Das Vergleichen von Requirements, die Optimierung von Bedienungseinstellungen an Maschinen, die Verbesserung von Trainings und weniger Schreibarbeit im Qualitätsmanagement: Die Einsatzszenarien von Gen AI sind vielfältig. Überall wo es etwa um das Zusammenfassen und Vergleichen komplexer Informationen geht, können schon jetzt integrierte KI-Assistenten wie Microsoft Copilot Arbeitszeiten deutlich verkürzen. Sie helfen auch bei der Recherche von Informationen. Die hohe Schule sind jedoch individuelle, hochspezialisierte Wissenssysteme.
Wissenssysteme mit GenAI
Gen AI kann beispielsweise einen Blick auf die Produktionsoptimierung werfen. Die Ergebnisse und Optimierungsvorschläge von KI-Assistenten, die auf Large Language Models (LLM) wie ChatGPT basieren, können Denkanstöße vermitteln. Wird die Technologie darauf angesetzt, wie sich der Deckungsbeitrag erhöhen lässt, kommen überraschende Kombinationen heraus: Ideen, die Menschen einfach nicht haben würden. Oft sind diese Vorschläge nicht direkt nachvollziehbar, aber oft einen zweiten Blick wert.
Manuelle Nacharbeit nötig
Wer derzeit mit LLM experimentiert, erhält derzeit rund 25 Prozent nutzlose Antworten – etwa weil im Detail nicht zueinander passende Parameter verglichen werden. Das liegt auch am Fokus auf teilweise unwichtige Details. Um das System zu verbessern, muss deshalb erarbeitet werden, welche Parameter wichtig sind. Die Technologie ist also mit Vorsicht zu genießen: Wer einerseits von den innovativen Hinweisen profitieren will, kommt andererseits nicht um manuelles Nachprüfen herum. Eine Schwäche aktueller LLM liegt darin, dass beim Verarbeiten sehr langer PDF-Dateien mit rund 300 Seiten der Mittelteil falsch verstanden wird. Soll also beispielsweise die Arbeit in der Produktentwicklung automatisiert und mit EU-Verordnungen abgeglichen werden, ist das eine Hürde. Auch die aktuelle Diskussion darüber, ob die Qualität von ChatGPT nachgelassen hat, weist auf einige Unwegbarkeiten der Technologie hin.
Anbieter arbeiten unter Hochdruck
Zugleich ist seit der Einführung von ChatGPT offensichtlich geworden, dass die LLM-Anbieter kontinuierlich an diesen Herausforderungen arbeiten. Es sollte für Unternehmen also einfacher werden, mit dieser Form von KI zu experimentieren. Aus Wettbewerbssicht ist das auch dringend notwendig. Denn je mehr eigene ‚GPTs‘ (Generative Pre-trained Transformer) ein Unternehmen mit den Daten für einen spezifischen Wissensbereich anreichert, umso höher kann der Nutzen ausfallen.
Einsatz in Einkauf, Lagerhaltung und Logistik
Ein Beispiel für die Nutzung von LLM in Einkauf und Logistik ist eine weitreichendere Einbeziehung von weltweiten Rahmenbedingungen für die Lieferketten. In der Materialbereitstellung ging es bisher darum, Bauteile und Materialien zeitoptimiert einzukaufen, um teure Lagerhaltung zu vermeiden. Durch die Verwerfungen in den Lieferketten seit Corona haben viele Unternehmen diese Strategie hinterfragt, um ihre Lieferfähigkeit abzusichern. Das Einbeziehen von Informationen rund um Transportwege per LKW oder Schiff und Ereignisse rund um Wetter, Konflikte, Streiks oder Handelshemmnisse in die Bestelloptimierung im ERP-System ist zwar komplex, aber bereits sehr gut automatisierbar. Hier kommt es darauf an, zusätzliche Kennzahlen zu generieren, die z.B. die letzte oder die durchschnittliche Verzögerung bei der Lieferung genauer abbilden. Die Lieferkettenoptimierung ist dann nicht mehr in großen Zeitabständen, sondern praktisch täglich möglich. Je nach Output des darauf spezialisierten LLM können Sicherheitsfaktoren angesichts erwartbarer Schwierigkeiten hinauf oder herunter geregelt werden.
Sprachbarrieren fallen
Ein bisher noch wenig beachteter Hebel von GenAI liegt in einer Verbindung mit Augmented Reality-Technik. So könnten per AR-Brille auch Mitarbeitende mit weniger Erfahrung KI-gestützt Fehler an der Maschine beheben. Generell lassen sich durch Gen AI Anleitungen in verschiedenen Sprachen ausgeben, etwa Arbeitsschritte wie Materialentnahme, Bearbeitungsabläufe, Maschineneinstellungen und so weiter. Im Kontext von ERP-Software könnten LLM künftig Aufgaben vereinfachen. Das gilt etwa bei der Erstellung von Angeboten oder der Stornierung von Aufträgen und Belegen. Rückmeldungen aus der Produktion könnten etwa in natürlicher Sprache statt durch Tippen möglich sein.
Produkte vergleichen
Agieren Unternehmen im hartem Wettbewerb, ist die Bewertbarkeit ihrer Produkte von außen zunehmend wichtig. Denn künftig dürften verstärkt GenAI-Systeme auf Einkaufsprozesse angesetzt werden. Ähnlich wie Unternehmen bereits SEO-Optimierung für eine bessere Suchmaschinen-Lesbarkeit nutzen, gilt das künftig auch für die Beschreibung von Produkten, Konditionen, Lieferzeiten, aber auch Nachhaltigkeitskriterien. Die Überlegung dahinter lautet: Welche Prompts senden Einkaufsorganisationen aus und wie können die eigenen Materialien so optimiert werden, dass sie für die KI-Algorithmen passende Informationen bereitstellen? Hier müssen Unternehmen experimentieren, wie ihre Informationen für die Prompts von LLMs am besten zu verarbeiten sind. Natürlich dürften viele produzierende Unternehmen diese Technologie auch im eigenen Einkauf anwenden, um nach Angeboten zu suchen.
Noch ein Wort zur Sicherheit
Beim Datenschutz und der IT-Sicherheit ist Vorsicht geboten, da bei den meisten frei verfügbaren LLMs Anfragen und darin implizites Wissen in deren Trainingsmaterial eingespeist werden. So könnte geistiges Eigentum etwa zu Herstellungsprozessen unbeabsichtigt zum Allgemeingut werden. Mittlerweile lässt sich diese Technologie auch so nutzen, dass kein Wissen nach außen gelangt. Geeignet sind lokale KI-Modelle, die am eigenen Server betrieben werden. Microsoft sichert Anwendern des KI-Assistenten Copilot oder des Azure OpenAI Service, Datenschutzvorgaben einzuhalten. Vorsicht ist noch in Bereichen geboten, wo hohe Verlässlichkeit gefordert ist, beispielsweise beim Qualitätsmanagement oder in der Produktentwicklung beim Abgleich mit Normen. Doch mit Blick auf das KI-Entwicklungstempo ist es schon jetzt sinnvoll, die Technologie zu erproben: Oft kann die KI einen wichtigen Beitrag leisten.
Autor: Hans-Peter Gasser, Customer Strategy Manager, Cosmo Consult AG
