Erkenntnisse zu KI, Daten und Fachkräften von 30 Führungskräften aus der Wirtschaft in Seattle

Im Jahr 1964 wies jedes Hotel in Seattle die Beatles ab. Es war zu riskant und chaotisch. Ein Hotel am Wasser sagte jedoch zu. Es hieß Edgewater Hotel. Heute ist es als das Hotel bekannt, aus dessen Zimmerfenster die Band berühmt Fische angelte, während draußen die Stadt völlig aus dem Ruder lief.

62 Jahre später luden wir 30 Führungskräfte in dasselbe Hotel zu einem Abendessen und einer Arbeitsdiskussion zum Thema KI ein. Die Gästeliste umfasste unter anderem Vertreter von Amazon, Microsoft, Boeing, Starbucks, Zillow, Databricks, Holland America, Capital One, Walmart und Expedia. Es handelt sich um Personen, die Datenplattformen, Entwicklungsabteilungen und Transformationsprogramme in einigen der einflussreichsten Unternehmen der Welt leiten.

Xebia hat diese „AI-to-ROI“-Diskussionsrunden das ganze Jahr über in verschiedenen Städten der Vereinigten Staaten veranstaltet. Dabei entstehen nicht nur hervorragende Beziehungen, sondern man kann auch beobachten, wie sich die Denkweise im Laufe der Zeit weiterentwickelt. Und bei den letzten beiden Veranstaltungen hat sich diese Denkweise deutlich verschoben.

Warum sich die Debatte über KI von Stellenabbau hin zum ROI verlagert hat

Zu Beginn des Jahres lösten die „AI to ROI“-Veranstaltungen von Xebia bei den Teilnehmern echte Besorgnis aus. Die vorherrschende Frage lautete in etwa: Wie viele Arbeitsplätze werden dadurch wegfallen, und wie schnell? Führungskräfte wurden dazu gedrängt, Personalabbau-Szenarien zu modellieren, noch bevor sie irgendetwas anderes modelliert hatten.

Diese Sichtweise hat sich weitgehend aufgelöst, nicht etwa, weil die KI an Schwung verliert. Die KI wird immer besser – und zwar schnell. Sie ist zusammengebrochen, weil diejenigen, die sie tatsächlich in großem Maßstab einsetzen, mit zwei Tatsachen konfrontiert wurden.

Der Konsens im Raum war auffallend: Der Wert der KI wird nicht mehr durch das Modell begrenzt. Entscheidend sind vielmehr die Kompetenz der Menschen, die damit arbeiten, und – was vielleicht noch dringlicher ist – die Qualität der zugrunde liegenden Daten.

In welcher Reihenfolge sollten Sie KI-Fähigkeiten aufbauen?

An jenem Abend diskutierte niemand im Edgewater Hotel darüber, ob Agenten eine Rolle spielten. Die Debatte hat sich nun auf die Reihenfolge verlagert. Was baut man zuerst, worauf wartet man, und in welcher Reihenfolge müssen die einzelnen Teile eintreffen, damit das Ganze zusammenhält?

Wenn sich das Gespräch von der Frage „Ob“ hin zur Frage „In welcher Reihenfolge“ verlagert, geht es nicht mehr um eine Wette. Es geht um einen Fahrplan, und um einen solchen zu erstellen, muss ein Unternehmen die Lücken schließen.

Die größte Kluft besteht bei der Datenreife. Sie ist die eigentliche Trennlinie zwischen Unternehmen, die einen Mehrwert erzielen, und solchen, die lediglich Präsentationsmaterial erhalten. Was mehrere Führungskräfte überraschte, war die Frage, wo genau diese Trennlinie verläuft. Die Datenreife hängt weitaus stärker von der Branche und dem Alter Ihrer Dateninfrastruktur ab als davon, wie begeistert Ihre Führungskräfte von KI sind. Seien wir ehrlich: Begeisterung allein bringt Sie auf der Kurve nicht weiter nach oben. Ein Jahrzehnt lang angesammelte, undokumentierte Systeme können Sie am unteren Ende festhalten, ganz gleich, wie ehrgeizig der Auftrag auch sein mag.

Die meisten Organisationen haben noch nicht entschieden, welcher der drei Punkte ihr eigentlicher Engpass ist:

Möglicherweise trifft alles drei zu. In diesem Jahr besteht die Aufgabe der Führungskräfte darin, festzustellen, welches Problem überwiegt, und zu entscheiden, in welcher Reihenfolge es behoben werden soll. Wenn man das falsche Problem an erster Stelle angeht, führen selbst gute Budgets zu keinem Ergebnis.

Warum Fachkräfte im Bereich „Foundational Data“ am schwierigsten zu finden sind

Während sich der Markt auf schnelle Entwickler und Agent-Entwickler konzentriert, erklärten die Führungskräfte in unserem Büro in Seattle, dass sie auf der Suche nach etwas sind, das weniger glamourös, dafür aber umso seltener ist: Menschen, die grundlegende Datenarbeit außergewöhnlich gut beherrschen.

Der Grund dafür ist einfach. Agenten verarbeiten Daten mit maschineller Geschwindigkeit. Versorgt man sie mit fragmentierten, widersprüchlichen und undokumentierten Daten, versagen sie nicht nur – sie vermehren Fehler in großem Maßstab und tun dies zudem mit voller Überzeugung. Mehrere Führungskräfte beschrieben dasselbe Muster: Governance, die zwar auf dem Papier existiert, in der Praxis jedoch nicht umgesetzt wird; fehlende gemeinsame Definitionen von Kerngeschäftskonzepten; Kontextwissen, das ausschließlich in den Köpfen der Mitarbeiter verankert ist; sowie Probleme mit der Datenqualität, die von den Beteiligten entdeckt werden, anstatt durch Warnmeldungen aufgedeckt zu werden. Plattformen, die ursprünglich für menschliche Analysten entwickelt wurden – die dieses Chaos noch umgehen konnten –, stehen nun Agenten zur Verfügung, denen dies nicht möglich ist.

Die Berufe, für die die Nachfrage steigt, sehen also wie folgt aus:

Nicht größere Modelle, sondern hervorragende Daten werden darüber entscheiden, wer im Bereich der KI die Nase vorn hat. Der Unternehmenskontext spielt eine entscheidende Rolle.

Was ist Xebia Axis? Eine mit Databricks erstellte Datenplattform

Xebia und Databricks haben dieses Problem gemeinsam angegangen. Aus diesem Grund haben wir den Teilnehmern Xebia Axis vorgestellt – die „Agentic Data Foundation “, die nativ auf Databricks aufbaut und Lakebase als operatives Rückgrat für den Agentenstatus, den Speicher sowie das Register zertifizierter Produkte umfasst.

Die Idee ist einfach: Man bietet den Agenten eine von Anfang an auf sie zugeschnittene Grundlage, wobei Menschen die Richtung vorgeben und die Aufsicht führen. Datenverträge, die in einfacher Sprache festgehalten sind und monatelange mündliche Anforderungserhebungen ersetzen. Eine Geschäftsontologie, die die Genauigkeit bei der Übersetzung von natürlicher Sprache in SQL von etwa 60 % auf 90–95 % erhöht. Agenten, die regulierte Datenprodukte in etwa einem Tag Entwicklungsaufwand statt in Monaten entwerfen, testen und bereitstellen – wobei Eigentumsverhältnisse, Zugriffsrichtlinien, Versionierung und Datenherkunft vom ersten Tag an integriert sind und nicht erst nachträglich hinzugefügt werden.

Die Quintessenz

Das Technologie-Argument und das Personal-Argument erwiesen sich als ein und dasselbe Argument. Das Gleiche galt für das Daten-Argument. Man kann ein KI-Programm nicht gut sequenzieren, wenn man nicht weiß, ob der Engpass in defekten Pipelines, einer falschen Organisationsstruktur oder fehlenden Nachweisen liegt. Und man kann keines dieser Probleme beheben, ohne Mitarbeiter, die die zugrunde liegenden Daten verstehen.

Das Edgewater Hotel sagte „Ja“, als alle anderen „Nein“ sagten. Das entspricht in etwa der Herausforderung, vor der die meisten Organisationen stehen. Mitarbeiter sind wichtig, das steht fest. Die Frage ist nur, in welcher Reihenfolge. Bestimmen Sie Ihren größten Engpass, schaffen Sie die Datengrundlage, auf der sich die Mitarbeiter tatsächlich stützen können, und beauftragen Sie die richtigen Personen mit deren Leitung.

Möchten Sie Ihre eigene Sequenzierung auf Herz und Nieren prüfen? Sprechen Sie mit unserem Team darüber, wie eine „Xebia AI to ROI“-Sitzung Ihre Roadmap weiter vorantreiben könnte.