Studie Machine Learning 2020 - Gold-Partner - Lufthansa Industry Solutions
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Studie
RESEARCH SERVICES
Machine Learning 2020
Gold-Partner Silber-Partner
Ein aktuelles Studienprojekt von
RESEARCH SERVICES
Gold-Partner
Silber-Partner
Alle Angaben in diesem Ergebnisband wurden mit größter Sorgfalt zusammengestellt. Trotzdem sind
Fehler nicht ausgeschlossen. Verlag, Redaktion und Herausgeber weisen darauf hin, dass sie weder eine
Garantie noch eine juristische Verantwortung oder jegliche Haftung für Folgen, die auf fehlerhafte
Informationen zurückzuführen sind, übernehmen.
Der vorliegende Ergebnisberichtsband, einschließlich all seiner Teile, ist urheberrechtlich geschützt.
Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung
in elektronischen Systemen, auch auszugsweise, bedürfen der schriftlichen Genehmigung durch
IDG Research Services.
Editorial 3
KI / ML hat
sich etabliert
Jürgen Hill,
Chefredakteur
Future Technologies
Sehr geehrte Leserinnen und Leser,
fangen wir mit den positiven Nachrichten Während die Executive-Ebene das Potenzial
an: Das Thema Machine Learning (ML) hat dieser Technologie für das Business erkannt
sich in den deutschen Unternehmen etabliert. hat, begegnen ihr IT und Fachabteilung –
Fast zwei Drittel der Umfrageteilnehmer gaben diplomatisch formuliert – mit einer gewissen
zu Protokoll, dass sie sich in ihren Firmen da- Skepsis. So betrachten 60 Prozent der C-Level-
mit befassen. Im Vergleich zu unserer vorher- Manager Machine Learning als Mittel, neue
gehenden ML-Studie sind das rund 20 Prozent Geschäftsmodelle zu erarbeiten. Eine Einschät-
mehr. Die Unternehmen haben also den Stel- zung, die nur 36 Prozent der IT-Fachleute und
lenwert dieser Technologie erkannt. Fachbereichsspezialisten teilen.
Und die angebotenen KI- / ML-Lösungen Hier ist in den Betrieben also noch viel Über
scheinen mittlerweile einen beachtlichen zeugungsarbeit zu leisten, um die Angst vor
Reifegrad erreicht zu haben. Rund 70 Prozent dem angeblichen Jobkiller KI / ML abzubauen.
der Befragten stellen bereits innerhalb von Zudem scheint auf vielen Ebenen der Blick
sechs Monaten nach der Einführung einer auf das Ganze zu fehlen. Die Executive-Ebene
ML-Lösung einen positiven Effekt fest. sollte genau zuhören und gemeinsam mit IT
22 Prozent registrieren diesen sogar sofort. und Fachabteilungen nach Lösungen suchen.
Punkte wie fehlendes Know-how, mangelnde
Ist hierzulande also alles im grünen Bereich Datenqualität und Kenntnisse in Sachen Pro-
in Sachen Künstlicher Intelligenz (KI) und ML? grammieren und Statistik werden nicht ohne
Ist die Angst vorbei, dass uns die USA und Hintergrund von IT und Fachabteilungen als
China im globalen Wettbewerb mit den Trend- Hemmnisse angeführt.
technologien überholen? Leider nein – bei
der Analyse der Daten der diesjährigen Studie Dennoch scheinen wir bezüglich KI / ML auf
stimmt mich ein Punkt sehr nachdenklich. einem guten Weg zu sein, wie die diesjährige
KI / ML scheint in deutschen Firmen derzeit Studie zeigt – lassen Sie uns jetzt die noch
primär noch ein Thema der Entscheidungs bestehenden Hürden aus dem Weg räumen.
träger zu sein.
Eine erkenntnisreiche Lektüre wünscht Ihnen
Ihr Jürgen Hill
Inhalt
Editorial
CIO-Agenda 2020
3 Daten zur allgemeinen
Einschätzung der Marktlage
33
Management Summary
Die Key Findings im Überblick ������������������������������������������������������������������������� 6
Die Key Findings
1. Maschinelles Lernen hat sich in deutschen Unternehmen
etabliert���������������������������������������������������������������������������������������������������������9
2. Hauptziele: Optimierung von Prozessen sowie
Entwicklung neuer Geschäftsmodelle und Produkte������������������������10
3. Hemmnisse: fehlendes Know-how, Datenschutzvorgaben
und schlechte Datenqualität������������������������������������������������������������������� 11
4. S pracherkennung und Bildanalyse dominieren bei
den Anwendungen����������������������������������������������������������������������������������� 12
5. Externe Dienstleister spielen eine wichtige Rolle������������������������������� 13
6. Die Anwendungsfreundlichkeit und die Nachvollziehbarkeit
der Resultate sind entscheidend������������������������������������������������������������ 14
7. IT-Service-Provider und etablierte IT-Firmen sind
Hauptlieferanten von ML-Lösungen������������������������������������������������������ 15
8. Machine Learning bringt nachweislich Vorteile����������������������������������16
6
Studiendesign
Blick in die
Studiensteckbrief.................45 Zukunft
Stichprobenstatistik.............46 „Und sie bewegt sich doch!“
44 30
Weitere Studienergebnisse
1. Use Cases: Qualitätssicherung und Chatbots dominieren�������������� 18
2. Am stärksten profitieren die IT-Abteilung,
der Kundendienst und der Vertrieb������������������������������������������������������ 19
3. Rechen- und Grafikleistung vorhanden –
Nachbesserungsbedarf bei Storage und Datenstrukturen���������������20
4. Geschäftsführung macht IT-Leitern die Führung streitig����������������� 22
5. Dienstleister: Der „Faktor Mensch“ und das technische
Know-how zählen����������������������������������������������������������������������������������� 23
6. Nur ein Bruchteil der verfügbaren Datenquellen
wird genutzt���������������������������������������������������������������������������������������������� 24
7. Die Mehrzahl der Nutzer von Machine Learning will
die Ergebnisse des Algorithmus nachvollziehen können����������������� 26
8. Business-Manager und IT-Spezialisten überwachen
Lernerfolge von Machine-Learning-Systemen���������������������������������� 27
9. Großteil der Kunden wird in Machine-Learning- und
KI-Projekte eingebunden����������������������������������������������������������������������� 28
10. Erfolgskriterien von ML: höhere Produktivität
und niedrigere Kosten���������������������������������������������������������������������������� 29
17
Die Studienreihe
Studienkonzept������������������������������48
Unsere Autoren / Sales-Team /
Gesamtstudienleitung�������������������49
Unsere Studienreihe����������������������50
Unsere
Studienpartner 47
stellen sich vor
Lufthansa Industry Solutions�������������������40
A1 Digital����������������������������������������������������� 42 Kontakt /
© shutterstock.com / Zapp2Photo
Impressum
51
39
Management
Summary
Die
Key Findings
im Überblick
Machine Learning wird
zum Standard
Machine Learning (ML) ist keine „Hype-
Technologie“ mehr. Denn bereits drei Viertel
der deutschen Unternehmen verwenden
entsprechende Anwendungen oder
führen diese gerade ein. Speziell große
und mittlere Firmen setzen mehrere
ML-Anwendungen ein.
ML als Innovationstreiber
und Optimierer
Zwei Drittel der Firmen nutzen ML,
um Prozesse zu optimieren. Vor allem
größere Unternehmen haben die Techno
Datenschutz und logie als Basis für neue Geschäftsmodelle
und innovative Produkte entdeckt (mehr
Know-how sind größte als 50 Prozent), im Gegensatz zum
Hemmfaktoren Mittelstand (29 Prozent).
Die größten Stolpersteine bei ML-Projekten
sind fehlendes Fachwissen (39 Prozent) und
der hohe Aufwand, Datenschutz- und Com-
pliance-Vorgaben einzuhalten (35 Prozent).
Kein Problempunkt: Mangel an Budget.
Handsame Lösungen
gesucht
Nicht ein günstiger Preis ist das wichtigste Kriterium
einer Machine-Learning-Lösung. Unternehmen
bevorzugen Produkte, die einfach zu bedienen
sind (47 Prozent) und deren Ergebnisse der Nutzer
nachvollziehen kann (45 Prozent).
Spracherkennung und
Bildanalyse als Haupt
anwendungen
Mit 51 Prozent ist die Spracherkennung
die wichtigste ML-Anwendung, gefolgt von
Bild- und Textanalyse sowie maschineller
Übersetzung. In „Lauerstellung“: Hyper
Targeting (40 Prozent), verhaltensbasierte
Analysen und Bots (je 36 Prozent).
Lösungslieferanten:
Keine Experimente!
IT-Service-Provider (43 Prozent) und markt
führende IT-Unternehmen (36 Prozent) sind
die bevorzugten Lieferanten von Machine-
Learning-Lösungen – also etablierte Anbieter.
Data-Science-Spezialisten kommen nur in
21 Prozent der Fälle zum Zuge.
Machine Learning
rechnet sich
Keine guten Nachrichten für
Skeptiker: 22 Prozent der Machine-
Ohne externe Dienst Learning-Projekte bringen sofort einen
nachweislichen Nutzen, an die 27 Prozent
leister geht (fast) nichts
© shutterstock.com / Zapp2Photo
nach einem Quartal. Etwas länger dauert
Rund 65 Prozent der Unternehmen arbeiten es bei kleinen Firmen: Nur elf Prozent von
bei Machine Learning mit externen Partnern ihnen sehen sofort Erfolge.
zusammen. Wichtig bei der Auswahl eines
Dienstleisters: Es sollte ein fester Ansprech-
partner vorhanden sein, und das technische
Know-how muss stimmen.
Die Key Findings Machine Learning 2020
Management Summary 9
1. Maschinelles Lernen hat sich in
deutschen Unternehmen etabliert
Machine Learning ist in den deutschen Unternehmen „angekommen“.
Fast die Hälfte der Firmen (48 Prozent) verwendet die Technologie bereits.
Nachholbedarf haben jedoch kleinere Unternehmen.
Im Vergleich zu 2019 stieg die Zahl der Firmen, die sich mit Machine Learning (ML)
beschäftigen, um 20 Prozent auf fast 73 Prozent. Deutsche Firmen haben somit den
Stellenwert von Künstlicher Intelligenz (KI) und ML erkannt.
Vor allem in größeren Unternehmen mit 1.000 und mehr Mitarbeitern (40 Prozent)
und dem gehobenen Mittelstand mit 500 bis 999 Mitarbeitern (30 Prozent) sind meh-
rere ML-Technologien im Einsatz.
Schwerer tun sich kleinere Firmen: Hier setzen mit nur zehn Prozent deutlich
weniger Firmen mehrere ML-Technologien ein als im Mittelstand und in Großfirmen.
Dies könnte auf die geringeren finanziellen und personellen Ressourcen dieser Unter
nehmen zurückzuführen sein.
Auffallend ist, dass Management, IT-Abteilungen und Fachbereiche zu unterschied-
lichen Einschätzungen bezüglich ML kommen: Knapp 58 Prozent der Geschäftsführer
sind der Meinung, dass im Unternehmen bereits eine ganze Reihe von Anwendungen
im Einsatz sind. Aber nur rund 18 Prozent der IT-Fachleute und 16 Prozent der Fach
bereiche sind derselben Auffassung – ein Indiz für einen unzureichenden Informa
tionsaustausch zwischen den Abteilungen.
Sind in Ihrem Unternehmen Machine-Learning-Technologien im Einsatz?
Angaben in Prozent. Basis: n = 406
40,3
Unternehmen gesamt
< 500 Beschäftige
29,8
27,8 28,6
500 bis 999 Beschäftigte
1.000 Beschäftigte und mehr
20,0
17,6 17,7 18,4
13,8
10,7 11,8
9,6
Ja, es sind bereits eine ganze Reihe Ja, es sind erste ML- Es werden gerade erste
von ML-Technologien im Einsatz. Technologien im Einsatz. ML-Technologien eingeführt. 22,1
14,0
11,1 11,9 11,3
8,6
6,6 7,1
5,4 4,8 4,8 5,7 5,9 4,8 5,9 5,4
Der erste Einsatz von Der Einsatz von ML-Technologien Der Einsatz von ML-Technologien Der Einsatz von ML-Technologien
ML-Technologien wird wird in den nächsten zwölf wird in den nächsten zwei bis ist für unser Unternehmen
gerade geplant. Monaten erfolgen. drei Jahren erfolgen. (noch) kein Thema.
10 Management Summary
2. Hauptziele: Optimierung von
Prozessen sowie Entwicklung neuer
Geschäftsmodelle und Produkte
Rund 56 Prozent der Unternehmen wollen mithilfe von Machine Learning
interne Abläufe verbessern. Für jeweils mehr als 44 Prozent ist die Technologie
jedoch die Basis, auf der neue Geschäftsmodelle und Angebote entstehen.
Fast zwei Drittel der Großunternehmen (ab 1.000 Mitarbeitern) wollen mit ML
Prozesse optimieren. Dieser Punkt ist nur für rund 46 Prozent der mittelständischen
Firmen relevant. Eine Erklärung dafür ist die geringere Komplexität von Prozessen
in kleineren Firmen und damit ein geringerer Optimierungsbedarf.
Deutlich mehr Großunternehmen als kleine und mittlere Firmen entwickeln mit-
hilfe von ML und KI neue Geschäftsmodelle (51 Prozent) und Produkte (55 Prozent).
Der Mittelstand läuft somit Gefahr, das Innovationspotenzial dieser Technologien
ungenutzt zu lassen.
Zwar betrachten 60 Prozent der C-Level-Manager Machine Learning als Mittel,
neue Geschäftsmodelle zu erarbeiten. Aber nur 36 Prozent der IT-Fachleute und
Fachbereichsspezialisten teilen diese Einschätzung. Diese Fachleute unterschätzen
offenkundig den strategischen Aspekt von Machine Learning.
Nur gut 29 Prozent der mittelständischen Firmen sehen in ML ein Mittel, neue
Angebote zu entwickeln. Abhilfe könnten externe Berater schaffen, die dem Mittel-
stand helfen, Machine Learning als Innovations-Tool zu „entdecken“ und erste
Use Cases zu entwickeln.
Was sind Ihre Gründe beziehungsweise Ziele bei der Einführung von Machine Learning?
Mehrfachnennungen möglich. Angaben in Prozent. Dargestellt sind die Top-10-Antworten. Basis: n = 295
Unternehmen gesamt Ergebnis-Split nach Unternehmensgröße
< 500 Beschäftige 500 bis 999 Beschäftigte 1.000 Beschäftigte und mehr
Verbesserung
interner Prozesse 55,6 44,4 45,6 66,4
Neue Geschäfts-
modelle 44,7 39,5 38,2 50,7
Neue Produkte /
neue Services 44,1 37,0 29,4 54,8
Erhöhung der
Produktivität 42,0 34,6 29,4 52,1
Verbesserung der
Kundenbeziehungen 37,6 29,6 30,9 45,2
Schonung von
Ressourcen / Umwelt 31,9 13,6 26,5 44,5
Kostensenkung
31,9 35,8 30,9 30,1
Optimierung der
Fertigungsprozesse 29,2 29,6 32,4 27,4
Risk Management /
Bewertung von
28,5 14,8 19,1 40,4
Risiken
Effizienzsteigerung
25,1 24,7 22,1 26,7Management Summary 11
3. Hemmnisse: fehlendes Know-how,
Datenschutzvorgaben und schlechte
Datenqualität
Zu den größten Problemen beim Einsatz von Machine Learning zählen der Mangel
an Fachwissen (39 Prozent) sowie die Herausforderungen, die mit der Umsetzung
von Datenschutzvorgaben verbunden sind (35 Prozent).
Vor allem Geschäftsführer (51 Prozent) sehen in strikten Datenschutz- und Compli-
ance-Regeln ein Problem. Fachabteilungen dagegen bewerten neben dem fehlen-
den Know-how (39 Prozent) die mangelnde Qualität der Input-Daten (32 Prozent) als
größtes Hemmnis. IT-Fachleute wiederum führen unzureichende Kenntnisse beim
Programmieren (28 Prozent) und in Bereichen wie Statistik (26 Prozent) ins Feld.
Dies zeigt, dass offenbar „Kommunikations-Silos“ in Unternehmen vorhanden
sind. Manager und Spezialisten bewerten Machine Learning aus ihrer jeweiligen
„Abteilungssicht“ heraus und lassen den Blick auf das Ganze vermissen.
Im Vergleich zu großen Unternehmen (16 Prozent) spielt zudem die Unverständ-
lichkeit von Machine-Learning-Algorithmen bei kleineren Firmen (27 Prozent) und
Mittelständlern (28 Prozent) eine wichtige Rolle. Dies überrascht nicht, weil größere
Firmen als Arbeitgeber attraktiver für KI- und ML-Spezialisten sind und daher einen
besseren Zugang zu ML-Know-how haben.
Dagegen ist genügend Geld für ML-Projekte vorhanden. Nur knapp 13 Prozent
klagen über zu kleine Budgets.
Worin sehen Sie in Ihrem Unternehmen die größten Hürden für die Anwendung von Machine Learning?
Mehrfachnennungen möglich. Angaben in Prozent. Dargestellt sind die Top-10-Antworten. Basis: n = 294
Unternehmen gesamt Ergebnis-Split nach Funktion im Unternehmen
C-Level * IT-Leiter & IT-Bereich Fachbereiche
Know-how-Mangel allgemein
39,3 47,3 35,6 39,3
Datenschutzvorgaben
34,6 50,9 25,0 21,4
Nicht ausreichende
Programmierkenntnisse 32,5 43,6 27,9 23,2
Fehlende mathematische /
statistische Grundlagen 31,2 47,3 26,0 17,9
Komplexe Data Governance
28,8 45,5 19,2 17,9
Mangelnde Datenqualität der
Inputdaten 22,4 17,3 22,1 32,1
Unverständlichkeit der
Machine-Learning-Algorithmen 21,7 19,1 25,0 19,6
Fehlende / unpassende
Unternehmenskultur 20,7 37,3 15,4 5,4
Unklare Rechtslage
16,6 14,5 20,2 12,5
Ausbleibende Erfolgsmessung
der Verwendung von Machine
16,3 15,5 18,3 17,9
Learning
...
Fehlende finanzielle Mittel
12,9 8,2 18,3 10,7
* Geschäftsführung / Vorstand / CIO / IT-Vorstand / CDO / CTO / Technikvorstand12 Management Summary
4. Spracherkennung und Bildanalyse
dominieren bei den Anwendungen
Die Top 4 der eingesetzten KI- und ML-Applikationen sind die Sprach-
analyse (51 Prozent), gefolgt von Bilderkennung, Textanalyse und dem
Übersetzen von Texten (jeweils 46 Prozent). In Planung sind vor allem
Anwendungen wie Hyper Targeting (40 Prozent) sowie die Untersuchung
von Verhaltensmustern (jeweils 36 Prozent).
Speziell größere Unternehmen (ab 1.000 Mitarbeiter) nutzen Machine Learning
für die Gesichtserkennung (52 Prozent), optische Zeichenerkennung (56 Prozent)
sowie für Planungssysteme (54 Prozent). Der Nutzungsgrad liegt damit um jeweils
bis zu 20 Prozentpunkte über dem in mittleren und kleineren Unternehmen.
Ein Grund dafür sind die Use Cases. So sind ML-Lösungen für die maschinelle
Erfassung großer Dokumentenbestände und für die Aufwertung von Planungs-
systemen vor allem für große Firmen relevant.
Dagegen verwenden Mittelständler KI und ML vor allem für verhaltensbasierte
Prognosen (32 Prozent) und die Identifizierung von Zielgruppen (31 Prozent).
Kleinere Unternehmen wiederum sind Spitzenreiter beim Einsatz von Machine
Learning im Bereich Big Data & Analytics (40 Prozent) und Hyper Targeting
(20 Prozent).
Diese Resultate zeigen, dass kleine und mittelständische Firmen Machine
Learning derzeit vor allem als Werkzeug begreifen, um die Kundenorientierung
und den Kundenservice zu optimieren.
Welche KI-/ML-Methoden nutzen Sie oder planen Sie demnächst zu nutzen?
Angaben in Prozent. Dargestellt sind die Top-4-Antworten. Basis: n = 295
22,0 25,1 31,2 28,5
51,2 46,1 45,8 45,8
Bilderkennung / Maschinelle
Spracherkennung Textanalyse
Bildanalyse Übersetzung
26,8 28,8 23,1 25,8
Ergebnis-Split nach Ergebnis-Split nach Ergebnis-Split nach Ergebnis-Split nach
Unternehmensgröße Unternehmensgröße Unternehmensgröße Unternehmensgröße
< 500 < 500 < 500 < 500
46,9 37,0 38,3 35,8
Beschäftige Beschäftige Beschäftige Beschäftige
500 bis 999 500 bis 999 500 bis 999 500 bis 999
33,8 42,6 35,3 33,8
Beschäftigte Beschäftigte Beschäftigte Beschäftigte
1.000 1.000 1.000 1.000
Beschäftigte 61,6 Beschäftigte 52,7 Beschäftigte 54,8 Beschäftigte 56,8
und mehr und mehr und mehr und mehr
Nutzen wir bereits Einsatz geplant Keine Nutzung geplantManagement Summary 13
5. Externe Dienstleister spielen eine
wichtige Rolle
Nur ein Drittel der Unternehmen (34 Prozent) greift bei Machine-Learning-
Projekten ausschließlich auf eigene Ressourcen zurück. Von den Firmen,
die Partner mit ins Boot holen, arbeiten 63 Prozent mit zwei bis fünf Dienst-
leistern zusammen.
Die Mehrzahl der Anwendungsunternehmen (51 Prozent) behält die Hoheit über
Machine-Learning-Projekte und greift bei Bedarf auf externe Unterstützung zu.
Neben den Kosten dürften hier Bedenken mitspielen, sich von einem Anbieter
abhängig zu machen.
Dennoch gilt: Ohne externe Hilfe lassen sich KI- und ML-Projekte offenkundig
nicht umsetzen. Gründe sind der Mangel an Know-how und entsprechenden Fach-
leuten.
Ein vielschichtiges Bild zeigt sich bei der Zahl der eingesetzten Dienstleister:
So nutzen 26 Prozent der kleinen Firmen nur einen Anbieter. Gleichzeitig arbeiten
39 Prozent mit vier bis fünf Partnern zusammen. Offenkundig sind etliche der klei-
neren Firmen bereit – oder darauf angewiesen –, für spezielle Machine-Learning-
Anwendungen externes Wissen einzukaufen.
Die Mehrzahl der großen und mittelständischen Firmen konzentriert sich auf
zwei bis drei ML- und KI-Dienstleister. Dies ist offenbar unter dem Aspekt „Dienst-
leistersteuerung“ eine akzeptable Größe.
Kommen Sie beim Thema Machine Learning Mit wie vielen externen Dienstleistern arbeitet Ihr
ohne externe Hilfe aus, oder arbeiten Sie mit Unternehmen bei Machine Learning zusammen?
externen Dienstleistern zusammen? Angaben in Prozent. Filter: Nur Unternehmen, die mit externen Dienst-
leistern zusammenarbeiten. Basis: n = 190
Angaben in Prozent. Basis: n = 289
49,4
2,1
13,1 38,4
34,3 31,5
25,9 27,5
18,4
15,7 15,3
Mit einem externen 2-3 Dienstleister
Dienstleister
50,5
38,9
25,5 27,5
Wir machen alles Inhouse ohne 24,7
externen Dienstleister. 15,3 13,7 11,8
Wir betreiben Machine Learning
inhouse und greifen dabei (vereinzelt) 3,7
auf externe Hilfe zurück.
Wir haben die Entwicklung an 4-5 Dienstleister 6-10 Dienstleister
externe Dienstleister ausgelagert.
Wir haben das Thema Machine Unternehmen gesamt < 500 Beschäftige
Learning (fast) komplett ausgelagert
(„KI as a Service“). 500 bis 999 Beschäftigte 1.000 Beschäftigte und mehr14 Management Summary
6. Die Anwendungsfreundlichkeit und
die Nachvollziehbarkeit der Resultate
sind entscheidend
Veränderungen in der Priorisierung von Auswahlkriterien bei ML-Lösungen
spiegeln die bei Unternehmen bereits gemachten Erfahrungen in diesem Bereich
wider. Nach wie vor herrschen Unterschiede innerhalb der Unternehmen bei
der Bewertung der einzelnen Kriterien.
Bei der IDG-Studie von 2019 war der Preis das wichtigste Auswahlkriterium einer
ML-Lösung. Jetzt legen die Unternehmen, dabei vor allem größere, Wert auf eine
einfache Bedienung (40 Prozent gesamt, 47 Prozent größere) und eine nachvollzieh-
bare Arbeitsweise der ML-Algorithmen (40 Prozent gesamt, 45 Prozent größere).
Darin spiegeln sich offensichtlich (negative) Erfahrungen aus ersten Machine-
Learning-Projekten wider. Ein günstiger Preis kann offenbar den Nachteil einer
komplexen Bedienung nicht aufwiegen.
Der Anschaffungspreis ist interessanterweise für die IT-Abteilung und Fach
bereiche (jeweils 36 Prozent) wichtiger als für das Management (20 Prozent).
Dafür legen Geschäftsführer, CIOs und CTOs mehr Wert auf überschaubare
Wartungs- und Betriebskosten (51 Prozent) sowie Nachvollziehbarkeit der Ergeb
nisse (50 Prozent).
Eine Erklärung für diese Resultate: IT-Abteilungen und Fachbereiche fürchten,
dass die Ressourcen, die in Maschine Learning fließen, an anderer Stelle fehlen.
Geschäftsführer und CIOs sollten zusammen mit IT-Fachleuten und Fachbereichen
den Stellenwert von ML diskutieren und klarstellen.
Was sind für Ihr Unternehmen die maßgeblichen Kriterien bei der Auswahl
einer geeigneten Machine-Learning-Lösung?
Mehrfachnennungen möglich. Angaben in Prozent. Dargestellt sind die Top-10-Antworten. Basis: n = 295
Unternehmen gesamt Ergebnis-Split nach Funktion im Unternehmen
C-Level IT-Leiter Fach-
Einfachheit der & IT-Bereich bereiche
40,3
Anwendung
Nachvollziehbarkeit 40,3
53,6 34,6 26,8
Wartungs-/
38,0
Betriebskosten
Preis 29,2
Skalierbarkeit 27,5
50,0 38,5 26,8
Rechtliche / regula
26,4
torische Vorgaben
Erweiterbarkeit des
26,1
Algorithmus‘
Selbstlernend 24,7 50,9 29,8 30,4
Support 24,4
Algorithmus 23,4
20,0 35,6 35,7Management Summary 15
7. IT-Service-Provider und etablierte IT-Firmen
sind Hauptlieferanten von ML-Lösungen
Nach der Devise „keine Experimente“ verfahren die Nutzer bei der Auswahl der Lieferanten
von Machine-Learning-Produkten. An die 43 Prozent beziehen sie von einem IT-Service-
Provider, rund 36 Prozent von einem „großen“ IT-Anbieter. Für Mittelständler sind zudem
Cloud-Service-Provider und Systemhäuser wichtige Bezugsquellen.
Vor allem große Unternehmen beziehen Machine-Learning-Lösungen von IT-Service-
Providern (47 Prozent) und Generalisten wie HP, SAP und IBM (48 Prozent). Das ist nach-
vollziehbar, denn zu solchen Anbietern unterhalten Großfirmen meist per se Geschäfts
beziehungen.
Dagegen spielen Cloud-Service-Provider für kleine (26 Prozent) und mittelständische
Firmen (28 Prozent) eine wichtigere Rolle. Der Grund: Nutzer können KI- und Machine-
Learning-Lösungen „as a Service“ einsetzen, ohne in eigene Hard- und Software zu investieren.
Systemhäuser und Systemintegratoren sind speziell für den Mittelstand (25 Prozent) als
ML-Lieferanten wichtig. Auch in diesem Fall gilt: Oft besteht bereits eine langjährige Partner-
schaft mit solchen Anbietern.
Zu denken geben abweichende Einschätzungen von Management und IT-Abteilungen:
Nahezu 66 Prozent der Geschäftsführer gaben an, dass die Machine-Learning-Lösungen von
einem IT-Service-Provider stammen. Das bestätigten aber nur knapp 36 Prozent der IT-Fachleute.
Zum wiederholten Male zeigen sich Unstimmigkeiten, die entweder in unterschiedlichen Auf
fassungen oder mangelnder Abstimmung begründet sein können.
Von wem stammt / stammen Ihre Machine-Learning-Lösung(en)?
Mehrfachnennungen möglich. Angaben in Prozent. Dargestellt sind die Top-12-Antworten. Basis: n = 295
Unternehmen gesamt Ergebnis-Split nach Unternehmensgröße
< 500 Beschäftige 500 bis 999 Beschäftigte 1.000 Beschäftigte und mehr
IT-Service-Provider
43,4 34,6 45,6 47,3
Generalist
(z.B. IBM, HP, SAP) 35,9 19,8 29,4 47,9
Vollsortimenter
(z.B. Bosch, Siemens) 24,7 12,3 19,1 34,2
Cloud-Provider
(Amazon, Google, etc.) 23,1 25,9 27,9 19,2
Data-Science-Provider
20,7 22,2 23,5 18,5
ITK-Netzprovider / TK-Carrier
(z.B. Dt. Telekom, BT) 20,3 17,3 22,1 21,2
Systemhaus /
Systemintegrator 15,9 16,0 25,0 11,6
IoT-Plattformanbieter
14,9 18,5 17,6 11,6
Applikationsanbieter
12,5 13,6 14,7 11,0
IoT-Lösungsanbieter /
IoT-Spezialist
11,9 11,1 16,2 10,3
(Full-Stack-Anbieter)
IT-Beratungsunternehmen
11,9 17,3 7,4 11,0
Konzerneigener
IT-Dienstleister 6,1 3,7 1,5 9,616 Management Summary
8. Machine Learning bringt
nachweislich Vorteile
Rechnet sich Maschine Learning? Ja, denn rund 22 Prozent der Projekte
bringen sofort einen Nutzen, ebenfalls 22 Prozent nach vier bis acht Wochen.
Nur acht Prozent der Vorhaben bleiben ohne Erfolg oder scheitern.
Die meisten Unternehmen (27 Prozent) registrieren nach drei Monaten positive
Effekte von Machine-Learning-Lösungen, vor allem mittelständische Firmen
(31 Prozent). Für ein Projekt im IT-Bereich ist das ein erstaunlich kurzer Zeitraum.
Speziell Großunternehmen (31 Prozent) stellen sofort einen Mehrwert durch
den Einsatz der Technologie fest. Das gilt jedoch nur für elf Prozent der kleineren
Unternehmen und 16 Prozent der Mittelständler. Mit 21 Prozent ist zudem der
Anteil der kleineren Unternehmen relativ hoch, die erst nach zwölf Monaten
Erfolge durch ML sehen.
Somit sind die Einstiegshürden für kleinere Unternehmen mit geringeren
finanziellen und personellen Mitteln höher. Abhilfe könnte die Kooperation mit
Beratern und spezialisierten Lösungsanbietern schaffen.
Bemerkenswert: Immerhin fünf Prozent der Befragten verzichten darauf,
den Erfolg von Machine Learning zu messen. Dies ist nicht nachvollziehbar.
Denn entsprechende Kriterien stehen zur Verfügung, etwa eine Steigerung von
Umsatz und Produktivität sowie eine bessere Produktqualität.
Erfolgsmessung: Wann stellte sich der Nutzen / Mehrwert
Ihrer Machine-Learning-Projekte konkret ein?
Angaben in Prozent. Basis: n = 295
30,8 30,9
29,4
28,4
26,8
24,0
22,0 21,7 21,0
19,9
18,5
16,2 16,3
14,7 14,4
11,1
Sofort Nach vier bis acht Nach drei Monaten Nach einem Jahr
Wochen
14,8
7,5
5,4 6,2 5,5
4,4 4,8 4,4 Unternehmen gesamt
0,3 0,7 < 500 Beschäftige
500 bis 999 Beschäftigte
Noch kein Nutzen / Gar nicht, Projekt Eine Erfolgsmessung in
Mehrwert ist gescheitert. dem Sinne gibt es nicht. 1.000 Beschäftigte und mehrWeitere Studienergebnisse Machine Learning 2020
18 Weitere Studienergebnisse
1. Use Cases: Qualitätssicherung
und Chatbots dominieren
Machine Learning und Künstliche Intelligenz dienen derzeit vor allem dazu,
die Qualität in Produktionsumgebungen zu erhöhen (66 Prozent). Auch Chatbots
(53 Prozent) zählen zu den beliebtesten „Use Cases“. Noch nicht relevant ist die
intelligente Produktentwicklung (32 Prozent).
Generell zeigt sich, dass große Firmen in deutlich mehr Bereichen ML- und KI-
Projekte gestartet haben als mittelständische und kleinere Unternehmen. Dies dürfte
auf die höheren IT-Budgets und größeren IT-Abteilungen zurückzuführen sein, über
die große Firmen verfügen.
Ein Beispiel: 58 Prozent der Großunternehmen nutzen Machine Learning, um
Fehler zu identifizieren, aber nur etwa ein Viertel der kleineren Firmen.
Speziell der Mittelstand hat somit beim Einsatz von ML und KI einen Rückstand.
Das ist problematisch, weil solche Unternehmen das Rückgrat der deutschen Wirt-
schaft sind.
Noch „Luft nach oben“ ist zudem in zukunftsorientierten Anwendungssparten
vorhanden wie der intelligenten Produktentwicklung: Nur etwa ein Drittel der An-
wendungsfälle entfällt auf diesen Bereich.
Dennoch sind deutsche Unternehmen mit dem Reifegrad ihrer ML- und KI-
Projekte zufrieden: 84 Prozent stufen ihn als „sehr gut“ oder „gut“ ein. Doch auch
hier hinken der Mittelstand und kleine Firmen hinterher: Mit jeweils 76 Prozent fällt
ihre Einschätzung deutlich kritischer aus.
Welcher Art sind die umgesetzten Machine- Wie beurteilen Sie den Reifegrad der Machine-
Learning- und KI-Projekte genau? Wie sehen Learning- und KI-Projekte in Ihrem Unternehmen
Ihre Use Cases konkret aus? (im Durchschnitt)?
Filter: Nur Unternehmen, die Machine-Learning- und KI-Projekte Filter: Nur Unternehmen, die Machine-Learning- und KI-Projekte bereits
bereits umgesetzt haben. Mehrfachnennungen möglich. umgesetzt haben. Angaben in Prozent. Basis: n = 194
Angaben in Prozent. Dargestellt sind die Top-10-Antworten.
Basis: n = 193
2,6 2,6
10,8 36,1 Sehr gut
Qualitätssicherung in
65,5
der Produktion Gut
Chatbots 52,6 Befriedigend
Unternehmen Ausreichend
Selbstlernende Roboter 46,4 gesamt
Mangelhaft / Ungenügend
Routenoptimierung 44,3
Fehlerreduzierung 43,3
47,9
Customer Self-Service 42,3
2,0
Predictive Maintenance 41,8 5,4 2,7 5,6
2,8
18,9 28,6
18,4 4,1 0,9
16,2 45,4
Prozessautomatisierung 41,8
< 500 500 bis 999 1.000
Automatisierte Vorgangs- Beschäftige Beschäftigte Beschäftigte
bearbeitung (Schadens- 38,7 und mehr
meldung o.Ä.)
45,4
Recommendation 33,5 56,8 46,9Weitere Studienergebnisse 19
2. Am stärksten profitieren die IT-Abteilung,
der Kundendienst und der Vertrieb
Nach wie vor zeigt sich der größte Nutzen von maschinellem Lernen in der
IT-Abteilung (43 Prozent), etwa beim Erkennen von Spam-E-Mails. Doch auch
der Kundenservice (38 Prozent) und die Vertriebsabteilung (37 Prozent) werden
von entsprechenden Anwendungen profitieren.
Nach Einschätzung von mehr als 40 Prozent der Unternehmen aller Größen
ordnungen kommt Machine Learning in erster Linie der IT zugute, etwa beim
Monitoring und Optimieren von IT-Prozessen.
Überdurchschnittlich stark versprechen sich die Unternehmenslenker positive
Effekte in den Bereichen Kundendienst und Vertrieb (52 beziehungsweise 49 Pro-
zent) – die Fachbereiche sind da mit 33 beziehungsweise 29 Prozent noch weniger
optimistisch.
Erstaunlich ist, dass die Befragten über alle Unternehmensbereiche hinweg rela-
tiv zurückhaltend in ihrer Einschätzung sind, was die möglichen Effekte von ML-/
KI-Lösungen in den Bereichen Produktion / Herstellung sowie Forschung und Ent-
wicklung betrifft. Nur ein knappes Viertel denkt, dass hier Potenziale schlummern,
von denen das Unternehmen profitieren kann. Unternehmen, die mit ML die Wett-
bewerbsfähigkeit stärken wollen, sollten diese Haltung überdenken.
Welche Bereiche Ihres Unternehmens profitieren Ihrer Ansicht nach künftig
besonders von Machine-Learning- beziehungsweise KI-Lösungen?
Mehrfachnennungen möglich. Angaben in Prozent. Dargestellt sind die Top-10-Antworten.Basis: n = 406
Unternehmen gesamt Ergebnis-Split nach Funktion im Unternehmen
C-Level IT-Leiter & IT-Bereich Fachbereiche
IT-Abteilung (Spam-Erkennung,
Diagnose-Systeme etc.) 42,6 41,3 54,8 33,7
Kundendienst
38,4 52,1 37,0 32,6
Vertrieb
36,7 48,8 35,6 29,3
Produktion / Herstellung
24,6 25,6 23,7 23,9
Marketing
24,4 28,1 26,7 23,9
Forschung und Entwicklung
24,1 24,0 31,1 20,7
Customer Experience
23,9 25,6 28,1 20,7
Controlling, Finance
(Risk-Management etc.) 20,7 19,8 23,0 12,0
Einkauf (Supply-Chain …)
18,7 19,8 17,8 17,4
Management
16,0 14,9 16,3 12,020 Weitere Studienergebnisse
3. Rechen- und Grafikleistung vorhanden –
Nachbesserungsbedarf bei Storage und
Datenstrukturen
Rund 71 Prozent der Unternehmen verfügen über genügend Rechnerkapazitäten für
Machine Learning, etwa 55 Prozent über die nötigen Grafikprozessoren. Investieren
wollen Firmen vor allem in Storage-Systeme (40 Prozent), die Anpassung von Daten-
strukturen (40 Prozent) sowie die Umsetzung rechtlicher Vorgaben (37 Prozent).
Positiv ist, dass Unternehmen genügend Geld für Services und Lösungen einplanen,
um ihre Datenstruktur für ML und künstliche Intelligenz fit zu machen (40 Prozent).
Ein wichtiger Punkt dabei: „Datensilos“ sollen beseitigt werden. Denn das ist die Vor
aussetzung dafür, Machine Learning nutzbringend einzusetzen.
Für den Einsatz von KI-Verfahren müssen entsprechende Voraussetzungen geschaffen
werden. Welche Voraussetzungen sind in Ihrem Unternehmen bereits gegeben, und wo
werden Sie investieren?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 295
Voraussetzungen vorhanden Investitionen geplant
Rechnerkapazitäten
70,5 24,4
Bandbreite
58,6 24,4
Grafikprozessoren (GPUs)
55,3 28,8
IT- / Netzwerk-Infrastruktur
51,2 33,9
Personelle Ressourcen
47,1 30,2
Zugriff auf Daten
44,1 34,6
Algorithmenwissen /
mathematisches Wissen 41,7 29,8
Data-Science-Know-how
40,7 31,2
Aufbereitung der Daten
40,3 33,9
Besitz von Daten
40,3 35,9
Storage-Systeme
40,3 40,7
Zusätzliche Experten
37,3 33,2
Umsetzung rechtlicher Grundlagen
(z.B. zur Datenverarbeitung) 36,9 36,9
Kompatibilität der Datenstruktur /
Auflösung der Datensilos 32,5 40,3
Off-Premise (in der Cloud)
32,2 32,5
On-Premise
29,5 34,2Weitere Studienergebnisse 21
Vor allem größere Unternehmen (45 Prozent) verfügen über zu wenige Daten
für ML-Anwendungen und wollen nachbessern. Weniger relevant ist dieser Punkt
für kleine (knapp 25 Prozent) und mittelständische Firmen (gut 29 Prozent).
Eine mögliche Erklärung: 45 Prozent der Großunternehmen haben 500 und
mehr ML-Projekte „am Laufen“ und benötigen größere Datenmengen.
Ob das Unternehmen „ML ready“ ist, bewerten die Abteilungen teilweise höchst
unterschiedlich. So gehen 57 Prozent der Business-Entscheider davon aus, dass
genügend Know-how im Bereich Data-Science vorhanden ist, aber nur 30 Prozent
der IT-Experten.
Gleiches zeigt sich bei der Personalausstattung: Sie reicht aus, so 62 Prozent der
Manager, aber nur 39 Prozent der IT-Abteilungen – erneut ein Indiz für eine unzu
reichende Abstimmung zwischen beiden Bereichen.
Ergebnis-Splits für geplante Investitionen in ausgewählten Bereichen nach Unternehmensgröße
Angaben in Prozent. Basis: n = 295
45,6 46,6
45,2
40,7
38,2
35,9
32,1
28,8 29,4
26,0
24,7
19,8
Grafikprozessoren (GPUs) Storage-Systeme Besitz von Daten
44,5 44,5
40,3
35,8 36,8 36,9
32,4
27,2
Unternehmen gesamt
< 500 Beschäftige
500 bis 999 Beschäftigte
1.000 Beschäftigte und mehr
Kompatibilität der Datenstruktur / Umsetzung rechtlicher
Auflösung der Datensilos Grundlagen (z.B. zur Daten
verarbeitung)22 Weitere Studienergebnisse
4. Geschäftsführung macht IT-Leitern
die Führung streitig
Die zentrale Verantwortung für Machine Learning liegt meistens –
noch – bei den IT-Leitern (45 Prozent). „Noch“ deshalb, weil Stabsstellen
und Geschäftsverantwortliche kräftig aufgeholt haben.
Die Zahl der Verantwortlichen aus dem IT- und Technologiebereich, die bei
Machine-Learning-Projekten „den Hut aufhaben“, sank von 50 Prozent (2019)
auf 45 Prozent. An Bedeutung gewinnen Entscheider aus dem Business-Bereich
(37 Prozent). Dies untermauert die strategische Bedeutung, die Unternehmen
KI und maschinellem Lernen beimessen.
Dagegen übernehmen Führungskräfte aus den Fachbereichen nur selten die
Leitung von ML-Vorhaben (15 Prozent). Eine Ausnahme bilden kleinere Firmen
(unter 500 Mitarbeiter). Bei knapp 25 Prozent von ihnen sind Fachbereichsexperten
für maschinelles Lernen zuständig.
Eine mögliche Erklärung: Solche Firmen verfügen oft nur über kleine IT-
Abteilungen. Daher kommen die Fachbereiche stärker zum Zuge.
Andere Ergebnisse der Studie zeigen allerdings, dass es nicht damit getan ist,
eine zentrale Projektleitung zu installieren. Damit Machine Learning zu einem
Erfolg wird, ist ein kontinuierlicher Informations- und Erfahrungsaustausch über
Abteilungsgrenzen hinweg nötig. Und daran mangelt es häufig.
Gibt es in Ihrem Unternehmen für Machine Learning einen zentral Verantwortlichen,
oder gibt es viele Zuständige, dezentral in den einzelnen Fachbereichen?
Angaben in Prozent. Basis: n = 295
59,6
57,3
45,4
42,9 Unternehmen gesamt
C-Level
36,9
35,5 IT-Leiter & IT-Bereich
Fachbereiche
30,4
25,0
23,2
14,9
13,5
4,5
1,4 0,9 1,0 1,8
Zentral Verantwortlicher Zentral Verantwortlicher Verantwortliche in den Noch kein Verantwort
(auf übergeordneter im IT-/Technologie Fachbereichen licher definiert
Hierarchieebene, bereich (CIO, CDO, CTO,
Stabsstelle o.Ä.) IT-Leiter …)Weitere Studienergebnisse 23
5. Dienstleister: Der „Faktor Mensch“
und das technische Know-how zählen
Am wichtigsten bei der Auswahl eines Machine-Learning-Dienstleisters
ist für Unternehmen, dass ihnen ein fester Ansprechpartner zur Verfügung
steht (knapp 36 Prozent). Das technische Wissen des Anbieters rangiert „nur“
auf Platz zwei (32 Prozent).
Das heißt, Nutzer von Machine-Learning-Lösungen wollen Reibungsverluste durch
wechselnde Ansprechpartner und komplexe Abstimmungsprozesse vermeiden.
Das gilt vor allem für große Firmen (42 Prozent).
Auch auf den Rängen drei und vier rangieren „nichttechnologische“ Kriterien:
ein gutes Preis-Leistungs-Verhältnis (26 Prozent) und die Vertrauenswürdigkeit des An
bieters (25 Prozent). Anbieter von ML- und KI-Lösungen sollten somit nicht nur die
technischen Vorteile ihrer Produkte in den Vordergrund stellen, sondern ein Komplett-
paket für Kunden entwickeln.
Auffallend ist, dass speziell kleinere Firmen (unter 500 Mitarbeiter) einige der tech
nischen Kriterien als weniger wichtig einstufen, etwa Technik-Know-how (19 Prozent)
und offene ML-Algorithmen (16 Prozent).
Umgekehrt erwarten fast 20 Prozent dieser Unternehmen vom Dienstleister, dass er
einen KI- und Machine-Learning-Baukasten bereitstellt (14 Prozent bei den Großfirmen).
In diesen Resultaten spiegelt sich eine gewisse Unsicherheit wider, wie die technische
Kompetenz eines Anbieters von Machine-Learning-Lösungen zu bewerten ist.
Welche sind im Bereich Machine Learning für Ihr Unternehmen die maßgeblichen Kriterien
bei der Auswahl eines geeigneten Dienstleisters?
Mehrfachnennungen möglich. Dargestellt sind die Top-12-Antworten.
Angaben in Prozent. Basis: n = 295
Ergebnis-Split nach Unternehmensgröße
Unternehmen gesamt < 500 Beschäftige 500 bis 999 Beschäftigte 1.000 Beschäftigte und mehr
Fester Ansprechpartner
35,6 27,2 32,4 41,8
Technologisches
Know-how 31,9 18,5 22,1 43,8
Gutes Preis-Leistungs-
Verhältnis 26,4 30,9 23,5 25,3
Vertrauen in den Anbieter
25,4 21,0 26,5 27,4
Offene nachvollziehbare
Algorithmen 24,7 16,0 10,3 36,3
Skalierbarkeit
23,4 22,2 22,1 24,7
Innovationskraft
21,4 24,7 22,1 19,2
Algorithmen
21,0 24,7 26,5 16,4
Gute Zusammenarbeit bei
anderem IT / ITK-Projekt 20,7 23,5 17,6 20,5
Mathematisches Verständ-
nis für branchenspezifische
18,6 18,5 19,1 18,5
Prozesse
Breites Serviceangebot
18,3 19,8 25,0 14,4
KI/ML-Baukasten
16,9 19,8 19,1 14,424 Weitere Studienergebnisse
6. Nur ein Bruchteil der verfügbaren
Datenquellen wird genutzt
Verbesserungsbedürftig ist die Bereitstellung und Nutzung von Daten,
die Machine-Learning-Systeme benötigen. Hier zeigen sich große
Herausforderungen für alle. Vor allem, weil zum jetzigen Zeitpunkt
noch in vielen Unternehmen die nötigen Fachkräfte mit den passen-
den Kompetenzen fehlen dürften.
Ein grundsätzliches Problem, das die Nutzung von Daten erschwert, ist
die Tatsache, dass sie in unterschiedlicher Form vorliegen: von ganz oder
teilweise unstrukturiert (51 Prozent) über strukturiert (43 Prozent) bis hin
zu nicht eindeutig zuordenbar (6 Prozent).
Eine Konsolidierung und Harmonisierung der Daten ist somit Pflicht.
Vor dieser Aufgabe stehen laut den Studiendaten Unternehmen jeder Größe,
wobei es den großen Unternehmen kurzfristig leichter fallen dürfte, hier
schneller voranzukommen.
Unabhängig davon vergeben Unternehmen die Chance, Machine-Lear-
ning-Anwendungen zu optimieren und den größtmöglichen Vorteil daraus
zu ziehen, weil sie selbst vorhandene Daten noch nicht ausreichend nutzen.
So verfügen beispielsweise 46 Prozent der Unternehmen über Log-Infor-
mationen, aber nur 26 Prozent nutzen diesen Datenschatz.
In welcher Form liegen die verwendeten Daten vor?
Angaben in Prozent. Basis: n = 295
Ausschließlich unstrukturierte Daten 16,3
50,5 Unstrukturierte
Daten
Vorwiegend unstrukturierte Daten 18,6
Eher unstrukturierte Daten 15,6
Ergebnis-Split nach Unternehmensgröße
Eher strukturierte Daten 19,0 54,4
48,1 50,1
Vorwiegend strukturierte Daten 18,0
< 500 500 bis 999 1.000 Beschäf
Beschäftige Beschäftigte tigte und mehr
Ausschließlich strukturierte Daten 6,1
Kommt auf die Daten an 5,8
43,1 Strukturierte
Weiß nicht 0,7 Daten
Ergebnis-Split nach Unternehmensgröße
46,9 38,2 43,2
< 500 500 bis 999 1.000 Beschäf
Beschäftige Beschäftigte tigte und mehrWeitere Studienergebnisse 25
Dies ist auch bei Informationen zu beobachten, die in standardisierter
Form vorliegen, wie Adressdaten von Kunden: Rund 40 Prozent der Firmen
verfügen über solche Informationen, nur gute 30 Prozent verwenden sie
im Rahmen von maschinellem Lernen.
Noch wenig zum Zuge kommen ML-Anwendungen wie Predictive Main-
tenance, die auf Sensor- und Maschinendaten basieren: Solche Informa
tionen kommen erst in jeweils rund 18 Prozent der Projekte zum Einsatz.
Dies ist ein Indiz dafür, dass Industrieunternehmen noch nicht in großem
Umfang auf den Industrie-4.0-Zug aufgesprungen sind – was auch immer
die Gründe hierfür sind.
Welche Datenquellen beziehungsweise Datenarten stehen in Ihrem Unternehmen
zur Verfügung und werden für Machine Learning aktuell genutzt?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 295
verfügbar für Machine Learning genutzt
Log-Daten
45,8 25,8
Adressdaten von Kunden
40,0 30,2
Transaktionsdaten
37,3 25,1
Dokumentationen
35,6 17,2
Soziodemografische Kundendaten
34,6 27,8
Bewegungsdaten
29,2 19,2
Sensordaten
27,1 17,9
Eigene Auftrags- / Bestelldaten
26,8 15,5
Eigene Maschinen- / Produktionsdaten
25,4 17,5
Handbücher
24,4 6,9
Daten aus sozialen Netzwerken
23,4 13,1
Bild- und Videodaten
22,7 13,4
Audiodaten
22,7 11,0
Kundenbriefe / Kunden-E-Mails
21,4 10,0
Daten von Dritten
20,0 12,0
Finanzberichte
16,9 7,2
Maschinen- / Produktionsdaten von Kunden
14,9 10,0
Testberichte
10,2 6,526 Weitere Studienergebnisse
7. Die Mehrzahl der Nutzer von Machine
Learning will die Ergebnisse des
Algorithmus nachvollziehen können
Für 62 Prozent der Nutzer von Machine-Learning-Lösungen muss die
Arbeitsweise einer ML-Lösung transparent sein. Ein Grund ist, dass davon
die Akzeptanz durch die Nutzer abhängt.
Dass Anwender Machine Learning nicht vorbehaltlos vertrauen, zeigt folgendes
Ergebnis: 57 Prozent wollen alle Entscheidungen eines Algorithmus nachvoll-
ziehen können. Das Problem dabei ist, dass dies bei komplexeren Algorithmen
nicht gegeben ist, die beispielsweise bei Deep Learning zum Einsatz kommen.
Ein weitreichendes Vertrauen in Machine Learning haben 28 Prozent der
Studienteilnehmer. Sie akzeptieren, wenn eine Lösung im Schnitt zu den rich
tigen Entscheidungen kommt. Einzelne Abweichungen werden toleriert.
Als Kontrollinstanzen nutzen die meisten Unternehmen (52 Prozent) die
Qualitätsmanagementabteilungen. Vor allem größere Unternehmen greifen
zudem für die Überwachung einer ML-Lösung auf automatisierte Verfahren
zurück (56 Prozent), oft durch Einsatz eines zweiten Algorithmus.
Ein potenzieller Problempunkt ist, dass sich nur ein Teil der kleinen Firmen
(32 Prozent) und Mittelständler (37 Prozent) solche automatisierten Prozeduren
leisten kann. Sie müssen daher zu aufwendigeren Methoden greifen, etwa eigens
entwickelten Testverfahren – oder sie nehmen Unschärfen in Kauf, wenn Trial-
and-Error-Verfahren zum Zuge kommen (31 Prozent).
Was ist für Sie wichtig, wenn es um die Nachvollziehbarkeit des Verhaltens
beziehungsweise der Entscheidungsfindung der Maschine geht?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 294
Nachvollziehbares und konsistentes Verhalten ist wichtig
62,0
für die Akzeptanz der ML-Lösung durch die Anwender.
Jedes Ergebnis / jede Entscheidung muss im Detail
56,9
nachvollziehbar sein.
Die Ergebnisse müssen im Mittel zu den richtigen
Schlussfolgerungen führen, einzelne Ergebnisse sind 28,1
nicht von Bedeutung.
Wie wird das Ergebnis des Lernvorgangs verifiziert? Wie stellen Sie also sicher,
dass die Maschine auch tatsächlich das gelernt hat, was gewünscht war?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 295
Allgemeines Qualitätsmanagement 52,2 Ergebnis-Split nach Unternehmensgröße
Automatisiertes Verfahren (Überwachung
45,1 32,1 36,8 56,2
durch zweite/n Maschine / Algorithmus)
Speziell entwickelte(s) Testverfahren 44,7
46,9 35,3 47,9
„Trial and Error“ während des Projekts 30,5
28,4 44,1 25,3
Feedback durch die Anwender 23,4
< 500 500 bis 999 1.000 Beschäf-
Beschäftige Beschäftigte tigte und mehrWeitere Studienergebnisse 27
8. Business-Manager und IT-Spezialisten
überwachen Lernerfolge von Machine-
Learning-Systemen
Nicht nur die „Techniker“, also CIOs, Chief Digital Officer und IT-Leiter, überwachen
den Lernvorgang von Machine-Learning-Prozessen (36 Prozent). Auch Vorstände
und Geschäftsführer sind involviert (34 Prozent).
Dies zeigt, dass auch Business-Manager verstehen wollen, wie eine ML-Instanz zu
ihren Ergebnissen kommt. Die Frage ist allerdings, ob sie über das notwendige Fach-
wissen verfügen.
Die Kontrolle über Machine-Learning-Algorithmen behält die Mehrzahl der Unter
nehmen im eigenen Haus. Nur 24 Prozent übergeben das Training Dienstleistern.
Anwender wollen sich offenkundig nicht von externen Spezialisten abhängig machen.
Auch wenn Geschäftsentscheider den Lernerfolg von ML-Systemen kontrollieren
möchten: Die Hauptarbeit auf diesem Feld übernehmen die Spezialisten, sprich dedizierte
Abteilungen (48 Prozent) oder interne Dienstleister (39 Prozent). Und in 74 Prozent der
Fälle ist das die eigene IT-Abteilung.
Auffallend ist, dass nur sechs Prozent der Fachbereichsleiter das Training von Machine-
Learning-Lösungen überwachen. Auch dies ist vermutlich auf fehlendes Spezialwissen
zurückzuführen. Derselbe Faktor dürfte dafür verantwortlich sein, dass 20 Prozent der
Algorithmen eigenständig, ohne externe Kontrolle, die Überwachung der Lernerfolge
übernehmen – eine Vorgehensweise mit Risiken.
Wer überwacht den Lernvorgang innerhalb der Machine-Learning-Prozesse?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 295
Dedizierte Abteilung 47,8
Interner (Konzern-)Dienstleister / Partner 39,3
Dedizierte Person bzw. Funktion 37,3
Externer Dienstleister / Partner 24,4
Mehrere der Genannten gemeinsam 20,3
Der Algorithmus selbst 19,7
Die jeweils verantwortlichen Projektteams 14,2
Welche Abteilung genau ist das? Welche Person genau ist das?
Angaben in Prozent. Filter: Nur Unternehmen, bei denen eine dezidierte Abteilung Angaben in Prozent. Filter: Nur Unternehmen, bei denen eine
den Lernvorgang innerhalb der ML-Prozesse überwacht. Basis: n = 141 dezidierte Person den Lernvorgang innerhalb der ML-Prozesse
überwacht. Basis: n = 110
IT 73,8 CIO / CDO / IT-Leiter 35,5
Mitglied des Vorstands /
Forschung & Entwicklung 12,1 33,6
Geschäftsführung
Dediziertes KI-/ML-Team 4,3 Forschungs-/ Entwicklungsleiter 9,1
Vertrieb 4,3 Projektleiter 9,1
Logistik 2,8 Data Scientist 7,3
Marketing 2,8 Anderer Fachbereichsleiter 5,528 Weitere Studienergebnisse
9. Großteil der Kunden wird in Machine-
Learning- und KI-Projekte eingebunden
Rund 78 Prozent der Unternehmen, die maschinelles Lernen und künstliche
Intelligenz nutzen, binden ihre Kunden in entsprechende Projekte ein.
Mehr als Drittel von ihnen lässt sie sogar an der Entwicklung von KI- und
Machine-Learning-Lösungen mitarbeiten.
Vor allem Mittelständler (500 bis 999 Mitarbeiter) arbeiten bei KI und ML grundsätzlich
mit Kunden zusammen (28 Prozent), wenn kundenbezogene Prozesse tangiert sind.
Das ist ein höherer Wert als bei kleineren Firmen (17 Prozent) und Großunternehmen
(20 Prozent).
Das deckt sich mit den Ergebnissen anderer Studien. Ihnen zufolge streben ein
Großteil der Mittelständler eine engere Beziehung zu Kunden an. Dies zeigt sich auch
bei KI- und Machine-Learning-Projekten. Allerdings sehen das nicht alle Mittelständ-
ler so: Knapp 26 Prozent verzichten auf eine Zusammenarbeit mit Kunden und somit
möglicherweise auf potenzielle Synergieeffekte.
Deutliche Unterschiede zeigen sich auch bei den Projektphasen, in die Kunden
involviert sind. So arbeiten doppelt so viele große (38 Prozent) als kleine und mittel-
große Unternehmen bei der Optimierung von KI- und ML-Lösungen mit Kunden zu-
sammen. Auch das ist ein Indiz dafür, dass ein Teil des Mittelstands (noch) nicht den
Nutzen von kooperativen Modellen im Bereich Machine Learning erkannt hat.
Sind auch Kunden von Ihnen in Ihre In welche Projektphasen sind Ihre Kunden involviert?
Machine-Learning- oder KI-Projekte, Mehrfachnennungen möglich. Angaben in Prozent. Filter: Nur Unternehmen, bei
die entsprechende Kundenprozesse denen auch Kunden in ML-Projekte involviert sind, die entsprechende Kunden-
prozesse betreffen. Basis: n = 148
betreffen, involviert?
Angaben in Prozent. Filter: Nur Unternehmen, die
68,4
ML-Projekte mit externen Dienstleistern betreiben. 64,3 63,2
Basis: n = 190 58,1 56,8 57,1
50,0
2,6
Weiß nicht 42,1
19,5 21,1
Nein Ja, grund-
sätzlich
immer
Qualitätsmanagement Testbetrieb
39,5 41,2
37,2 38,2
28,6 27,7
19,0 18,4
56,8
Ja, manchmal
Entwicklung Optimierung
Unternehmen < 500 500 bis 999 1.000 Beschäftigte
gesamt Beschäftige Beschäftigte und mehrWeitere Studienergebnisse 29
10. Erfolgskriterien von ML:
höhere Produktivität und niedrigere
Kosten
Vor allem anhand von zwei Maßzahlen erfassen Unternehmen den
Erfolg von Machine-Learning-Projekten: der Steigerung der Produktivität
(52 Prozent) und der Reduzierung der Kosten (49 Prozent).
Beide Faktoren, höhere Produktivität und niedrigere Kosten, sind für Unter
nehmen jeder Größe gleichermaßen gängige Erfolgskriterien im Rahmen von
ML-Projekten. Das heißt, Unternehmen streben danach, zunächst die „niedrig
hängenden Früchte“ zu ernten, also schnelle Erfolge zu erzielen.
Dafür spricht auch, dass 42 Prozent der mittelständischen Firmen und
37 Prozent der Großunternehmen mithilfe von Machine Learning den Umsatz
steigern möchten. Dieses Erfolgskriterium rangiert auf Platz drei.
Mit deutlichem Abstand folgen strategische Faktoren, etwa die Entwicklung
neuartiger Produkte und Services (24 Prozent) und eine höhere Innovations-
kraft dank Machine Learning und künstlicher Intelligenz (18 Prozent).
Das sind angesichts des Innovationsdrucks, den die Digitalisierung mit sich
bringt, bedenklich niedrige Werte. Unternehmen betrachten beide Technolo
gien offenkundig noch nicht als Mittel, um ihre Produkt- und Servicepalette um
interessante neue (digitale) Komponenten zu erweitern.
Wie messen Sie den Erfolg Ihrer Machine-Learning-Projekte?
Mehrfachnennungen möglich. Angaben in Prozent. Basis: n = 279
Ergebnis-Split nach Unternehmensgröße
Produktivitätssteigerung 51,6
47,4 52,3 53,6
Kostensenkung 49,1
Steigende Umsätze 31,5 42,1 44,6 55,1
Bessere Produkt- / Servicequalität 30,8
42,1 36,9 23,2
ROI-Betrachtung 30,5
< 500 500 bis 999 1.000 Beschäf-
Geringere Ausfallzeiten / Beschäftige Beschäftigte tigte und mehr
27,2
Höhere Auslastung
Neue Produkte / Services 24,4
Höherer Innovationsgrad 17,6
Verbesserung der Imagewerte
16,1
des Unternehmens
Geringerer Ausschuss in der Produktion 5,7Sie können auch lesen
