KI beherrschen – Mastering AI

Führungskräfte gehen in der Regel davon aus, dass KI-Lösungen automatisch eine schnellere Time to Market und niedrigere Kosten bedeuten. Doch wenn Unternehmen beginnen, ihre KI-Bemühungen zu skalieren, fällt es ihnen oft schwer, den innovativen Schwung aufrechtzuerhalten. Unerwartet hohe Kosten, fehlende Fähigkeiten oder mangelnder Zugang zu hochwertigen Datensätzen sind ebenso wie Bedenken hinsichtlich der Datensicherheit und des Datenschutzes die größten Hemmnisse für eine aussagekräftige KI-Skalierung. Eine neue Studie von IDC kommt nun zu folgendem Ergebnis: Ob KI-Initiativen langfristig Erfolg haben, hängt stark von der KI-Reife eines Unternehmens ab und diese wiederum definiert sich durch den Umgang mit Daten und Storage-Infrastruktur.

Wie KI-reif ist mein Unternehmen? 

Im Dezember 2023 und Januar 2024 führte IDC 24 qualitative und 1.220 quantitative Interviews mit globalen Entscheidungsträgern aus dem IT-Betrieb zum Stand der KI-Transformation in ihrem Unternehmen durch. Im Rahmen dieser tiefgreifenden Analyse entwickelte das Institut ein KI-Reifegradmodell, das Unternehmen in einen von vier Reifegraden einteilt. Die ausschlaggebenden Kriterien basieren auf der vorhandenen Daten- und Speicherinfrastruktur, der Datenpolitik und -Governance, Ressourceneffizienz sowie der Zusammenarbeit mit den Entscheidungsträgern.

• KI-Neuling: Diese Unternehmen stehen am Anfang der Prozesse, die für die KI-Transformation entscheidend sind. Das bedeutet zum Beispiel, dass je nach Speicherort und Format der Daten unterschiedliche Datenarchitekturen zum Einsatz kommen. Die Unternehmen konzentrieren sich in diesem Stadium überwiegend auf Verbesserungen der Speicherinfrastruktur, von denen viele jedoch nicht direkt mit den Anforderungen von KI-Initiativen zusammenhängen. Hier gibt es Ansätze, um den Reifegrad in Bezug auf KI in dieser Phase zu steigern – außer der Infrastruktur und Datenbereitstellung trifft das vor allem auf die Themen Governance, Sicherheit und Produktivität zu.
• KI-Pionier: In dieser Phase beginnen Unternehmen mit der konkreten Umsetzung von Prozessen und Ansätzen zur Skalierung von KI-Initiativen. Pläne für eine einheitlichere Datenarchitektur sind im Gange, befinden sich aber noch in einem Anfangsstadium. Es muss noch viel an den Grundlagen gearbeitet werden, zum Beispiel daran, Datenbewegungen zu verwalten, sensible Daten und Endpunkte zu sichern, Wiederherstellungspläne zu erarbeiten und eine einheitliche Steuerungsebene einzurichten.
• KI-Führer: Unternehmen befinden sich mitten in der Umsetzung einer ausgearbeiteten KI-Strategie. Eine einheitliche Vision für die Datenarchitektur ist vorhanden und die Verantwortlichen haben erhebliche Fortschritte dabei erzielt, den Umgang mit Datensätzen bezüglich Format und Storage unternehmensweit zu vereinheitlichen. Mehrere Data-Governance-Ziele wurden erreicht, darunter die Verwaltung von prüfbaren Datenkopien zur Rückverfolgbarkeit und die Einschränkung sensibler Daten für das KI-Training.
• KI-Experte: Es gibt eine nahezu kohärente unternehmensweite Datenarchitektur, die eine Vielzahl von Datenformaten, -strukturen und -zugriffsmechanismen unterstützt – ganz gleich ob On-Premises, in der Private Cloud oder in der Public Cloud. Die Speicherinfrastruktur ist optimiert auf Datenbewegungen und Migration zwischen Standorten und die Nutzung durch KI-Lösungen.

Warum ist es wichtig, KI-Experte zu sein? 

So gut wie jedes Unternehmen sieht einen kurzfristigen Schub von Produktivität und Profit, wenn es zum ersten Mal Lösungen mit Künstlicher Intelligenz einsetzt. Doch eine langfristig erfolgreiche Skalierung von KI-Initiativen benötigt eine ausgeprägte KI-Reife. So berichten 13 Prozent der befragten KI-Experten von gescheiterten Initiativen zu Künstlicher Intelligenz, während bei KI-Neulingen die Fehlschlag-Rate bei wesentlich höheren 20 Prozent liegt. Die Gründe für die Fehlschläge sind dabei unterschiedlich. Während es bei KI-Neulingen häufig bereits an mangelhafter Dateninfrastruktur, Qualität und Budgetgrenzen scheitert, stecken KI-Experten ihre Skalierungsambitionen häufig etwas zu hoch. Das führt zu Problemen, wenn Change-Management nicht aktiv betrieben wird. Zudem sind fehlende Sicherheiten im Datenschutz und zu geringe Datensätze auch für KI-Experten Hürden.

Treiber für die KI-Transformation gibt es dabei viele. So berichten KI-Neulinge wie KI-Experten unter anderem von einer gesteigerten Produktivität (25 beziehungsweise 20 Prozent) und vermehrten Profiten (25 und 19 Prozent). Zudem sehen die Befragten eine bessere Geschäftsagilität (23 und 19 Prozent) sowie eine hohe Kostenersparnis durch die Implementierung von KI-Initiativen (26 und 17 Prozent). Eine schnellere Time to Market stellten 25 Prozent der Neulinge sowie 18 Prozent der Experten fest.

KI-Initiativen bieten handfeste Geschäftsvorteile: KI-Experten können ihre Geschäftsergebnisse schneller und konsistenter erzielen als Neulinge in dem Bereich Die Voraussetzungen für eine erfolgreiche KI-Adaption und Skalierung sind eine intelligente Dateninfrastruktur und eine durchdachte Strategie für Storage und Data Governance. Auch für KI-Experten ist es dabei ratsam, ihre Ambitionen nicht zu schnell zu hoch zu stecken und sich stattdessen an umsetzbaren Zielen zu orientieren.

Fazit: 

Um KI-Initiativen verantwortungsvoll zu skalieren, brauchen Unternehmen eine intelligente Dateninfrastruktur, die die Flexibilität bietet, überall auf Daten zuzugreifen – gleich welches Format oder welcher Speicherort. Aktives Datenmanagement wiederum führt zu mehr Sicherheit und Schutz und ermöglicht eine einheitliche Governance. Die gezielte Optimierung der Dateninfrastruktur für KI-Anwendungen kann somit Kosten erheblich senken und gleichzeitig Effizienz sowie Produktivität steigern – und so das angestrebte Geschäftsergebnis besser erreichbar machen.

Executives typically assume that AI solutions automatically mean faster time to market and lower costs. But as companies begin to scale their AI efforts, they often struggle to maintain innovative momentum. Unexpectedly high costs, skills shortages, or lack of access to high-quality data sets are the biggest barriers to meaningful AI scaling, along with concerns about data security and privacy. Now, new research from IDC finds that the long-term success of AI initiatives depends heavily on an organization’s AI maturity, which is defined by how it handles data and storage infrastructure.

How AI-ready is my company?

In December 2023 and January 2024, IDC conducted 24 qualitative and 1,220 quantitative interviews with global IT decision makers about the status of their company’s AI transformation. As part of this in-depth analysis, IDC developed an AI maturity model that places organizations into one of four maturity levels. The criteria are based on existing data and storage infrastructure, data policy and governance, resource efficiency, and collaboration with decision makers.

– AI Newcomers: These organizations are at the beginning of the processes that are critical to AI transformation. This means, for example, using different data architectures depending on the location and format of the data. At this stage, companies are primarily focused on storage infrastructure improvements, many of which are not directly related to the needs of AI initiatives. There are approaches to increasing AI maturity at this stage – in addition to infrastructure and data delivery, these include governance, security, and productivity.

– AI Pioneer: At this stage, organizations begin to implement concrete processes and approaches for scaling AI initiatives.Plans for a more unified data architecture are underway, but are still in the early stages. Much work remains to be done on the basics, such as managing data movement, securing sensitive data and endpoints, developing recovery plans, and establishing a unified control plane.

– AI leaders: Enterprises are in the midst of implementing a sophisticated AI strategy. A unified vision for data architecture is in place, and leaders have made significant progress in standardizing how data sets are handled across the organization in terms of format and storage. Several data governance goals have been achieved, including managing auditable copies of data for traceability and restricting sensitive data for AI training.

– AI Expert: There is a near-consistent, enterprise-wide data architecture that supports a variety of data formats, structures, and access mechanisms-whether on-premises, in the private cloud, or in the public cloud. The storage infrastructure is optimized for data movement and migration between locations and for use by AI solutions.

Why is it important to be an AI expert?

Almost every company sees a short-term boost in productivity and profits when it first implements artificial intelligence solutions. However, successful long-term scaling of AI initiatives requires a high level of AI maturity. For example, 13 percent of AI experts surveyed report failed AI initiatives, while the failure rate for AI newcomers is much higher at 20 percent. The reasons for failure vary. While AI novices often fail due to inadequate data infrastructure, quality, and budget constraints, AI experts often set their scaling ambitions a bit too high. This leads to problems if change management is not actively pursued. In addition, a lack of data security and insufficient data sets are also hurdles for AI professionals.

There are many drivers for AI transformation. Both AI newcomers and AI experts report increased productivity (25 and 20 percent, respectively) and increased profits (25 and 19 percent). Respondents also see improved business agility (23 and 19 percent, respectively) and high cost savings as a result of implementing AI initiatives (26 and 17 percent, respectively). Faster time to market was cited by 25 percent of newcomers and 18 percent of experts.

AI initiatives deliver tangible business benefits: AI experts can achieve their business results faster and more consistently than newcomers to the field. Successful AI adoption and scaling requires an intelligent data infrastructure and a well-thought-out storage and data governance strategy. AI professionals are also advised not to set their sights too high too quickly, and instead focus on achievable goals.

The bottom line:

To responsibly scale AI initiatives, organizations need an intelligent data infrastructure that provides the flexibility to access data anywhere, regardless of format or location. In turn, active data management leads to greater security and protection, and enables unified governance. As a result, optimizing the data infrastructure for AI applications can significantly reduce costs while increasing efficiency and productivity – making the desired business outcome more attainable.