"Die Wertschöpfung durch KI-Technologien ist vielschichtig: Bei der monetären Bewertung ist zwischen internem und externem Aufwand sowie Nutzen zu differenzieren. Im Sinne der Transparenz und Vergleichbarkeit ist unternehmensweit eine einheitliche Berechnungslogik anzustreben."
-Daniela Rittmeier (Head of AI Hub, AI CoE BMW Group)
Aus der zunehmenden Nutzung von künstlicher Intelligenz (KI) ergeben sich für Unternehmen sowohl einzigartige Chancen als auch – wie die Erfahrung vom KI-Praktikern zeigt – einzigartige Herausforderungen. In diesem Whitepaper und dem begleitenden, interaktiven Bewertungstool zeigt appliedAI gemeinsam mit verbundenen Industrie- und Technologiepartnern Wege zur Quantifizierung des Wertbeitrags von KI-Produkten und -Anwendungen auf.
Die Ermittlung des „Return on AI (ROAI)“ basiert auf fünf zentralen internen und externen Renditetreibern, die bei der Berechnung des finanziellen Nutzens einer KI-Anwendung berücksichtigt werden sollten. Hinsichtlich der Investitionsausgaben wurden die relevantesten Kostenkategorien entlang des ML-Lebenszyklus ausdetailliert.
Schließlich empfehlen die Autoren eine strategische Perspektive, die darauf abzielt, die kurzfristigen KI-Wertpools zu erfassen und sich zugleich darauf vorzubereiten, das langfristige Wertpotenzial von KI vollumfänglich zu nutzen, indem freigesetzte Ressourcen reinvestiert und gesammelte Erfahrung angewandt wird, um den KI-Reifegrad des Unternehmens gesamthaft zu erhöhen. Angesichts des beträchtlichen Mitteleinsatzes, die erforderlich sind, um signifikante Erträge aus KI zu erzielen, werden abschließend ROAI-Portfolioansätze sowie ein fünfstufiger Prozess für das operative KI-Portfoliomanagement auf Grundlage der Best Practices von appliedAI Partnerunternehmen präsentiert.
Dieses Tool wurde entwickelt, um eine grobe finanzielle Bewertung potenzieller datenbasierter Anwendungsfälle vorzunehmen, um das Verständnis für den finanziellen Nutzen dieser Anwendungsfälle zu erleichtern. Auf der Grundlage der Eingaben können verschiedene potenzielle Anwendungsfälle in Bezug auf ihre Rentabilität und Investitionskosten verglichen werden. Dieses Tool soll Ihnen helfen, Ihre Überlegungen zu strukturieren und die zugrunde liegenden Annahmen für datenbasierte Anwendungsfälle zu treffen. Gegen Ende des Tools stellen wir eine Reihe von Finanzindikatoren vor, die mit den jeweiligen Anwendungsfällen erreicht werden könnten. Bitte denken Sie daran, dass es sich bei den zugrunde liegenden Annahmen oft um grobe Schätzungen handelt und dass die daraus resultierenden Zahlen nur mögliche, nicht aber sichere zukünftige finanzielle Erträge widerspiegeln.
Laden Sie das Blanko-Tool herunter, um loszulegen. Zusätzlich können Sie unten auch eine Beispielversion eines vorausgefüllten Tools herunterladen, um ein Beispiel zu sehen.
- Matthias Neuenhofer (BayWa AG)
- Helfried Binder, Christian Funke, Olaf Niebisch, Daniela Rittmeier (BMW AG)
- Philipp Stähle (EnBW Energie Baden-Württemberg AG) Anant Nawalgaria (Google LLC)
- Simon-Pierre Genot, Nico Kelling (Infineon Technologies AG)
- Matthias Weber (Sandoz Deutschland / Hexal AG)
- Jannik Seger, Senior AI Strategist at appliedAI
- Dr. Philipp Hartmann, Director of AI Strategy at appliedAI
- Dr. Andreas Liebl, Managing Director at appliedAI
Die Autoren danken Clara Laufenberg, Clara Mehler und Christian Wender für ihre unschätzbaren Beiträge beim Verfassen dieses Berichts und bei der Entwicklung des zugehörigen Tools, sowie Henrike Noack für die Gestaltung dieser Veröffentlichung.