Wie Klein- und mittelständische Unternehmen fachliche Skalierbarkeit erreichen und Wettbewerbsnachteile ausgleichen

Um die rasanten Fortschritte der Digitalisierung mitzugehen, sind Unternehmen auf Expertinnen oder Experten angewiesen, die mit ihrem Know-how helfen, Unternehmensziele zu erreichen. Allerdings sind diese heiß umworben und gerade für mittelständische Unternehmen nur schwer zu bekommen. Wie erreichen kleinere Unternehmen dann eine fachliche Skalierbarkeit in hoher Schlagzahl und gleichen Wettbewerbsnachteile gegenüber Großunternehmen aus?

Dieser Blogbeitrag basiert auf einem Vortrag unseres Experten Peter Heintzen. Sie möchten sich den kompletten Vortrag anschauen? Hier geht es zum Video >>>

Großunternehmen oder weltweit bekannte Konzerne haben weniger Probleme, das begehrte Personal einzustellen. Bei mittelständischen Unternehmen wird schon ein ländlich gelegener Standort schnell zum Nachteil gegenüber der Konkurrenz – von finanziellen Unterschieden zu den Weltmarktführern mal abzusehen. Doch es gibt einen Lösungsansatz für den Mittelstand, diese Wettbewerbsnachteile auszugleichen: fachliche Skalierbarkeit durch Automatisierung von Expertenwissen.

Daten und deren Qualität spielen eine zentrale Rolle, um fachliche Skalierbarkeit zu erreichen

Digitalisierungsinitiativen etwa unterliegen permanent Trends und erfordern daher immer Expertinnen oder Experten, damit Unternehmen anpassungsfähig und reaktionsschnell bleiben. Die fachliche Skalierbarkeit ist dann durch die Anzahl der fachlichen Spezialistinnen und Spezialisten begrenzt. Durch die Automatisierung von Expertenwissen umgehen Unternehmen diese Hürde – und der erste Ansatzpunkt sind Daten.

Damit die Zukunft keine Überraschungen bereithält, ist es wichtig, kompetente Vorhersagen zu treffen. Um diese Vorhersagen zu treffen und daraus Entscheidungen in Echtzeit abzuleiten, müssen Unternehmen ihren Daten vertrauen. Dabei ist die Datenqualität eine Grundvoraussetzung, um relevante Entscheidungen zu treffen. Werden die Daten strukturiert erhoben? Ist die Herkunft nachvollziehbar? Sind sie semantisch und technisch im Zugriff standardisiert etc.? Ist die Datenqualität gesichert, ist es wichtig, dass alle relevanten Daten zur Verfügung stehen. Datensilos müssen aufgebrochen werden, Echtzeitdaten als Grundlage für automatisierte Entscheidungen bereitgestellt werden.

Wie entsteht Expertenwissen und wie wird es automatisiert?

Expertinnen und Experten erlangen durch ausgiebiges Üben ein hohes Maß an Expertise in neuen Wissensdomänen. Aus diesem angeeigneten deklarativen Wissen entwickeln sie Lösungsstrategien, die irgendwann in Routineentscheidungen übergehen. Sie handeln dann intuitiv. Diese intuitive Entscheidungsfindung wird genutzt und auf das Training einer Künstliche Intelligenzen übertragen.

Aus den vorhandenen Daten werden Muster identifiziert. Ist für ein Muster bereits eine Lösungsstrategie vorhanden, wird diese automatisiert angewendet. Gibt es kein Muster, spricht man von einer Daten-Anomalie. Diese können aufgrund fehlerhafter Daten auftreten, eine Ausnahme oder einfach einen neuen Fall darstellen, der zu einer neuen Lösungsstrategie führt. Hier ist Vorsicht geboten: Unüberwachtes Lernen einer KI – das heißt, die KI lernt eigenständig – ist oft fehlerbehaftet. Etwa wenn ein Teil, zum Beispiel ein defekter Sensor, innerhalb eines geschlossenen Systems einer KI fehlerbehaftete Daten zufügt. Läuft das selbstständige Lernen der KI weiter, nimmt diese die falschen Sensordaten als echte Daten wahr. Einmal trainiert, ist das System nur scher rücksetzbar.

Daher empfiehlt sich ein überwachtes Lernen einer KI durch eine Anomalie-Bewertung. Die Anomalien werden von einer Expertin oder einem Experten beurteilt und das Bewertungs-Netzwerk wird neu trainiert. Mit der Zeit wird der neue Lösungsansatz automatisiert – ein neues, trainiertes Modell wird definiert – und steht dem Unternehmen damit permanent zur Verfügung.

Fazit: Unternehmenskultur und Technologie im Zusammenspiel gleichen Wettbewerbsnachteile aus

Damit kleinere und mittelständische Unternehmen mit disruptiven Ideen mit der Schlagzahl eines Großunternehmens arbeiten, sind folgende Schritte zu beachten.

Ein Zusammenspiel zwischen Technik und Organisation ist eminent. Die neuen Technologien müssen angenommen werden, was oft eine Verhaltensänderung im Management und bei den Mitarbeiterinnen und Mitarbeitern erfordert. Den Mitarbeiterinnen und Mitarbeitern muss die Angst vor Veränderung genommen werden. Ein agiles Mindset fördert eine produktive und aktive Zusammenarbeit in einem Unternehmen und bildet einen Servicegedanken.

Eine hohe technische Skalierbarkeit ist die Voraussetzung, um fachliche Skalierbarkeit zu erreichen. Automatisierung ist die Basis für eine technische Skalierbarkeit. Hoch skalierende Systeme müssen betreibbar bleiben und dürfen nicht von der Anzahl der IT-Mitarbeiterinnen und Mitarbeiter abhängig sein.

Datensilos müssen aufgebrochen werden, bzw. Echtzeitdaten zur Verfügung stehen, um die Grundlage für automatisierte Entscheidungen zu schaffen – dort, wo es sinnvoll und umsetzbar ist.

Auf Basis einer technischen Skalierbarkeit lässt sich unter Einsatz von Data Science eine hohe fachliche Skalierbarkeit erreichen, durch Entlastung der Expertinnen und Experten – dort, wo es möglich ist.