Künstliche Intelligenz ist längst keine Science-Fiction mehr. In nur zwei Monaten hat ChatGPT 100 Millionen Benutzer angezogen, verglichen mit 4,5 Jahren für Facebook. Diese schnelle Adoption markiert den Beginn einer neuen Ära, der Ära der weit verbreiteten KI. Dieser Sprung nach vorne verbirgt tatsächlich einen langen Prozess, der vor mehreren Jahrzehnten begann. Genauso wie die Mechanisierung im 20. Jahrhundert die industriellen Produktionslinien revolutionierte, begann sie mit blue-collar und erstreckte sich dann auf white-collar Jobs, zielt die KI-Automatisierung heute auf drei Ziele ab: Verbesserung der Arbeitsbedingungen, Produktqualität und operationale Gewinne.

Jenseits der Versprechen der Optimierung stellt der Aufstieg der weit verbreiteten KI immense technische, gesellschaftliche und ethische Herausforderungen dar. Diese Disruption, die traditionelle Kundenreisen durcheinander bringt, ebnet den Weg für Hyper-Personalisierung, birgt aber auch bedeutende Bedrohungen für die Beschäftigung. Wie jede technologische Revolution erfordert ihre verantwortungsvolle Einführung ein Jahrzehnt des Trainings der Mitarbeiter, die Definition eines robusten ethischen Rahmens und die Bewältigung von Sicherheits- und Datenschutzproblemen. In dieser anhaltenden Transformation müssen alle, von Unternehmen bis hin zu Freelancern, diese unglaubliche Gelegenheit ergreifen, sie am besten auf ihre Tätigkeit anzuwenden. Ein Weg voller Hindernisse, aber auch Versprechen für diejenigen, die diese neue Technologie beherrschen können.

Das erste Smalt Talk-Event fand am 27. Februar 2024 bei Malt statt und versammelte Experten, um diese Fragen mit den folgenden Gästen zu diskutieren:Natacha Agafonov (Freelance Project Manager at Moët Hennessy), Mathieu Caron (Global Consumer Care & Experience Director at L'Oréal), Alexandra El Amari Cunin (Regional Sales Director at Saleforce), Victor Kessler (General Manager at ISDI), Claire Lebarz (Chief Data & AI Officer at Malt) et Nicolas Marchais (Co-founder of m.ai club).

1. Definitionen und Schlüsselbegriffe

Bevor wir tiefer in die zahlreichen Auswirkungen der allgemeinen künstlichen Intelligenz auf Unternehmen und Arbeitnehmer eintauchen, ist es wichtig, einige Definitionen und Schlüsselkonzepte festzulegen, um die verschiedenen technologischen Komponenten richtig zu verstehen.

  • Künstliche Intelligenz (KI): Ein Forschungsfeld, das darauf abzielt, Maschinen zu befähigen, Aufgaben zu imitieren oder auszuführen, die normalerweise menschliche Intelligenz erfordern, wie zum Beispiel Sehen, Spracherkennung, Entscheidungsfindung oder Übersetzung. KI umfasst sowohl einfache Algorithmen als auch komplexe Systeme, die fähig sind zu lernen und zu schlussfolgern. KI ist Teil unseres täglichen Lebens, zum Beispiel durch die Nutzung automatischer Übersetzungen oder personalisierter Empfehlungen, die auf dem Kaufverhalten oder dem Online-Verhalten der Nutzer basieren.

  • Maschinelles Lernen (ML): Eine Unterkategorie der KI, die darauf spezialisiert ist, Systeme zu entwerfen, die aus menschlichem Feedback auf sogenannten strukturierten Datenbanken lernen können. Maschinelles Lernen identifiziert Muster in Daten, um Vorhersagen zu treffen oder Entscheidungen zu treffen. Laut Dan Miklovic, Gründer und Hauptanalyst von Lean Manufacturing Research LLC: "Maschinelles Lernen ersetzt nicht Menschen; es hilft ihnen, besser zu arbeiten und effizienter zu werden." Daher wird maschinelles Lernen Fachleuten helfen, zum Beispiel Entscheidungen zu treffen, sei es im Gesundheitswesen zur Diagnose oder in der Wirtschaft, um Markttrends zu antizipieren.

  • Deep Learning: Deep Learning ist ein Zweig des Maschinellen Lernens, der auf unstrukturierten Daten basiert. Es handelt sich um eine maschinelle Lernmethode, die auf tiefen künstlichen neuronalen Netzen basiert, die Ähnlichkeiten mit dem menschlichen Gehirn aufweisen. Diese Netzwerke, bestehend aus mehreren hierarchischen Schichten, ermöglichen es, komplexe Merkmale aus großen Datenmengen ohne menschliche Hilfe zu erlernen. Es ist besonders effektiv für Bild- und Spracherkennung oder die Erstellung von Inhalten.

  • Foundation Models: Eine kürzliche Weiterentwicklung, diese Modelle werden massiv auf unstrukturierten Daten trainiert, um umfassendes allgemeines Wissen zu erlangen. Sie können dann feinabgestimmt werden, um spezifische Aufgaben ohne vollständiges Neutraining auszuführen. GPT ist ein Beispiel für ein solches Modell.

  • General AI: Das ultimative, aber noch entfernte Ziel. General AI bezieht sich auf Systeme, die mit umfassender und vielseitiger Intelligenz ausgestattet sind, die der menschlichen Intelligenz entspricht. Dies könnte die Grenzen der Innovation erweitern, birgt aber auch immense Herausforderungen.

null

2. Die Bedeutung von Daten beim Aufbau von Kundenerlebnissen

Parker Harris, Mitbegründer von Salesforce: "qualitative KI basiert auf qualitativen Daten." Aktuell sollen 90 % der von Unternehmen gehaltenen Daten unstrukturiert sein. Unstrukturierte Daten wurden nicht verarbeitet, was bedeutet, dass sie in verschiedenen Formaten wie Fotos, Audio, PDFs usw. existieren. Strukturierte Daten hingegen ähneln eher einer Datenbank: Es handelt sich um Informationen, die vorbereitet und gespeichert wurden, um zugänglich zu sein. KI ermöglicht genau die Umwandlung dieser unstrukturierten Daten in strukturierte und nutzbare Informationen, oder in strukturierte Daten.

Warum ist es wichtig, dass diese Daten strukturiert sind? Lass uns ein paar Beispiele betrachten, um das zu veranschaulichen:

  • Schneider Electric hat seinen Kundenservice mit KI integriert, um die Reaktionszeit für Kunden zu verbessern. Wie? Indem sie eine Datenbank mit wiederkehrenden Anfragen oder FAQs erstellt haben und einen Bot hinzugefügt haben, der Benutzer zu diesen vordefinierten Antworten umleiten kann. Dadurch werden "niedrigwertige" Aufgaben automatisiert, wodurch die Kundenteams entlastet werden, um komplexere Probleme zu bearbeiten, die mehr Aufmerksamkeit und damit mehr Personalisierung erfordern. Das Ergebnis? Eine 30%ige Verbesserung der Bearbeitungszeit und eine bessere Kundenerfahrung.

  • LVMH stand aufgrund von Covid-19 einer beispiellosen Krise in seinem "Champagner"-Bereich gegenüber. Vor 2020 wurden die meisten Verkäufe über Großhändler abgewickelt, aber nach der Gesundheitskrise explodierte die Nachfrage nach Direktverkäufen. Das Kundenteam musste ein CRM implementieren, das an eine große Menge unstrukturierter Daten angepasst war. Das Ergebnis? Eine direkte Verbindung zu seinen Kunden und eine beispiellose Personalisierung.

3. KI, um das Kundenerlebnis neu zu definieren

"KI ist etwas für Entwickler." Dies war noch vor nicht allzu langer Zeit eine häufige Meinung. Doch die Anwendung von KI in Unternehmen beginnt sich zu demokratisieren und geht über die technische Abteilung hinaus. Wie? Indem sie zwei Hauptanwendungsfelder für das Kundenerlebnis bietet. Im "Frontbereich" mit Konversationsassistenten, Chatbots und virtuellen Agenten (die bereits seit etwa einem Jahrzehnt demokratisiert sind). Aber auch im "Hintergrund" mit Automatisierung, Personalisierung und der Generierung von benutzerdefinierten Inhalten durch die Nutzung unstrukturierter Daten. Wir bewegen uns von den anfangs sehr produktivitätsorientierten Anwendungsfällen, die einer Optimierungslogik folgten, zu einem sehr personalisierten Kundenerlebnis mit einem hohen Beratungsniveau. Wie bereits erwähnt, sprechen wir jetzt von einem verbesserten Agenten oder Agenten 2.0, um diesen Anforderungen gerecht zu werden. Der Agent automatisiert repetitive Aufgaben, um sich auf Aufgaben zu konzentrieren, die eine Personalisierung erfordern.

Aber es ist leichter gesagt als getan. Aus technischer Sicht hängt der Erfolg von KI-Projekten in einem Unternehmen hauptsächlich von der Fähigkeit des Unternehmens ab, kundenorientiert zu sein und somit Kundenreisen richtig zu modellieren, um alle möglichen Verbraucherreaktionen vorherzusehen. Kundenorientierung bedeutet vor allem, einen entdetteten Ansatz zwischen den verschiedenen Abteilungen desselben Unternehmens zu haben. Tatsächlich ist KI nicht mehr nur "das Problem des technischen Teams". Wie wird das morgen aussehen? Werden alle Abteilungen die Kontrolle über KI innerhalb ihres Dienstes haben? Das werden wir sehr bald wissen.

Hier sind einige Beispiele für aktuelle verbesserte Kundenerlebnisse:

  • L'Oréal bietet den Modiface-Service, ein digitales Hautdiagnose-Tool, das auf 15 Jahren wissenschaftlicher Forschung basiert, die von seinen Teams durchgeführt wurde. Du kannst ein Foto oder Video Deiner Haut teilen, um maßgeschneiderte Produktempfehlungen zu erhalten. Das Ergebnis? Jahre der Forschung, die das Kundenerlebnis verbessern.

4. Auswirkungen auf die Beschäftigung: Gefahren und Chancen

Während es starke Ängste vor massiven Arbeitsplatzverlusten im Zusammenhang mit KI gibt, teilweise aufgrund sensationsheischender Zeitungsüberschriften im letzten Jahr, mahnen Experten zur Vorsicht. Kurz gesagt: Es bleibt momentan schwierig, eine definitive Aussage zu diesem Thema zu treffen. Die Einführung von KI in Unternehmen ist die logische Fortsetzung der digitalen Transformation: Einige Berufe existieren noch nicht, während andere sich einfach weiterentwickeln werden. Denn obwohl die Einführung von KI in der Tat bestehende Berufe verändern wird, wird dies in erster Linie Schulungen beinhalten, anstatt Arbeitsplatzverluste. Wie bei der Einführung von Chatbots vor einigen Jahren werden sich Fachleute auf Tätigkeiten mit einem höheren Mehrwert im Kontakt mit dem Endkunden neu positionieren. Salesforce erwartet sogar die Schaffung von 11 Millionen neuen Arbeitsplätzen bis 2028 dank KI, indem sie Menschen verbessert und somit als Assistent fungiert, der es ihnen ermöglicht, sich auf Hyper-Personalisierung und Beratungsdienste zu konzentrieren.

Und was ist mit Freelancern? Auf der Seite der Freelancer stieg die Nachfrage nach KI-Fähigkeiten allein 2022 bei Malt um 250 %, ein Beweis für die Schaffung neuer Berufe. Die gefragtesten Fähigkeiten im Jahr 2023 waren ChatGPT (30 %), NLP (20 %), Chatbot (18 %) und Midjourney (5 %). Es wird auch festgestellt, dass die Anzahl der Freelancer, die GenAI-Fähigkeiten in ihren Profilen auflisten, um plus 120 % gestiegen ist. Obwohl der Großteil der Projekte im Bereich Technologie bei 34 % und Daten bei 38 % lag, wird es interessant sein, den Aufstieg von KI in anderen Geschäftsbereichen in den kommenden Jahren zu verfolgen.

5. Wesentliche ethische und rechtliche Herausforderungen

Vertrauen und Ethik bleiben ein wichtiges Anliegen für Unternehmen, wobei über 50 % der befragten Fachleute immer noch misstrauisch gegenüber KI sind. Daher wird die Datensicherheit und deren Verarbeitung in den kommenden Jahren der Hauptfokusbereich sein. Mit dem im Jahr 2023 verabschiedeten AI Act auf europäischer Ebene ist sicher, dass es an Iterationen nicht mangelt.

Es wird auch notwendig sein, potenzielle Vorurteile und Diskriminierungen zu berücksichtigen und zu korrigieren, die durch diese vom Menschen abgeleiteten Daten entstehen. KI könnte tatsächlich dabei helfen, diese Vorurteile aufzudecken und zu korrigieren. Unternehmen werden sich auch mit einem sich entwickelnden rechtlichen Rahmen auseinandersetzen müssen, wie dies beispielsweise durch das Verbot von L'Oréal für die Verwendung von KI-generierten Bildern von Menschen veranschaulicht wird. Ein erheblicher Aufwand in Bildung und Sensibilisierung wird daher in den kommenden Jahren unverzichtbar bleiben.

Wenn künstliche Intelligenz die Kundeninteraktion revolutioniert, indem sie bisher unerschlossene Datenquellen nutzt, wirft ihre Einführung auch bedeutende gesellschaftliche, rechtliche und vertrauensbezogene Fragen auf. Nur eine schrittweise und überlegte Integration sowie die Schulung von Mitarbeitern und ein robustes ethisches Rahmenwerk ermöglichen eine nachhaltige Transformation und schaffen langfristigen Wert, anstatt Risiken anzuhäufen.