Make or Buy-Entscheidungen: Was spricht dafür, was dagegen?
Unternehmen sind in den vergangenen Jahren zunehmend unter Druck geraten, Kosten zu senken und ihre Kapitalrendite zu verbessern. Für viele wurde damit die Frage relevant, ob sie wichtige Prozesse intern halten oder auslagern sollen. Besonders für IT- und Technologieabteilungen kann die Bedeutung gut vorbereiteter Make or Buy-Entscheidungen nicht genug betont werden. Denn laut der amerikanischen Zeitschrift und Website Entrepreneur schlugen sich viele Organisationen mit Problemen und Fehlern bei der Umsetzung von KI-Projekten herum, ein Viertel von ihnen sogar mit einer Fehlerrate von bis zu 50 %.
Make or Buy?
„Für jede Aktivität im Rahmen der betrieblichen Wertschöpfungskette stellt sich die Frage, ob diese besser vom Unternehmen selbst erbracht und koordiniert werden sollte oder ob diese Aktivität nicht kostengünstiger als Marktleistung von anderen Unternehmen hinzugekauft werden sollte.“ (Gabler Wirtschaftslexikon)
Im speziellen Anwendungsfall der KI stehen bei einer Make or Buy-Entscheidung folgende Optionen zur Verfügung:
Inhouse-Lösung: Machine Learning-Modelle und -Systeme mit in der Firma gesammelten Daten müssen von Grund auf neu implementiert werden. Dazu gehören das Erstellen künstlicher neuronaler Netzarchitekturen, das Schreiben benutzerdefinierter Algorithmen, die Nutzung anderer ML-Methoden und das Erstellen von APIs (Programmierschnittstellen).
Outsourcing: APIs und erweiterte Software werden von extern gekauft und mit vorhandenen Diensten verbunden bzw. in diese implementiert, um die Unternehmensziele zu erreichen. Dazu gehören unter anderem Microsoft Azure- oder Amazon AWS KI-Dienste für CV, NLP und viele andere Aufgaben.
Der Entscheidungsprozess rund um Make or Buy-Entscheidungen
Die Entscheidung, ob eine Inhouse-Lösung sinnvoller ist oder die KI-Implementierung besser von externen Experten durchgeführt wird, sollte nicht ohne Analyse erfolgen. Nach dem untenstehenden Modell können Unternehmen eine dreistufige Methode anwenden, um die Entscheidungsfindung zu vereinfachen.
- Strategischen Vorteil ermitteln
- Risiken identifizieren
- Wirtschaftlichkeit berechnen
Strategie
Wenn Sie wissen, was die intelligentesten Art ist, KI in Ihrem Unternehmen zu implementieren, wird das über den Erfolg entscheiden. Thomas Malone, Gründungsdirektor des Center for Collective Intelligence am MIT, erklärte Forbes dazu: „It comes down to how strategic and unique to your company are your applications of AI likely to be.“
Planen Sie die Verwendung von KI für eine außergewöhnliche, für Ihr Geschäft spezifische Anwendung oder suchen Sie nach einer Lösung für einen Standardprozess? Um dies festzustellen, müssen Sie zunächst einige wichtige Fragen beantworten. Die ersten betreffen Ihr strategisches Ziel:
Wie wirkt sich diese Entscheidung auf Ihre Wettbewerbsposition aus?
Wenn ein Unternehmen erwägt, seine Wettbewerbsposition mithilfe von KI zu verbessern, wird meist in Erwägung gezogen, eine neue Technologie oder einen neuen, innovativen Prozess zu entwickeln. Bevor Manager sich dafür entscheiden, müssen sie eruieren, inwieweit das zum eigenen Unternehmen passt. Ein gutes Beispiel, um sich einen Wettbewerbsvorteil zu verschaffen, ist die von Amazon für Alexa verwendete KI-Spracherkennungssoftware. Amazon kann in diesem Bereich nur mithalten, wenn es an der Spitze der Innovation steht.
Das Auslagern bestimmter Funktionen bzw. der Einkauf bereits vorhandener Tools bedeutet im Umkehrschluss aber nicht den Verlust der Wettbewerbsfähigkeit. Natürlich kommt dann eine Anwendung zum Einsatz, auf die auch andere Unternehmen Zugriff haben. Wer aus diesem Grund aber darauf verzichtet, gerät womöglich ins Hintertreffen. Standard-KI-Lösungen sind in vielen Fällen nämlich eine sichere und gute Lösung und können meist direkt genutzt werden. Das heißt, dass sich neue Märkte oder Möglichkeiten ohne Zeitverlust erschließen lassen.
Ein gutes Beispiel ist fortschrittliche Pricing-Software. Preisautomatisierung ist heutzutage ein Muss für Online-Händler. Die Entwicklung einer internen Lösung zur Prognose, Optimierung und Automatisierung der Preisgestaltung erfordert viel Zeit, Geld und Fachwissen. Wer hier zukauft, erhält einen Service, mit dem die täglichen Abläufe verbessert und Umsatz wie auch Rentabilität gesteigert werden können. Selbst wenn die Konkurrenz eine solche Software ebenfalls nutzt, wird man zu einem starken Mitspieler am Markt.
Whitepaper
Predictive Pricing
Die nächste Generation der Preisoptimierung für den Handel
Sicherheit und Risiken
Es gibt Vor- und Nachteile, die mit beiden Make or Buy-Optionen verbunden sind. Dazu gehören auch mögliche Risiken.
Sind Ihre Ressourcen groß genug, um eine eigene funktionierende KI aufzubauen?
Das Entwickeln und erfolgreiche Implementieren von Machine Learning erfordert beträchtliche Erfahrung und besondere Fähigkeiten, da beides äußerst komplex ist. Häufig fehlen einem internen Team die Ressourcen und das Fachwissen, um diese anspruchsvollen Aufgaben zu erfüllen. Gute IT-Experten sind rar gesät und schwer zu bekommen. Gleichzeitig gibt es eine Vielzahl potenzieller Anwendungsfälle für KI und Machine Learning in Branchen wie dem Einzelhandel, die Abläufe und Abverkäufe verbessern helfen. Umso wichtiger ist es, eigene Ressourcen auf Prozesse zu konzentrieren, die strategisch wichtig sind.
Ein weiterer Faktor ist die Flexibilität, die mit dem Auslagern von KI verbunden ist. Wer hier selbst aktiv werden möchte, muss ein festes Team aufstellen. Wer outsourct, kann die Kosten der aktuellen Geschäftslast anpassen und auf Schwankungen in der Auslastung flexibel reagieren.
Wirtschaftlichkeit
Auch die Wirtschaftlichkeit spielt bei der Make or Buy-Entscheidung eine tragende Rolle.
Welche Methode sichert das beste Preis-Leistungs-Verhältnis?
Obwohl ein internes Team als vorhersehbarer Kostenfaktor erscheinen mag, birgt dieses Vorgehen einige versteckte Kosten, die es zu berücksichtigen gilt. Wer ein internes Team mit IT-Experten rund um Machine Learning aufbauen möchte, begibt sich in unbekannte Gewässer. In der Praxis ist es bis zu alltagstauglichen Ergebnissen meist ein längerer Prozess mit vielen Versuchen und Fehlschlägen. Daraus kann sich auch ein Alptraum entwickeln, der jede Menge Geld verschlingt.
Externe Dienstleister verlangen Fixkosten, die vor der Implementierung vereinbart werden. So können Sie mit festen Zahlen strategisch planen und budgetieren. Darüber hinaus ist es nicht möglich, KI-Lösungen ohne die passende Soft- und Hardware einzusetzen. Wer all das anschafft, um zu befriedigenden Ergebnissen zu kommen, hat am Ende oft höhere Kosten. Wer dagegen outsourct, stellt sicher, auf erstklassige Fachleute und passende Hardware zuzugreifen, mit denen sich Tools, Anwendungen und Software optimal nutzen lassen.
Fazit
Für viele Unternehmen und Händler steht die Implementierung von Machine Learning und geeigneter Technologie inzwischen ganz oben auf der Liste. Wie KI alltagstauglich und gewinnbringend genutzt werden kann, ist für die Strategieentwicklung heutiger Unternehmensziele von entscheidender Bedeutung.
Die Implementierung von KI und Machine Learning in ein bestehendes System erfordert jedoch ein hohes Maß an Fachwissen. Obwohl es für IT-Abteilungen verlockend erscheinen mag, eigene KI-Software zu entwickeln, ist es oft sinnvoller, sich am Markt umzuschauen, was es bereits gibt. Das spart nicht nur Kosten und Ressourcen, sondern womöglich auch Ärger.
