AI in Analytics

AI erweitert bestehende Analytics-Lösungen gezielt um Automatisierung, Prognosen und neue Formen der Entscheidungsunterstützung. Ziel ist nicht der Ersatz vorhandener Systeme, sondern deren Weiterentwicklung hin zu einer aktiveren, vorausschauenden Nutzung von Daten.

Eindeutig Ja. Aber nicht zwingend eine neue. In vielen Fällen kann AI in bestehende Data & Analytics- oder BI-Landschaften integriert werden. Entscheidend ist dabei jedoch, ob Daten, Architektur und Plattformstrategie die Anforderungen an Skalierung und Betrieb von AI langfristig unterstützen.

Der Einstieg gelingt am besten über klar abgegrenzte Anwendungsfälle mit konkretem Mehrwert. Wichtig ist eine strukturierte Identifikation und Priorisierung entlang von Nutzen, Machbarkeit und Skalierbarkeit, statt breit zu experimentieren.

Zentrale Voraussetzungen sind verlässliche und kontextualisierte Daten, klare Governance-Strukturen, eine geeignete Plattform sowie definierte Rollen und Verantwortlichkeiten. Erst im Zusammenspiel dieser Faktoren kann AI nachhaltig wirksam werden. 

Fachbereiche sind ein zentraler Erfolgsfaktor. Sie liefern den fachlichen Kontext, bewerten Ergebnisse und nutzen die Erkenntnisse im Alltag. AI entfaltet ihren Mehrwert erst dann, wenn Fachbereiche aktiv eingebunden und befähigt werden.  

Der Übergang erfordert mehr als die erfolgreiche Umsetzung einzelner Anwendungsfälle. Notwendig sind eine klare Plattformstrategie, belastbare Datenstrukturen sowie Governance und organisatorische Verankerung, um AI-Anwendungen systematisch auszubauen. 

Eine klassische Datenplattform stellt MLOps fokussiert auf Entwicklung, Training und Betrieb klassischer Machine-Learning-Modelle. LLMOps ergänzt spezifische Anforderungen generativer AI, etwa Prompt-Engineering, Umgang mit Halluzinationen, Kontextsteuerung, Kostenkontrolle und die Bewertung der Antwortqualität. 

In vielen Projekten lassen sich erste Use Cases innerhalb weniger Wochen realisieren. Entscheidend ist jedoch, frühzeitig eine Plattformstruktur aufzubauen, damit weitere Anwendungen effizient darauf aufsetzen können.

Je nach Anwendungsfall kommen unterschiedliche Verfahren zum Einsatz – von klassischen Machine-Learning-Modellen über generative AI bis hin zu Ansätzen wie Retrieval Augmented Generation oder Fine-Tuning. Entscheidend ist dabei nicht die Technologie selbst, sondern deren sinnvolle Einbettung in Daten, Prozesse und Plattformen.