Warum jede Organisation in prädiktives KI investieren sollte

David Rice: Unternehmen investieren Millionen in generative KI. Sie bauen Agenten und jagen dem Hype hinterher. Und oft ignorieren sie die anderen 50 % des KI-Stacks – den Teil, der tatsächlich messbaren Geschäftswert liefert. Prädiktive KI ist nicht sexy. Sie schreibt keine Gedichte und generiert keine Bilder. Sie sagt einfach vorher, wer klicken, wer kaufen wird. Sie zielgenaues Marketing. Sie erkennt Betrug, bevor er passiert, und automatisiert Entscheidungen im großen Maßstab, ohne dass Menschen eingreifen müssen. Wenn Sie sie ignorieren, dann oft, weil sie nicht so menschlich wirkt.

Der heutige Gast ist Eric Siegel, Autor des Buches „The AI Playbook“ und Gründer der „Machine Learning Week“. Laut ihm sollten die meisten Organisationen mindestens genauso viel in prädiktive KI wie in generative KI investieren, aber der Gen-KI-Hype nimmt zu viel Raum ein – ein Nachteil für alle. Hier liegt das Problem, das er immer wieder sieht: Unternehmen behandeln prädiktive KI als Data-Science-Projekt.

Sie schicken den Data Scientist los, ein Modell zu bauen, feiern dessen Fertigstellung und nennen es dann „Wert“. Aber das Modell IST nicht der Wert. Das Handeln auf Basis der Vorhersagen ist der Wert. Die operative Integration ist der Wert. Und das erfordert eine tiefe Zusammenarbeit mit den Unternehmensbereichen über sechs Schritte hinweg, die Eric vorstellen wird – nicht nur drei technische.

Die meisten Unternehmen überspringen die betriebswirtschaftlichen Schritte komplett. Sie definieren nicht, was vorhergesagt wird und was daraus folgt. Sie vergessen die operative Integration. Und dann fragen sie sich, warum ihre KI-Investitionen sich nicht auszahlen. Heute besprechen wir, warum prädiktive KI weniger sexy, aber autonomer als generative KI ist.

Wie prädiktive KI zur Zuverlässigkeitsschicht wird, die generative KI wirklich praktikabel macht. Die sechs Schritte des Biz-ML-Frameworks und welche drei Ihre Geschäftsverantwortlichen mit großer Wahrscheinlichkeit überspringen. Warum eine Genauigkeit von 95 % beeindruckend klingt, Ihr System aber wertlos machen kann. Und was Führungskräfte über Wahrscheinlichkeiten wissen müssen. Keine Sorge – das ist kein Hexenwerk.

Ich bin David Rice. Dies ist „People Managing People“. Und wenn Sie der generativen KI nachjagen und prädiktive KI links liegen lassen, zeigt Ihnen dieses Gespräch genau, was Ihnen entgeht. Legen wir los.

Eric, willkommen! Schön, Sie heute in der Sendung zu haben.

Eric Siegel: Danke, David. Es ist großartig, hier zu sein.

David Rice: Generative KI steht oft im Rampenlicht, aber Sie haben die prädiktive KI als das „vergessene“ 50 % des KI-Stacks bezeichnet, richtig? Sie ist aber essenziell für den echten Geschäftswert. Mich interessiert, warum sind Unternehmen so viel begeisterter von generativen Modellen, und was bleibt Ihrer Meinung nach auf der Strecke, wenn prädiktive Systeme in den Hintergrund rücken?

Eric Siegel: Ja, ich denke, Sie haben das gut beschrieben. Prädiktive KI ist älter, aber nicht von gestern. Ihr Wert ist zu großen Teilen noch ungenutzt. Sie ist sozusagen das ursprüngliche KI. Früher meinten die meisten, wenn sie von KI gesprochen haben, genau das – bevor ChatGPT und Co. vor wenigen Jahren aufkamen. Prädiktive KI lernt aus Daten, um bestehende, großskalige Abläufe gezielt zu verbessern: vorherzusagen, wer klickt, kauft, lügt oder stirbt, Betrug begeht – jegliches Ergebnis oder Verhalten, das für ein Unternehmen mit großen Prozessen wertvoll ist. Warum bekommt Gen-KI so viel Aufmerksamkeit?

Die Antwort ist simpel: Sie wirkt viel sexier und ist viel leichter zu nutzen. Das heißt aber nicht, dass sie wertvoller ist, und ich werde auf beides gleich eingehen. Ich formuliere eine steile These, die im heutigen „Gen-KI“-Kult geradezu subversiv ist.

Obwohl Gen-KI extrem wertvoll ist – ich kritisiere nicht die Technologie, die begeistert mich – kritisiere ich aber das Storytelling und den Hype darum. Meine provozierende These ist: Die meisten Unternehmen sollten mindestens so viel in prädiktive wie in generative KI investieren, denn beides löst unterschiedliche Probleme und sollte nicht mehr konkurrieren als ein Wasserpark mit einem Skigebiet.

Tatsächlich konkurrieren sie aber massiv – um Aufmerksamkeit, Zeit, Ressourcen der Data Scientists. Leider ist es ein Nullsummenspiel. Zu unserem Nachteil verschlingt Gen-KI zu viel Aufmerksamkeit. Das ist ein Verlust für alle. Prädiktive KI richtet Werbung gezielt aus, indem sie vorhersagt, wer kauft, erkennt Betrugsfälle, indem sie vorhersagt, welche Transaktion betrügerisch ist,

und vor allem, welche Transaktion gesperrt, überprüft oder auditiert werden sollte. Sobald Sie große Abläufe haben, haben Sie immer begrenzte Ressourcen. Business ist ein Zahlenspiel. Wir haben keine magische Glaskugel, aber wir können mit besseren Prognosen die Gewinnchancen erhöhen. Das ist das Zahlenspiel – der Vorhersage-Ansatz.

Konkret berechnet prädiktive KI Wahrscheinlichkeiten aus historischen Daten. Wahrscheinlichkeiten sind vielleicht kein aufregendes Gesprächsthema, aber wenn Sie Wertschöpfung wollen, wenn Sie Ihre bestehenden großskaligen Prozesse verbessern möchten, ist das der Weg. Die Sexiness von Gen-KI rührt daher, dass sie menschenähnlich erscheint und wunderbar zur KI-Narrativromantik passt.

Seit den 1950er-Jahren, seitdem es den Begriff KI gibt, und natürlich dank zahlloser unterhaltsamer Filme. Diese Menschlichkeit beeindruckt – und sie ist relevant für viele Anwendungsfälle, etwa als Ideengeber, Text- und Code-Generator, was sie brilliant tut. Für die meisten Use Cases gilt dennoch: Sie brauchen einen Menschen im Loop.

Ironischerweise sind Menschen bei generativer KI weniger fehlertolerant, gerade weil sie so menschenähnlich wirkt. Prädiktive KI dagegen ist vielleicht weniger „menschlich“, oft aber tatsächlich autonomer: Sie kann z. B. vollautomatisch entscheiden, welche Kreditkarten-Transaktion geblockt wird, weil sie vermutlich betrügerisch ist.

Das war mein kleiner Monolog zu den Unterschieden der Felder.

David Rice: Kein Problem. Es ist lustig – es erinnert an die Person, die in der Clique immer die besten Dinnerpartys schmeißt, aber niemand hält sie für einen echten Foodie, weil ihr Instagram nicht wie Food Network aussieht.

Wie Sie sagen, prädiktive Systeme gibt es schon lange. Gerade große Unternehmen arbeiten schon seit Jahren an solchen Lösungen. Neulich hatte ich einen Gast, wir sprachen darüber: Wenn man solche Systeme schon implementiert und die Arbeit gemacht hat,

dann wird die vermeintliche „Agenten“-Revolution, die kommt, wahrscheinlich gar nicht der eigene Gamechanger sein, denn vieles ist ja schon automatisiert.

Eric Siegel: Der Begriff „agentische KI“ bzw. „KI-Agenten“ macht mir Sorgen. Ich habe dazu einige Artikel in Forbes geschrieben: Der Begriff ist meiner Meinung nach meistens irreführend und wenig hilfreich.

Es ist ein Hype-Begriff. Er steht nicht für eine neue Technologie, sondern nur für die Intention - nämlich noch mehr zu automatisieren. Genau das ist ja offensichtlich, oder? Deshalb bauen wir ja Maschinen: Sie sollen Aufgaben erledigen, die sonst ein Mensch tun müsste.

Nur weil wir das Wort „agentisch“ draufkleben, heißt das nicht, dass es eine Neuerung gibt. Es beschreibt meist ein offensichtliches Use Case – man versucht, mit Gen-KI zu automatisieren, stößt aber bei der Ambition und Projektintention schnell an Grenzen: Echte Autonomie ist meist nicht erreichbar, es braucht einen Menschen im Loop.

Das bringt mich zum aktuellen Hauptpunkt, den ich immer wieder betone: die Schnittstelle, an der prädiktive und generative KI zusammentreffen – nämlich als „Reliability Layer“: Ich glaube, die nächste Killer-App für prädiktive KI ist, als Zuverlässigkeitsschicht für generative KI zu fungieren.

Sobald wir ambitionierte Automatisierung mit Gen-KI vorhaben – egal ob wir es einen Agenten nennen oder anderes –, etwa als Kundendienst-Agent, in direkter Interaktion mit Kund:innen zu verschiedensten Themen oder gar bei Transaktionen,

wird schnell klar: Wird das System vollautomatisch betrieben, entstehen je nach Umfang kritische Fehler – etwa Informationen werden preisgegeben oder falsche Transaktionen durchgeführt.

Wenn das System 95 % richtig macht, ist das sensationell, aber die restlichen 5 % reichen aus, um reale Anwendung zu verhindern: Der Fehleranteil ist zu hoch. Was tun? Man kann warten, bis die Technologie diese Fehlerquote senkt – das dauert vermutlich lange. Die Unterschiede zwischen Gen-KI und menschlichem Können zeigen sich genau in diesen Prozenten.

Die Verbesserungen bei Gen-KI nehmen ab, aber ein Großteil des Autonomiepotentials lässt sich realisieren, wenn man eine prädiktive Schicht aufsetzt: Prädiktive Analyse, maschinelles Lernen – egal wie man es nennt – können dafür sorgen, dass insbesondere die risikoreichen Fälle markiert und von Menschen geprüft werden.

Etwa, indem die kritischsten 15 % der Chatbot-Kundenfälle „gepaust“ werden und der Mensch übernimmt. Wenn man sich auf die 15 %, in denen eine Fehlerquote von 5 % zu erwarten ist, konzentriert, kann man vermutlich einen Großteil abfangen, etwa die Fehlerquote auf 1 % drücken – eventuell ist damit das System einsetzbar. Letztlich wäre dann 85 % der Autonomie machbar – ein gewaltiger Fortschritt gegenüber 0 %, falls das System nicht nutzbar ist.

David Rice: Sie erwähnten die „Maschinenschicht“ und Ihr Buch „The AI Playbook“. Ich fand den Untertitel interessant – die seltene Kunst, Maschinelles Lernen zu deployen. Warum ist das so selten?

Eric Siegel: Ja, das ist eine unbequeme Wahrheit. Maschinelles Lernen zu deployen – darauf zielt der Untertitel ab – meint Projekte aus dem Bereich prädiktive KI/Analytik, also maschinelles Lernen im Unternehmen. Man baut ein prädiktives Modell aus Daten.

Das tut Maschinelles Lernen: Es lernt aus Daten, fasst dies als Regeln oder Formeln in einem Modell zusammen. Zur Klarstellung: Sowohl Gen-KI als auch prädiktive KI basieren auf Maschinellem Lernen. Es sind zwei unterschiedliche Kategorien von ML-Anwendungsfällen mit sehr verschiedenen Ergebnissen und Zielen.

Prädiktive KI liefert Prognosen pro Organisationseinheit – z. B. pro Kunde, Patient, Transaktion (Betrugsrisiko), Satellit (Akkuschwäche), Bohrstelle (Ölmenge), Zugrad (Defektwahrscheinlichkeit) u.v.m.

Und die Use Cases sind praktisch unendlich. Aber obwohl prädiktive Analytik seit Jahrzehnten, also seit den 1960ern (Stichwort Regression für Marketing und Betrugserkennung), existiert, ist auch dieses Feld noch nicht ausgereift, professionell genug. Genau dafür habe ich das Buch geschrieben und mein Startup Gooder AI mitgegründet – wir wollen die letzte Meile zwischen Technik und Business überbrücken.

Tech und Business, das ist ein notorischer Graben: Tech- und Datenleute, die tüfteln, und die Business-Owner, deren Bereich von den Vorhersagen eigentlich profitieren soll. Dieser Graben bringt Projekte immer wieder zum Scheitern.

Typischerweise läuft es so: Der Data Scientist kommt und sagt: "Ich habe das Churn-Modell fertig, das vorhersagt, welcher Kunde abwandert." Das Targeting bestimmter Angebote oder Rabatte lohnt sich, wenn man sie gezielt Hochrisikokunden gibt.

Viele prädiktive Anwendungsfälle laufen darauf hinaus, Schlechtes vorherzusehen, um einzugreifen. Zum Beispiel: Gen-KI-Interaktionen, bei denen etwas schiefgeht, erkennen und Menschen zuschalten; betrügerische Transaktionen blocken; vorhersagen, welche Mitarbeitenden gehen werden.

Hewlett Packard hat das bei allen 300.000 Mitarbeitenden gemacht, bevor HP in HPE abgespalten wurde (in meinem ersten Buch/auf meiner Konferenz thematisiert). In jedem Fall: Der Data Scientist erstellt das Modell, es ist technisch top und besteht alle Checks. Dann sagt der Business-Verantwortliche: „Wie gut ist das Modell eigentlich? Wir haben ja keine Glaskugel, kennen nur Wahrscheinlichkeiten. Wie gut sind diese Odds?“

Die Data Scientists antworten in der Regel mit Kennzahlen wie: „Der AUC-Wert beträgt 0.837.“ Pause. Data Scientists sind darauf trainiert, technische Metriken wie „Precision“, „Recall“, „F-Score“, „Lift“ oder „AUC“ zu berechnen. Selbst „Accuracy“ ist eine technische Metrik. Diese messen, wie gut das Modell im Vergleich zu Raterei ist – das ist wichtig, aber sagt nichts über den Geschäftswert aus: Wie viel Geld spart oder verdient man z. B. durch gezieltes Marketing, Churn-Prävention, Betrugserkennung, Predictive Maintenance, Recruiting?

Um das zu berechnen – Bottom Line in Euro, Dollar, KPI –, ist im Data-Science-Feld immer noch ungewöhnlich. Und das nach Jahrzehnten, obwohl es eigentlich essenziell wäre. Ich bin seit über 30 Jahren in dem Feld. Ich kam als Nerd zu ML – wie die meisten Data Scientists: Wegen cooler Technologie und Data Discovery.

Wir sind oft zu begeistert von der Technik selbst, ähnlich wie wenn man die Rakete baut, sich aber nicht für den Raketenstart beziehungsweise den Erfolg interessiert.

Um wirklich Wert zu erzeugen, muss man das Ganze aber nach den KPIs bewerten, die zählen: die Rakete testen, steuern, den Erfolg messen.

Diese – gar nicht so technische – Bewertung, etwa der Profit-Prognose beim Nutzen des Modells, ist der letzte Schritt, der vielen fehlt. Dafür habe ich Gooder AI gegründet und widme dem ein zentrales Kapitel im „AI Playbook“.

Die schlechte Nachricht: Der Bereich scheitert noch immer oft – die meisten prädiktiven Modelle für Unternehmensprozesse schaffen es schlicht nicht in die Praxis. Die gute Nachricht: Es ist nur die letzte Meile zu gehen. Die Grundlagen sind gelegt! Es braucht jetzt die organisatorische Feinanpassung und die enge Kooperation zwischen Tech und Business, bis alle wirklich KPIs sprechen – dann wird der miserable Deployment-Quotient repariert.

David Rice: Ein globales Team aufzubauen, sollte nicht bedeuten, fünf verschiedene Systeme für HR, Payroll und IT zu jonglieren. Deel bringt alles zusammen, damit Sie weltweit einstellen, onboarden, bezahlen und ausstatten können – ohne das übliche Chaos. Ob Sie Angestellte in zehn Ländern einstellen oder Freelancer quer über die Zeitzonen steuern: Deel regelt Compliance, Benefits und Payroll an einem Ort – weniger Tool-Chaos, weniger Kopfschmerzen, mehr Fokus auf Ihre Mitarbeitenden.

Sie möchten sehen, wie grenzenloses Hiring in der Praxis aussieht? Besuchen Sie deel.com/pmp – buchen Sie eine Demo. Deel.com/pmp. Deel: Einstellen, verwalten, bezahlen – überall.

Aus Neugier: Was ist die schwierigste Umstellung für Unternehmen, wenn Sie über technische und Business-Metriken hinaus gehen und die Organisationswirkung in den Fokus rücken wollen?

Eric Siegel: Gute Frage! Die Kennzahlenbreite ist nur ein Aspekt, mehr braucht Anpassung. Grundsätzlich definiert man ein prädiktives KI-Projekt als Paar: Was wird vorhergesagt und was wird damit gemacht?

Was wird genau prognostiziert (Wer kauft bei Kontakt? Welche Transaktionen sind Betrug?) und wie wird gehandelt (Kontaktieren, intervenieren)? Dieses Paar definiert das Projekt – das ist aber nur Schritt eins des von mir im Buch „AI Playbook“ formalisierten sechsstufigen Biz-ML-Frameworks für Business-orientierte Maschinelles Lernen-Projekte.

Und entscheidend über alle Schritte hinweg ist die enge Verknüpfung von Technik und Business; Data Scientists können das nie im luftleeren Raum machen. Prädiktive KI-Projekte sind stets Beratungsprojekte – es ist KEINE Technik-Installation wie ein neues, schnelleres Datenbanksystem. Immer wenn Sie Abläufe mit Vorhersagen verändern, ist das ein fundamentaler Eingriff und ein Business-Projekt, das ML nutzt. Daher ist Umdenken gefragt.

Um über alle Schritte hinweg diese Zusammenarbeit zu erreichen, ist wohl die größte Herausforderung: Das Geschäft muss sich einarbeiten – aber nur in spannende, relevante, gut zugängliche Grundlagen. Es ist nicht nötig, die „Zündkerzen“ der ML-Engine zu kennen – nur fahren muss man können! Das unterscheidet zwischen Uber-Fahren und selbst Lenken. Doch ohne selbst lenken, erreichen Sie das Ziel nicht.

Genau für diesen „Umschulungsbedarf“ gibt es mein Buch. Das ist keine jahrelange Ausbildung, sondern maximal ein Buch, um das nötige halbtechnische, praxistaugliche Verständnis für prädiktive KI zu bekommen: Was sagt man vorher, was macht man damit, wie misst man den Erfolg?

Und Kennzahlen sind letztlich Arithmetik – nur eben passgenaue! Wer das versteht, kann erfolgreich Deployments realisieren. Erst dann sind die Modelle wirklich im Alltag integriert und operativ wirksam. Ohne die Implementierung gibt es keine bessere Operation und damit keinen Wert.

David Rice: Vorhin sagten Sie, dass generative KI und prädiktive KI sich begegnen, kreuzen, kombinieren lassen. Sie sprechen teils von Hybridisierung. Was ist ein gutes Beispiel dafür, dass sie in der Praxis zusammenwirken – und welche Stolpersteine treten bei der Integration beider Welten auf?

Eric Siegel: Danke fürs Aufgreifen! Ich nenne das in Vorträgen gern „Hybrid“. Hybrid kann vieles bedeuten – hier geht es mir speziell um die Verbindung von prädiktiver und generativer KI. Eine Variante ist die erwähnte prädiktive Zuverlässigkeitsschicht für generative KI.

Eine andere: Generative KI hilft bei prädiktiven Projekten. Einerseits bekommt Gen-KI viel Aufmerksamkeit, weil sie sexy und leicht zu nutzen ist. Leicht – weil wir einfach Englisch (bzw. natürliche Sprache) verwenden können. Man kann ohne viel Training sofort loslegen. Und genau dadurch kann Gen-KI helfen, die Brücke zwischen Tech und Business zu schlagen.

Wir nutzen das in unserer Software Gooder AI: Die KI dient als Console für prädiktive Projekte. Eine der wichtigsten Visualisierungen zeigt zwei Achsen: X ist die Menge der zu kontaktierenden/zu blockierenden/zu inspizierenden Fälle (nach Modellvorhersage), Y ist der mögliche Geldwert, also Einsparung oder Erlös für dieses Projekt. Der Graph steigt, erreicht ein Optimum („Goldlöckchenzone“) und fällt wieder. Das ist das zentrale, aber leider noch wenig verbreitete Geschäftsdiagramm – dabei ist es eigentlich Schulmathematik.

Weil die meisten sogar noch gar keine Business-Kennzahlen wie Profit oder Ersparnis nutzen, ist das für viele Quant-Profis neu. Genau dafür integrieren wir ein Sprachmodell als Chatbot, spezialisiert auf diese Visualisierungen: So kann man alles fragen (Warum geht die Kurve auf und ab? Erkläre es mit einer Kindergeschichte!) – und bekommt eine passende Antwort (z. B. mit einem Limonadenstand). So ergänzt Gen-KI die Verständlichkeit und Adaption bei prädiktiven KI-Projekten.

David Rice: Es wird zunehmend argumentiert, dass prädiktive Modelle kritische Leitplanken sind, insbesondere wenn generative Systeme „halluzinieren“ oder unvorhersehbar werden. Wie kann prädiktive KI als solche Sicherheitslage strukturiert werden?

Eric Siegel: Da gibt es klassische Beispiele, etwa von Shell Oil (siehe mein Buch von 2013/2016): Die Firma prognostiziert, in welchen Teams auf Ölplattformen das Unfallrisiko am höchsten ist. Sicherheit quasi pro Fall/Umfeld, wie alles Prädiktive.

Was prädiktive Use Cases von klassischen Vorhersagen unterscheidet: Forecasing meint meist eine Zahl (Wirtschaftswachstum? Wie viele Eis am Stiel werden wir im Quartal verkaufen?). Prädiktive KI/Analytik dagegen gibt zu jedem einzelnen Fall eine Wahrscheinlichkeit an: Wer hat die höchste Eiswaffel-Kaufwahrscheinlichkeit? Welcher Wähler wird überzeugt, wenn ich ihn besuche?

Die große Skalierung – Millionen Mikroscheidungen – macht den Wert aus. Millionenfach wiederholte, individuelle Wahrscheinlichkeitsabschätzungen (statt einer Zahl wie beim Forecasting) – das ist der Hebel! Weil man so oft anwendet, gilt das Gesetz der großen Zahl. Das gleicht aus, dass wir eben keine Glaskugel haben, sondern Wahrscheinlichkeiten.

Viele scheuen den Wahrscheinlichkeitsbegriff als zu mathematisch – dabei ist das Ergebnis sehr einfach: eine Zahl zwischen 0 und 100, die sagt: „Wie wahrscheinlich ist Kauf/Betrug/Defekt in diesem Einzelfall?“ Das ermöglicht das Sortieren/Priorisieren, z. B. bei Sicherheit. Kein Raketenbau, sondern praktische Anwendung – das müssen Unternehmen begreifen, wenn sie das Potenzial ausschöpfen wollen.

Wichtig ist: Business-Stakeholder müssen mitmachen! Nicht die Data Scientists allein losschicken, das ist der Fehler und folgt aus Tech-Fetischismus: „Wir haben die beste Technologie und tolle Experten – fertig.“ Aber nein, erst die tatsächliche Nutzung (Handlungsintegration) bringt Wert. Die Data-Scientists liefern Modelle, aber das Handeln/Deployen entscheidet. Die Integration in große Prozesse ist der Schlüssel, um wirklich Wert zu schöpfen – aber das klappt nur, wenn Tech und Business eng kooperieren.

Diese Tech-Faszination führt zum Trugschluss, allein die Technologie schaffe Wert. Nein – nur das Gesamtprojekt inklusive tiefer Kollaboration UND Handlungsintegration bringt den Mehrwert. Die Businessseite muss dafür die Grundlagen verstehen – keine Raketenwissenschaft, aber wichtige Basics wie Wahrscheinlichkeit outsourcen (die Rocket Science part macht der Data Scientist), aber das Anwenden – das geht nur im Zusammenspiel.

David Rice: Viele prädiktive KI-Frameworks betonen Datenmodellierung. Ihr Ansatz hebt aber weitere Punkte hervor: Vorhersagendefinition, operative Integration, permanente Iteration. Welche weniger offensichtlichen Schritte werden häufig übersprungen – und wie wirkt sich das auf den Outcome aus?

Eric Siegel: Gute Frage. Kurz: Die meisten Unternehmen überspringen praktisch alle maßgeblichen Geschäftsschritte. Die Data Scientists versuchen alles zu erledigen und decken dabei gerade die technischen Aspekte (Modellbau, Metriken) ab. Aber die Brücke zum Business fehlt oft.

Ich will die Data Scientists durchaus motivieren, zum Beispiel auf meiner Konferenz „Machine Learning Week“ (ehemals „Predictive Analytics World“, seit 2009): Dort mache ich klar, Datenleute sollen diese Lücke schließen, nicht nur technische, sondern auch Wirtschaftlichkeits-KPIs berechnen und mit Stakeholdern aktiv reden.

Auf Business-Seite geht es vor allem um die drei zentralen Fragen: Was wird vorhergesagt? Wie gut? Was geschieht damit? Diese einfache Trilogie definiert das Projekt und die Anforderungen.

Das Biz-ML-Framework besteht aus zwei Dreier-Sets entlang jener Fragen (nicht ganz Reihenfolge): Die letzten drei Schritte sind die, die Data Scientists schon seit den 60ern machen: Daten aufbereiten, ML-Modell trainieren („Rocket Science“), Deployment (praktische Integration). Das ist quasi Star Wars-mäßig Episode 4–6 – dies sind die Schritte, die ohnehin jeder kennt.

Zentrale sind aber die Schritte davor, eins bis drei: Die vorproduktiven, also was wird vorhergesagt, wie gut, was geschieht damit? Alle sechs sind kollaborativ – zwischen Tech und Business. Wer an KI-Projekten geschäftsseitig mitarbeiten möchte (auch ohne Buchlektüre, siehe Harvard Business Review-Artikel), findet darin die ausführliche Brücke zum Verständnis und zur erfolgreichen Beteiligung.

David Rice: Leider sind wir am Ende der Zeit. Vielen Dank, Eric, für Ihre Teilnahme – es war hochspannend.

Eric Siegel: Danke, David! Es war mir eine Freude.

David Rice: Liebe Zuhörer:innen, falls noch nicht geschehen: Besuchen Sie peoplemanagingpeople.com/subscribe und melden Sie sich für den Newsletter an. Damit erhalten Sie Podcasts wie diesen und die neuesten Veröffentlichungen direkt ins Postfach. Wer mehr erfahren will, sollte unbedingt das „AI Playbook“ lesen – es lohnt sich.

Und bis zum nächsten Mal: Bleiben Sie neugierig auf prädiktive KI. Verlieren Sie sich nicht im generativen Nebel.