Versprochen von ChatGPT

Ob für Recher­chen, Brain­stor­ming oder das Erstel­len von Tex­ten – viele große Unter­neh­men wol­len das Sprach­mo­dell ChatGPT ein­füh­ren. Oder sie nut­zen es bereits – zum Teil mit indi­vi­dua­li­sier­tem Zuschnitt. Die Hoff­nung: Das Instru­ment der künst­li­chen Intel­li­genz (KI) soll Mit­ar­bei­ten­de ent­las­ten und die Pro­duk­ti­vi­tät stei­gern. Doch Geschäfts­pro­zes­se zu ver­bes­sern und das Per­so­nal im pro­fes­sio­nel­len Umgang mit dem neuen digi­ta­len Kol­le­gen zu trai­nie­ren, ist eine manch­mal unter­schätz­te Herausforderung.

Ers­ter Schritt in jedem Fall: ChatGPT soll­te in sei­nen Grund­la­gen, Fähig­kei­ten und Gren­zen ver­stan­den wer­den. Das inter­dis­zi­pli­nä­re Exper­ten­team für Daten­ana­ly­se und künst­li­che Intel­li­genz der Manage­ment­be­ra­tung Por­sche Con­sul­ting gibt Ant­wor­ten auf elf klas­si­sche Fra­gen und beschreibt Lösun­gen aus Erfah­run­gen bei Klienten.

Dana Rui­ter: „ChatGPT ist ein soge­nann­ter Chat­bot – ein Sprach­mo­dell, das mit künst­li­cher Intel­li­genz mensch­li­che Spra­che simu­lie­ren kann. ChatGPT hat gelernt, Fra­gen mög­lichst men­schen­ähn­lich zu beant­wor­ten. Dadurch sehen die Ant­wor­ten von ChatGPT schon sehr natür­lich aus. Aber täu­schen las­sen soll­te man sich nicht: Es ist ein Sprach­mo­dell und kein Wis­sens­mo­dell. Und Vor­sicht: Das Modell hat auch nicht das Ziel, fak­tisch kor­rek­te Infor­ma­tio­nen aus­zu­ge­ben. Trotz­dem zei­gen große Sprach­mo­del­le erstaun­li­che Abs­trak­ti­ons­fä­hig­kei­ten. Sie sind in der Lage, ver­schie­dens­te Auf­ga­ben zu erle­di­gen, ohne dass ein Ent­wick­ler es ihnen vor­her bei­gebracht hat. Große Sprach­mo­del­le haben nicht nur die KI-For­schungs­welt, son­dern auch die Geschäfts­welt aufgemischt.“

Dana Rui­ter: „Im soge­nann­ten ‚Pre-Trai­ning‘ lernt das Sprach­mo­dell mit­hil­fe rie­si­ger Daten­men­gen aus dem Inter­net, wie mensch­li­che Spra­che auf­ge­baut ist. Dar­auf folgt das ‚Fine-Tuning‘, bei dem das Modell lernt, eine bestimm­te Auf­ga­be aus­zu­füh­ren. Bei ChatGPT haben die Ent­wick­ler dem Modell sehr viele Frage-Ant­wort-Paare gezeigt. Dadurch hat das Modell gelernt, das Beant­wor­ten von Fra­gen zu simu­lie­ren. Der letz­te Lern­schritt bei ChatGPT ist kon­ti­nu­ier­lich und pas­siert auch heute noch: Durch Feed­back der Men­schen als Nut­zer erkennt das Modell, wel­che von ihm gene­rier­ten Ant­wor­ten hilf­reich waren und wel­che nicht. Das geschieht immer, wenn jemand etwas in ChatGPT ein­gibt und anschlie­ßend die gene­rier­te Ant­wort als gut oder schlecht bewer­tet. Die­ser Input der Nut­zer kann dazu bei­tra­gen, dass die Ant­wor­ten künf­tig vom Sprach­mo­dell pas­sen­der for­mu­liert werden.“

Dana Rui­ter: „Große Sprach­mo­del­le haben die beson­de­re Eigen­schaft, dass sie mit wach­sen­der Kom­ple­xi­tät, also der Anzahl an Trai­nings­da­ten und Neu­ro­nen, immer mehr eigen­stän­di­ge Fähig­kei­ten auf­wei­sen. Ohne dass jemand es ihnen expli­zit bei­gebracht hätte, kön­nen die Model­le plötz­lich erstaun­li­che Dinge. Zum Bei­spiel könn­te ich ChatGPT auf­for­dern, eine salopp geschrie­be­ne E‑Mail aus dem Deut­schen in Shake­speare-Eng­lisch zu über­set­zen. Das geht tat­säch­lich, obwohl das Modell solch eine Fra­ge­stel­lung wäh­rend des Trai­nings sicher­lich nicht gese­hen hat. Sprach­mo­del­le kön­nen das, weil sie ver­schie­de­ne Abs­trak­ti­ons­ebe­nen ler­nen. Eigent­lich ähn­lich wie ein Gehirn: Auf den unters­ten Ebe­nen befin­den sich sehr grund­le­gen­de Infor­ma­tio­nen, wie zum Bei­spiel Wort­be­deu­tun­gen. Auf den mitt­le­ren Ebe­nen wer­den Wör­ter schon in Kon­text gesetzt, und auf der letz­ten Ebene liegt die Abs­trak­ti­on. Wenn das Modell nun also eine salop­pe deut­sche E‑Mail in Shake­speare-Eng­lisch über­set­zen soll, dann kennt es die Kon­zep­te Deutsch, Shake­speare-Eng­lisch und Über­set­zung auf der Abs­trak­ti­ons­ebe­ne und weiß, wie zu for­mu­lie­ren ist. Das ist auch aus wis­sen­schaft­li­cher Sicht sehr beein­dru­ckend, und man hätte so etwas vor eini­gen Mona­ten noch kaum für mög­lich gehalten.

Aber auch hier gilt Vor­sicht: Ver­steht das Modell ein Kon­zept nicht voll­stän­dig oder wird es von einem Begriff inner­halb der Auf­ga­be unbe­ab­sich­tigt in eine fal­sche Rich­tung gelenkt, kön­nen fal­sche Ergeb­nis­se ent­ste­hen. Fach­leu­te spre­chen dann von Hal­lu­zi­na­tio­nen. Sie machen es schwer, gene­ra­ti­ve KI-Model­le sta­bil einzusetzen.“

Dana Rui­ter: „Viele Berei­che wer­den in Zukunft stark von gene­ra­ti­ver KI pro­fi­tie­ren. Durch die hohen Per­so­nal­kos­ten ist das Poten­zi­al in eini­gen Bran­chen beson­ders hoch: Zum Bei­spiel Medi­zin und Recht, aber auch die Ver­wal­tung kön­nen stark pro­fi­tie­ren. Das Wich­ti­ge ist hier, dass die repe­ti­ti­ve Arbeit abge­nom­men wird und die Exper­ten sich auf das kon­zen­trie­ren kön­nen, wofür ihr Know-how direkt benö­tigt wird. Zum Bei­spiel: Wäh­rend eine Ärz­tin einen Pati­en­ten unter­sucht, kann sie über Sprach­er­ken­nung die Pati­en­ten­ak­te vor­aus­fül­len und hat somit mehr Zeit, sich auf die Inter­ak­ti­on mit dem Pati­en­ten zu kon­zen­trie­ren. Wich­tig ist dabei natür­lich immer, dass der Exper­te am Ende alles veri­fi­ziert und die Hand­lungs­ent­schei­dung trifft.

Auch Juris­ten kön­nen von gene­ra­ti­ver KI pro­fi­tie­ren. KI-Model­le kön­nen bereits heute in Mas­sen an Geset­zes­tex­ten die pas­sen­den Infor­ma­tio­nen für eine Fra­ge­stel­lung fin­den und auch zusam­men­fas­sen. Somit spa­ren sich die Juris­ten diese Rou­ti­ne­ar­beit, und das juris­ti­sche Beur­tei­lungs­ver­mö­gen wird dann für kom­ple­xe­re Fra­ge­stel­lun­gen freigestellt.

Für die Medi­en besteht ein Pro­blem bei der Ver­wen­dung von gene­ra­ti­ver KI: Sie ist momen­tan nicht mit dem Welt­ge­sche­hen ver­knüpft und kann des­halb keine wirk­lich inno­va­ti­ven und fak­tisch kor­rek­ten Nach­rich­ten auto­ma­tisch schrei­ben. Das hin­dert Kri­mi­nel­le natür­lich nicht, Fal­sch­nach­rich­ten mit­tels KI zu gene­rie­ren und mas­sen­haft in den sozia­len Medi­en zu verbreiten.“

Dana Rui­ter: „Es ist wich­tig, sich immer vor Augen zu hal­ten: ChatGPT ist ein Sprach­mo­dell und kein Wis­sens­mo­dell. Die wis­sen­schaft­li­che Arbeit besteht darin, die Welt und ihre Eigen­schaf­ten zu beob­ach­ten und die gewon­ne­nen Erkennt­nis­se dem bis­he­ri­gen Wis­sens­ka­non gegen­über­zu­stel­len. ChatGPT kann nichts von bei­den: Weder kann es die Welt beob­ach­ten, noch kann es fak­tisch kor­rekt den bis­he­ri­gen Wis­sens­ka­non wie­der­ge­ben. Es kann jedoch sehr gut die Form einer wis­sen­schaft­li­chen Arbeit simu­lie­ren. Dies kann als For­mu­lie­rungs­hil­fe hilf­reich sein, sofern die eige­nen For­schungs­er­geb­nis­se bereits vor­lie­gen und die Lite­ra­tur­re­cher­che erfolgt ist. Die wis­sen­schaft­li­che Arbeit wird dadurch jedoch nicht wegfallen.“

Dana Rui­ter: „Durch Prompt-Engi­nee­ring lässt sich die Aus­ga­be der Model­le mani­pu­lie­ren. Das Pro­blem ist hier­bei wei­ter­hin die Intrans­pa­renz des Sys­tems und die feh­len­de Robust­heit der Aus­ga­ben. Es ist intrans­pa­rent, weil unklar ist, wel­che Begrif­fe in den Prompts wel­che Wir­kun­gen auf die gene­rier­ten Sätze haben. Es ist ein rei­nes Trial-und-Error. Die feh­len­de Trans­pa­renz führt zu man­geln­der Robust­heit die­ser Model­le: Ein Prompt, der ein­mal das gewünsch­te Ergeb­nis lie­fer­te, kann mit leicht geän­der­tem Input zu uner­wünsch­ten Out­puts füh­ren. Das macht es beson­ders schwer, gene­ra­ti­ve KI-Model­le in Pro­duk­ti­ons­sys­te­me zu inte­grie­ren. Kei­ner möch­te schließ­lich, dass auf­grund eines Trig­gers im Benut­ze­rin­put das Modell plötz­lich Hass­re­den oder ande­re unge­woll­te Inhal­te ausgibt.“

Kevin Lin: „Im Gegen­satz zum häu­fi­gen Gebrauch von ChatGPT als Such­ma­schi­ne sehe ich den Haupt­nut­zen von ChatGPT in der auto­ma­ti­schen Ver­ar­bei­tung von Doku­men­ten. Sei es, um Kun­den­be­schwer­den auto­ma­tisch zu klas­si­fi­zie­ren und an den rich­ti­gen Kun­den­be­treu­er wei­ter­zu­lei­ten, um rele­van­te admi­nis­tra­ti­ve Infor­ma­tio­nen zu iden­ti­fi­zie­ren und ver­ständ­lich zusam­men­zu­fas­sen oder um den eige­nen Schreib­stil zu ver­bes­sern. All dies sind The­men, die bran­chen­über­grei­fend rele­vant sind und die leicht einen gro­ßen Mehr­wert stif­ten kön­nen. Moti­va­ti­on, Lösun­gen basie­rend auf gene­ra­ti­ver KI anzu­wen­den, wird vor allem in Berei­chen ent­ste­hen, wo die Per­so­nal­kos­ten hoch sind oder wo ein Per­so­nal­man­gel besteht. Zum Bei­spiel im kli­ni­schen, juris­ti­schen, aber auch admi­nis­tra­ti­ven Bereich.“

Kevin Lin: „Die Arbeits­welt wird sich ändern. Das Gute ist, dass qua­li­fi­zier­te Arbeit auch wei­ter­hin von qua­li­fi­zier­ten Men­schen aus­ge­führt wer­den muss. ChatGPT kann einem Arzt nicht die Inter­ak­ti­on mit dem Pati­en­ten und einem Juris­ten nicht das Abseg­nen eines was­ser­fes­ten Ver­trags abneh­men. Das Zusam­men­brin­gen von Welt- und Fach­wis­sen, zusam­men mit situa­ti­vem und sozia­lem Han­deln, wird noch lange bei gut aus­ge­bil­de­ten mensch­li­chen Fach­leu­ten lie­gen. Repe­ti­ti­ve Auf­ga­ben, die stets einem gewis­sen Mus­ter fol­gen, wer­den jedoch in Zukunft öfter weg­fal­len. Dies ist beson­ders für Ser­vice­leis­tun­gen, zum Bei­spiel bei der Ver­ar­bei­tung von Beschwer­den, oder für Ver­wal­tungs­auf­ga­ben ein gro­ßer Hebel, um effi­zi­en­ter zu wer­den und in Zukunft auf weni­ger, aber dafür hoch­qua­li­fi­zier­tes Per­so­nal zu setzen.

Eini­ge Auf­ga­ben wer­den in Zukunft von gene­ra­ti­ver KI erle­digt, das ist klar. Des­we­gen wird neben der bereits vor­han­de­nen eige­nen Fach­kom­pe­tenz der Mit­ar­bei­ten­den auch ihr Ver­ständ­nis bezüg­lich der Fähig­kei­ten und Schwie­rig­kei­ten die­ser gene­ra­ti­ven Model­le immer wich­ti­ger wer­den. Hier besteht gro­ßer Bedarf an Wei­ter­bil­dung unter kom­pe­ten­ter Schu­lung und Lei­tung, direkt in den Unter­neh­men. Nur dann kann gene­ra­ti­ve KI sinn­voll und sicher ange­wandt werden.“

Dana Rui­ter: „Viele ver­wech­seln ChatGPT mit einer Art Such­ma­schi­ne. Das ist es jedoch nicht. ChatGPT hat nur gelernt, das Beant­wor­ten von Fra­gen zu simu­lie­ren. Ob diese Ant­wor­ten fak­tisch kor­rekt sind, ist nicht Bestand­teil der Ziel­set­zung wäh­rend des Trai­nings. ChatGPT kann auch nicht garan­tie­ren, dass gene­rier­te Sätze stets den Erwar­tun­gen des Bereit­stel­lers der Infor­ma­tio­nen ent­spre­chen. Ein Bei­spiel: Ich baue mit ChatGPT ein Tool, das Kun­den hilft, E‑Mails pro­fes­sio­nel­ler zu for­mu­lie­ren. Wäh­rend ich mein Tool teste, scheint es gut zu funk­tio­nie­ren, und meine umfor­mu­lier­ten E‑Mails klin­gen pro­fes­sio­nell und höf­lich. Nun gebe ich mein Tool an echte Nut­zer, die alles Mög­li­che dort ein­ge­ben, und plötz­lich gibt es Beschwer­den, dass das Tool Teile des Ori­gi­nal­tex­tes ver­gisst oder neue Inhal­te erfin­det. Es gibt keine Garan­tie, dass das Sys­tem immer wie erwar­tet reagiert. Aus die­sem Grund wird in hoch­sen­si­blen Pro­duk­ti­ons­sys­te­men oft noch an regel­ba­sier­ten Ver­fah­ren fest­ge­hal­ten. Die ver­spre­chen eine gewis­se Garan­tie für sau­be­re, kor­rek­te Out­puts. In Zukunft wird es noch mehr Hybrid­sys­te­me geben, die Out­puts von gene­ra­ti­ver KI mit regel­ba­sier­ten Model­len ver­bin­den, um mehr Robust­heit zu schaffen.“

Fabi­an Schmidt: „ChatGPT von Ope­nAI ist erst mal nur ein Chat­bot, der auf einem Sprach­mo­dell beruht. Diese Art von Tech­no­lo­gie ist nicht ein­zig­ar­tig. Und es gibt genü­gend ande­re Wett­be­wer­ber. Neben Clo­sed-Source-Model­len von Big-Tech wie Bard (Goog­le) gibt es auch regio­na­le Spe­zi­al­lö­sun­gen von Start-ups. Im Jahr 2022 hat die Manage­ment­be­ra­tung Por­sche Con­sul­ting im Rah­men des Deut­schen Grün­der­prei­ses das Hei­del­ber­ger KI-Start-up Aleph Alpha bera­ten. Des­sen Sprach­mo­dell Lumi­nous ist für den deut­schen Markt beson­ders bemer­kens­wert. Die Beson­der­heit von Aleph Alpha ist der euro­päi­sche Fokus. Die Model­le wer­den in Deutsch­land gehos­tet und unter­lie­gen den hohen Stan­dards des euro­päi­schen Daten­schutz­rechts. Es gibt jedoch zwei Haupt­pro­ble­me mit vie­len Clo­sed-Source-Lösun­gen: Die Model­le sind oft nicht frei adap­tier­bar. Und: Die Daten- und Modell­ho­heit liegt hier oft in exter­nen Hän­den. Dies ist beson­ders pro­ble­ma­tisch, wenn die Model­le im nicht euro­päi­schen Aus­land lie­gen und es keine Mög­lich­keit zur Kon­trol­le über die Ver­ar­bei­tung der eige­nen Daten gibt. Des­we­gen sind für die eige­ne Ent­wick­lung von Lösun­gen die Open-Source-Model­le oft emp­feh­lens­wert. Für große Sprach­mo­del­le gibt es da bereits eini­ge Lösun­gen, wie zum Bei­spiel LLaMA (Meta) und BLOOM (Hug­ging Face). Sie wer­den lokal gehos­tet und nach Belie­ben ange­passt. Das erlaubt volle Kon­trol­le über das Modell und die eige­nen Daten. Wenn auch klei­ne­re Sprach­mo­del­le aus­rei­chen – zum Bei­spiel für grund­le­gen­de­re Auf­ga­ben wie zum Bei­spiel die Klas­si­fi­zie­rung von Kun­den­be­schwer­den oder die Iden­ti­fi­zie­rung von Trends in sozia­len Medi­en –, dann gibt es eine ganze Band­brei­te an Open-Source-Sprach­mo­del­len, wie zum Bei­spiel BERT, XLM oder Camem­BERT. Sam­mel­por­ta­le wie Hug­ging Face geben frei­en Zugriff auf diese Model­le, zusam­men mit Hilfs­funk­tio­nen, um diese leicht auf den eige­nen Use-Case zu adaptieren.“

Fabi­an Schmidt: „Als Bera­ter schau­en wir im ers­ten Schritt gemein­sam mit dem Kli­en­ten auf die Fra­ge­stel­lung: Gibt es bereits ein kon­kre­tes Pro­blem, das die KI lösen soll? Oder geht es darum, neue und inno­va­ti­ve KI-Lösun­gen mit gene­ra­ti­ver KI zu ent­de­cken? In die­sem Fall hilft ein Work­shop zusam­men mit Fach­leu­ten oder zum Bei­spiel die Nut­zung des Por­sche Con­sul­ting Inno­Lab in Ber­lin. Sobald kon­kre­te Use-Cases klar sind, kann die eigent­li­che Ent­schei­dungs­fin­dung für die Umset­zung beginnen.

Eine Frage, die gleich zu Anfang beant­wor­tet wer­den soll­te, lau­tet: Ist es über­haupt sinn­voll, die vor­lie­gen­de Auf­ga­be tat­säch­lich mit gene­ra­ti­ver KI zu auto­ma­ti­sie­ren? Wenn das der Fall ist und eine KI-Lösung geld- und zeit­spa­rend ist, dann kann man im nächs­ten Schritt schau­en, ob es nicht bereits eine pas­sen­de Off-the-Shelf-Lösung auf dem Markt gibt. Hier ist wich­tig, dass diese Lösun­gen nicht unbe­dingt immer von den Big-Play­ern (Micro­soft, Goog­le etc.) kom­men müs­sen. Denn die bauen eher auf sehr brei­te Benutz­bar­keit, die jedoch nicht für jeden spe­zi­fi­schen Use-Case pas­send sein muss. Oft­mals bie­ten klei­ne­re Unter­neh­men oder eta­blier­te Start-ups sehr pas­sen­de Lösun­gen für spe­zi­fi­sche Bran­chen und Use-Cases an. Um hier einen guten Über­blick zu bekom­men, emp­feh­len wir eine Markt­ana­ly­se mit Fokus auf The­men wie Daten­si­cher­heit, tech­ni­sche Reife und Skalierbarkeit.

Falls sich jedoch keine gute vor­ge­fer­tig­te Lösung fin­den lässt, muss eine eige­ne Lösung her. Als Bera­ter von Por­sche Con­sul­ting klä­ren wir dann gemein­sam mit unse­ren Kli­en­ten die Daten­grund­la­ge. Die Daten­ex­per­ten aus unse­rem Team küm­mern sich im nächs­ten Schritt um die Anony­mi­sie­rung und Auf­be­rei­tung der Daten. Erst danach wird das eigent­li­che Modell an den Use-Case ange­passt und in meh­re­ren Feed­back-Run­den zusam­men mit dem Kun­den ver­fei­nert. Bei Eigen­ent­wick­lun­gen ach­ten wir beson­ders auf Daten- und Modell­ho­heit. Denn: Kei­ner möch­te, dass die eige­nen Unter­neh­mens­da­ten plötz­lich in frem­de Hände gera­ten. Open-Source-Model­le, die lokal gehos­tet und belie­big adap­tiert wer­den kön­nen, bie­ten hier oft die sichers­te Mög­lich­keit für soli­de Eigenentwicklungen.“

Direkt­kon­takt zu Por­sche Con­sul­ting, Fach­be­reich Arti­fi­ci­al Intel­li­gence and Data Ana­ly­tics:  ai@porsche-consulting.com