Der AI Design Sprint
Thomas Bierhance
Thomas Bierhance

// //
Lesedauer: 7 Minuten

der AI DEsign
SprintTM


AI oder KI, also künstliche Intelligenz, ist nicht nur eine hippe Technologie, sondern auch ein potenzieller Wettbewerbsvorteil für nahezu jedes Unternehmen. Richtig eingesetzt ergibt sich ein enormes Optimierungspotenzial für Prozesse, Produktionen oder Prognosen. Immer vorausgesetzt, man identifiziert passende Anwendungsfälle und implementiert diese dann auch erfolgreich. Um die richtig passenden Anwendungsfälle zu identifizieren, nutzen wir für das Lösungsdesign den AI Design Sprint ™.

Gibt es ein Geheimnis für erfolgreiche AI-Lösungen?

Eigentlich nicht und doch AUF JEDEN FALL! Denn das Geheimnis ist die Herangehensweise oder die Frage, die man sich stellen sollte, um zum konkreten Anwendungsfall im Unternehmen zu kommen: Was benötigen unsere Kunden? Das scheint offensichtlich, wird unserer Erfahrung nach aber gerade bei AI-Projekten oft vergessen. Kunden sind dabei nicht ausschließlich „echte Kunden“, sondern auch Mitarbeiter:innen, Kolleg:innen oder andere Abteilungen im Unternehmen. Im ersten Schritt gilt es, herauszufinden, was diese Zielgruppen oder „Kunden“ benötigen. Dabei sind Annahmen darüber im Zweifel meist falsch, klare Ergebnisse bringt nur die direkte Kommunikation, also einfach FRAGEN!

Bedarfe, Motivation und Fähigkeiten als Säulen für erfolgreiche AI-Lösungen

Die Menge der „Bedarfe“ ist der Ausgangspunkt der Überlegungen für erfolgreiche AI-Lösungen. Sie umfasst alle Lösungen, die von internen/externen Kund:innen und potenziellen Anwender:innen wirklich benötigt werden. Unserer Erfahrung nach werden gerade die Bedarfe häufig nicht mit der ausreichenden Tiefe betrachtet. Oft heißt es dann: „Die Nutzenden wissen gar nicht, was sie brauchen“ oder „Die Nutzenden können die Möglichkeiten von KI gar nicht einschätzen“. Beide Aussagen können stimmen, befreien aber nicht von der Notwendigkeit, Lösungen zu entwickeln, die die Probleme von Nutzern lösen (auch wenn sie die Probleme nicht klar kommuniziert haben).

Die Menge „Motivation“ umfasst alle Lösungen, die die Organisationseinheit gerne umsetzen möchte. Diese Menge ist stark durch Emotionen und Wünsche geprägt und auch Impulse von außen können eine Rolle spielen: „Ich finde das Thema KI total spannend“, „Der CIO sagt, wir müssen was mit KI machen“, „Es nervt einfach, dass ich jeden Monat diese Unmenge an Zahlen pflegen muss“, „Der Schneider von der Konkurrenz setzt jetzt auch KI ein, so etwas brauchen wir auch“, „Ich habe schon immer gewusst, dass wir diesen Prozess eigentlich automatisieren können“. Die Motivationen sind eine großartige Kraft, um ein Vorhaben voranzutreiben, Widerstände zu überwinden und Beteiligte mitzunehmen. 

Die Menge „Fähigkeiten“ umfasst alle Lösungen, die mit den technologischen und organisatorischen Möglichkeiten umgesetzt werden können. Diese Menge wird sowohl durch den aktuellen Stand der Technik, aber auch durch Fähigkeiten der Organisation eingeschränkt (z. B. durch die Verfügbarkeit von Geld, Ressourcen, Entscheidungsbefugnissen und Mitarbeitern). Eine realistische Einschätzung der Fähigkeiten ist sehr wichtig, damit die Lösung nicht nur eine bloße Idee bleibt.

Welche Arten von Lösungen ergeben sich dann aus den vier Schnittmengen?

Elfenbeinturm-Lösung: Unserer Einschätzung nach sind ein Großteil der gescheiterten Data-Science-Projekte Elfenbeinturm-Lösungen. Oft können digitale Innovationsteams aus dem IT-Bereich in die Falle tappen, eine solche Lösung zu entwickeln. Getrieben von einer hohen Motivation und sehr guter technischer Expertise entstehen gut funktionierende Prototypen, die aber leider an den Bedürfnissen der potenziellen Nutzer:innen vorbeigehen. Beispielsweise wird eine Lösung, die die Kündigung eines Kunden vorhersagt im Vertrieb keine Nutzenden finden, wenn der Vertrieb keine Möglichkeiten hat, auf diese Vorhersage adäquat zu reagieren (weil z. B. die Kunden wegen fehlender Inhalte kündigen, was der Vertrieb aber nicht ändern kann). Ein Mittelständler sollte zum Beispiel nicht mit dem Aufbau einer Data-Science-Plattform starten, wenn er nicht eine handvoll Data Scientists beschäftigt, die die Plattform auch nutzen könnten. 

Luftschloss-Lösung: Daneben gibt es noch die Luftschloss-Lösungen. Für solche Luftschlösser sind besonders Teams anfällig, die ohne ausreichende Umsetzungs-Expertise Lösungen entwerfen oder sich von schlechten Beratern Szenarien erarbeiten lassen, die nur für Organisationseinheiten mit sehr viel mehr Geld und Personal sinnvoll umsetzbar wären. Zum Glück scheitern diese Lösungsansätze oft relativ schnell und das meistens schon nach der ersten Aufwandsabschätzung, noch bevor die Implementierung startet. 

Aschenputtel-Lösung: Eine aus unserer Sicht sehr interessante Schnittmenge nennen wir die „Aschenputtel-Lösungen“. Das sind Lösungen, für die es einen Bedarf gibt und die auch gut zu den Fähigkeiten der Organisation passen. Allerdings sind sie ungeliebt und es fehlt die Motivation, sie anzugehen. Oft sind es Themen, die entweder wenig Glanz und Ruhm versprechen oder aber für die sehr hohe Widerstände überwunden werden müssten. Manchmal ist die Zeit für eine solche Lösung noch nicht reif, aber manchmal kann ein Ausweg auch sein, nach Unterstützern für die Lösung zu suchen.

Zauberhafte Lösung: Optimal ist eine Lösung, die die drei Themen „Bedarfe“, „Fähigkeiten“ und „Motivation“ gleichermaßen abdeckt. So entsteht eine Lösung, die benötigt wird, umsetzbar und auch erwünscht ist.

Wie entsteht eine zauberhafte, erfolgreiche AI-Lösung? Mit BettercallPaul und dem AI Design Sprint ™!

Speziell für die frühen Phasen kannst du mit einem unserer „AI Design Sprint ™“-Workshops sehr schnell starten und AI-Lösungen entwickeln, mit denen du deine Organisation nach vorne bringst.

Wie läuft der AI-Designsprint ab?
Beste Voraussetzungen für einen erfolgreichen AI-Design Sprint (entwickelt von unserem Partner 33a aus Kopenhagen) schafft ein möglichst interdisziplinäres Team. Die unterschiedlichen Blickwinkel und Prioritäten von den Entscheider:innen/dem Management über die Expert:innen für die Geschäftsprozesse bis hin zu den IT-Expert:innen sind entscheidend für den Erfolg des Projekts. Dabei ist das technische Vorwissen nicht entscheidend für den Erfolg des Workshops.

„Die Lösung profitiert von dem umfassenden Blick der unterschiedlichen Expert:innen und die gemeinsame Arbeit schafft ein gemeinsames Verständnis und eine gemeinsame Ausrichtung“, erklärt Thomas Bierhance, Practice Lead for Data Science & AI bei BettercallPaul. Der AI Design Sprint ™ startet mit der Framing Session. Hier wird der Fokus für das zu erarbeitende Konzept festgelegt. Eine kleine Runde aus Entscheider:in und Produkt- oder Prozessexpert:in schaut aus der Vogelperspektive auf eine einfache Prozesslandkarte und identifiziert die Punkte, bei denen eine tiefergehende Konzeption vielversprechend erscheint. Beim anschließenden Concept Development kommt ein interdisziplinäres Team zusammen, entwickelt eine oder mehrere Lösungen für den fokussierten Bereich und bewertet diese im Anschluss daran. In Framing Session und Concept Development kommen unsere AI Cards zum Einsatz. Sie bündeln die Fähigkeiten von AI – leicht verständlich formuliert – auf 64 Karten, die in neun Kategorien unterteilt sind. Auf der Rückseite jeder Karte gibt es kurze Fallbeispiele, die den Prozess noch anschaulicher gestalten.

Als nächstes folgt der Tech-Check, bei dem wir die IT-Abteilung ins Boot holen. Ist die entwickelte Lösung realistisch? Ist sie umsetzbar? Wichtig ist hier z. B., ob die notwendigen Daten überhaupt vorhanden sind und welche Rahmenbedingungen es für eine mögliche Lösung gibt. Im letzten Schritt erstellen wir einen UI/UX-Prototypen und einen Plan für Umsetzung und Rollout des Konzepts in eine produktiv eingesetzte Lösung. So kannst du dir die Unterstützung potenzieller Nutzer:innen und Budgetverantwortlicher sichern und in ein erfolgreiches Realisierungsprojekt starten.

Und auch in dieser Phase hast du mit BettercallPaul einen erfahrenen Partner für die Umsetzung und den Roll-Out von AI-Lösungen an deiner Seite.


Über den Autor: Thomas Bierhance

Als “Practice Lead for Data Science & AI” verantwortet Thomas Bierhance die Aktivitäten von BettercallPaul, um für unsere Kunden Mehrwerte und Nutzen aus Daten zu schaffen. Nach dem Studium der Informationswirtschaft am KIT war er als Entwickler, Berater und Manager tätig. Er beschäftigt sich seit über 20 Jahren mit Anwendungen des maschinellen Lernens und verbindet dabei Geschäft und Technik.


Weitere Informationen

Hast du Interesse an unseren Workshops oder an AI-Themen im Allgemeinen? Oder möchtest du wissen, wie du deine bestehenden Prozesse und Systeme mit „Machine Learning“ und „Data Sience“ ergänzen kannst? Gerne beantworte ich Deine Fragen rund um diese Themen!

Schreib mir gerne eine E-Mail: thomas.bierhance@bcxp.de. Ich freue mich auf deine Kontaktaufnahme! Lerne unsere Cases unter bcxp.de/cases/ kennen.