Elnur - stock.adobe.com
Firmen müssen in Talente investieren, um KI zu etablieren
In der Wirtschaft besteht ein wachsender Bedarf, KI zu implementieren, um bestehende Geschäftsmodelle zu optimieren und Prozesse zu verbessern. Doch wie wird das erreicht?
Die Marktforscher von McKinsey prognostizieren bis 2026 eine Fachkräftelücke für künstliche Intelligenz (KI) und Datenmanagement von 780.000 in Deutschland. Dies spielt in die breitere Geschichte des Fachkräftemangels in vielen Positionen in vielen weiteren deutschen Unternehmen branchenunabhängig hinein.
Eine solche Entwicklung hat Auswirkungen auf die digitale Transformation, bei der deutsche Unternehmen hinterherhinken, was sich auf die Cloud-Nutzung, aber auch auf die Implementierung von KI- und Machine-Learning-Technologien (ML) auswirkt. Das zeigt auch die Studie CIO vision 2025 Bridging the gap between BI and AI von MIT Technology Review Insights.
Aufgrund der jüngsten Veränderungen im wirtschaftlichen Umfeld besteht ein wachsender Bedarf an Führungskräften, KI zu implementieren, um bestehende Geschäftsmodelle zu optimieren und Prozesse zu verbessern, aber auch neue Geschäftsmodelle zu schaffen, um das Unternehmen zu vergrößern und für die Zukunft fit zu machen.
Wenn dieser Status so definiert wird, dass KI untrennbar mit den meisten Schlüsselgeschäftsfunktionen über alle Aktivitäten hinweg verbunden ist, kann weniger als ein Prozent der in der MIT-Studie befragten Unternehmen als KI-getrieben gelten. Eine ausgewählte Gruppe von 14 Prozent – in der Studie als AI Leaders bezeichnet – strebt diesen Status jedoch bis 2025 an und plant, dass KI bis dahin zu einem entscheidenden Bestandteil von mindestens fünf Kernfunktionen wird.
Die AI Leaders sind jedoch nicht die einzigen, die ehrgeizige Pläne für den weiteren Einsatz von KI haben. Der Prozentsatz der Befragten, die erwarten, dass der Einsatz von KI bis 2025 weit verbreitet oder entscheidend sein wird, reicht von 61 Prozent im Vertrieb über 67 Prozent in der Produktentwicklung bis zu 71 Prozent in der IT.
All dies deutet darauf hin, dass die Zahl der Anwendungsfälle, die Unternehmen entwickeln, deutlich zunimmt. Zu diesen Anwendungsfällen gehört zum Beispiel die digitale Bearbeitung von Schadensfällen bei Versicherungsunternehmen, wo unter dem Begriff Claims 4.0 an digitalen Konzepten gearbeitet wird. Im Gesundheitswesen treibt KI die Entwicklung neuer Methoden zur Krebsfrüherkennung voran, und bei Pharmaunternehmen die Entwicklung neuer Medikamente und Behandlungsmethoden.
Selbst im Transportwesen kümmern sich KI und ML um die Steuerung von Lieferprozessen von Anfang bis Ende, behalten die Waren im Auge, sind für eine dynamische Preisgestaltung zuständig und versuchen, Pannen oder Engpässe zu vermeiden. Diese Beispiele zeigen das Potenzial, das mit den richtigen Fähigkeiten und dem Einsatz von KI und ML erreicht werden kann.
Das Problem ist, dass es den angesprochenen Mangel an Fachwissen und Talenten gibt. Unternehmen haben es schwer, die richtigen Arbeitskräfte für die offenen Stellen zu finden, die sie für ihre KI- und ML-Projekte benötigen. Daher werden Investitionen in die Entwicklung junger Talente und deren Fähigkeiten mit 38 Prozent sowie in die Datenqualität mit 32 Prozent von den europäischen CXOs als die wichtigsten Prioritäten genannt, um den Nutzen von KI und ML bis 2025 zu steigern.
Wachsender Bedarf an Datenspezialisten
Viele Unternehmen stehen nicht nur vor der Herausforderung, neue Mitarbeiter zu fördern und zu finden, sondern auch, sie zu halten. KPMG will beispielsweise mit Chatbots unzufriedene Mitarbeiter frühzeitig identifizieren und so Abwanderung verhindern. Weltweit haben junge Arbeitnehmer während der Pandemie ihre Jobs gekündigt, in der Hoffnung, eine besser bezahlte Arbeit zu finden oder weil sie neue Wege gehen wollen, etwa als Data Scientists, Data Engineers und Data Analysts.
Der Dachverband Bitkom stellt fest, dass sich die Nachfrage nach Data Scientists bei seinen Mitgliedsunternehmen im Vergleich zur aktuellen Situation sogar verdoppelt hat: Mit 15 Prozent wollen doppelt so viele Unternehmen Data Scientists einstellen im Vergleich zum Vorjahr. Um diese Positionen noch erstrebenswerter zu machen, sollten Mitarbeiter, die in diesen Rollen arbeiten, zeigen, wie sie in diese Positionen gekommen sind und welche Probleme KI lösen kann und wie sie sie zum Nutzen ihrer Unternehmen einsetzen. Die Unternehmen auf der anderen Seite müssen Platz für sie schaffen, um ihre Teams zu vergrößern. Dies wird nicht nur zu mehr Bewerbungen führen, sondern auch dazu beitragen, die Mitarbeiter im Unternehmen zu halten, da sie sich beachtet fühlen.
Mitarbeiter schulen, Daten demokratisieren, Quereinsteiger berücksichtigen
Andererseits sollten Unternehmen das vorhandene Personal in den Blick nehmen, um die benötigten Talente zu finden. Durch die Umschulung und Weiterbildung bestehender Mitarbeiter sparen Unternehmen oft Zeit und Geld für die Suche nach Talenten an anderer Stelle und erhalten zudem engagierte Mitarbeiter, was sich positiv auf die Unternehmenskultur insgesamt auswirkt. Die Open-Source-Gemeinschaft ist auch bereit, Neueinsteiger zu unterstützen und ihnen Einblicke in die richtigen Tools und Prozesse zu geben.
Die Macht der Daten sollte darüber hinaus nicht nur in den Händen der Datenteams liegen. Unternehmen sollten sich für das Konzept der Demokratisierung von Daten öffnen, so dass auch andere Abteilungen über die Abkürzung der Citizen Data Scientists auf die Daten zugreifen können. Dies wird immer mehr zur gängigen Praxis, da sie wissen, welche Art von Daten sie für ihre Geschäftsfälle benötigen. Darüber hinaus ist Low-Code/No-Code-Entwicklung eine Möglichkeit, die Qualifikationslücke bei den Mitarbeitern zu schließen, die Unternehmen bereits haben. Moderne automatisierte Business Intelligence und Analyse-Tools unterstützen diese Bemühungen.
Offene Datenarchitektur und Datenkultur als Grundlage
Voraussetzung für den Einsatz von KI und ML ist neben qualifiziertem Personal vor allem eine zentrale, offene Datenarchitektur. Das Lakehouse-Konzept bietet zum Beispiel eine solche Architektur; es kombiniert die besten Eigenschaften von Data Warehouses und Data Lakes, um eine einzige Lösung für alle wichtigen Daten-Workloads zu bieten und Anwendungsfälle zu unterstützen, die von Streaming Analytics über BI bis hin zu Data Science und KI reichen.
„Jede Person im Unternehmen muss den richtigen Zugang zu den richtigen Daten zur richtigen Zeit haben. Mehr und mehr Mitarbeiter werden dann lernen, mit Daten zu arbeiten und sie für sich arbeiten zu lassen.“
Roman Pritzkow, Databricks
Neben der Investition in die richtige Datenarchitektur muss auch eine solide Datenkultur aufgebaut werden. Dies kann durch die Berücksichtigung der drei wichtigsten Maßnahmen erreicht werden: Menschen, Prozesse und Technologie. Jede Person im Unternehmen muss den richtigen Zugang zu den richtigen Daten zur richtigen Zeit haben.
Mehr und mehr Mitarbeiter werden dadurch lernen, mit Daten zu arbeiten und sie für sich arbeiten zu lassen. Bisherige interne Prozesse müssen überprüft und Governance-Modelle neu überdacht werden. Rahmenbedingungen, die eine einheitliche Anwendung von Prinzipien ermöglichen, in denen Daten eine zentrale Rolle spielen, sind ein weiterer Baustein für eine gute Datenkultur. Je besser die Prozesse in der Lage sind, Mitarbeiter-Feedback zu sammeln und sinnvoll zu verarbeiten, desto besser ist der Output. Technologien, die das Sammeln, Aufbereiten und Analysieren bei hoher Datenqualität vereinfachen, müssen, wie bereits geschrieben, zentral und offen zugleich sein.
Fazit
Der aktuelle Fachkräftemangel, der die Weiterentwicklung der Datenkonzepte hin zu ML und KI verhindert, wird durch die vielfältigen Bemühungen von Universitäten und der Attraktivität des Tätigkeitsfeldes auf Zeit gelindert werden. Darüber hinaus können Technologien wie das Lakehouse und die Etablierung einer guten Datenkultur beitragen die Arbeit der Fachleute zu vereinfachen.
Unternehmen, wenn sie die besprochenen Grundlagen geschaffen haben, stehen erst am Anfang einer Evolution, die mit der Auswertung von Daten in Excel-Tabellen begann und in naher Zukunft mit der Behebung des Datenproblems durchstartet. Unternehmen werden sich und ihre Geschäftsfelder komplett verändern, und zwar von innen heraus. Die Lösung des Fachkräfteproblems zusammen mit einer modernen Datenarchitektur und einer guten Datenkultur löst die KI- und ML-Herausforderung.
Über den Autor:
Roman Pritzkow ist RVP DACH bei Databricks.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
