Autor: Simon Hayward, VP Sales International & GM Europe
Zugespitzt l?sst sich sagen: Unternehmen f?hren KI ein, um Arbeit zu automatisieren ? doch mit jeder neuen Anwendung w?chst auch der Aufwand f?r die IT. Systeme m?ssen integriert, mit den richtigen Daten versorgt, ?berwacht und kontinuierlich angepasst werden. So kann ausgerechnet die Technologie, die Prozesse vereinfachen soll, selbst neue Komplexit?t schaffen.
Wie gro? dieses Problem bereits ist, zeigt der Cost of Complexity Report von Freshworks. Deutsche Unternehmen sch?tzen, dass 26 Prozent ihrer KI-Budgets durch ungeplante Kosten rund um Integration, Governance, Datenaufbereitung und laufenden Support gebunden werden. Gleichzeitig verbringen Besch?ftigte 27 Prozent ihrer KI-bezogenen Arbeitszeit damit, diese Komplexit?t zu bew?ltigen.
Mehr Automatisierung allein greift deshalb zu kurz. Denn w?hrend sich viele einzelne Arbeitsschritte bereits automatisieren lassen, bleibt ein entscheidender Teil der Arbeit beim Menschen: Informationen einordnen, Zusammenh?nge erkennen und entscheiden, was als N?chstes passieren soll. Genau diese wachsende Entscheidungsarbeit wird zum Engpass.
Wenn feste Regeln nicht mehr ausreichen
Besonders deutlich zeigt sich das im IT-Service-Management (ITSM), also der Organisation und Bereitstellung von IT-Services f?r die Besch?ftigten eines Unternehmens. Nachdem dort zun?chst Informationen digitalisiert und sp?ter immer mehr Prozesse automatisiert wurden, folgt ein Gro?teil der Automatisierung bis heute einem festen Prinzip: Wenn X passiert, f?hre Y aus.
Doch moderne IT-Umgebungen erzeugen eine enorme Menge an technischen Signalen, Warnmeldungen, Nutzeranfragen und Ver?nderungen. Nicht f?r jede Situation l?sst sich im Voraus eine passende Reaktion festlegen. Statt nur weitere Arbeitsschritte zu automatisieren, geht es deshalb zunehmend darum, auch einen Teil der Entscheidungen dazwischen an Systeme zu ?bertragen.
Von Automatisierung zu kontrollierter Autonomie
Darin liegt der Unterschied zu klassischer Automatisierung. Autonome Systeme sollen nicht nur eine vorgegebene Reaktion ausf?hren, sondern eine Situation erfassen, Handlungsm?glichkeiten bewerten und ihre Reaktion an den jeweiligen Kontext anpassen.
Daf?r reicht ein leistungsf?higes KI-Modell allein nicht. Es muss das jeweilige Unternehmen kennen: seine Systeme und Services, Mitarbeiter, Prozesse, Richtlinien, bisherige Ereignisse und Priorit?ten. Erst dieser Kontext erm?glicht es, eine passende Entscheidung f?r die konkrete Situation zu treffen.
Gleichzeitig braucht Autonomie klare Grenzen. Unternehmen m?ssen festlegen, welche Entscheidungen ein System selbst treffen darf, wann eine menschliche Freigabe notwendig ist und wann ein Mitarbeiter ?bernehmen muss. Die Rolle des Menschen verschwindet also nicht, sondern ver?ndert sich: Statt jeden Einzelfall selbst zu bearbeiten, definiert er zunehmend die Regeln und Grenzen, innerhalb derer Systeme handeln k?nnen.
Wenn aus einer St?rung gar nicht erst ein Problem wird
Der Mehrwert geht damit ?ber die Entlastung der IT hinaus. Das Ziel ist, dass technische St?rungen im besten Fall gar nicht erst zu einem Problem f?r Besch?ftigte werden: Ein System erkennt eine St?rung, ordnet sie anhand des Unternehmenskontexts ein und behebt sie innerhalb festgelegter Grenzen selbst ? bevor ein Mitarbeiter sie bemerkt, melden muss oder bei seiner Arbeit ausgebremst wird.
Das ist auch eine Frage der Skalierbarkeit. Wenn jede wachsende Zahl technischer Vorg?nge von Menschen bewertet und koordiniert werden muss, steigt der personelle Aufwand mit der technologischen Komplexit?t. K?nnen Systeme einen Teil dieser Entscheidungen selbst ?bernehmen, muss menschliche Entscheidungs- und Koordinationsarbeit nicht im gleichen Ma?e zunehmen.
Damit wird autonome IT von einer Effizienzfrage f?r IT-Teams zu einer Produktivit?tsfrage f?r das gesamte Unternehmen: Entscheidend ist nicht nur, wie viele Aufgaben KI automatisiert, sondern wie viele Probleme gar nicht erst menschliche Aufmerksamkeit erfordern.
Keywords:Aufgaben,?bernehmen,Entscheidungen?
Powered by WPeMatico