KI-Analysen liefern unterschiedliche Antworten auf dieselbe Frage. Hier ist die Lösung.

Sie stellen Ihrem KI-Analysetool eine einfache Frage: „Was hat den Umsatzrückgang im letzten Monat verursacht?“

Das Tool liefert eine Antwort, die plausibel und sogar aufschlussreich wirkt. Ein paar Tage später stellst du ihm dieselbe Frage, formulierst sie aber etwas anders: „Warum sind die Umsätze im April zurückgegangen?“

Diesmal ist die Antwort eine andere. Zugegeben, sie unterscheidet sich nicht grundlegend, aber doch genug, um einen innehalten zu lassen, bevor man handelt. Plötzlich geht es bei deiner Frage nicht mehr um die Umsätze des letzten Monats. Es geht darum, welcher Antwort du vertrauen solltest.

Vertrauen ist eine entscheidende Herausforderung. Laut einer weltweiten Studie von KPMG sind weltweit nur 46 % der Menschen bereit, KI-Systemen zu vertrauen. Dennoch verlassen sich die meisten Menschen – nämlich 66 % – auf die Ergebnisse der KI, ohne deren Genauigkeit zu überprüfen, wobei 56 % aufgrund der KI Fehler bei ihrer Arbeit machen.

Wo das Vertrauen bricht

Auf den ersten Blick scheinen KI-Analysetools ganz einfach zu sein. Man stellt eine Frage in natürlicher Alltagssprache und erhält eine Antwort. Hinter den Kulissen spielt sich jedoch eine Menge ab. Das bedeutet, dass vieles schiefgehen kann, beispielsweise inkonsistente Antworten.

KI-Analysetools liefern unterschiedliche Antworten auf dieselben oder ähnliche Fragen, weil:

• Natürliche Sprache ist von Natur aus mehrdeutig und lässt Raum für Interpretationen. Menschen sind hervorragend darin, den Kontext zu interpretieren, aber KI-Tools tun sich damit schwer. Selbst kleine Änderungen in der Formulierung können zu unterschiedlichen Annahmen führen. Die Frage „Was hat unsere Pipeline im letzten Quartal beeinflusst?“ könnte sich beispielsweise auf die gesamte oder die qualifizierte Pipeline, unterschiedliche Zeiträume oder verschiedene Phasen des Geschäftsabschlusses beziehen. Ohne klaren Kontext füllt die KI die Lücken, und unterschiedliche Annahmen führen zu unterschiedlichen Antworten.
• Es gibt keine einheitlichen geschäftlichen Definitionen. In den meisten Unternehmen zentrale Kennzahlen einheitlich definiert. So kann beispielsweise der Vertrieb die Pipeline auf eine bestimmte Weise definieren, die Finanzabteilung auf eine andere, und das Marketing hat möglicherweise eine eigene Version, die an den Einfluss von Kampagnen geknüpft ist. Ohne eine einheitliche, gemeinsame Definition fehlt der KI eine konsistente Grundlage für ihre Arbeit, was zu Antworten führt, die zwar technisch korrekt sind, aber unternehmensweit nicht aufeinander abgestimmt sind.
• Datenbeziehungen sind nicht explizit definiert. KI-Analysetools sind darauf angewiesen, zu verstehen, wie Daten systemübergreifend miteinander verbunden sind, z. B. wie Tabellen verknüpft werden, wie Kennzahlen berechnet werden und wie Dimensionen zueinander in Beziehung stehen. Wenn diese Beziehungen nicht klar modelliert sind, muss die KI sie ableiten. Dieses Rätselraten führt zu inkonsistenten Verknüpfungen, nicht übereinstimmenden Daten und letztendlich zu unterschiedlichen Antworten auf dieselbe Frage.

Wenn jede Frage unterschiedlich ausgelegt werden kann, fällt es schwerer, jeder Antwort zu vertrauen.

Warum unterschiedliche Antworten ein ernstes Problem darstellen

Auf den ersten Blick mögen widersprüchliche Antworten wie ein kleines Ärgernis erscheinen, doch ihre negativen Auswirkungen können erheblich sein. Unterschiedliche Antworten äußern sich in Form von:

• Widersprüchliche Zahlen zwischen den Teams. Wenn verschiedene Nutzer unterschiedliche Antworten auf dieselbe Frage erhalten, gehen Übereinstimmung und Vertrauen verloren. Bei Besprechungen geht es dann nicht mehr um die Frage „Was sollten wir als Nächstes auf Basis der KI-Ergebnisse tun?“, sondern um „Warum weichen unsere Zahlen voneinander ab?“. Ohne einheitliche Antworten kommt die Dynamik schnell zum Erliegen und die Einführung von KI-Tools verlangsamt sich.
• Langsamere Entscheidungsfindung. Wenn man den Antworten nicht trauen kann, muss jede Entscheidung überprüft werden. Teams beginnen, die Daten und die Annahmen der KI doppelt zu überprüfen. Entscheidungen, die eigentlich einfach sein und nur wenige Minuten dauern sollten, ziehen sich über Stunden oder Tage hin, was dazu führt, dass Chancen verpasst werden.
• Zunehmende Abhängigkeit von Analysten. KI-Analysetools sollen eigentlich die Abhängigkeit von Datenteams und Analysten verringern. Wenn die Ergebnisse nicht konsistent sind, passiert das Gegenteil. Analysten werden in den Prozess einbezogen, um Abweichungen abzugleichen, Ergebnisse zu erklären und die Genauigkeit der Ergebnisse zu validieren. Am Ende hat man dieselben Engpässe, die man eigentlich beseitigen wollte.

Viele Unternehmen glauben, dass neuere KI-Modelle oder bessere Eingabeaufforderungen das Problem lösen werden. In Wirklichkeit sind selbst die fortschrittlichsten KI-Modelle nach wie vor darauf angewiesen, menschliche Sprache zu interpretieren. Ist eine Frage mehrdeutig, ist es auch die Antwort.

KI-Analysetools wandeln natürliche Sprache in Abfragen um. Das bedeutet: Wenn die zugrunde liegenden Daten keine einheitlichen Definitionen aufweisen, unklare Beziehungen enthalten und nicht ordnungsgemäß verwaltet werden, basieren die Antworten auf einer instabilen Grundlage.

Das Problem der Inkonsistenz angehen

Die Uneinheitlichkeit ist nicht auf die Technologie des Tools zurückzuführen. Es handelt sich um ein strukturelles Problem, was bedeutet, dass auch die Lösung struktureller Natur sein muss. So sieht das in der Praxis aus:

• Einheitliche Definitionen von Kennzahlen. Jede wichtige Kennzahl, wie beispielsweise Abwanderungsrate, Umsatz und Pipeline, benötigt eine einheitliche Definition, die im gesamten Unternehmen gilt. Ein „allgemein verständlicher“ Begriff kann Verwirrung stiften. Im Gegensatz dazu trägt eine Kennzahl, die einmal definiert und überall angewendet wird, dazu bei, dass dieselbe Frage immer dieselbe Antwort liefert, die Teams aufeinander abgestimmt sind und die KI eine klare Grundlage für die Generierung von Ergebnissen hat.

Maßnahme: Definieren und zentralisieren Sie Metriken in einer einheitlichen Ebene, damit jede abfragen dieselbe Logik abfragen .

• Klare Zusammenhänge zwischen den Daten. KI-Analysetools müssen verstehen, wie Daten unternehmensweit miteinander verknüpft sind. Dazu gehört das Wissen darüber, wie Tabellen zueinander in Beziehung stehen und wie Kennzahlen berechnet werden. Ohne dieses Verständnis muss die KI erraten, wie Daten verknüpft und interpretiert werden sollen, was zu inkonsistenten Ergebnissen führt.

Maßnahme: Veranschaulichen Sie, wie Daten systemübergreifend miteinander verknüpft sind, damit Zusammenhänge klar erkennbar sind und nicht nur vermutet werden müssen.

• Leitlinien für die Beantwortung von Fragen. Viele KI-Tools versagen, weil sie nicht über geeignete Leitplanken verfügen, um zuverlässige Antworten zu gewährleisten. Für Beständigkeit benötigen KI-Tools bei der Generierung von Abfragen einen geschäftlichen Kontext sowie Einschränkungen, die Mehrdeutigkeiten verhindern.

Maßnahme: Implementieren Sie eine kontrollierte Geschäftslogik und Transparenz, damit jede Antwort nachverfolgt und validiert werden kann.

Die Durchsetzung klarer Definitionen und die Einrichtung von Leitplanken tragen dazu bei, in großem Maßstab reproduzierbare Ergebnisse zu erzielen.

Beständigkeit Vertrauen

KI-Analysen bergen ein enormes Potenzial. Sie können Daten besser verwertbar machen, Engpässe bei der Gewinnung von Erkenntnissen verringern und Teams dabei helfen, schneller voranzukommen. Doch all diese Vorteile sind bedeutungslos, wenn man den Ergebnissen nicht trauen kann.

Dieses Vertrauen entsteht nicht durch die Geschwindigkeit oder die Raffinesse eines Tools. Es entsteht durch Beständigkeit. Wenn dieselbe Frage bei allen Nutzern und Teams jedes Mal dieselbe Antwort liefert, wächst das Vertrauen. Darauf folgt eine breite Akzeptanz des Tools, und die Analytik lässt sich unternehmensweit skalieren.

Andernfalls passiert genau das Gegenteil. Teams greifen auf Dashboards zurück, Analysten werden zu Engpässen, und KI wird zu einer weiteren Initiative, die den beabsichtigten Nutzen nie ganz einbringt. Das Problem ist lösbar. Mit dem richtigen Tool liefert die KI-Analyse konsistente, verlässliche Ergebnisse, auf die sich Teams im Alltag verlassen können. Dann wird KI zu einem verlässlichen Motor für geschäftliche Entscheidungen.

Sehen Sie selbst, wie in der Praxis konsistente und zuverlässige Ergebnisse erzielt werden.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher verwalten zu steuern. Unternehmen vertrauen auf Datenmanagement Data-Intelligence-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in On-Premises, Cloud und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.