KI-Adaption in der Produktentwicklung

Vorbereitungen treffen

Die Phase der Vorbereitung ist entscheidend, um den geplanten Einsatz und Mehrwert von KI im Unternehmen zu verankern. Dazu gehört eine Sensibilisierung, die auf die Schaffung einer positiven Haltung gegenüber KI abzielt [4, 14]. Dies umfasst Schulungen der Mitarbeitenden, um ein Bewusstsein für die Potenziale und Grenzen von KI zu schaffen und ein gemeinsames Verständnis von KI zu etablieren [4, 14]. Dies fördert die Kollaboration zwischen den Beteiligten [15, 16]. Zentral ist die Entwicklung einer KI-Vision, die strategische Ziele definiert und potenzielle Anwendungs- und Suchfelder skizziert. Dabei sollte eine Fokussierung auf relevante Geschäftsbereiche, Produkte oder Services erfolgen. [4, 14, 16, 17] Darüber hinaus ist eine Bewertung der Unternehmensreife im Hinblick auf wesentliche Erfolgsdimensionen wie Daten und Kompetenz essenziell. Diese liefert wichtige Erkenntnisse zu spezifischen technologischen, organisatorischen und umweltbezogenen Anforderungen. [4, 15, 16, 18] Unterstützungsangebote bestehen in einer Vielzahl an verfügbaren Readiness Assessments, Schulungs- und Weiterbildungsformaten sowie Leitfäden bezüglich der Strategieentwicklung. [3, 13, 16, 19]

Anwendungsfälle identifizieren, bewerten und priorisieren

Die Phaseninhalte sind aufeinander aufbauend, systematisch gestaltet, um eine fundierte Entscheidungsgrundlage zu schaffen (vgl. Bild 3). Die Ideenfindungsphase zielt darauf ab, potenzielle KI-Anwendungsfälle zu identifizieren, welche spezifische Herausforderungen in der Produktentwicklungsdomäne adressieren oder neue technologische Möglichkeiten eröffnen können. Dabei kann zwischen problem-, daten- und technologieorientierten Ansätzen unterschieden werden [14]. Der problemorientierte Ansatz betrachtet die Entwicklungsprozesse und -aktivitäten (z. B. durch Prozessanalysen) mit dem Ziel, aktuelle Problemstellungen zu identifizieren [14, 15, 16]. Auch der datenorientierte Ansatz betrachtet den Status quo bezüglich Daten und zielt auf einen Überblick der Verfügbarkeit sowie deren Beschreibung ab [14, 15, 16]. Eine externe Perspektive wird durch die Technologieorientierung eingenommen, in welcher Chancen durch KI identifiziert werden [14, 15, 16]. Output der Phase sind typischerweise systematische Dokumentationen, die sowohl Problem- als auch Lösungsräume beinhalten [16]. Ein konkretes Beispiel kann durch die Anwendungsdomänen-Karte (problemorientiert), Daten-Karte (datenorientiert) und KI-System-Karte (technologieorientiert) aufgezeigt werden [19]. Diese bieten eine systematische Dokumentationsgrundlage für KI-Entwicklungsaktivitäten und weisen Schnittstellen untereinander auf, ermöglichen somit eine durchgängige Anwendung auch im Rahmen der Bewertung, Priorisierung sowie Umsetzung. Im Rahmen der Technologieorientierung existiert zudem eine Vielzahl an kuratierten Übersichten bezüglich KI-Methoden oder Anbietern von KI-Lösungen [19]. Zudem existieren weitere, meist technologieorientierte Dokumentationsansätze für KI-Anwendungsfälle, welche sich an den Anforderungen des European AI Act orientieren [20].

Die Bewertungsphase greift den Output auf, um die Anwendungsfälle hinsichtlich ihres Wertes und ihrer Umsetzbarkeit zu bewerten. Ziel ist es, objektive Kriterien für eine fundierte Entscheidungsfindung anzuwenden. Kriterien beziehen sich oft auf den wirtschaftlichen Nutzen (z. B. Kostensenkung, Zeitersparnis), die strategische Ausrichtung und Umsetzungsanforderungen, wie Datenqualität, erforderliche Algorithmen sowie technische und organisatorische Expertise [14, 16]. Auch Makeor-Buy-Entscheidungen gehören zur Phase, wobei Faktoren wie IP-Schutz, Risiken, Vertragsgestaltung und Wartungsanforderungen berücksichtigt werden [15, 16].

In der Priorisierungsphase werden die Bewertungen vertieft, um konkrete Umsetzungsroadmaps abzuleiten. Die Phase verläuft iterativ, wobei initiale Priorisierungen durch detaillierte Bewertungen und Überprüfungen ergänzt werden [16]. Zudem wird eine ganzheitliche Abstimmung von Daten- und Plattformentscheidungen empfohlen, um eine kohärente Grundlage für höher entwickelte Systeme zu schaffen [17].

Umsetzung

Es wird darauf abgezielt, priorisierte KI-Anwendungsfälle erfolgreich von der Konzeptionsphase in die praktische Umsetzung zu überführen. Entscheidend ist die Arbeit entlang eines strukturierten Vorgehens, welches klare Schritte und Zwischenergebnisse abbildet [5]. Die Realisierung erfolgt anhand zuvor definierter Roadmaps und basiert typischerweise auf Vorgehen der KI-Entwicklung. Die Umsetzung erfordert interdisziplinäre Teams, iterative Arbeitsweisen und eine hohe KI-Expertise als zentralen Erfolgsfaktor [6, 9, 10], wobei auch die Kollaboration mit und frühe Einbindung von Domänenexperten und Stakeholdern eminent wichtig sind [9, 21]. Ein Beispiel ist der KI-Systemlebenszyklus nach ISO/IEC 22989, welcher in Bild 3 dargestellt und um beteiligte Rollen ergänzt wird. Die jeweiligen Inhalte werden folgend in Kurzform aufgezeigt, für detailliertere Informationen wird auf die Literatur verwiesen. In der Initiierungsphase werden Ziele, Anforderungen und Ressourcen definiert, um die Machbarkeit des Projekts zu bewerten [10]. Anzumerken ist, dass ein Teil der Inhalte bereits in vorangegangenen Phasen Berücksichtigung findet. Die Phasen gehen grenzenlos ineinander über. Domänenexperten liefern Informationen zu spezifischen Problemen und dem Status quo [9], während KI- und IT-Experten die technische Umsetzbarkeit sicherstellen [16]. Die Konzeptions- und Entwicklungsphase umfasst die Datenvorverarbeitung, das Systemdesign sowie die Entwicklung von KI-Modellen und -Komponenten [10]. Die Umsetzung erfolgt durch interdisziplinäre Teams, darunter Domänenexperten, die Daten bereitstellen, labeln und Zwischenergebnisse evaluieren [9, 22]. Technische Rollen, wie Data Scientists, sind für Entwicklung und Training der KI-Modelle verantwortlich [3]. Ziel ist ein funktionsfähiges System, das die zuvor definierten Anforderungen erfüllt [10]. In der Verifikations- und Validierungsphase wird überprüft, ob das entwickelte KI-System den festgelegten Anforderungen entspricht und die definierten Ziele erreicht [10]. Dies umfasst Funktions- und Performancetests, welche von technischen Rollen durchgeführt werden [3, 17]. Domänenexperten validieren Daten, Modelle und Funktionen [9]. Methodische Unterstützung kann durch KI-Modellkarten bereitgestellt werden [19]. Die Bereitstellungsphase umfasst die Installation, Freigabe oder Konfiguration des KI-Systems für den Einsatz in der Zielumgebung [10]. Technische Rollen wie Systemintegratoren und DevOps-Ingenieure sorgen für die Integration in bestehende Infrastrukturen [9, 17]. Im Betrieb und Monitoring ist das KI-System im laufenden Betrieb und für den Einsatz verfügbar und wird kontinuierlich überwacht, um Ausfälle und Laufzeitfehler zu beheben sowie die Zuverlässigkeit und Performance zu sichern [10]. Domänenexperten (KI-Nutzer) tragen durch Feedback und Verbesserungsvorschläge zur Optimierung bei [9, 17]. Die Re-Evaluationsphase bewertet die Betriebsergebnisse, um festzustellen, ob die ursprünglichen Ziele weiterhin erreicht werden oder Anpassungen erforderlich sind [10]. Dabei nehmen Domänenexperten eine zentrale Rolle ein [9]. Technische Experten analysieren Daten- und Systemperformance [3, 17]. Schließlich beschreibt die Stilllegungsphase den geordneten Umgang mit Systemen, die nicht mehr benötigt werden, sei es durch veraltete Technologien oder geänderte Anforderungen in der Anwendungsdomäne [10].

Das beschriebene Vorgehen ist generisch und systemunabhängig formuliert. Praktische Vorgehen sind stark anwendungsfallspezifisch und abhängig vom Status quo, sowie vorgesehenen KI-Lö-sungs- und Implementierungsansätzen. Auch die Teamzusammensetzung und erforderte Kompetenzen variieren entsprechend. Anhand der Implementierungsansätze kann eine Differenzierung der Vorgehensweisen des hybriden Ansatzes sowie des Zukaufs externer Lösungen im Vergleich zur End-to-End-Entwicklung, welche alle Phasen durchläuft (vgl. Bild 3), abgeleitet werden. Durch die Einbindung vortrainierter KI-Modelle oder Entwicklungsplattformen externer Anbieter im Rahmen des hybriden Ansatzes können Effizienzvorteile in den Phasen Konzeption und Entwicklung, Validierung, Bereitstellung und Re-Evaluation erzielt werden, welche zu geringeren Entwicklungszeiten führen. Dennoch müssen wesentliche Aufgaben im Rahmen der Identifikation von Anwendungsfällen sowie der Anpassung an domänenspezifische Anforderungen und Prozessintegration durch das interne Projektteam durchgeführt werden. Beim Zukauf externer KI-Lösungen entfallen hingegen zentrale Aktivitäten, insbesondere der Entwicklung und Validierung, da die Lösungen direkt implementiert werden. Der Fokus liegt hier auf der Bereitstellung, Nutzung und Re-Evaluation. Die anforderungsgerechte Einbindung in die Entwicklungsaktivitäten muss gewährleistet werden. Beide Ansätze profitieren von einer strukturierten Arbeitsweise entlang des KI-Lebenszyklus, wobei die technologieorientierte Perspektive eine zentrale Rolle einnimmt und nicht zu unterschätzende Aufwendungen, z. B. im Rahmen von Anbietervergleichen, erfordert.