KI-Berater: Freelancer nutzen?

Warum du einen KI-Berater fürs Geschäft brauchst? Damit du die richtigen Prioritäten im Unternehmen setzt, auf die man teils aufgrund von Betriebsblindheit nicht käme.

Sollte man dafür Freelancer nutzen? Ich bin mir da nicht so ganz sicher, denn

a) die Lösungsvielfalt ist – definitiv – unüberschaubar, die kann eine Einzelperson nicht kennen, und

b) kann ein Freelancer keine robuste, skalierbare Implementierung bauen, inklusive SLA mit 24/7-Support.

Deswegen brauchst du für geschäftskritische KI-Projekte eine IT-/KI-Beratungsfirma, die ein eigenes Team hat.

Wofür du hingegen Freelancer im Rahmen von KI-Projekten nutzen kannst:

• Erstberatung / Workshops / Inspiration Sessions: Da dir der Freelancer keine Komplett-Lösung verkaufen will, ist die Beratung in der Tendenz offener.
• Schulungen: Ihr habt irgendwas mit KI eingeführt, aber kaum jemand im Unternehmen nutzt es sinnvoll? Dann sind Schulungen hilfreich. Ein externer Referent hat hier den Vorteil, dass er kein Kollege oder Vorgesetzter ist.
• Projektmanagement / Product Owner Jobs: Ihr habt im Unternehmen keine Zeit (bzw. keine Leute), um die Product-Owner-Rolle für KI-Projekte auszufüllen? Dann bucht dafür Freelancer (mit Retainer). Funktioniert!
• Punktuell Probleme lösen, Tests aufsetzen und Potenziale ausloten: All die Dinge, für die man im Unternehmen im Tagesgeschäft keine Zeit hat.

Inhalt

• Artikel zu ähnlichen Themen
• Demut hilft
• Fragen stellen
• Aufgaben sezieren
• KI nach Maß statt Missionierung
• Agil entwickeln & testen
• Teams nicht überfordern
• KI Berater untersützen beim monitoren von Erfolgen
• Vernünftige KI Berater haben Geduld
• Und der AI Act?
• Kontakt
  • Was macht ein KI Berater?
  • Was macht ein KI Manager?

Demut hilft

Täglich gibt es in der unüberschaubar gewordenen Welt der KI Neuerungen, die selbst die Vollprofis überraschen. So passiert es mal eben, dass innerhalb einer Woche ein halbes Dutzend neuer Sprachmodelle (LLMs) auf den Markt kommen, die dann innerhalb weniger Tage von Dritten weiteroptimiert werden. Wie gut diese LLMs dann sind im echten Geschäftsleben sind, muss man für sich selbst testen.

Kurz gesagt: Es ist nicht möglich, tagesaktuell am Ball zu bleiben. Das bedeutet, dass jegliches Wissen veraltet sein könnte. Deswegen sollte man mit Demut an die Sache rangehen und grundsätzlich davon ausgehen, dass man nicht auf dem aktuellesten Wissensstand ist. Folge: Man muss sich täglich frisch Aufschlauen.

Skeptisch sollte man zudem bei Jubel-Meldungen von Anbietern und Influencern sein, da nicht jeder Hype eine solide Grundlage hat. Stellt euch – vor allem bei Hypes – stets zwei Fragen, die ich mir auch stelle:

1. Ist das Produkt „production ready“, sind die Ergebnisse also im kommerziellen Einsatz nutzbar? (Da fallen sehr viele Generative AI Angebote automatisch raus, v.a. im Bereich Bild- und Videogenerierung; kleine Ausnahmen gibt es.)
2. Ist das Produkt rechtssicher einsetzbar? Da sind teils deutliche Zweifel angebracht. Der gesunde Menschenverstand ist da ein guter Ratgeber. Beispiel: Ich kann in Photoshop das Nike-Logo „von Hand“ nachbauen. Das wäre relativ dämlich. Ich kann mir aber auch von der „KI“ ein Logo bauen lassen, dass am Ende zufällig wie das Nike-Logo aussieht. Darf ich eines der beiden Logos verwenden? Nein. Schützt mich – im Fall KI – meine Ahnungslosigkeit, weil ich ja nicht wusste dass so ein merkwürdiger Swoosh schon einer Firma gehört? Nein.
   Denk dran: Eine „KI“, also ein LLM, ist im Grunde einfach nur eine Datei, ein paar Gigabyte groß, in der sie ihr antrainiertes Wissen gespeichert hat. Weißt du, welches Wissen in der Datei steckt? Nein. Enthält es in unserem Rechtskreis urheberrechtlich geschütztes Material? Garantiert. Produziert die KI Output, der urheberrechtlich geschützte Inhalte beinhaltet? Wissen wir nicht (immer).

Fragen stellen

Zu Beginn eines KI-Projekts sollte eine große Fragerunde stehen:

• Was will man im Unternehmen erreichen bzw. optimieren? Welchen Nutzen bzw. Mehrwert soll die hochverehrte Kundschaft haben? Das geht bspw. mittels dem Formulieren von User Stories.
• Was verspricht man sich im Unternehmen davon? Sind die Erwartungen realistisch?
• Gibt es automatisierbare Themen bzw. Prozesse, die man im Unternehmen nicht auf dem Schirm hat?
• Wenn im Rahmen des Projekts Tools entwickelt werden: Wer wird damit arbeiten? Sind die Leute mit im Boot? Werden die Leute mitziehen?

Aufgaben sezieren

Vom agilen Projektmanagement kennt man es: Zuerst sollte man Tasks erstellen – vielleicht in Form von User Stories – und diese anschließend nach dem Wert fürs Unternehmen priorisieren. Ein weiterer Faktor ist natürlich der zeitliche bzw. monetäre Aufwand.

Für KI-Projekte bedeutet das, dass im ersten Schritt die „Aufgabe“ verstanden werden muss. Viele Aufgaben in der Büroarbeit bestehen aus einer Abfolge von Schritten, über die man u.U. noch nie nachgedacht hat. Wie bei einem industriellen Automatisierungsprojekt muss man also die Gesamtaufgabe in Teilaufgaben zerstückeln und in eine automatisierbare Reihenfolge bringen.

Beispiel: Die User Story wäre „Ich will die Produkte in meinem Online-Shop mit Produkttexten befüllen.“ Diese Aufgabe besteht aus:

• Prüfung: Gibt es schon Basisinfos zum Produkt, bspw. im PIM-System? Wenn ja: Brauche ich eine Automatisierung / API, um die PIM-Daten nutzen zu können? Oder reichen mir die Infos auf der Website, dann geht’s über die URL?
  Wenn es keine Basisinfos gibt: Woher könnte man sie bekommen?
• Prozessmanagement: Kommt das Team mit einem Copy-and-Paste-Ansatz zurecht, um bspw. das PIM-System oder die Shopsoftware zu befüllen? Oder muss man’s automatisieren? Wie viele Teil-Handgriffe sind eigentlich nötig, und welche davon kann ich mit welchem Aufwand beschleunigen?
• Kosten-Nutzen-Bewertung: Hier lohnt sich ein Test mit ersten Test-Produkten. Wie hoch ist der Aufwand? Verkaufen sich die Produkte im Anschluss besser? Annahmen sind dafür da, sie dem rauen Wind der Realität auszusetzen.
• KI-Output-Qualität checken: Kann ich die KI unbeaufsichtigt arbeiten lassen, oder schleichen sich trotz des bestmöglichen Sprachmodells und perfektem Prompting noch Fehler ein? Dann muss man menschliche Nacharbeit einplanen; das ist immer sinnvoll.
• Entscheidungen treffen: Wie machen wir weiter? Automatisieren wir Pareto-Style 80 % der Aufgaben mit 20 % des Aufwands, oder gehen wir den Restweg zu 100 % Umsetzung – und das vielleicht mit teuer selbstgebauten Tools, die es nächste Woche vielleicht schon kaufbar gibt, ohne Entwicklungsaufwand?

Für mich genügt ein Workflow mit dem Workbench von Anthropic, bei dem ich ein Produkttext-Template vorgebe, unstrukturierten Input einkippe und mir „Code“ für eine .csv Datei exportieren lasse. Diese „csv“ muss mich mir dann aber erst rauscopypasten, abspeichern und ggf. in Excel importieren. Und vor allem muss ich drüberlesen und optimieren. Voll automatisieren würde ich das Stand heute eher nicht.
Einen solchen Workflow kann man aber „Otto Normal“ tendenziell nicht zumuten, behaupte ich mal.

KI nach Maß statt Missionierung

Unternehmenseigene Strukturen müssen mit den passenden KI-Angeboten gematcht werden. Das sollte man nicht mit der Brechstange machen.

Beispiel: Wenn ihr im Unternehmen stark auf Microsoft-365-Produkte setzen, wird euch Google-KI wenig nutzen. Wenn ihr allerdings ein bunt zusammengewürfeltes Tool-Set habt, kann man auch flexibler an die Sache rangehen und sich ein KI-Stack zusammenbasteln.

Große (IT-)Beratungen hingegen haben ab und an Verträge mit Software-Großanbietern (mitsamt aufwändigen Zertifiizierungen) und verkaufen dann deren Lösungen. Man weiß es ja vorher: IT-Beratung A verkauft Lösung A, und IT-Beratung B verkauft Lösung B. Das kann durchaus ein sinnvoller Weg sein, sofern man ihn gehen will.

In jedem Fall werdet ihr euch einen vernünftigen Dienstleister für KI-Projekte suchen müssen; alles unter 10 Mitarbeitern scheidet m.E. aus. Denn: Wenn ihr eine KI-Geschäftsanwendung einführen will, die über ChatGPT Teams und Gelegenheits-Gedöns hinausgeht, braucht ihr a) Berater und Programmierer, b) initial einen mittleren fünf- bis sechssstelligen Betrag und c) einen Anbieter, der für sein Produkt gerade steht – also SLAs mit Reaktionszeiten anbietet.

Wenn ein Nice-to-have-„KI“-Service-Chatbot auf der Website zusammenbricht, ist das nicht superschlimm. Wenn aber Ihr KI-Callcenter oder KI-Pricing-Tool streiken (literally), stehen Reputation und Umsatz im Feuer.

Agil entwickeln & testen

Ein team- oder unternehmensweiter Roll-out von KI-Produkten ist – im Vollausbau – teuer. Wie vermeidet man Fehlinvestitionen? Man priorisiert die Aufgaben, baut dafür Prototypen, testet diese und verfeindert sie. „Build – test – learn – repeat“ gilt auch hier.

Ein solcher Prototyp muss nicht voll in die IT eingebunden sein. Zum Test der Output-Qualität kann man ihn ja per Copy & Paste mit Daten füttern, anstatt an APIs und Dateizugriffen herumzudoktern.

Teams nicht überfordern

Bei erfolgreichen Change-Projekten, und im nichts anderes geht es hier, muss man die Leute mitnehmen.

Dabei kann sich dann wiederum rausstellen: Oh, blöd, unsere KI-Lösung ist zu kompliziert gedacht und gemacht, wodurch die Leute im Joballtag das Tool nicht nutzen können und werden.

Daraus kann sich dann ergeben, dass man nochmal zurück in die Werkstatt muss um das KI-Produkt zu überarbeiten.

KI Berater untersützen beim monitoren von Erfolgen

Wie bei allen Management-Prozessen sollte man auch im Rahmen von KI-Projekten KPIs definieren und diese monitoren. Diese KPIs können bspw. in den Dimensionen „Geld gespart“ oder „Produktivität gesteigert“ stattfinden.

Vor Schein-KPIs sollte man sich hüten: Wenn die Mitarbeiter stundenlang Zeit mit ChatGPT vertrödeln, und alle jubeln weil „die KI-Tools werden gut angenommen“, dann ist nix gewonnen.

Vernünftige KI Berater haben Geduld

Das Problem: Was tun? Nischige KI-Tools einkaufen und Prozesse umstellen? Oder warten, bis der Markt sich bereingt?

Die Lösung: Geduldig bleiben ist eine sinnvolle Tugend für KI Berater. Gute Ideen setzen sich ohnehin am Markt durch, und früher oder später wird es passende Produkte für die eigenen Anwendungen geben.

Oder die Großanbieter warten lange und speisen einen dann mit lieblosem Mist ab, aber auch das hilft: Dann weiß man, dass man etwas Eigenes entwickeln muss.

Und der AI Act?

Das KI-Gesetz der EU, der AI Act, gilt seit 1. August 2024. Reguliert werden darin vor allem Anbieter bzw. Betreiber von KI-Systemen. Interessant ist, dass es massive regulatorische Erleichterungen für a) Forschung (sinnvollerweise) und b) Open Source gibt. Das könnte auch der Grund sein, warum u.a. Meta und Apple bei KI voll auf Open Source setzen. Es könnte sich als vorteilhaft herausstellen, sich als KI-Nutzer ebenfalls stärker auf quelloffene Angebote zu konzentrieren.

Ein weiterer rechtlicher Aspekt ist das Urheberrecht. Ein Beispiel: Das Generieren von KI-Bildern basiert auf Trainingsbildern. Elemente dieser Trainingsbilder tauchen in generierten Bilder auf. Wenn die Trainingsbilder nicht lizensiert wurden – in Deutschland gibt es keine „Fair Use“ Regelung, und CC-BY-SA bedeutet nicht Public Domain – dann sind die Resultate kontaminiert. Rechtssichere Bildgeneratoren gibt es zuhauf, man muss sie nur kennen und nutzen.

Kontakt

Was macht ein KI Berater?

Ein KI Berater bzw. KI-Consultant oder AI Consultant ist ein Unternehmensberater, IT-Consultant – oder auch ein kreativer Freelancer. Er kann im Rahmen eines KI-Projekts beim Screening des KI-Marktes helfen, eine Roadmap erstellen, bei der Auswahl von Tools helfen oder bei entsprechender IT-Qualifikation auch (Cloud-)Tools implementieren. Ebenso gehören Schulungen zu den neuen Softwarelösungen zum Leistungsspektrum eines KI-Beraters.

Was macht ein KI Manager?

Ein KI Manager plant und steuert den Einsatz von KI im Unternehmen, ist also ein Interner. Da die Inhouse-KI-Kompetenzen selten ausreichen – allein schon aufgrund von fehlender Manpower – besteht die Rolle zu einem großen Teil aus dem Management von outgesourceten Leistungen, die man entweder bei KI Beratern oder IT-Beratungsunternehmen einkauft.

Die zu treffenden Management-Entscheidungen sind tricky, da die Folgen gewaltig sein können: Eine kluge Auswahl von KI entlastet die Mitarbeiter (bzw. spart Personalkosten ein) und bringt das Unternehmen auf Wachstumskurs, während Fehlentscheidungen a) hohe Kosten, b) lange Projektlaufzeiten und c) Erfolglosigkeit verursachen, gepaart mit möglichem Ärger mit dem Betriebsrat bei Problemen im Bereich KI-Ethik & mitbestimmungspflichtigen Themen.