Eine MIT-Studie zeigt, dass sich die meisten der 721 befragten Unternehmen in frühen Phasen der KI-Integration befinden und dadurch finanziell schlechter abschneiden als Unternehmen mit fortgeschritteneren KI-Lösungen. Höhere KI-Reifegrade, die durch den erfolgreichen Einsatz von KI-gesteuerten Arbeitsweisen und Kernplattformen gekennzeichnet sind, korrelieren mit überdurchschnittlicher finanzieller Performance.
Eine aktuelle Studie des MIT zeigt, dass die Mehrheit der Unternehmen, trotz des großen Potenzials von Künstlicher Intelligenz (KI), sich noch in den Anfangsphasen der KI-Implementierung befindet. Wie cryptonews.net berichtet, identifiziert die Studie vier Stufen des KI-Reifegrads in Unternehmen, wobei ein höherer Reifegrad mit einer besseren finanziellen Performance korreliert.
Die Studie des MIT Center for Information System Research (CISR), die 721 Unternehmen untersuchte, fand heraus, dass sich die meisten Unternehmen in den ersten beiden Stufen der KI-Entwicklung befinden. Die Studienautoren Peter Weill und Stephanie Woerner vom MIT stellten fest, dass diese Unternehmen im Vergleich zum Branchendurchschnitt eine unterdurchschnittliche finanzielle Leistung erzielten. Unternehmen in der dritten und vierten Stufe der KI-Reife hingegen übertrafen den Branchendurchschnitt um 10 Prozentpunkte.
28% der befragten Unternehmen befanden sich in der ersten Phase, der Experimentier- und Vorbereitungsphase. Hier setzen sich Führungskräfte mit Themen wie Ethik und benötigten Qualifikationen auseinander, um eine reibungslose Implementierung zu gewährleisten. "In dieser Phase konzentrieren sich Unternehmen auf die Schulung ihrer Mitarbeiter, die Formulierung von KI-Richtlinien, eine evidenzbasierte Vorgehensweise und das Experimentieren mit KI-Technologien, um sich mit automatisierten Entscheidungsprozessen vertraut zu machen", so die Forscher.
34% der Unternehmen befanden sich in der zweiten Phase, die durch den Aufbau von Pilotprojekten und den Erwerb von Fähigkeiten gekennzeichnet ist. Laut der Studie beginnen Unternehmen in dieser Phase, "wichtige Kennzahlen zu definieren, Geschäftsprozesse zu vereinfachen und zu automatisieren und die erlernten Unternehmensfähigkeiten weiterzuentwickeln". Es werden Anwendungsfälle pilotiert, Unternehmensdaten genutzt und APIs entwickelt. Unternehmen in dieser Phase lagen im Durchschnitt 2,2 Prozentpunkte unter dem Branchendurchschnitt.
31% der befragten Unternehmen befanden sich in der dritten Phase, in der KI-gesteuerte Arbeitsweisen entwickelt werden. Grundlegende Modelle und kleine Sprachmodelle (SLMs) werden eingeführt und auf Geschäftsmöglichkeiten angewendet. KI wird industrialisiert, d.h. unternehmensweit verfügbar und replizierbar gemacht. Die Studie beschreibt diese Phase als den Aufbau einer Kernplattform für KI, die Transparenz für Entscheidungsträger über Dashboards gewährleistet, und die Transformation der Unternehmenskultur hin zu innovativen und agilen Arbeitsweisen. Ähnliche Ergebnisse zeigt auch eine von McKinsey durchgeführte Studie, die im Artikel "7 lessons from the early days of generative AI" des MIT Sloan Management Review vom 22. Juli 2024 zitiert wird. Dort wird berichtet, dass viele Unternehmen zwar generative KI einsetzen, aber nur wenige sie im großen Maßstab implementiert haben.
Die Kostenkontrolle ist ein weiterer wichtiger Aspekt, der im MIT Sloan Management Review Artikel hervorgehoben wird. Die anfänglichen Implementierungskosten spiegeln nicht die Gesamtkosten wider, insbesondere im Hinblick auf das Change Management. Aamer Baig, Senior Partner bei McKinsey, argumentiert im selben Artikel, dass das Change Management bei KI-Projekten bis zu dreimal so teuer sein kann wie die Technologie selbst.
Die Bedeutung von Daten für KI-Projekte wird in "Winning With AI" des MIT Sloan Management Review vom Oktober 2019 unterstrichen. Die Studie betont, dass die richtigen Daten unerlässlich sind, um Wert aus KI zu schöpfen. Auch die Studie von LXT "The path to AI maturity" unterstreicht die Bedeutung von Trainingsdaten für den Erfolg von KI und prognostiziert einen steigenden Bedarf an solchen Daten in den nächsten fünf Jahren.
