Künstliche Intelligenz soll menschliche Arbeit automatisieren und Unternehmen effizienter machen. Doch fehlerhafte Ergebnisse, steigende Betriebskosten und überzogene Erwartungen zwingen viele Unternehmen zum Umdenken. Der globale Arbeitsmarkt steht vor enormen Umwälzungen. Ein Bericht des Weltwirtschaftsforums zur Zukunft der Arbeit aus dem vergangenen Jahr besagt, dass bis zum Jahr 2030 weltweit rund 92 Millionen Arbeitsplätze durch Künstliche Intelligenz und damit verbundene Automatisierungsprozesse wegfallen oder sich sehr stark verändern werden. Gleichzeitig sollen rund 170 Millionen neue Arbeitsplätze entstehen. Entsprechend hoch sind die Erwartungen vieler Firmen an die KI: Sie soll Prozesse beschleunigen, Kosten reduzieren und damit die Effizienz steigern.
Doch mittlerweile rudern einige Unternehmen schon wieder zurück. Nachdem sie bereits viel Zeit und Geld in KI investiert hatten, um diese möglichst flächendeckend einzuführen, rücken nun Fragen nach dem tatsächlichen Nutzen, den laufenden Kosten und den Risiken stärker in den Mittelpunkt. Ein extremes Beispiel ist das globale Beratungsunternehmen Accenture. Eigenen Angaben zufolge hat Accenture insgesamt drei Milliarden US-Dollar gezielt in den Ausbau seines Data- und KI-Bereichs investiert. Jährlich soll mehr als eine Milliarde in die Fortbildung der Mitarbeiter geflossen sein – ein erheblicher Teil davon in spezielle KI-Trainings. Accenture soll dabei eine besonders aggressive KI-Strategie verfolgen: Eine Beförderung in Führungspositionen erhalten nur Angestellte, die regelmäßig interne KI-Tools nutzen.
Dieser enorme Druck führte jedoch dazu, dass Mitarbeiter die teuren Werkzeuge auch für relativ einfache Arbeitsschritte genutzt haben sollen, um die Nutzungsanforderungen zu erfüllen: etwa für das Erstellen von Präsentationen aus Textdokumenten, das Zusammenfassen von Berichten oder für einfache Programmierungen. „Vor ein paar Jahren waren die Anwendungen noch relativ günstig, weil die Währung, mit der man sozusagen bezahlt hat, die Daten waren“, erklärt Anne-Sophie Mayer, Professorin für Digitale Arbeit an der Ludwig-Maximilians-Universität in München. „Das hat sich jedoch grundlegend geändert. KI wird immer besser, weshalb die Lizenzkosten für hochspezialisierte Modelle stark gestiegen sind.“
Für das Nutzen dieser KI-Tools müssen oft teure Tokens gekauft werden – so auch bei Accenture. Dort sind die Kosten förmlich explodiert, weshalb das Unternehmen nun die Reißleine gezogen hat. Künftig gibt es pro Kopf nur noch ein Budget von 29 Dollar pro Monat für KI-Anwendungen, darüber hinaus gehende Kosten müssen erst von der Unternehmensführung genehmigt werden. Doch nicht nur die Nutzung teurer KI-Tools für einfache Arbeiten wurde zum Kostenfaktor. Heraus kamen oft KI-generierte Inhalte, die zwar auf den ersten Blick professionell wirkten, bei genauerer Prüfung aber oberflächlich oder fehlerhaft waren, oder kaum zu neuen Erkenntnissen führten. Anstatt Zeit zu sparen, wurde erheblicher Mehraufwand generiert. Mitarbeiter mussten die KI-Informationen aufwändig überprüfen, Fehler korrigieren und Ergebnisse in einen brauchbaren Zustand bringen. Dieses Phänomen, das auch schon in vielen anderen Unternehmen aufkam, ist unter dem Namen „Workslop“ bekannt geworden.
Künstliche Intelligenz soll menschliche Arbeit automatisieren und Unternehmen effizienter machen. Doch fehlerhafte Ergebnisse, steigende Betriebskosten und überzogene Erwartungen zwingen viele Unternehmen zum Umdenken. Der globale Arbeitsmarkt steht vor enormen Umwälzungen. Ein Bericht des Weltwirtschaftsforums zur Zukunft der Arbeit aus dem vergangenen Jahr besagt, dass bis zum Jahr 2030 weltweit rund 92 Millionen Arbeitsplätze durch Künstliche Intelligenz und damit verbundene Automatisierungsprozesse wegfallen oder sich sehr stark verändern werden. Gleichzeitig sollen rund 170 Millionen neue Arbeitsplätze entstehen. Entsprechend hoch sind die Erwartungen vieler Firmen an die KI: Sie soll Prozesse beschleunigen, Kosten reduzieren und damit die Effizienz steigern.
Doch mittlerweile rudern einige Unternehmen schon wieder zurück. Nachdem sie bereits viel Zeit und Geld in KI investiert hatten, um diese möglichst flächendeckend einzuführen, rücken nun Fragen nach dem tatsächlichen Nutzen, den laufenden Kosten und den Risiken stärker in den Mittelpunkt. Ein extremes Beispiel ist das globale Beratungsunternehmen Accenture. Eigenen Angaben zufolge hat Accenture insgesamt drei Milliarden US-Dollar gezielt in den Ausbau seines Data- und KI-Bereichs investiert. Jährlich soll mehr als eine Milliarde in die Fortbildung der Mitarbeiter geflossen sein – ein erheblicher Teil davon in spezielle KI-Trainings. Accenture soll dabei eine besonders aggressive KI-Strategie verfolgen: Eine Beförderung in Führungspositionen erhalten nur Angestellte, die regelmäßig interne KI-Tools nutzen.
Dieser enorme Druck führte jedoch dazu, dass Mitarbeiter die teuren Werkzeuge auch für relativ einfache Arbeitsschritte genutzt haben sollen, um die Nutzungsanforderungen zu erfüllen: etwa für das Erstellen von Präsentationen aus Textdokumenten, das Zusammenfassen von Berichten oder für einfache Programmierungen. „Vor ein paar Jahren waren die Anwendungen noch relativ günstig, weil die Währung, mit der man sozusagen bezahlt hat, die Daten waren“, erklärt Anne-Sophie Mayer, Professorin für Digitale Arbeit an der Ludwig-Maximilians-Universität in München. „Das hat sich jedoch grundlegend geändert. KI wird immer besser, weshalb die Lizenzkosten für hochspezialisierte Modelle stark gestiegen sind.“
Für das Nutzen dieser KI-Tools müssen oft teure Tokens gekauft werden – so auch bei Accenture. Dort sind die Kosten förmlich explodiert, weshalb das Unternehmen nun die Reißleine gezogen hat. Künftig gibt es pro Kopf nur noch ein Budget von 29 Dollar pro Monat für KI-Anwendungen, darüber hinaus gehende Kosten müssen erst von der Unternehmensführung genehmigt werden. Doch nicht nur die Nutzung teurer KI-Tools für einfache Arbeiten wurde zum Kostenfaktor. Heraus kamen oft KI-generierte Inhalte, die zwar auf den ersten Blick professionell wirkten, bei genauerer Prüfung aber oberflächlich oder fehlerhaft waren, oder kaum zu neuen Erkenntnissen führten. Anstatt Zeit zu sparen, wurde erheblicher Mehraufwand generiert. Mitarbeiter mussten die KI-Informationen aufwändig überprüfen, Fehler korrigieren und Ergebnisse in einen brauchbaren Zustand bringen. Dieses Phänomen, das auch schon in vielen anderen Unternehmen aufkam, ist unter dem Namen „Workslop“ bekannt geworden.