for generative AI. However, they are already letting their employees experiment with some of the popular LLM-based chatbots on the market. However, this is being done in a responsible way that does not result in the company’s intellectual property being directly incorporated into these models. The sooner companies can demonstrate tangible benefits to their employees, the faster they will gain adoption, experimentation, and business results. Democratize Access to Data and AI The best way to get value from data and artificial intelligence is to make it available across the enterprise. Large organizations often have tens of thousands of employees with different roles. They use different tools and systems and require different data analysis. Projects get stuck in the pilot phase when user expectations are not taken into account. Managers should take the time to clarify who should have access to what information and controls. They need to explain the differences between the user interface and the data format, and where the return on investment lies. Many organizations find it difficult to implement precise security controls that allow more employees to access information while protecting sensitive data. Without a clear governance strategy in place, CISOs and other security leaders can immediately halt AI investments. 64% of respondents to the MIT Technology Review report believe their data architecture enables secure, cross-platform sharing of live data and consider it „critical“ to achieving their technology goals. Even more frequently than technology weaknesses, however, executives cited staffing bottlenecks. The biggest problem cited by respondents was the need to train and develop employees (40%). On the other hand, huge productivity gains can be achieved by democratizing access to AI and ML tools across the enterprise. A common example in many small and large organizations is the transformation of data presented in data analytics reports. Prior to the use of AI tools, it was not possible to add the necessary semantics and context to the information presented in the reports. With the latest GenAI tools, however, this is a simple task. CIOs want business intelligence insights in the form of voice output. One example is an 8-minute podcast. As a result, AI-generated audio syntheses are very popular with those who need to read a lot of reports with complex data. The number of emails and requests for additional syntax is greatly reduced. Consistency, Capacity, and Accountability When implementing a data and AI strategy, organizations can choose from several approaches. They can have a team that runs rapid AI projects and identifies common roadblocks and best practices that will ensure the success of future AI efforts. In parallel, there can be a team that drives a specific priority project. A centralized team of data engineers and data scientists can be the right approach to extend the expertise and benefits to the entire organization. A centralized data science team, tailored to different business units, can leverage the operational knowledge of these teams to develop tailored solutions. Meanwhile, a centralized data engineering team can focus on broader data hygiene, governance, and curation. This provides a good balance of control and autonomy. A centralized team can also provide oversight of all ongoing projects. Funders can then highlight the most promising pilot initiatives and have evidence to support further investment in these projects. As new technologies come to market, the company could be in a much better position to deploy them more quickly in key areas. For other companies, a decentralized approach may be more appropriate. Here, different departments are empowered to pursue data and AI initiatives independently. In this case, a centralized team could help the company establish controls, policies, frameworks, and best practices. Once these foundations are in place, employees can continue to work independently. Companies then tap into the creativity and expertise of their employees. At the same time, they ensure some standardization across different data and AI projects. Set expectations To drive a successful data and AI strategy, behavior must change. And that behavior change is based on communication. Leaders must help their organizations understand why the change is happening, how it will impact the business, and how employees can provide feedback along the way. The latter is critical, as any attempt to simply impose technological change can be met with fierce internal resistance. Communication needs to take place at all levels of management. Two fundamental elements of any communication should be a reminder of the strategic importance of data and AI to the business, and best practices or „lessons learned. A solid communication plan can help reinforce good practices and correct course when things are not going well. The communication plan should be distributed through multiple channels and frequently over time. The data and AI strategy should be reflected in emails, newsletters, all-hands meetings, knowledge management systems, and data delivery events. For managers, it’s about meeting employees where they prefer to learn. Team training and support Technological change means that organizations and their employees never stop learning. An organization’s ability to create a culture of continuous learning around new data and AI technologies will yield short-term results while preparing the company for long-term adoption. These learning efforts should take many different forms: – AI to train in AI: Organizations can begin their AI journey by using technology to train employees in AI. By using models that can turn a learning concept into many different outputs, such as an infographic, white paper, or TikTok video that resonates with different audiences. – Communication is key: Leaders must ensure that data and AI are regularly discussed within the organization. This may mean creating internal communities or groups dedicated to the technology. It can also include forums where employees can share best practices or get answers to frequently asked questions. Regularly highlighting success stories to keep the excitement around data and AI high is also part of this. – Offer a variety of learning options: Some employees want to click through learning platforms, while others prefer instructor-led courses. Some employees just want a short workshop that gives them the basic skills they need to get started, while others want an advanced certification. Companies should support all of these different paths to ensure success. – Cultural empowerment and safety: Not every data and AI project will be a success. Companies need to provide opportunities for employees to experiment with the technology in a safe and financially responsible way. Hackathons, for example, are a great way to encourage more open source research. Employees who use data and artificial intelligence and present their findings and innovations to inspire others should be recognized and rewarded. Adjusting job descriptions to include a greater focus on data and AI helps strengthen the role of technology in the organization. – Think bigger: It’s not just executives or the most tech-savvy employees who need to be trained in the use of data and AI. Success depends on its use from the top down. Training and development should take this into account. Bottom line Scaling data and artificial intelligence across the enterprise is one of the biggest challenges facing modern technology. It can easily overwhelm executives and push IT teams to their limits. By taking the time to think about organizational requirements, as well as AI infrastructure, from the outset, companies can seamlessly integrate data and AI across the organization. |
Dr. Jakob Jung ist Chefredakteur Security Storage und Channel Germany. Er ist seit mehr als 20 Jahren im IT-Journalismus tätig. Zu seinen beruflichen Stationen gehören Computer Reseller News, Heise Resale, Informationweek, Techtarget (Storage und Datacenter) sowie ChannelBiz. Darüber hinaus ist er für zahlreiche IT-Publikationen freiberuflich tätig, darunter Computerwoche, Channelpartner, IT-Business, Storage-Insider und ZDnet. Seine Themenschwerpunkte sind Channel, Storage, Security, Datacenter, ERP und CRM.
Dr. Jakob Jung is Editor-in-Chief of Security Storage and Channel Germany. He has been working in IT journalism for more than 20 years. His career includes Computer Reseller News, Heise Resale, Informationweek, Techtarget (storage and data center) and ChannelBiz. He also freelances for numerous IT publications, including Computerwoche, Channelpartner, IT-Business, Storage-Insider and ZDnet. His main topics are channel, storage, security, data center, ERP and CRM.
Kontakt – Contact via Mail: jakob.jung@security-storage-und-channel-germany.de