Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst. Der Begriff beschreibt Systeme, die Aufgaben ausführen, die traditionell menschliche Kognition erfordern: Wahrnehmen, Schlussfolgern, Lernen, Planen und kreatives Erschaffen.
Für die Geschäftsführung ist KI keine isolierte Technologie, sondern eine General Purpose Technology (Allzwecktechnologie) vergleichbar mit der Elektrifizierung oder dem Internet. Sie verändert die Kostenstruktur von Prognosen und kognitiver Arbeit fundamental.
Begriffsbestimmung und Kategorisierung
Um Investitionsentscheidungen zu treffen, ist eine Differenzierung der Reifegrade notwendig:
- Schwache KI (Artificial Narrow Intelligence – ANI): Systeme, die ein spezifisches Problem oft besser lösen als der Mensch (z. B. Schachcomputer, Bilderkennung in der Radiologie, Spam-Filter). Status: Marktreif und weit verbreitet. Alle heute produktiv genutzten KIs sind "schwach".
- Starke KI (Artificial General Intelligence – AGI): Ein hypothetisches System, das jede intellektuelle Aufgabe verstehen und lernen kann, die ein Mensch bewältigen kann. Es besitzt Bewusstsein und Flexibilität. Status: Zukunftsmusik und Gegenstand der Forschung, derzeit keine betriebswirtschaftliche Relevanz.
Die technologische Hierarchie
KI ist der Überbegriff. Darunter ordnen sich spezifische Methoden an, die oft verwechselt werden:
- Machine Learning (ML): Der aktuelle Standard. Statt Software Zeile für Zeile zu programmieren ("Wenn A, dann B"), trainiert man Algorithmen mit Daten. Das System erkennt Muster und erstellt eigene Regeln.
- Deep Learning (DL): Eine Unterkategorie des ML, basierend auf künstlichen neuronalen Netzen. DL ist besonders leistungsfähig bei unstrukturierten Daten (Bilder, Sprache, Video), benötigt aber enorme Rechenleistung (GPUs) und Datenmengen.
- Generative AI (GenAI): Der jüngste Durchbruch (z. B. ChatGPT, Midjourney). Diese Modelle analysieren nicht nur, sondern erzeugen neue Inhalte (Text, Code, Bilder) basierend auf gelernten Wahrscheinlichkeiten.
Strategische Werttreiber
Der Einsatz von KI im Unternehmen zielt auf drei Hebel ab:
- Automatisierung (Substitution): KI übernimmt repetitive, kognitive Aufgaben vollständig.
- Beispiel: Chatbots im First-Level-Support oder automatisierte Rechnungsprüfung.
- Augmentation (Unterstützung): KI arbeitet als "Co-Pilot" und erhöht die Produktivität des Menschen.
- Beispiel: Ein Programmierer nutzt KI, um Code-Gerüste zu schreiben; ein Arzt nutzt KI zur Zweitmeinung bei der Diagnose.
- Innovation (Neues): KI ermöglicht Produkte, die vorher technisch nicht machbar waren.
- Beispiel: Autonomes Fahren oder personalisierte Medikamentenentwicklung.
Risiken und Management-Herausforderungen
Der Einsatz von KI birgt spezifische Risiken, die eine AI Governance erfordern:
- Halluzinationen: Generative KI-Modelle sind probabilistisch, nicht deterministisch. Sie berechnen das nächste wahrscheinliche Wort, nicht die Wahrheit. Sie können Fakten plausibel klingend erfinden. Eine menschliche Kontrolle (Human-in-the-Loop) bleibt in kritischen Bereichen zwingend.
- Black-Box-Problem: Bei komplexen neuronalen Netzen ist oft nicht nachvollziehbar, warum die KI eine bestimmte Entscheidung getroffen hat (mangelnde Erklärbarkeit / Explainability). Dies ist in regulierten Branchen (Finanzen, Medizin) ein Compliance-Risiko.
- Bias (Voreingenommenheit): Wenn die Trainingsdaten Vorurteile enthalten (z. B. historische Benachteiligung bestimmter Gruppen bei Kreditvergaben), wird die KI diese Vorurteile reproduzieren und skalieren.
- Urheberrecht und IP: Die Rechtslage, wem von KI erzeugte Inhalte gehören und ob Trainingsdaten urheberrechtlich geschützt sind, ist global noch in der Klärung (siehe EU AI Act).
Make or Buy: Die Implementierungsstrategie
Für Geschäftsführer stellt sich die Frage der technologischen Tiefe:
- Taker (Nutzer): Nutzung fertiger SaaS-Lösungen mit integrierter KI (z. B. Microsoft Copilot, Salesforce Einstein). Dies ist der schnellste Weg mit dem geringsten Investitionsrisiko.
- Shaper (Anpasser): Nutzung vorhandener Modelle (Foundation Models) über APIs und Anpassung (Fine-Tuning) mit eigenen Unternehmensdaten. Dies bietet einen Wettbewerbsvorteil durch proprietäres Wissen.
- Maker (Entwickler): Aufbau eigener Modelle von Grund auf. Aufgrund der enormen Kosten für Rechenleistung und Talente ist dies meist nur für Tech-Giganten oder hochspezialisierte Nischenanbieter wirtschaftlich.
Fazit
Künstliche Intelligenz ist kein IT-Projekt, sondern eine strategische Kompetenz. Der limitierende Faktor ist heute selten die Technologie, sondern die Verfügbarkeit und Qualität der eigenen Daten ("Data is fuel") und die Bereitschaft der Organisation, Prozesse radikal neu zu denken. Wer KI ignoriert, riskiert, von effizienteren Wettbewerbern verdrängt zu werden.