KI-Strategie – Empfehlungen für Organisationen zur Entwicklung einer KI-Einführungsstrategie

In diesem Artikel wird der Prozess beschrieben, um Ihre Organisation auf die KI-Einführung vorzubereiten. Sie erfahren, wie Sie die richtigen KI-Lösungen auswählen, Ihre Daten vorbereiten und Ihren Ansatz in verantwortungsvolle KI-Prinzipien einrichten. Eine gut geplante KI-Strategie entspricht Ihren Geschäftszielen und stellt sicher, dass KI-Projekte zum Gesamterfolg beitragen. Erstellen Sie als ersten Schritt ein KI-Kompetenzzentrum (AI Center of Excellence, AI CoE), oder ernennen Sie einen KI-Leiter, um Ihre KI-Einführung zu überwachen.

Identifizieren von KI-Anwendungsfällen

KI unterstützt zwei Hauptziele: Verbesserung der individuellen Effizienz und Verbesserung von Geschäftsprozessen. Generative KI fördert Produktivität und verbessert die Kundenerfahrung, während nicht-generative KI, wie z. B. maschinelles Lernen, ideal für die Analyse strukturierter Daten und die Automatisierung sich wiederholender Aufgaben ist. Identifizieren Sie mit diesem Verständnis Bereiche in Ihrem Unternehmen, in denen KI Mehrwert schaffen könnte. Weitere Informationen finden Sie unter Beispiele für KI-Anwendungsfälle.

• Suchen Sie nach Automatisierungsmöglichkeiten. Identifizieren Sie Prozesse, die für die Automatisierung geeignet sind, um die Effizienz zu verbessern und die Betriebskosten zu senken. Konzentrieren Sie sich auf sich wiederholende Aufgaben, datenintensive Vorgänge oder Bereiche mit hohen Fehlerraten, in denen KI erhebliche Auswirkungen haben kann.

• Führen Sie eine Bewertung durch. Sammeln Sie Eingaben aus verschiedenen Abteilungen, um Herausforderungen und Ineffizienzen zu identifizieren, die KI bewältigen könnte. Dokumentieren Sie aktuelle Workflows, um Bereiche zu finden, in denen die KI Aufgaben automatisieren oder Erkenntnisse liefern kann.

• Erkunden Sie Branchenanwendungsfälle. Verwenden Sie die KI-Architekturen im Azure Architecture Center, um Einblicke in Probleme zu erhalten, die KI lösen kann. Recherchieren Sie, wie andere Unternehmen KI nutzen. Informieren Sie sich über neue KI-Technologien und -Anwendungen, die für Ihre Branche relevant sind.

• Legen Sie KI-Ziele fest. Definieren Sie für jeden Anwendungsfall ein Ziel (allgemeines Ziel), ein Ziel (gewünschtes Ergebnis) und eine Erfolgsmetrik (quantifizierbares Measure), um Ihre KI-Einführung zu unterstützen. Klare KI-Ziele führen Sie zu der richtigen KI-Lösung und helfen Ihnen, Werte schneller zu messen und zu erreichen.

Weitere Informationen finden Sie unter Beispiele für eine KI-Strategie.

Definieren einer KI-Technologiestrategie

Eine KI-Technologiestrategie umfasst die Auswahl der richtigen Tools und Plattformen für Ihre generativen und nichtgenerativen KI-Anwendungsfälle. Sie müssen KI-Lösungen auswählen, die ihren Fähigkeiten, Ihrer Datenbereitschaft und Ihrem Budget entsprechen. Microsoft verfügt über eine Vielzahl von KI-Lösungen, die an unterschiedlichen Anforderungen ausgerichtet sind. Es gibt Software as a Service (SaaS), Plattform as a Service (PaaS) und Infrastruktur as a Service (IaaS)-Optionen. Das von Ihnen ausgewählte Dienstmodell wirkt sich auf die gemeinsame KI-Verantwortung zwischen Ihnen und Microsoft aus.

Verwenden Sie die folgende KI-Entscheidungsstruktur, um Optionen für jeden KI-Anwendungsfall einzugrenzen. Überprüfen Sie alle Optionen, bevor Sie Ihre anfängliche Entscheidung treffen. Wenn Sie einen KI-Dienst identifizieren, vergewissern Sie sich, dass der Dienst gut passt. Verwenden Sie die folgenden Anleitungen, um die erforderlichen Fähigkeiten, Daten und Kostenfaktoren zu überprüfen, um den Erfolg zu gewährleisten.

Kaufen von KI-Softwarediensten (SaaS)

Microsoft bietet verschiedene Copilot-generative KI-Dienste an, die die individuelle Effizienz steigern. Diese Copiloten ermöglichen es Ihnen, Software as a Service (SaaS) für KI-Funktionen in Ihrem Unternehmen oder für bestimmte Benutzer zu erwerben. SaaS-Produkte erfordern im Allgemeinen minimale technische Fähigkeiten.

Im Hinblick auf die Datenanforderungen verwendet Microsoft 365 Copilot Unternehmensdaten in Microsoft Graph. Sie können Ihre Daten mit Vertraulichkeitsbezeichnungen kategorisieren. Rollenbasierte Copiloten verfügen über unterschiedliche Datenverbindungs- und Plug-In-Optionen zum Aufnehmen von Daten. Die meisten produktinternen Copiloten erfordern keine zusätzliche Datenvorbereitung. Copilot Studio automatisiert einen Großteil der Datenverarbeitung, die zum Erstellen von benutzerdefinierten Copiloten für verschiedene Geschäftsanwendungen erforderlich ist. Verwenden Sie die Links in der folgenden Tabelle, um weitere Informationen zu erfahren.

Microsoft Copilots	Beschreibung	Benutzer	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Microsoft 365 Copilot	Verwenden Sie Microsoft 365 Copilot für eine unternehmensweite Lösung, die die Arbeit in Microsoft 365-Apps automatisiert und eine verbesserte Sicherheitslösung zum Chatten mit Geschäftsdaten in Microsoft Graph bietet.	Business	Ja	Allgemeine IT- und Datenverwaltung	Lizenz
Rollenbasierte Copiloten	Verwenden Sie Microsoft Copilot for Security und rollenbasierte Agents für Microsoft 365, wie Microsoft 365 Copilot for Sales, Microsoft 365 Copilot for Service und Microsoft 365 Copilot for Finance, um die Produktivität für bestimmte Geschäftsrollen zu verbessern.	Business	Ja	Allgemeine IT- und Datenverwaltung	Lizenzen oder Compute-Einheiten für die Sicherheit (Copilot for Security)
Produktinterne Copilots	Verwenden Sie Copiloten, um die Produktivität in Microsoft-Produkten wie GitHub, Power Apps, Power BI, Dynamics 365, Power Automate und Azure zu verbessern.	Geschäft und Einzelperson	Ja	Keine	Kostenlos oder im Abonnement
Copilot Free oder Pro	Verwenden Sie die kostenlose Version für browserbasierten Zugriff auf Azure OpenAI-Modelle. Verwenden Sie Copilot Pro für eine bessere Leistung und mehr Kapazität.	Einzelkonto	No	Keine	Keine für Copilot Free oder Abonnement für Copilot Pro
Copilot Studio	Verwenden Sie Copilot Studio , um Test zu erstellen und Agents in einer Erstellungsumgebung bereitzustellen.	Entwickler	Ja	Verwenden einer Plattform zum Verbinden von Datenquellen, Zuordnen von Eingabeaufforderungen und Bereitstellen von Copiloten an verschiedenen Standorten	Lizenz

Erstellen von KI-Workloads mit Azure AI-Plattformen (PaaS)

Microsoft bietet verschiedene Plattform-as-a-Service-Optionen (PaaS) zum Erstellen von KI-Workloads. Die von Ihnen gewählte Plattform hängt von Ihren KI-Zielen, den erforderlichen Kompetenzen und den Datenanforderungen ab. Azure bietet Plattformen, die für unterschiedliche Kompetenzstufen geeignet sind, von anfängerfreundlichen Tools bis hin zu erweiterten Optionen für erfahrene Entwickler und Datenwissenschaftler. Überprüfen Sie die Preisseiten , und verwenden Sie den Preisrechner für Azure, um Umwandlungen zu schätzen.

KI-Ziel	Microsoft-Lösung	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Erstellen von RAG-Anwendungen mit Code-First-Plattform	Azure KI Studio or Azure OpenAI	Ja	Modelle auswählen, Dataflow orchestrieren, Daten in Blöcke aufteilen, Blöcke anreichern, Indizierung auswählen, Abfragetypen verstehen (Volltext, Vektor, Hybrid), Filter und Facetten verstehen, Neurangierung durchführen, Prompt Flow entwickeln, Endpunkte bereitstellen und Endpunkte in Apps verwenden	Compute-Dienste, Anzahl ein- und ausgehender Token, genutzte KI-Dienste, Speicher und Datenübertragung
Optimieren von generativen KI-Modellen	Azure KI Studio	Ja	Vorverarbeitung von Daten, Aufteilen von Daten in Trainings- und Validierungsdaten, Validieren von Modellen, Konfigurieren anderer Parameter, Verbessern von Modellen, Bereitstellen von Modellen und Verwenden von Endpunkten in Apps	Compute-Dienste, Anzahl ein- und ausgehender Token, genutzte KI-Dienste, Speicher und Datenübertragung
Trainieren und Ableiten von Machine Learning-Modellen mithilfe ihrer eigenen Daten	Azure Machine Learning or Microsoft Fabric	Ja	Vorverarbeitung von Daten, Training von Modellen mithilfe von Code oder Automatisierung, Verbessern von Modellen, Bereitstellen von Machine Learning-Modellen und Verwenden von Endpunkten in Apps	Compute-Dienste, Speicherung und Datenübertragung
Nutzen analytischer KI-Modelle in Anwendungen	Azure KI Services	Ja	Auswählen des richtigen KI-Modells, Sichern von Endpunkten, Verbrauch von Endpunkten in Apps und Feinabstimmung nach Bedarf	Verwendung von genutzten Modellendpunkten, Speicherung, Datenübertragung, Compute (wenn Sie benutzerdefinierte Modelle trainieren)

Nutzen eigener Modelle mit Infrastrukturdiensten (IaaS)

Für Organisationen, die mehr Kontrolle und Anpassung benötigen, bietet Microsoft Infrastruktur-as-a-Service (IaaS)-Lösungen an. Während Azure AI-Plattformen (PaaS) für KI-Workloads bevorzugt werden, bietet Azure Virtual Machines über CycleCloud und Azure Kubernetes Service Zugriff auf GPUs und CPUs für erweiterte KI-Anforderungen. Mit diesem Setup können Sie Ihre eigenen Modelle in Azure übertragen. Weitere Informationen finden Sie auf den relevanten Preisseiten und dem Azure-Preisrechner.

KI-Ziel	Microsoft-Lösung	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Trainieren und Ableiten eigener KI-Modelle. Nutzen Sie Ihre eigenen Modelle in Azure.	Dokumentation zu virtuellen Computern or Azure Kubernetes Service (AKS)	Ja	Infrastrukturverwaltung, IT, Programminstallation, Modelltraining, Modell-Benchmarking, Orchestrierung, Bereitstellen von Endpunkten, Sichern von Endpunkten und Verbrauch von Endpunkten in Apps	Compute, Compute Node Orchestrator, verwaltete Datenträger (optional), Speicherdienste, Azure Bastion und andere verwendete Azure-Dienste

Weitere Informationen finden Sie unter Beispiele für eine KI-Strategie.

Definieren einer KI-Datenstrategie

Für jeden KI-Anwendungsfall sollten Sie eine KI-Datenstrategie definieren, die Datensammlungs-, Speicher- und Nutzungspraktiken beschreibt, die mit regulatorischen, ethischen und betrieblichen Standards übereinstimmen. Die Anpassung der Strategie auf jeden spezifischen Anwendungsfall sorgt für zuverlässige KI-Ausgaben und fördert Datensicherheit und Datenschutz. Bei Bedarf können Sie diese einzelnen Strategien in einer umfassenderen Zusammenfassungsdatenstrategie für Ihre Organisation konsolidieren.

• Einrichten der Datengovernance. Definieren Sie Datengovernanceprinzipien, die für den KI-Anwendungsfall spezifisch sind, um sicherzustellen, dass Workloads transparent, rechenschaftsfähig und konform mit rechtlichen und ethischen Standards sind. Schließen Sie die Kategorisierung von Daten basierend auf Vertraulichkeit und Richtlinien ein, um den Zugriff, die Nutzung und den für den Anwendungsfall relevanten Speicher zu steuern.

• Planen des Datenlebenszyklus. Geben Sie an, wie Sie Daten für diesen speziellen KI-Anwendungsfall sammeln, speichern, verarbeiten und zurückziehen. Schließen Sie Aufbewahrungs- und Entsorgungsrichtlinien ein, und verwenden Sie die Versionssteuerung, um die Genauigkeit während Updates aufrechtzuerhalten.

• Einrichten von AI-Fairness- und Bias-Steuerelementen. Entwickeln Sie Prozesse, um Verzerrungen in den Daten zu erkennen und zu beheben, die für diesen KI-Anwendungsfall verwendet werden. Verwenden Sie Tools wie Fairlearn, um sicherzustellen, dass Modelle faire und gerechte Ergebnisse bieten, insbesondere bei der Arbeit mit vertraulichen Datenattributen.

• Fördern der Zusammenarbeit zwischen KI- und Datenteams. Richten Sie die KI-Entwicklung an datentechnischen Bemühungen aus, um sicherzustellen, dass Modelle mit qualitativ hochwertigen, gut verwalteten Daten erstellt werden. Richten Sie eine einheitliche Pipeline für das Trainieren von KI-Modellen und für Datenaktualisierungen ein.

• Bereiten Sie sich auf die Datenskalierbarkeit vor. Prognostizieren Sie das Volumen, die Geschwindigkeit und die Vielzahl von Daten, die für diese KI-Workload erforderlich sind. Verwenden Sie flexible Architekturen, um mit Bedarf zu skalieren und cloudbasierte Infrastrukturen für ein effizientes Ressourcenmanagement zu berücksichtigen.

• Integrieren der Datenverwaltungsautomatisierung. Planen Sie die Verwendung von KI und maschinellem Lernen, um Aufgaben wie Tagging, Katalogisierung und Datenqualitätsprüfungen zu automatisieren. Die Automatisierung verbessert die Genauigkeit und ermöglicht es Teams, sich auf strategische Anstrengungen zu konzentrieren.

• Planen Sie eine kontinuierliche Überwachung und Bewertung. Richten Sie regelmäßige Überprüfungen von Daten- und Modellausgaben ein, um die fortlaufende Datenqualität, Leistung und Fairness sicherzustellen. Überwachen Sie KI-Modelle und Datenpipelines, um alle Schichten zu identifizieren, die sich auf Zuverlässigkeit oder Compliance auswirken können.

Weitere Informationen finden Sie unter Beispiele für eine KI-Strategie.

Definieren einer Strategie für verantwortungsbewusste KI

Für jeden KI-Anwendungsfall sollten Sie eine verantwortungsvolle KI-Strategie definieren, die Ihre Rolle umgibt, um sicherzustellen, dass KI-Lösungen für alle Benutzer vertrauenswürdig und nützlich bleiben. Die Verantwortlichkeiten können je nach der in jedem Fall übernommenen Technologie variieren. Erstellen Sie bei Bedarf eine umfassendere Zusammenfassung der verantwortungsvollen KI-Strategie, die übergeordnete Prinzipien umfasst, die aus individuellen Anwendungsfällen abgeleitet sind.

• Legen Sie KI-Verantwortlichkeit fest. Wenn KI-Technologie und -Vorschriften voranschreiten, weisen Sie jemanden zu, um diese Änderungen zu überwachen und zu steuern. Es ist in der Regel eine Verantwortung des AI CoE oder eines KI-Leads.

• Richten Sie sich an etablierten verantwortungsvollen KI-Prinzipien aus. Microsoft folgt sechs verantwortlichen KI-Prinzipien , die dem NIST Artificial Intelligence Risk Management Framework (AI RMF) entsprechen. Verwenden Sie diese Prinzipien als Geschäftsziele, um Erfolg zu definieren und Ihre KI-Einführung in jedem Anwendungsfall zu steuern.

• Identifizieren Sie verantwortungsvolle KI-Tools. Verantwortungsvolle KI-Tools stellen sicher, dass Ihre KI mit umfassenderen verantwortungsvollen KI-Praktiken übereinstimmt. Identifizieren Sie im Rahmen Ihrer Strategie, welche Tools und Prozesse für verantwortungsvolle KI relevant sind.

• Informieren Sie sich über gesetzliche und behördliche Compliance-Anforderungen. Die Einhaltung gesetzlicher und regulatorischer Bestimmungen beeinflusst, wie Sie KI-Workloads erstellen und verwalten. Informieren Sie sich über die KI-Anforderungen an Ihrem Einsatzort und halten Sie diese ein.

Weitere Informationen finden Sie unter Beispiele für eine KI-Strategie.

Nächster Schritt

KI-Plan

Beispiele für KI-Anwendungsfälle

In diesen Beispielen werden verschiedene generative und nichtgenerative KI-Anwendungen hervorgehoben. Sie bieten zwar keinen erschöpfenden Einblick, wie KI auf verschiedene Bereiche Ihres Unternehmens angewendet werden kann.

Generative KI	Nichtgenerative KI
Autonome Agenten: Entwickeln Sie KI-Systeme, die Aufgaben unabhängig ausführen, z. B. virtuelle Assistenten, die Zeitpläne oder Kundenanfragen verwalten.	Bilderkennung: Verwenden Sie KI, um Objekte innerhalb von Bildern oder Videos zu identifizieren und zu klassifizieren, die in Sicherheits- oder Qualitätskontrollsystemen nützlich sind.
Marketing: Automatisches Erstellen von Social Media-Beiträgen und E-Mail-Newslettern.	Vorhersage: Prognosetrends oder Optimierung von Vorgängen basierend auf historischen Daten.
E-Commerce-Plattformen: Generieren Sie personalisierte Produktempfehlungen und maßgeschneiderte Einkaufserlebnisse.	Prozessautomatisierung: Automatisieren Sie Routineaufgaben und Workflows, die keine Inhaltsgenerierung erfordern, z. B. Kundendienst-Bots.
Produktdesign: Erstellen Sie schnell mehrere Varianten von Produktprototypen oder Designelementen.	Datenanalyse: Entdecken Sie Muster in strukturierten Daten für Erkenntnisse und datengesteuerte Entscheidungen.
Softwareentwicklung: Automatisieren Sie die sich wiederholende Codegenerierung, z. B. CRUD-Vorgänge.	Modellsimulation: Simulieren Sie komplexe Arbeitslasten (Fluiddynamik, finite Elementanalyse), um das Verhalten vorherzusagen und Designs oder Prozesse zu optimieren.
Bildungsplattformen: Generieren Sie personalisierte Lernmaterialien für Schüler/Studenten.	Anomalieerkennung: Identifizieren Sie ungewöhnliche Muster in Daten. Sie können diese Strategie beispielsweise für die Betrugserkennung oder Geräteausfallvorhersage verwenden.
Kundendienst: Stellen Sie kontextbasierte Antworten über KI-gesteuerte Chatbots bereit.	Empfehlung: Bieten Sie personalisierte Empfehlungen basierend auf dem Benutzerverhalten an, die häufig in E-Commerce- und Streamingdiensten verwendet werden.
Werbeagenturen: Erstellen Sie gezielte Anzeigenvariationen für verschiedene Zielgruppensegmente.	Optimierung: Verbessern Sie die Effizienz, indem Sie komplexe Probleme lösen (Lieferkettenoptimierung, Ressourcenzuordnung).
Gesundheits- und Wellness-Apps: Erstellen Sie angepasste Trainingsroutinen und Mahlzeitenpläne.	Stimmungsanalyse: Analysieren Sie Text aus sozialen Medien oder Kundenrezensionen, um die öffentliche Stimmung zu messen und die Kundenerfahrung zu verbessern.

Beispiel für eine KI-Strategie

Dieses Beispiel für KI-Strategie basiert auf einem fiktiven Unternehmen Contoso. Contoso betreibt eine kundenorientierte E-Commerce-Plattform und beschäftigt Vertriebsmitarbeiter, die Tools zum Prognostizieren von Geschäftsdaten benötigen. Das Unternehmen verwaltet auch die Produktentwicklung und den Bestand für die Produktion. Zu den Vertriebskanälen gehören sowohl private Unternehmen als auch streng regulierte öffentliche Stellen.

KI-Anwendungsfall	Ziele	Ziele	Erfolgsmetriken	KI-Ansatz	Microsoft-Lösung	Datenanforderungen	Qualifikationsanforderungen	Kostenfaktoren	KI-Datenstrategie	Verantwortungsvolle KI-Strategie
E-Commerce-Webanwendungschatfunktion	Automatisieren von Geschäftsprozessen	Die Kundenzufriedenheit verbessern	Erhöhte Kundenbindungsrate	PaaS, generative KI, RAG	Azure KI Studio	Elementbeschreibungen und Kopplungen	RAG- und Cloud-App-Entwicklung	Verbrauch	Richten Sie Datengovernance für Kundendaten ein und implementieren Sie KI-Fairnesskontrollen.	Weisen Sie AI CoE KI-Verantwortlichkeiten zu und richten Sie sich an verantwortungsvolle KI-Prinzipien.
Interner App-Workflow zur Dokumentverarbeitung	Automatisieren von Geschäftsprozessen	Senken Sie Kosten	Erhöhte Vervollständigungsrate	Analytische KI, Feinabstimmung	Azure KI Services – Dokumentintelligenz	Standarddokumente	App-Entwicklung	Geschätzte Nutzung	Definieren der Datengovernance für interne Dokumente und Planen von Datenlebenszyklusrichtlinien.	Weisen Sie KI-Verantwortlichkeiten zu, und stellen Sie die Einhaltung von Datenverarbeitungsrichtlinien sicher.
Bestandsverwaltung und Produktkauf	Automatisieren von Geschäftsprozessen	Senken Sie Kosten	Kürzere Haltbarkeit des Lagerbestands	Maschinelles Lernen, Trainingsmodelle	Azure Machine Learning	Historische Bestands- und Verkaufsdaten	Maschinelles Lernen und App-Entwicklung	Geschätzte Nutzung	Richten Sie Governance für Vertriebsdaten ein, und erkennen und beheben Sie Verzerrungen in Daten.	Weisen Sie KI-Rechenschaftspflicht zu und halten Sie sich an finanzrechtliche Vorschriften.
Tägliche Arbeit im gesamten Unternehmen	Steigern der individuellen Produktivität	Verbessern Sie das Mitarbeitererlebnis	Erhöhte Mitarbeiterzufriedenheit	SaaS generative KI	Microsoft 365 Copilot	OneDrive-Daten	Allgemeine IT	Abonnementkosten	Implementieren Sie die Datengovernance für Mitarbeiterdaten, und stellen Sie den Datenschutz sicher.	Weisen Sie KI-Verantwortlichkeit zu und nutzen Sie integrierte, verantwortungsvolle KI-Features.
E-Commerce-App für regulierte Branchenchatfunktion	Automatisieren von Geschäftsprozessen	Erhöhen des Vertriebs	Umsatzsteigerung	IaaS generatives KI-Modelltraining	Azure Virtual Machines	Domänenspezifische Trainingsdaten	Cloudinfrastruktur und App-Entwicklung	Infrastruktur und Software	Definieren Sie Governance für regulierte Daten und planen Sie den Lebenszyklus mit Compliance-Maßnahmen.	Weisen Sie KI-Verantwortlichkeiten zu und halten Sie branchenspezifische Vorschriften ein.