Der Weg zum KI-nativen Unternehmen
Highlights und Einblicke aus der Veranstaltung von EPAM an der New Yorker Börse
Zusammen mit unseren Partnern von First Derivative haben wir kürzlich eine Veranstaltung an der berühmten New Yorker Börse organisiert, bei der eine Expertenrunde über den aktuellen Stand und die Zukunft von KI in der Finanzdienstleistungsbranche diskutierte. Gäste aus allen Bereichen der Finanzdienstleistungsbranche nahmen an einem Kamingespräch teil, das von einigen der führenden Innovatoren im Bereich KI geführt wurde. An der Podiumsdiskussion nahmen teil:
- Nir Kaldero, Chief AI Officer, EPAM Neoris
Nir Kaldero ist ein renommierter KI-Experte, Stratege und gefeierter Redner, der sich auf die transformative Kraft der künstlichen Intelligenz in Unternehmen und Gesellschaft spezialisiert hat. - Julia Bardmesser, CEO, Data4Real, LLC
Julia Bardmesser ist außerordentliche Professorin an der NYU Stern School of Business, Autorin des kürzlich erschienenen Buches „From Data to Dollars: Turning Data Strategy into Business Value” und Vorstandsberaterin mehrerer Start-ups. - Dr. Sherry Marcus, Leiterin KI bei Tradeweb
Dr. Sherry Marcus ist Leiterin der KI-Abteilung bei Tradeweb, wo sie die nächste Generation der KI-Strategie von Tradeweb leiten wird, die mehr als 3.000 institutionelle, Großhandels-, Einzelhandelsberatungs- und Unternehmenskunden auf der ganzen Welt bedient.
Auch wenn nichts die physische Anwesenheit im Raum ersetzen kann – vergleichbar mit dem Anhören eines Live-Albums eines berühmten Konzerts im Gegensatz zur Anwesenheit in der Menge –, waren die Erkenntnisse aus dieser Diskussion zu beeindruckend, um sie vor der Öffentlichkeit zu verbergen.
Vor diesem Hintergrund folgen nun einige der relevantesten Auszüge aus der Podiumsdiskussion sowie einige wichtige Überlegungen für Führungskräfte in der Finanzdienstleistungsbranche, die von den Vorteilen einer Transformation zu einem KI-nativen Unternehmen profitieren möchten.
„Es ist die Kombination aus Mensch und Maschine, die Automatisierung erfolgreich macht, wobei der Mensch von einem Ausführenden zu einem Überwacher wird.“
Die Diskussion begann mit Überlegungen der Teilnehmer zur Entwicklung der KI vom traditionellen maschinellen Lernen bis hin zur modernen generativen KI (GenAI). Wie unsere Referenten anmerken, hat GenAI wirklich leistungsstarke Möglichkeiten für die Automatisierung eröffnet, wobei der Softwareentwicklungslebenszyklus (SDLC) ein Paradebeispiel dafür ist. Diese Fähigkeiten erfordern jedoch die Einbindung des Menschen, um die Genauigkeit zu gewährleisten. Da sich die KI vom menschenunterstützten SDLC zu einem agentenbasierten Entwicklungslebenszyklus (ADLC) entwickelt, bei dem die Mitarbeiter eher eine überwachende Rolle spielen, müssen Unternehmen überdenken, wie sie ihre Belegschaft vorbereiten, schulen und weiterbilden, um den vollen Wert zukünftiger KI-Möglichkeiten als Teil des sich wandelnden Paradigmas des Produktentwicklungslebenszyklus (PDLC) auszuschöpfen.
„KI schafft einen Einblick darin, wie fragmentiert Ihr Datenmanagement ist.“
Die Diskussion wandte sich dann der Bedeutung des Datenmanagements zu, das, wie die Referenten anmerken, einer der wichtigsten Pfeiler einer erfolgreichen KI-Transformation ist. Derzeit verfügen viel zu viele Unternehmen – selbst solche aus den Fortune 500 – über große Mengen an isolierten und fragmentierten Daten sowie über riesige Mengen an versteckten, unstrukturierten Daten, die von KI genutzt werden können. KI benötigt jedoch gründlich bereinigte und standardisierte Daten, um effektiv zu funktionieren. Ebenso kann GenAI in Verbindung mit einer angemessenen Metadaten-Governance und Stammdatenverwaltung dynamische Effizienzsteigerungen ermöglichen. Daher müssen Unternehmen der Datenbereinigung, Metadatenverwaltung und Governance Priorität einräumen, um Rohdaten für KI-Systeme so aufzubereiten, dass sie effektiv und in großem Umfang genutzt werden können.
„Man kann KI nicht einfach auf bestehende Prozesse aufsetzen. Es erfordert eine Umgestaltung des Unternehmens, damit KI an erster Stelle steht.“
Als Nächstes wandte sich das Gespräch dem Thema KI-Transformation und den Herausforderungen hinsichtlich der Kapitalrendite zu. Die Referenten wiesen darauf hin, dass die flächendeckende Einführung von KI mit Hindernissen in Bezug auf die Bereitschaft der Unternehmen, kulturelle Veränderungen und die Anpassung von Prozessen konfrontiert ist. Unsere Referenten diskutierten einige der häufigsten Fallstricke, mit denen Unternehmen konfrontiert sind, beispielsweise wenn Führungskräfte in KI-Projekte investieren, ohne die Stärken und Grenzen der Technologie zu verstehen, und dadurch den Hype über die Effektivität stellen. Anschließend betonten sie die Notwendigkeit effektiver Change-Management-Programme, um ein KI-Transformations-Framework zu entwickeln, das auf die Neugestaltung von Prozessen und die kulturelle Bereitschaft ausgerichtet ist.
„KI muss den Geschäftszielen dienen, nicht umgekehrt.“
Von dort aus wandten sich unsere Referenten dem Konzept der ROI-Frameworks zu und der Bedeutung, den ROI mit umfassenderen Geschäftsinitiativen wie Kundenbindung oder Technologiekapazitäten zu verknüpfen, anstatt mit Kennzahlen, die sich auf eigenständige KI-Projekte beziehen. Nach einer aufschlussreichen Untersuchung geeigneter ROI-Frameworks kamen unsere Referenten zu dem Schluss, dass Unternehmen traditionelle ROI-Prognosen mit prozessspezifischen Daten kombinieren müssen, um die Glaubwürdigkeit der Investitionen für die Stakeholder hinsichtlich der Auswirkungen und der Leistung von KI-Initiativen zu erhöhen.
„Agentische KI ist nicht nur Automatisierung. Sie generiert Daten, die Ihr zukünftiges Unternehmen verändern können.“
Anschließend wandte sich das Gespräch den Best Practices für Unternehmen bei der Einführung von KI zu. Einer der Anwendungsfälle, die unsere Referenten hier untersuchten, war der Einsatz von GenAI durch Finanzunternehmen zur Automatisierung von CRM-Updates für verbesserte Vertriebsstrategien. Ein weiterer Anwendungsfall war das Experiment einer Bank mit der Portfoliooptimierung mittels agenter KI. In beiden Fällen war es der Einsatz von KI, der diese Projekte so wirkungsvoll machte, da durch die Automatisierung von Aufgaben Zeit gespart und gleichzeitig saubere, verwertbare Daten erfasst wurden, die dann von der KI in großem Umfang genutzt werden konnten.
„Daten sind eine Verpflichtung, die über die Kosten hinausgeht. Sie erfordern eine strenge Governance, um Risiken zu minimieren. “
Natürlich kann keine Diskussion über KI als umfassend angesehen werden, ohne auf Datenmanagement und Datenschutzbedenken einzugehen. Wie unsere Referenten anmerken, birgt das Trainieren von KI-Modellen mit personenbezogenen Daten oder Transaktionsdaten erhebliche Risiken und Haftungsrisiken. Unsere Referenten mahnten Unternehmen, strenge Datenmanagementprotokolle in Betracht zu ziehen und die für die KI-Nutzung zulässigen Datensätze zu begrenzen. Gleichzeitig sollten Unternehmen mehrere Datenstrategien einsetzen und die Modelle, die für ihre Anforderungen am besten geeignet sind, kontinuierlich weiterentwickeln. Selbst dann sollten Unternehmen kleine Datenstichproben für Experimente verwenden und zusätzliche Vorsichtsmaßnahmen treffen, um Klarheit hinsichtlich der Datenzugriffskontrolle und Compliance zu gewährleisten.
„Unternehmen brauchen keine riesigen Modelle. Sie brauchen Modelle, die genau auf ihre Arbeit abgestimmt sind.“
Zum Abschluss der Diskussion wandte sich das Gespräch den Aussichten für die Einführung von KI zu, als unsere Referenten ihre Schlussbemerkungen machten. Sie alle schienen zu betonen, dass die Technologie zwar auf die Einführung größerer Modelle zusteuert, die Bereitschaft der Unternehmen für kleine, fein abgestimmte Systeme jedoch weiterhin von entscheidender Bedeutung ist. Daher sollten Unternehmen eher auf KI-Lösungen setzen, die auf ihre spezifischen Geschäftsziele zugeschnitten sind, als die pauschale Einführung größerer KI-Modelle anzustreben. Insofern dürften kleine Sprachmodelle (SLMs), die auf die jeweilige Branche oder das jeweilige Unternehmen zugeschnitten sind, der kostengünstigste und effizienteste Ansatz für die Nutzung von GenAI-Anwendungsfällen sein.
Ihr Fahrplan zur KI-nativen Transformation
Letztendlich ist jedes Unternehmen einzigartig, und sein Weg zur KI-nativen Transformation wird ebenso einzigartig sein. Dennoch gab unser Gremium Unternehmen, die diesen Sprung wagen möchten, folgende Ratschläge:
- Führen Sie ein robustes Änderungsmanagement für die KI-Transformation im gesamten Unternehmen ein, noch bevor Sie mit der Entwicklung Ihrer Technologiestrategie beginnen.
- Qualifizieren Sie Ihre Mitarbeiter für KI-gesteuerte Entwicklungszyklen und wechseln Sie vom SDLC mit menschlicher Intervention zum ADLC mit menschlicher Aufsicht im PDLC-Paradigma.
- Qualifizieren Sie Ihre Mitarbeiter, damit sie KI für die Transformation des Unternehmens durch die Automatisierung von Geschäftsfunktionen nutzen können.
- Investieren Sie massiv in Ihre Unternehmensdaten (sowohl strukturierte als auch unstrukturierte), um den Einsatz von KI in großem Maßstab zu erleichtern.
- Führen Sie ROI-Frameworks ein, die geschäftliche und technische Prioritäten kombinieren.
- Priorisieren Sie agentenbasierte KI für betriebliche Effizienz und die Generierung verwertbarer Daten.
- Verschärfen Sie die Daten-Governance, um Datenschutzrisiken zu minimieren.
- Setzen Sie sich für einfache Modelle und Lösungen ein, die auf geschäftsspezifische Ziele zugeschnitten sind.
Weitere exklusive Einblicke in die KI-Transformation in der Finanzdienstleistungsbranche finden Sie in unserem Bericht "How Financial Services Organizations Can Unlock Real Business Value with AI".
