Es gibt diverse Arten der KI, die nochmal in weitere Unterarten und Technologien unterteilt werden können. Dazu zählen bspw. die selektive KI (Bewertung von Information; welche Inhalte und welche Werbung werden uns auf Social Media angezeigt), Computer Vision (Erkennung von Objekten auf Bildern und Videos) oder Speech-to-Text/Image/Video (Umwandlung von Informationen von einem Medium in ein anderes). Wer über KI spricht sollte sich daher darüber im Klaren sein, dass es wichtig ist, klar zu definieren, welche KI gemeint ist und Dinge nicht zu vermischen.

Wie der Name es schon sagt, soll die generative KI Informationen generieren. Am weitesten verbreitet ist die Generierung von Texten, da es diverse Anwendungsfälle gibt. Zusätzlich können heutzutage aber auch Bilder, Videos und sogar Musik komponiert werden. Insbesondere durch die Veröffentlichung von ChatGPT im November 2022 hat die generative KI einen massiven Push bekommen. Wer ChatGPT noch nie ausprobiert hat, sollte das schnellstmöglich nachholen. ChatGPT generiert extrem gute Texte basierend auf dem Wissen des Internets. Wer mehr über generative KI erfahren möchte, der sollte sich dieses YouTube-Video ansehen.

Generative KI basiert auf einem KI-Modell, welches zunächst mit Daten trainiert wurde. Hierzu wird meistens ein Datensatz aus dem Internet genommen. In diesem Datensatz sind alle Informationen, die ein sogenannter Crawler (Datensammler) bekommen kann, enthalten. Dies inkludiert u. A. Webseiten, Blogseiten, Wikipedia-Einträge und Co. Dadurch erhält ein generatives KI-Modell ein extrem breites Allgemeinwissen. Doch wie funktioniert das Modell? Dahinter stecken mathematische Wahrscheinlichkeiten: Wenn ein KI-Modell einen Text generiert, dann wird das nächste Wort aufgrund von mathematischen Wahrscheinlichkeiten wiedergeben. Es handelt sich also nicht um eine echte Intelligenz, sondern um das Aneinanderreihen von Worten zu einem bestimmten Thema. Somit kann eine generative KI (Stand heute) keine neuen Informationen erfinden, sondern gibt ausschließlich bereits Erlerntes wieder. Aus technischer Sicht ist ein sogenanntes Finetuning bzw. Nachtrainieren möglich. Damit können gewisse Bereiche des KI-Modells mit einem spezifischen Wissen nachtrainiert werden. So könnte ein Datensatz bestehend aus FAQ genutzt werden, um das Modell nachzutrainieren, damit es Fragen, die spezifisch aus diesem Datensatz kommen, beantworten kann. Ein alternativer und nachhaltigerer Ansatz zur Integration von generativer KI mit unternehmensinternen Daten ist „Retrieval Augmented Generation“. Der Ansatz ist in diesem Artikel erklärt.

Generative KI kann auf zwei Arten als Risiko für den Mittelstand interpretiert werden:

1. Verliere ich geistiges Eigentum durch den Einsatz generativer KI?

Ob man geisitiges Eigentum durch den Einsatz von generativer KI verliert, hängt vor allen Dingen von dem Einsatz eben dieser ab. Einerseits gibt es große Anbieter solcher Systeme wie OpenAI (der Hersteller von ChatGPT) oder Google, die u. A. die Eingaben von Nutzer:innen zum Training ihrer KI-Modelle verwenden. Sie bieten jedoch auch bestimmte (bezahlte) Varianten, über die sie garantieren, dass die erstellten Chatverläufe nicht zum Training von ihren KI-Modellen verwendet werden. Ein weiterer Punkt ist die DSGVO-Konformität. Aktuell sitzen viele der Anbieter für generative KI in den USA – womit die Einhaltung der DSGVO nicht garantiert werden kann.  Doch auch in Deutschland gibt es mittlerweile einige Anbieter wie amberSearch, die durch das Training eigener KI-Modelle DSGVO-konforme Lösungen anbieten können.

Somit ist die Frage, ob man durch den Einsatz von generativer KI Intellectual Property verliert eher eine Frage des KI-Tools, das man nutzt.

2. Werden wir unsere Geschäftsgrundlage aufgrund von generativer KI verlieren?

Wie bereits angeschnitten, besitzt künstliche Intelligenz aktuell keine echte Intelligenz, sondern kann nur bereits erlernte Sachen wiedergeben. Durch eine generative KI wird – Stand heute – also kein neues Wissen hervorgebracht. Generative KI ist somit ein Assistenzsystem, welches den Nutzer:innen hilft, gewisse Aufgaben schneller zu lösen. Dennoch sind die möglichen Effizienzgewinne dieser Technologie nicht zu vernachlässigen. Abhängig davon, in welcher Branche man sich befindet, können die Effizienzgewinne durchaus so groß sein, dass man – wenn man sich der Technologie verwehrt – von anderen Anbietern überholt wird.

Neben den genannten Fragen ergeben sich durch den Einsatz von generativer KI einige weitere Fragestellungen, auf die ich mich kurz beziehen will. Dazu gehört u. A. die Halluzination. Dadurch, dass KI-Modelle mit riesigen Mengen von Daten trainiert werden, werfen Sie schon mal Dinge „durcheinander“. Auf Nutzer:innen wirkt dies, als ob das KI-Modell halluzinieren würde. Für Unternehmen ist es daher wichtig, bei der Nutzung solcher Systeme den „gesunden Menschenverstand“ zu nutzen und den Informations-Output zu bewerten und nicht einfach blind zu übernehmen. Des Weiteren ergeben sich durch generative KI natürlich einige gesellschaftliche Challenges (wie bspw. massenhafte Erstellung von Fakenews), deren Einordnung jedoch den Rahmen dieses Blogbeitrages sprengen würde.

Es gibt diverse Tools, die es Unternehmen ermöglichen, erste Erfahrungen mit generativer KI zu machen. In unserem Webinar „generative KI DSGVO-konform im Unternehmen einsetzen“ stellen wir ab Minute 35 und 35 Sekunden einige Tools vor, die verschiedene Anwendungsfälle erlauben. Zusätzlich haben wir bei amberSearch eine öffentliche Demo erstellt, die die IT-Infrastruktur eines Unternehmens simuliert und mögliche Anwendungsfälle auf unternehmensinternen Systemen darstellt.

Wer generative KI langfristig im Unternehmen einsetzen möchte, der sollte sich bewusst sein, dass der Einsatz dieser KI-Modelle verhältnismäßig viele Server-Ressourcen benötigt. Bei einem On Premise Deployment können so schnell mittlere fünfstellige Investments anfallen. Daher werden generative KI-Modelle normalerweise als Managed Service angeboten.