Fünf große Herausforderungen für die Einführung und den Erfolg von KI

Es gibt wenige Technologien, die Unternehmen mehr begeistern als Künstliche Intelligenz (KI), und das aus gutem Grund: KI hat das Potenzial, die Arbeitsweise von Unternehmen funktionsübergreifend, einschließlich Marketing, Kundenservice und Finanzen, völlig neu zu gestalten.

Aber wie bei vielen neuen Technologien gibt es Herausforderungen, und die KI bietet keinen Mangel daran. Das könnte erklären, warum laut einer neuen Umfrage der MIT-Boston Consulting Group 85 % der Führungskräfte glauben, dass KI das Geschäft verändern wird, aber nur 20 % der Unternehmen nutzen sie in irgendeiner Weise und nur 5 % nutzen sie umfassend.

Was steht also der KI im Weg, ihr Potenzial auszuschöpfen? Hier sind fünf der größten Herausforderungen, denen sich Unternehmen stellen müssen, wenn sie die wachsende Zahl von heute verfügbaren KI-basierten Tools effektiv nutzen möchten.

Zugriff auf Daten

Daten sind das Lebenselixier der digitalen Wirtschaft und für Unternehmen, die KI in einer Vielzahl von Bereichen anwenden möchten, wird der Zugang zu Daten eine der größten Herausforderungen sein. Laut George Zarkadakis, Digital Lead beim globalen Beratungsunternehmen Willis Towers Watson, werden Daten die größte Herausforderung für Unternehmen sein.

„Um maschinelle Lernalgorithmen zu trainieren, braucht man massive und saubere Datensätze mit minimalen Verzerrungen“, sagte er gegenüber AI Business . „Bei der Erhebung personenbezogener Daten sind auch Datenschutzaspekte zu beachten, insbesondere vor dem Hintergrund der 2018 in Kraft tretenden Datenschutz-Grundverordnung.“

Die gute Nachricht ist, dass die meisten Marken seit Jahren auf den Wert von Daten achten. Insbesondere dank des Anzeigenmarktes haben Unternehmen den Wert von First-Party-Daten erkannt, insbesondere angesichts der steigenden Kosten für die Beschaffung von Third-Party-Daten.

Infolgedessen haben viele Unternehmen viel in den Aufbau der Infrastruktur investiert, um die von ihnen generierten Daten zu sammeln und zu speichern und Talente zu rekrutieren, die diese nutzen können. Diejenigen, die in diesem Bereich weiter vorne sind, werden feststellen, dass sie einen Wettbewerbsvorteil haben, wenn sie KI in ihr Unternehmen integrieren.

Die Tatsache, dass Vergangenheit nicht immer Prolog ist

Selbst wenn ein Unternehmen über ausreichende Daten für die Erstellung von KI-Anwendungen verfügt, ist es wichtig zu erkennen, dass die Modelle, mit denen seine KI-Anwendungen trainiert werden, nicht unbedingt für immer funktionieren.

Nehmen Sie zum Beispiel KI-Anwendungen, die zur Verwaltung von Marketingkampagnen verwendet werden. Im vergangenen Jahr kündigte IBM an, bis 2017 alle programmatischen Kampagnen über seine Watson-Plattform zu verwalten. Berichten zufolge hat IBM seine Kosten pro Klick mit Watson um durchschnittlich 35 % gesenkt, und in einigen Fällen war dieser Wert sogar noch höher als 71%.

Wie AdAge erklärt, verwendet Watson „Advanced Analytics, um den Bieterprozess effizienter zu gestalten, indem riesige Datenmengen erfasst und potenziellen Zielkunden basierend auf der Tageszeit, dem verwendeten Gerät, der Sprache und dem Browser, die sie verwenden, einen Wert zugewiesen werden“. benutzen."

Das Niveau, bis zu dem Watson Daten analysieren kann, ist „umwerfend“. Es kann beispielsweise untersucht werden, "ob eine kleinere [Anzeige] effektiver ist, wenn sie um 3 Uhr morgens für einen CPM von 2 $ oder Cost-per-1000-Impressions geschaltet wird, als größere Anzeigen mittags für einen CPM von 3 $".

Aber der digitale Werbemarkt ist nicht statisch und Modelle, die seit Monaten oder Jahren funktionieren, werden nicht garantiert auch morgen funktionieren. Während die KI lernen kann, hängt ihre Fähigkeit dazu weitgehend von Bedingungen ab, die denen ähnlich bleiben, unter denen sie trainiert wurde.

Sich ändernde Anzeigenformate, das Kommen und Gehen von Käufern im Ökosystem und eine Zunahme der Anzahl von Unternehmen, die beispielsweise KI zum Kauf von Anzeigen einsetzen, haben alle das Potenzial, die Marktbedingungen dramatisch zu verändern, sodass sie sich stark von denen unterscheiden, die dies tun existierte, als die Daten gesammelt wurden, mit denen die KI trainiert wurde.

Dies bedeutet, dass das Risiko besteht, dass KI-Modelle in ihrer Wirksamkeit erheblich nachlassen oder schnell kaputt gehen und Schaden anrichten, sodass intelligente Unternehmen wahrscheinlich immer sicherstellen müssen, dass Aufsicht und Schutzmaßnahmen vorhanden sind, anstatt das Unternehmen der KI anzuvertrauen.

Mangel an emotionaler Intelligenz

Unternehmen suchen zunehmend nach KI-Technologie, um ihren Kundenservice zu unterstützen. Viele bauen beispielsweise KI-gestützte Chatbots, mit denen Kunden auf Plattformen wie dem Facebook Messenger interagieren können.

Während die frühen Inkarnationen von Chatbots für diese Plattformen viel zu wünschen übrig ließen, verbessert sich die Natural Language Processing (NLP)-Technologie schnell und KI-gesteuerte Bots verstehen besser, was die Menschen sagen, mit denen sie interagieren.

Trotzdem fehlt es KI-Anwendungen an emotionaler Intelligenz, und vor allem können sie kein Einfühlungsvermögen zeigen, und dies ist ein großes Hindernis für den Erfolg von KI in Kundenservice-Anwendungen wie Chatbots. Schließlich können bestimmte Kundendienstanfragen eine Kundenbeziehung aufbauen oder zerstören.

Eine Möglichkeit, wie Marken dieser Herausforderung begegnen können, besteht darin, die Anwendung von KI auf den Kundenservice zu beschränken, wo Empathie nicht erforderlich ist. Chatbots können zum Beispiel so konzipiert sein, dass sie als Frontline-Kundenservice dienen, auf häufig gestellte Fragen antworten und einfache, im Allgemeinen wenig emotionale Anfragen bearbeiten. Bei komplexeren oder potenziell sensibleren Anfragen sollten KI-gestützte Chatbots in der Lage sein, Kunden reibungslos mit menschlichen Kundendienstmitarbeitern zu verbinden.

Spezialisierung

David Raab, Chef der Marketingberatung Raab Associates, stellt fest, dass „KI-Systeme von heute und in naher Zukunft Spezialisten sind“. Sie führen bestimmte Aufgaben aus, z. B. das Scoring eines Leads oder die Ermittlung des optimalen Gebotspreises für eine Display-Anzeige.

Natürlich sind KI-gestützte Technologien derzeit bei einigen spezialisierten Aufgaben besser als bei anderen. Nehmen Sie die automatisierte Inhaltserstellung durch KI, ein Traum von Content-Vermarktern überall. Gartner prognostiziert, dass bis 2018 20 % aller Geschäftsinhalte von Maschinen produziert werden.

Während es Hinweise darauf gibt, dass KI bestimmte Arten von Inhalten erstellen kann, die sich in Bezug auf Klarheit und Genauigkeit kaum von menschlichen Inhalten unterscheiden lassen, sind maschinell erstellte Inhalte laut einer Studie wesentlich langweiliger und weniger angenehm zu lesen.

Da emotionale Inhalte für den Erfolg des Content-Marketings entscheidend sind, haben Marken allen Grund, vorsichtig zu sein, die gesamte Aufgabe der Content-Erstellung in die Hände von KI-Software zu legen.

Das bedeutet jedoch nicht, dass KI keine spezialisierten Inhaltsaufgaben ausführen kann. Marken können mithilfe von künstlicher Intelligenz Trends und Themen erkennen, die sich für beliebte Inhalte eignen, vorhersagen, welche von Menschenhand geschriebenen Schlagzeilen am besten abschneiden, oder Inhalte kuratieren.

Ein innovatives Beispiel für die KI-gestützte Inhaltskuration war dieses Jahr während der US Open zu sehen. Die United States Tennis Association (USTA) hat IBM Watson trainiert, „Spielergesten und Mimik, Zuschauergeräusche und Senderreaktionen zu erkennen“ und Watson dann zu verwenden, um seinen Broadcast- und Content-Teams dabei zu helfen, Spielhighlights zu identifizieren, um sie den Fans zu übermitteln.

Unfähigkeit zur Zusammenarbeit

Wie David Raab von Raab Associates feststellte, beinhaltet eine Marketingkampagne die Koordination vieler spezialisierter Aufgaben, was bedeutet, dass die Übernahme einer vollständigen Marketingkampagne durch die KI „die Zusammenarbeit vieler KIs erfordert“.

Theoretisch ist dies nicht unbedingt ein Deal-Breaker. Aber Theorie und Realität sind nicht dasselbe. Er erklärte, was dazu gehört, dass dies geschieht:

Es ist einfach – und macht Spaß – sich eine komplexe Sammlung von KI-gesteuerten Komponenten vorzustellen, die zusammenarbeiten, um vollautomatisierte, perfekt personalisierte Kundenerlebnisse zu schaffen. Dieses System ist jedoch anfällig für häufige Ausfälle, da die eine oder andere Komponente mit Bedingungen konfrontiert ist, für die sie nicht geschult wurde. Wenn die Systeme gut konzipiert sind (und wir haben Glück), werden die Komponenten in diesem Fall automatisch heruntergefahren. Wenn wir nicht so viel Glück haben, laufen sie weiter und liefern immer unangemessenere Ergebnisse.

Dies bedeutet letztendlich, dass es für Unternehmen komplexer und kostspieliger wird, die Art von selbstfahrenden Marketingkampagnen zu entwickeln, die KI verspricht. Aus diesem Grund werden versierte Marken in der Zwischenzeit strategisch überlegen, in welche KI-Technologie sie investieren. Beispielsweise könnte ein Unternehmen einen erheblichen Nutzen aus der Anwendung von KI auf das Lead-Scoring ziehen, während ein anderes Unternehmen möglicherweise einen größeren Nutzen aus der Anwendung von KI auf die Social-Media-Sentimentanalyse erzielt.

Da die Renditen je nach Marke und ihren Bedürfnissen so stark variieren können, müssen Unternehmen realistischerweise KI-Technologien analysieren und feststellen, welche ihnen den größten Wert bieten.