Jedes erfolgreiche Projekt ist nicht nur an sich schon ein Erfolg, sondern auch eine Gelegenheit zu lernen, wie man nachfolgende Projekte noch erfolgreicher gestalten und dabei noch schneller vorankommen kann.
Wenn ein KI-Projekt erfolgreich ist, liegt der wahre Wert nicht nur im Erfolg selbst. Es geht vielmehr darum, was dieses Projekt über die Diskrepanz zwischen der Dokumentation eines Prozesses und seiner tatsächlichen täglichen Abwicklung offenbart – und welche Erkenntnisse SnapLogic aus der Überbrückung dieser Diskrepanz gewinnt, um das nächste Projekt schneller und besser umzusetzen.
Dieser Beitrag gibt einen Einblick, wie dieser Lernprozess in der Praxis aussieht, und stützt sich dabei auf Muster aus den branchenübergreifenden KI-Implementierungen von SnapLogic. Abschließend wird erläutert, was diese Muster für Teams bedeuten, die ihre eigene KI-Einführung planen.
Warum die Bewertung von KI-Projekten wichtiger ist als sonst
Die einzige Möglichkeit, den Wert einer Technologie zu beurteilen, besteht darin, sie „im Ernstfall“, also in einer realen Situation, einzusetzen. Dies gilt umso mehr im Bereich der Integration, der zwischen anderen Systemen, Anwendungen und Daten stattfindet. Während eine eigenständige Anwendung ausschließlich anhand ihrer eigenen Vorzüge bewertet wird, stellt eine Integrations-Data-Fabric den Höhepunkt eines gesamten Unternehmensarchitekturprojekts dar.
Der Grund, warum es wichtig ist, Projekte auszuwerten, besteht nicht nur darin, weitere Kundenlogos zu sammeln, sondern aus jedem einzelnen zu lernen und die Umsetzung bei künftigen Projekten zu verbessern. Dieser Lernprozess ist im Bereich der KI umso wichtiger, da sich die Best Practices dort noch rasant weiterentwickeln und es schlichtweg kaum etabliertes Wissen darüber gibt, „wie man es macht“, auf das man zurückgreifen könnte.
Bei SnapLogic konnten wir in verschiedenen Branchen und Bereichen zahlreiche Erfolge im Bereich der KI erzielen. Daher möchte ich einige Faktoren vorstellen, die vielen solchen Projekten gemeinsam sind.
Wo der dokumentierte Prozess auf den tatsächlichen trifft
Die Besonderheiten der Technologie und der Geschäftsprozesse variieren stark. Dennoch konzentrieren sich die gemeinsamen Faktoren darauf, sicherzustellen, dass das, was entwickelt wurde, tatsächlich den Anforderungen entspricht und den Anwendern dabei hilft, konkrete Ergebnisse zu erzielen.
Bei jedem Technologie-Implementierungsprojekt muss es eine Phase der Benutzerakzeptanz geben, in der das SnapLogic-Team mit den Endbenutzern auf Kundenseite zusammenarbeitet, um zu verstehen, was erforderlich ist, um einen ersten Implementierungsentwurf – der auf unserem externen Verständnis des Prozesses und seiner Ziele basiert – in eine Lösung umzuwandeln, die tatsächlich in den Produktivbetrieb überführt werden kann.
Im Zusammenhang mit KI ist dieser Prozess sogar noch wichtiger, da es erhebliche Diskrepanzen zwischen den Erwartungen an die Leistungsfähigkeit der KI und den tatsächlichen Gegebenheiten bei der Umsetzung eines KI-Projekts in der komplexen realen Welt geben kann.
Insbesondere stellt sich recht häufig heraus, dass der offizielle Prozess – also derjenige, der in den Dokumenten festgehalten war, auf denen das Projektteam seine Arbeit aufgebaut hatte – nicht genau dem entsprach, was die Mitarbeiter in der Praxis befolgten.
5 Muster, die immer wieder auftauchen
Es handelt sich hier nicht um Fälle, in denen Abstriche gemacht wurden; es geht auch nicht darum, dass Anweisungen nicht befolgt wurden oder Ähnliches. Vielmehr stießen unsere Berater immer wieder auf Situationen, in denen Menschen ihr Urteilsvermögen und ihre Eigeninitiative einsetzten, da die unübersichtliche Realität nicht ganz mit der klaren Logik des schriftlich festgelegten Prozesses übereinstimmte.
1. Inkonsistenz beim Timing der Arbeitsabläufe (operatives Schuldenproblem)
Beim manuellen Verfahren leiteten die Mitarbeiter routinemäßig die erste Phase des Arbeitsablaufs ein, bevor alle erforderlichen Datenaktualisierungen oder externen Eingaben vollständig im System verfügbar waren, und glichen diese Lücken im Laufe des Prozesses informell aus. Da KI-Agenten sofort reagieren, werden sie Fälle aufzeigen, in denen Arbeitsabläufe auf der Grundlage unvollständiger Informationen ausgeführt wurden. Bei ersten Bewertungen wurden diese oft fälschlicherweise als „Tool-Fehler“ identifiziert, doch eine genauere Untersuchung ergibt in der Regel, dass die Agenten die Daten lediglich so verarbeitet haben, wie sie bereitgestellt wurden.
2. Konfigurationsabweichungen (Wissensdefizit und Nutzerunterschiede)
Bei der Bearbeitung komplexer Eingaben kann es vorkommen, dass menschliche Bediener Konfigurationseinstellungen uneinheitlich anwenden und sich dabei auf ungeschriebenes „Stammeswissen“ oder ihr individuelles Ermessen verlassen. KI-Agenten weisen auf diese Unstimmigkeiten hin, da Automatisierung eine konsistente bedingte Logik erfordert. Die Lösung besteht hier darin, standardisierte Standardwerte zu implementieren, um unordentliche historische Dateneinträge auszugleichen.
3. Abweichungen im Eingabeformat (Hygiene-Schulden)
Bei Altprozessen kann es vorkommen, dass kritische Informationen in unstrukturierten, nicht standardisierten Formaten vorliegen (beispielsweise durch die Einbettung komplexer Dateien in andere Dokumente). In solchen Fällen greifen die Mitarbeiter häufig auf die manuelle Erfassung von Informationen zurück – im Grunde genommen das Kopieren und Einfügen von Informationen zwischen Dokumenten und Systemen. KI-Agenten decken solche nicht standardisierten Informationskanäle auf, oft dadurch, dass sie ohne zusätzlichen Aufwand keine Daten aus von Natur aus unvorhersehbaren Strukturen extrahieren können.
4. Strukturelle Widersprüche (Unklarheit bei den Anforderungen)
Da KI-Agenten eindeutige Entscheidungswege benötigen, die auf internen Richtlinien basieren, decken sie überall dort Schwachstellen auf, wo Unternehmen ihre eigenen zentralen Betriebsregeln nicht vollständig standardisiert haben. Bei der Erprobung agentenbasierter KI-Lösungen werden diese Unstimmigkeiten oder vage bzw. widersprüchliche interne Richtlinien zutage treten. In diesen Fällen fungieren KI-Agenten lediglich als Spiegel für Unklarheiten in den Richtlinien, die zuvor unbemerkt geblieben waren oder durch informelle Abhilfemaßnahmen überdeckt wurden.
5. Die „menschliche Genauigkeit“ als Referenzwert (Validierungsschuld)
Schließlich bewerten interne Stakeholder die Ergebnisse des Automatisierungstools anfangs oft als qualitativ minderwertig und bestehen auf einem perfekten Genauigkeitsstandard. Bei genauerer Betrachtung der bisherigen manuellen Prozesse lassen sich jedoch häufig Rechenfehler, Abweichungen durch die Nutzer und Probleme mit der Datenqualität feststellen. Mit anderen Worten: Die Automatisierung verursacht keine Fehler, sondern deckt Stellen auf, an denen die bisherigen manuellen Arbeitsabläufe möglicherweise nicht perfekt standardisiert waren, wie wir in den vorangegangenen Kategorien gesehen haben.
Empfehlungen für den Erfolg
Diese Situationen sind nicht wirklich spezifisch für SnapLogic oder gar für KI. Die Automatisierung hat schon immer die Unterschiede zwischen dem schriftlich festgelegten Prozess und dem von Menschen ausgeführten Prozess deutlich gemacht. Neu an der KI sind die Geschwindigkeit der Umsetzung und der Umfang der Möglichkeiten.
So war es beispielsweise in der Vergangenheit praktisch unmöglich, mit unstrukturierten Daten umzugehen: Das Durcheinander aus zufälligen PDF-Dateien, Tabellenkalkulationen, Bildern und was es sonst noch alles gab, wurde zur „dunklen Materie“ der Unternehmens-IT. KI ermöglicht es, diesen Prozess zu automatisieren, deckt dabei jedoch alle Stellen auf, an denen Menschen bisher ihr Urteilsvermögen und ihre Eigeninitiative eingesetzt hatten, um chaotische Situationen zu bewältigen.
Die Kehrseite ist, dass wir – da es sich um KI-Agenten und nicht um starre, vorschreibende Automatisierung handelt – genau diese positiven Fähigkeiten in den Prozess einbringen können und so den Fachleuten ersparen, ihre wertvolle Zeit damit zu verschwenden, PDF-Dateien zu durchforsten oder Informationen zwischen Tabellenkalkulationen zu kopieren und einzufügen.
Auf diese Weise kann KI-gestützte Automatisierung genau die Ergebnisse liefern, wie sie CCB erzielt hat und wie sie nun auch viele andere SnapLogic-Kunden allmählich verzeichnen.
Wir würden uns sehr freuen, wenn Sie der Nächste wären. Sie können mit einer selbstgeführten Produkttour beginnen oder eine individuelle Vorführung mit einem unserer Experten vereinbaren.
