Künstliche Intelligenz (KI)
Künstliche Intelligenz (KI) ist der Versuch, menschliches Verhalten mit technischen Möglichkeiten nachzubilden. Für Unternehmen und Marketeers ergeben sich daraus neue Chancen. OMR zeigt die wichtigsten Grundlagen künstlicher Intelligenz und listet nützliche Tools, Weiterbildungen und Ressourcen zum Thema.
Was ist künstliche Intelligenz?
„I, Robot“, „Ex Machina“, „Her“ – was diese Filme vor nicht allzu langer Zeit als Science-Fiction zeigten, ist heute kein Zukunftsszenario mehr. Mit ChatGPT von OpenAI haben viele Menschen erste Berührungen mit künstlicher Intelligenz gemacht.
Nur was genau ist künstliche Intelligenz bzw. Artificial Intelligence eigentlich?
Die genaue Definition von KI ist schwer zu fassen. Diese Erklärung kommt den meisten Ansätzen aber am nächsten:
"Künstliche Intelligenz ist der Versuch, menschliche Fähigkeiten mit technischen Möglichkeiten zu imitieren."
Definition von KI
aus dem OMR Report "KI im Marketing"
Einordnung künstlicher Intelligenz
Hinter dem Begriff der künstlichen Intelligenz stehen mehrere Ansätze. Im Allgemeinen geht es immer um eine Simulation menschlicher Intelligenz und Problemlösungsfähigkeiten.
Möglich wird das durch das sogenannte Machine und Deep Learning. Beides sind Teilbereiche der künstlichen Intelligenz.
KI-Modelle können aber nicht nur Daten sortieren, erkennen und ordnen – sondern auch Inhalte selbst kreieren. Das wird generative KI genannt.
Generative KI ist ein Unterbereich des Deep Learnings. In diese Kategorie zählen auch Tools wie ChatGPT oder Midjourney. Sie erstellen Texte, Bilder, Videos, Ton, Grafiken, Datenverarbeitung und Auswertungen auf Basis von Anweisungen (Prompts).
Funktionsweise der KI
Im Unterschied zu herkömmlichen IT-Systemen finden KI-Programme ihre Regeln über ein Training selbst. Sie folgen also nicht einfach nur starren Regeln, die von Menschen vorgegeben werden.
Dabei helfen neuronale Netze. Ein neuronales Netz kann – ähnlich wie das menschliche Gehirn – mit Daten gefüttert und damit „trainiert“ werden.
Beispiel für die Funktionsweise
Die im Training erkannten Muster können KI-Modelle auf unbekannte Daten anwenden. Wenn das KI-System etwa ein Bild mit einem Hund sieht und die Kombination mit der Bezeichnung „lernt“, kann es auch in Zukunft beliebige Bilder mit Hunden als solche erkennen.
Es analysiert dabei die Merkmale der Bilder (z.B. Form der Ohren und der Nasen), die es mit „Hund“ gelabelt hat. Wenn das Modell schließlich auf genügend Daten trainiert wurde, kann es immer besser erkennen, ob ein neues, ihm unbekanntes Bild einen Hund zeigt oder nicht.
Typische KI-Anwendungen
KI-Anwendungen finden sich in nahezu allen Branchen des Arbeitslebens. Neben der Industrie sind sie insbesondere im Digitalbusiness verbreitet. Digitale Unternehmen verfügen über Daten, die sie mithilfe künstlicher Intelligenz verarbeiten und auswerten können.
Übrigens: In Deutschland nutzen laut dem Statistischen Bundesamt etwa 12 Prozent aller Unternehmen künstliche Intelligenz in ihren Unternehmensprozessen. Aber wahrscheinlich liegt dieser Wert noch höher, wenn man die kleinen Use Cases mit einberechnet.
Hier sind vier relevante Bereiche und dazu passende Tools für den Einsatz von künstlicher Intelligenz im Unternehmen:
1. Datenanalyse und Vorhersagen
Die wichtigste Anwendung künstlicher Intelligenz liegt in der Analyse und Auswertung von Daten. KI-Algorithmen können nämlich effizienter mit großen Datenmengen umgehen als Menschen.
Tools erkennen mithilfe der KI Muster in den Daten und können auf dieser Basis z.B. Vorhersagen treffen. Das hilft Unternehmen unter anderem bei der ...
- Analyse von Kundendaten.
- Prognose von Kauf- und Klickverhalten.
- Auswertung von Performance- und Kaufdaten.
- Objekterkennung und Verarbeitung visueller Inhalte, etwa zur Kategorisierung von Produkten.
2. Personalisierte Kundenansprache und Kampagnen
Die zweite große Anwendung von KI liegt in der Personalisierung. Durch die Analyse von Kundendaten können Tools personalisierte Empfehlungen und Marketingkampagnen erstellen.
Das betrifft die komplette Wertschöpfung von der Ideenfindung, Strategieerstellung bis zur Umsetzung der Kampagne und dem Verkaufsprozess. Im Vertrieb ist dadurch etwa eine personalisierte Ansprache möglich, was in der Regel höhere Erfolgschancen zur Folge hat.
3. KI-Inhaltserstellung und Textanalyse
Weil künstliche Intelligenzen auch Inhalte erstellen können, werden sie in der Content-Produktion eingesetzt. KI-Modelle können anhand von Keywords und Briefings Texte, Videos, Bilder etc. für ein Unternehmen erstellen. Zum Beispiel:
- Blogtexte und Artikel
- Social-Media-Posts
- E-Mails und Newsletter
- PR-Texte, Werbeslogans und Headlines
- Bilder und Grafiken
- Videos und Animationen
Darüber hinaus ist die Optimierung von Texten mit KI-Tools möglich. KI-Schreibassistenten passen Texte unter anderem sprachlich und stilistisch an die Tonalität des Unternehmens bzw. der Zielgruppe an. Ebenso lassen sich Inhalte lektorieren, übersetzen oder analysieren.
4. KI-Chatbots im Kundenservice
Chatbots sind Computerprogramme, die auf Fragen „menschlich“ antworten können. Sie haben Zugriff auf umfangreiche Daten und können so personalisiert auf die Fragen von Kund*innen antworten. Damit entlasten sie den Kundenservice.
Neben externen Anwendungsfällen im Kundenservice kommen Chatbots mit künstlicher Intelligenz auch intern zum Einsatz – beispielsweise, um den Mitarbeitenden Fragen zu beantworten, die innerhalb eines Unternehmens immer wieder gestellt werden. Somit können die Mitarbeitenden viel Zeit in der Informationssuche sparen.
Grundlagen künstlicher Intelligenz
KI ist nicht gleich KI, das ist vielen bereits klar. Hast du dich bereits mit dem Thema auseinandergesetzt, wirst du über verschiedene Begriffe im Zusammenhang mit künstlicher Intelligenz gestolpert sein:
- Machine und Deep Learning mit neuronalen Netzen
- generative KI
- Natural Language Processing (NLP)
- Large Language Models (LLMs)
- schwache und starke KI
Je besser du verstehst, wie genau KI-Systeme funktionieren, desto effizienter kannst du sie für deine konkreten Anwendungsfälle im Arbeitsalltag einsetzen.
Unterschied zwischen Machine und Deep Learning
Das Machine und Deep Learning sind Teilbereiche der künstlichen Intelligenz, wobei das Deep Learning eine Spezialform des maschinellen Lernens ist. Beide Disziplinen vereint, dass sie auf sogenannten neuronalen Netzen basieren.
Die Algorithmen orientieren sich, grob gesagt, an der Funktionsweise des menschlichen Gehirns. Sie bestehen aus vielen unterschiedlichen Einheiten (künstlichen Neuronen), die miteinander vernetzt sind und Informationen austauschen.
Neuronale Netze
Durch das neuronale Netz wird die zentrale Funktionsweise der künstlichen Intelligenz ermöglicht, aus Daten zu „lernen“ und die gelernten Muster auf neue, unbekannte Daten anzuwenden.
Machine Learning und Deep Learning unterscheiden sich in der Art der neuronalen Netze, wobei Deep-Learning-Algorithmen komplexer sind und daher vor allem mit großen Datenmengen arbeiten können.
Mehr zu den Unterschieden von Machine und Deep Learning
Das ist generative KI
In vielen Fällen, in denen Unternehmen mit künstlicher Intelligenz in Berührung kommen, handelt es sich um generative KI.
Generative KI ist laut Bitkom ein Teilbereich der KI, der darauf ausgerichtet ist, neue Daten oder Inhalte zu generieren.
„Gen AI“-Systeme können Texte, Bilder, Musik, Softwarecode oder sogar Videos generieren, die originell und oft täuschend „echt” aussehen. Das hast du vermutlich selbst schon bei der Benutzung von KI-Tools wie ChatGPT oder Gemini bemerkt.
Sie imitieren dabei allerdings nur Muster, die sie in den Trainingsdaten gelernt haben.
Unterschiede zu traditioneller KI
Gen-AI-Systeme basieren ebenso auf Deep-Learning-Algorithmen und neuronalen Netzen. In der Tabelle siehst du die zentralen Unterschiede beider Formen der künstlichen Intelligenz.
Large Language Models (LLMs)
Neben diesen Konzepten gehören sogenannte Large Language Models (LLMs) zu den Grundkonzepten künstlicher Intelligenz. Durch sie können Eingaben von Nutzer*innen verstanden und Ausgaben generiert werden.
Im Grunde kannst du dir LLMs wie riesige Wahrscheinlichkeitsmaschinen vorstellen. Sie analysieren Input in Textform über das Natural Language Processing und spucken dann die Wörter, Sätze oder Texte aus, die mit größter Wahrscheinlichkeit darauf folgen.
Beispiel für die Funktionsweise von LLMs
Wenn ein LLM den Satzanfang „Gestern ging ich in den …“ erhält, analysiert es in den Datensätzen die Wörter, die folgen könnten. In diesem Fall könnte es Wörter wie „Park“, „Supermarkt“ oder „Wald“ als nächstes vorhersagen. Die Auswahl hängt unter anderem davon ab, welche Fortsetzung in den Trainingsdaten am häufigsten vorkommt.
Vorsicht vor Halluzinationen
Genau darin liegt auch eine Krux bei LLMs – denn die Inhalte, die die künstliche Intelligenz generiert, basieren eben auf Wahrscheinlichkeiten und damit nicht immer auf Fakten. Das kann zu plausibel klingenden, aber falschen Aussagen führen.
Dieses Phänomen bezeichnet man bei künstlichen Intelligenzen als Halluzinationen. Bevor du den Output von LLMs verwertest, solltest du die generierten Inhalte also unbedingt noch mal auf ihren Wahrheitsgehalt hin prüfen.
Natural Language Processing (NLP)
Eine wichtige Basis von LLMs ist die Verarbeitung natürlicher Sprache, das sogenannte Natural Language Processing (NLP).
Algorithmen erkennen dabei die Funktionsweise und semantischen Beziehungen von Wörtern und Begriffen. Das heißt, sie wissen, ob ein Begriff etwa ein Name oder ein Unternehmen ist, und können ihn entsprechend einordnen. Erst dadurch können KI-Systeme menschliche Eingaben verstehen, interpretieren und erzeugen.
Schwache und starke künstliche Intelligenz
Eine weitere typische Klassifizierung ist die Unterscheidung von schwacher und starker künstlicher Intelligenz.
- Schwache KI-Systeme sind nicht in der Lage, menschliche Intelligenz vollständig zu imitieren oder zu übertreffen. Sie sind auf bestimmte Aufgaben- oder Problemstellungen spezifiziert. Fast alle Anwendungen künstlicher Intelligenz, die wir heute kennen, fallen in diese Kategorie.
- Starke KI-Systeme sind bisher ein rein theoretisches Konzept. Starke KI-Systeme sollen menschliche Intelligenz in vollem Umfang nachahmen oder sogar übertreffen können. Diese Art von KI wäre also fähig, jede geistige Aufgabe zu bewältigen, die ein Mensch lösen kann.
KI im Unternehmen und Marketing
Für viele Unternehmen ist die Integration künstlicher Intelligenz in die Geschäftsprozesse eine echte Herausforderung. Einige Entscheider*innen setzen die Verwendung von KI-Tools wie ChatGPT gleich mit der erfolgreichen Integration von KI im Unternehmen.
Das ist jedoch ein Irrtum!
Sowohl Führungskräfte als auch die Teams müssen neue Fähigkeiten erlernen, sich weiterentwickeln und vor allem die Rahmenbedingungen für den Einsatz von KI bestimmen.
„Künstliche Intelligenz beeinflusst das gesamte Geschäftsmodell und die Wertschöpfungsketten von Unternehmen.“
Anna Rüde
AI Strategy Beraterin und Expertin für OMR Education
Aufbau einer KI-Kultur
Ein zentraler Ansatz, der von Expert*innen für Unternehmen empfohlen wird, ist der Aufbau einer KI-fähigen Kultur. Vereinfacht formuliert, funktioniert dieses Prinzip nach drei Schritten:
- Im ersten Schritt eignen sich die Mitarbeitenden im Unternehmen Kompetenz zu künstlicher Intelligenz an. Das funktioniert etwa durch KI-Weiterbildung.
- Mit mehr Kompetenz im Team steigt die Akzeptanz und das Verständnis für das Thema innerhalb der Belegschaft.
- Durch die Akzeptanz und Kompetenzen können die Teams erste (komplexere) Use Cases identifizieren. Die daraus resultierenden Praxisbeispiele fördern wiederum die Kompetenz zum Thema und der Kreislauf startet von vorn.
Typische Beispiele für Kompetenzen, die Unternehmen erlernen müssen, sind Fähigkeiten wie Prompting, Prozessoptimierung, agiles Arbeiten, Datenmanagement oder technisches und strategisches Know-how zur Funktionsweise künstlicher Intelligenz. Ein genereller Überblick über KI ist in jedem Fall sinnvoll.
Hier findest du eine Übersicht aktueller OMR-Weiterbildungen und Events in dem Bereich:
Fazit und weitere Ressourcen
Künstliche Intelligenz ist eine Technologie, die für Unternehmen und die Arbeitswelt tiefgreifende Veränderungen mit sich bringt.
Um KI im Unternehmen zu integrieren und daraus Nutzen zu generieren, braucht es neue Prozesse, eine angepasste Kultur, Use Cases und Tools. Das klingt oft viel leichter als es ist, denn künstliche Intelligenz wird langfristig jeden Bereich eines Unternehmens verändern oder zumindest berühren.
Hier heißt es als Digitalunternehmen Schritt zu halten mit den aktuellen Entwicklungen, um nicht den Anschluss zu verlieren.
Tl;dr
Too long, didn’t read – die wichtigsten Fragen zum Schluss:
1. Was ist Künstliche Intelligenz (KI)?
Künstliche Intelligenz (KI) ist der Versuch, menschliches Verhalten und Problemlösungsfähigkeiten mit technischen Mitteln nachzubilden. Sie kann Aufgaben übernehmen, die traditionell nur von Menschen ausgeführt wurden, wie das Erkennen von Mustern oder das Erstellen von Inhalten.
2. Welche Anwendungsgebiete gibt es für KI in Unternehmen?
Künstliche Intelligenz wird in Unternehmen für die Automatisierung von Geschäftsprozessen, Datenanalyse, personalisierte Kundenansprache, Produktentwicklung und die Unterstützung bei Aufgaben wie Inhaltsgenerierung und Kundenservice eingesetzt.
3. Was sind die Voraussetzungen für eine erfolgreiche Integration von KI im Unternehmen?
Die erfolgreiche Integration von KI erfordert eine KI-fähige Unternehmenskultur, kontinuierliche Weiterbildung und die Identifizierung von konkreten Anwendungsfällen (Use Cases). Es sind die Menschen im Unternehmen, die Innovationen vorantreiben und ethische Entscheidungen treffen müssen.
4. Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Machine Learning ist ein Teilbereich der KI, bei dem Computer aus Daten lernen, ohne explizit programmiert zu werden. Deep Learning ist eine spezialisierte Form davon, die komplexe neuronale Netze verwendet, um Muster in großen, unstrukturierten Datenmengen zu erkennen.
5. Was ist generative KI?
Generative KI ist eine Technologie, die neue Inhalte wie Texte, Bilder oder Videos erzeugen kann, basierend auf erlernten Mustern aus Trainingsdaten. Sie nutzt komplexe Algorithmen wie Transformer-Modelle und arbeitet häufig mit Large Language Models (LLMs), um menschenähnliche Ergebnisse zu produzieren.
Robert ist Redakteur bei OMR Education und beschäftigt sich mit allen Themen rund ums digitale Business. Hier veröffentlicht er interessante Cases, die ihm bei seiner Arbeit auffallen.
