Durch die Aufwandsreduktion und die Einfachheit der Anwendung können sich Unter-nehmen verstärkt auf die Business-Perspektive fokussieren. Die technische Komplexität und Risiko bei der Einführung dieser Verfahren ist im Vergleich zu bisherigen KI-Projekten deutlich niedriger.
Mit der Foundation-Solution Matrix (siehe Abbildung) erhalten Manager für verschiedene Unternehmens-Rollen eine Übersicht möglicher Foundation-Use-Cases.
Für Unternehmen bietet sich eine breite Palette an neuen Einsatzbereichen bei gleichzeitig sehr niedrigen Einstiegshürden. KI-basierte Verfahren können nun zum ersten Mal von klassischen Managementrollen im Bereich Marketing, Finance, HR oder Legal genutzt werden, um typische Arbeitsergebnisse automatisiert oder teil-automatisiert zu generieren:
Unternehmen können so hohe Effizienzpotenziale heben und Qualitätsverbesserungen erzielen.
Es gibt derzeit bereits eine Vielzahl von Use Cases, die sich mit Foundation-Modellen erfolgreich umsetzen lassen. Die nachfolgende Abbildung zeigt exemplarisch verschiedene Use Cases anhand der Dimensionen Business Value (Geschäftswert) und Feasibility (Durchführbarkeit) auf.
Eine hohe Feasibility bedeutet beispielsweise, dass sich die KI als Out-of-the-Box-Modell ohne unternehmensspezifische Anpassungen schnell und einfach einsetzen lässt. Wenn dagegen eigene Modelle unternehmens- und domänenspezi-fisch entwickelt und trainiert werden müssen, ist die Feasibility vergleichsweise gering. So lassen sich heute schon gut Social Media-Posts und Landing Pages mit Out-of-the-Box-Lösungen schreiben.
Eine aktuelle Studie „Mensch-Maschine – Wer schreibt den besseren Content” zeigt die Möglichkeiten und Grenzen von Transformer-Modellen für das Content Marketing auf 6.2 SWOT-Bot für die Unternehmensstrategie.
Automatische Erstellung von SWOT-Analysen zur Unterstützung von Management-Prozessen und zur Entscheidungsfindung. Hierzu werden relevante Quellen automatisch gecrawlt und so eine Wissensbasis aus einer Vielzahl von Artikeln und Earning Calls für jedes S&P 500 Unternehmen erstellt. Zudem können Unternehmen auch spezifische Quellen ergänzen.
Der SWOT-Bot verwendet ein abgestimmtes Sprachmodell, das auf dem DeBERTa-Modell (Decoding-enhanced BERT with disentangled attention) basiert. Es wurde mit Tau-Sendungen von Beispielen strategischer Fragen trainiert. Das Ergebnis ist eine SWOT-PowerPoint-Präsentation.
Im Gegensatz zu ChatGPT verwendet der SWOT-Bot einen mehrstufigen Prozess, der auf den beiden Modellen DeBERTa und GPT-3 basiert, um sicherzustellen, dass alle Erkenntnisse durch Belege aus den Nachrichtenberichten oder Gewinnankündigungen eines Unternehmens gestützt werden. Mit diesem Wissen werden mit GPT-3 Zusammenfassungen erstellt. Die Unterstützung durch die Sprachmodelle sparte durchschnittlich 310 Minuten bei der Erstellung der endgültigen SWOT-Analysen.
Der elektronische Handel wird immer wichtiger, aber auch wettbewerbsintensiver. Die Unternehmen konkurrieren mit zahlreichen Preisvergleichsseiten, E-Shops und Produkten. Daher wird es für Unternehmen immer wichtiger, schnell und skalierbar Produkt- und Kategorietexte für E-Shops zu erstellen, die eine hohe Sichtbarkeit und Konversionswahrscheinlichkeit haben. Die Texte können automatisch auf der Grundlage von GPT-3 erstellt werden. Bei der Texterstellung werden sowohl Kunden- und Marktdaten als auch unternehmensspezifische Daten berücksichtigt und so Inhalte erstellt, die die Kunden- und Produktsicht vereinen. Ein Human-in-the-Loop-Editor sorgt für Qualitätssicherung und systematische Optimierung durch Feedback. Der redaktionelle Aufwand konnte so nachweislich um 83 % reduziert werden.
Damit können Unternehmen nicht nur massiv Kosten bei der Erstellung von Produkttexten sparen, sondern auch das Konversions- und damit Verkaufspotenzial erhöhen – und das in der jeweiligen Landessprache.
Automatische Inhaltserstellung im Marketing entlang der Customer Journey (vgl. Abbildung). Für die verschiedenen Phasen der Customer Journey wurden Texte und Bilder unter Verwendung verschiedener Basismodelle generiert (für Texte: GPT-3 Playg-round und ChatGPT von OpenAI; für Bilder: Dall-E 2 von OpenAI). Diese wurden in einer Umfrage unter 100 Verbrauchern mit den redaktionell erstellten Inhalten verglichen. Sowohl bei der Verbraucherwahrnehmung als auch bei den Qualitätsmetriken liegen die KI-generierten Inhalte in allen anderen Phasen außer der Awareness-Phase vorn.
In allen Phasen der Customer Journey werden KI-generierte Inhalte gegenüber redaktionellen Inhalten bevorzugt. Eine Ausnahme bilden Texte in der Sensibilisierungsphase. Hier werden die redaktionellen Texte bevorzugt: Nicht nur KI-generierte Texte, sondern auch KI-generierte Bilder werden überwiegend bevorzugt.
Hinsichtlich des Geschlechts und des Alters der befragten Verbraucher gibt es keine signifikanten Unterschiede.
Insgesamt führen KI-Inhalte bei den Kriterien Lesbarkeit, Formulierungen, Unterhaltung und Glaubwürdigkeit. Beim Kriterium Kreativität wird der redaktionelle Text insgesamt besser bewertet.
Der GPT-3 Playground schnitt insgesamt etwas besser ab als ChatGPT.
Der Flesch-Index (zur Messung der Lesbarkeit) ist bei KI-generierten Inhalten überdurchschnittlich hoch.
Der Perplexitätsindex (Zufälligkeit eines Textes) variiert unsystematisch über alle Texte hinweg. Anhand des Flesch-Index und des Perplexity-Index lassen sich keine eindeutigen Muster in Bezug auf KI-generierte und redaktionelle Inhalte ableiten. Dies bedeutet, dass KI-generierte Inhalte nicht systematisch erkannt werden können.
Mit der zunehmenden Bedeutung des E-Commerce-Shops der Teltec AG – Marktführer im B-to-B-Bereich für professionelles Kamera- und Studioequipment – steigt auch die Notwendigkeit, digitale Beratungs- und Einkaufsprozesse digital skalierbar zu unterstützen. Darüber hinaus erwarten die Kunden im Bereich des elektronischen Handels immer mehr 24/7/365-Dienste.
Um Interessenten und Kunden ein gutes Kundenerlebnis zu bieten, helfen auch keine FAQs oder vordefinierte Frage-Antwort-Kategorien eines einfachen Chatbots. Darüber hinaus soll der Experten-Bot die Teltec-Mitarbeiter durch KI-Prozessoptimierung entlasten und damit auch dem akuten Fachkräftemangel entgegenwirken und die Kundenzufriedenheit langfristig erhöhen.
Die automatisierte Beratung der Kunden soll in einer möglichst natürlichen Sprache erfolgen, wobei bereits geführte Dialoge und die Informationen aus den 20.000 vorhandenen Produkten berücksichtigt werden. Dazu wurde auf Basis von GPT-3 und dem Conversational Module Lumi von Aleph Alpha entlang eines Reifegradmodells ein entsprechender Expert Bot entwickelt.
Einsatz des KI-Systems DALL∙E 2 von OpenAI, um personalisierte Bilder zur Illustration einzelner Podcast-Episoden zu generieren, anstatt immer das gleiche Podcast-Cover zu verwenden.
RTL Deutschland testet derzeit, wie DALL∙E 2 zur Personalisierung von Inhalten eingesetzt werden kann. Eine Idee ist, DALL∙E 2 als Cover-Bot zu verwenden, um einzigartige Bilder zur Illustration einzelner Podcast-Episoden zu generieren, anstatt an demselben Podcast-Cover festzuhalten. Die Herausforderungen liegen insbesondere in der Echtzeit-Qualitätssicherung der personalisierten Inhalte. Es muss sichergestellt werden, dass altersgemäße Bilder erzeugt und abgespielt werden.
Ein Gründungsmodell wie ChatGPT kann verschiedene Aspekte des Risikomanagements unterstützen:
Besonders spannend ist die Kombination von ChatGPT mit einem Business Knowledge Graph als integrierter Hebel für das Risikomanagement.
Andererseits kann ChatGPT die Lesbarkeit und Nutzbarkeit eines Business Knowledge Graph erhöhen:
Die Integration des Knowledge Graphs erhöht auch die Genauigkeit und Qualität der generierten Texte. Durch das kontextuelle und faktische Wissen des Knowledge Graph kann eine Art Qualitätsmanagement implementiert werden.
© 2024 · Peter Gentsch
