Teil 4: Die Voraussetzungen für den Einsatz von KI
Es liegt auf der Hand, dass die Verwendung personalisierter Kundendaten eine der wichtigsten Zutaten für die Schaffung besserer Kundenerlebnisse ist. In den letzten Jahren wurde viel über die Schaffung „intelligenter Erlebnisse“ geschrieben, und angesichts der zunehmenden Fähigkeiten KI-basierter Datenverarbeitungsroutinen bestehen große Hoffnungen, dass der Einsatz dieser hochentwickelten Technologie bessere, ansprechendere Erlebnisse zutage fördern wird.
Ein aktueller Artikel in der Harvard Business Review vom März 2022 (hier) hat die vor uns liegende Aufgabe skizziert und die Bedeutung des Zusammenspiels der beteiligten Domänen, einschließlich der KI, hervorgehoben: „Dies ist nicht nur eine Übung in Customer Journey Mapping oder Technologieplanung. Es geht darum, den Front-End-Flow zum Kunden und den Back-End-Treibstoff zu entwickeln, um intelligente Erlebnismaschinen anzutreiben.“
Der Artikel berichtet auch über die Bedeutung der Konzeption von Erlebnissen von Anfang bis Ende. Die Autoren schreiben: „Um jedes einzelne Ziel zu erfüllen, das der Kunde für ein End-to-End-Erlebnis haben könnte, müssen Unternehmen darüber nachdenken, wie sie den Ablauf eines bestimmten Moments gestalten, welche Informationen zu seiner Unterstützung erforderlich sind und welche kanal- oder akteurübergreifenden Verbindungen erforderlich sind, um die Interaktion erfolgreich abzuschließen.“ (ebda, Übersetzung von mir)
Mit anderen Worten: Bevor wir uns ernsthaft mit KI beschäftigen können, müssen wir Systeme aufbauen, die Aktionen mit Wirkung und Bedeutung ausstatten und Muster generieren können, aus denen andere Systeme Erkenntnisse ableiten können. Dies ist zunächst ein ziemlich abstraktes Konzept. Lassen Sie mich also die Überlegungen dahinter anhand einiger Eckpfeiler skizzieren.
1. Die Konzentration auf Mikroziele
Obwohl jedes Unternehmen daran interessiert sein muss, sowohl die Daten-Ausgangsbasis als auch die Erfassung der Verkäufe richtig zu gestalten, ist eine aggregierte Betrachtung einzelner Kundenaktionen nicht mehr hilfreich. Wenn Ihr Unternehmen eine hilfreichen Software-as-a-Service (SaaS)-Lösung für die Verwaltung von Mitarbeitern in mittelständischen Unternehmen produziert und auf ihrer Website potenziellen Kunden lediglich die Buchung einer Live-Demo angeboten wird, werden Sie zwar einige Buchungen für die Demo erhalten, aber von der überwiegenden Mehrheit der Website-Besucher werden Sie keinerlei Rückmeldung bezüglich des geweckten Interesses bekommen. Es geht heute nicht mehr darum, wie clever Ihre Lösung ist, sondern wie verständlich und sinnvoll diese Lösung ihren Kunden auf Anhieb erscheint. Und auch wenn das Produktmanagement lediglich an der Anzahl der gebuchten Live-Demos interessiert ist, kann es doch helfen, Daten über die Erreichung kleinerer Zwischenziele zu sammeln. Haben die Besucher der Website die angebotenen Produkt- und Serviceinformationen gelesen? Ist die Seite mit den Erläuterungen, was “SaaS” überhaupt bedeutet, gesehen worden? Wurde durch die Sektion “Was unsere Kunden über uns sagen” geblättert?
Stellen Sie sich einen Personalleiter vor, der eine ganze Reihe von SaaS-Produkten sichten und bewerten muss. Bevor er bereit ist, eine Live-Demonstration von einer einzelnen Firma zu buchen, müssen noch einige andere offene Fragen geklärt werden: Ist dies ein vertrauenswürdiger Anbieter? Können wir während unserer normalen Geschäftszeiten Support für unsere eigene Kundenbetreuung erhalten? Entstehen über die monatliche Gebühr pro Benutzer hinaus weitere Kosten?
Dabei kommt es nicht so sehr auf die Vorlieben des Personalleiters an, sondern auf die Tatsache, dass ein Personalleiter Entscheidungen treffen und Vorschläge machen muss, die transparent sind und aus der Perspektive anderer Unternehmensfunktionen als vernünftig angesehen werden müssen. Was muss der Chief Information Officer (CIO) über die SaaS-Lösung wissen? Wie können bestehende Datenschutz- und Sicherheitsrichtlinien umgesetzt, deren Einhaltung sichergestellt und ordnungsgemäß überwacht werden? Wie werden existierende interne IT-Systeme und HR-Datenbanken in die vorliegende SaaS-Lösung eingebunden? Und wie können mit dieser brillanten neuen Lösung generierte Datenmuster extrahiert und in die eigenen Systeme der Kunden eingespeist werden, um Vorteile zu erzielen? Schließlich, wie der Chief Financial Officer (CFO) eines Unternehmens fragen würde: “Was kostet uns das alles? Und wofür bezahlen wir genau?”
2. Personalisierung richtig machen
Obwohl es leicht vorstellbar ist, dass bestimmte Unternehmensfunktionen sehr unterschiedliche Interessen haben (CFOs und CIOs haben meist ganz unterschiedliche Anforderungen an dieselbe Sache), müssen wir prüfen, wie gut neuartige Systeme für unterschiedliche Reifegrade von Organisationen geeignet sind. Der Grad der Bereitschaft zum Einsatz automatisierter Entscheidungsfindung variiert stark zwischen und innerhalb von Branchen, aber wenn ein gewisser Grad an Prozessformalisierung die Voraussetzung für die Inbetriebnahme eines Systems ist, ist seine Chance, dass es in eine unreife Organisation übernommen wird, eher gering.
Die Bereitstellung von Beratungsleistungen bei der Schaffung der erforderlichen Organisationsstandards ist ein individueller Service, von dem viele Unternehmen potenziell profitieren können. Es ist wichtig, dass das Geschäftsmodell des SaaS-Anbieters die Entwicklung der Prozesse seiner Kundenorganisationen unterstützt – aber viele SaaS-Unternehmen konzentrieren sich immer noch zuerst auf ihre eigene Produktentwicklung und erwarten, dass eine Produkt-Kunden-Beziehung organisch entsteht und vom ersten Moment an erreicht werden kann.
3. Erfüllung im Geschäftsinteresse des Kunden
Egal wie gut ein Angebot aus technischer oder organisatorischer Sicht definiert ist: Wenn eine Kundenorganisation keinen unmittelbaren Wert aus einer angebotenen Lösung generieren kann, da die Organisation nicht das erforderliche Maß an Prozessdefinitionen erfüllt, wird die vorgeschlagene Lösung wahrscheinlich nicht über die Pilotimplementierung hinauskommen.
Die direkten Kosten für den Wechsel von Anbietern oder Systemen sind beim Einsatz von SaaS-Lösungen vergleichsweise gering. Gerade weil das grundlegende Leistungsversprechen von Software-as-a-Service die vergleichsweise einfache Inbetriebnahme ist, da komplizierte Serverarchitekturen und lokale Softwareinstallationen entfallen, ist es von größter Bedeutung, dass die Bereitstellung der Leistung sich nicht allein auf die bezahlten monatlichen Lizenzgebühren konzentriert, sondern dass eine Sichtweise auf den „für die Kundenorganisation geschaffenen Wert“ entsteht.
Die meisten Leistungsmetriken, die Unternehmen einsetzen, sind heutzutage allerdings Inside-Out-Metriken. Sie decken ab, welche unserer Kampagnen den größten ROI hatten, welche unserer Produkte sich am besten verkauften usw. Die eigenen Tätigkeiten stehen im Vordergrund. Nur selten sehen wir hier kundenwertbasierte Metriken im Einsatz.
4. Kanalbindung überwinden
Die Abteilungsstruktur von Organisationen hat bei der Erstellung nahtloser Kundenenerlebniskartierungen nicht viel geholfen. Wenn Interaktionen und Verkäufe an bestimmte Kanäle gebunden sind, die von bestimmten Abteilungen verwaltet und bespielt werden (und wenn, wie Resmini bemerkt „das Bewusstsein des Systems für laufende Aktivitäten begrenzt ist“), sehen wir viele abgebrochene Benutzeraktionen ohne Verständnis der Ursachen und Motivationen. Mehr noch: sehr oft entgehen uns die möglichen Erfahrungsstolpersteine, die sich aus dem (mangelnden) Zusammenspiel konkurrierender Kontaktpunkte ergeben. Die Systeme, die wir bisher gebaut haben, konzentrieren sich auf Transaktionsprozesse im großen Maßstab (den Kauf eines Produkts, die Buchung einer Live-Demo oder die Erstellung eines Online-Kontos), aber die Zielerreichung wird fast immer als Kanalleistung betrachtet. Wir müssen das ändern, um zu verstehen, wie Bedeutung in allen verschiedenen Phasen der Kundeninteraktionen entsteht und geschaffen werden kann.
5. Es geht um End-to-End-Erfahrungen, nicht um Konversionspunkte
Wie in unserem ersten Beispiel mit dem Pizzarestaurant (siehe Teil 1 dieser Reihe geschildert), entfaltet sich eine Kundenerfahrung im Laufe der Zeit als eine bestimmte Abfolge bedeutungsvoller Ereignisse. Die Motivationen der Kunden können sich im Laufe des Prozesses ändern, und neu entstehende Kundenbedürfnisse (zum Beispiel die Veränderung von Auswahloptionen oder die Vergewisserung, dass die ursprünglich angewandten Auswahlkriterien immer noch schlüssig sind) strukturieren den Erlebnispfad in weitaus größerem Maße als die Reihe von Happy-Path-Meilensteinen, aus denen unsere anfänglichen Customer-Journey-Zeichnungen oft bestehen.
Aber ein reibungsloser Prozessfortschritt ist wirklich nur die eine Seite der Medaille. Das Prinzip sinnhaften menschlichen Erlebens beinhaltet viel mehr als das Erreichen eines Ziels ohne große Anstrengung. Aus Kundensicht entsteht der Erlebniswert durch die Ermöglichung sinnvoller situativer Entscheidungen, nicht durch einen „Ein-Klick-Kauf“. Hier kann uns KI zu Hilfe kommen: Im Gegensatz zur Schaffung starrer regelbasierter Systeme arbeiten KI-Systeme hauptsächlich auf der Grundlage von Wahrscheinlichkeitsprinzipien.
Neu ist, dass sich diese Gestaltungsprinzipien sich auf ganze Ereignisabfolgen erstrecken, nicht mehr auf Einzelereignisse. Zielorientierung und Handlungsautonomie sind zutiefst menschliche Zielsetzungen. Wir brauchen also heuristische Bewertungsmuster, um die Komplexität dieser Ereignisabfolgen genauer in den Blick zu bekommen.
Mit Hilfe von maschinellem Lernen können wir eine KI bereits heute Texte klassifizieren und ganze Ereignissequenzen erfassen lassen, um das direkte und indirekte Interesse der Akteure an Produkten und Dienstleistungen vor einem Verkaufsabschluss zu ermitteln. Wir sollten in absehbarer Zeit also besser in der Lage sein als heutzutage, ein tiefes Verständnis der Faktoren zu erlangen, die Menschen anwenden, bevor sie Schlussfolgerungen ziehen. Die Benutzerreisen, die wir auf der Grundlage dieser Erkenntnisse erstellen werden, sind möglicherweise etwas verschlungener und indirekter als die neoklassische Ökonomie es vorsieht – ich persönlich denke aber, es hängt viel davon ab, ob wir die Selbstvergewisserung und Wirkmächtigkeit von unabhängigen Akteuren oder den Impulskauf durch passive Nutzer in den Vordergrund stellen möchten.
Und hier ist der Knackpunkt, der sich aus dem Blickwinkel dieser Artikelserie ergibt: Trotz allem Anschein ist die Nutzung von KI zur Verbesserung des Kundenerlebnisses nicht in erster Linie eine technische Aufgabe. Natürlich: Technologie ist bis zu einem gewissen Grad beteiligt, aber bei der Gestaltung sinnhafter Kundenerlebnisse scheint es viel mehr organisatorische als technische Herausforderungen zu geben.
Erst die Menschen, dann die Daten, dann die Technologie
Dies ist zumindest eines der überraschenden Resümees, die der bereits erwähnte Artikel aus der Harvard Business Review zieht. Die Autoren haben eine sogenannte „70/20/10“-Regel abgeleitet. Sie schreiben: „Siebzig Prozent der Bemühungen, eine Organisation zu verändern – ihre Prozesse, Arbeitsweisen, Leistungskennzahlen und Anreize – betreffen Menschen. Zwanzig Prozent sind darauf ausgerichtet, die Daten richtig zu nutzen. Die restlichen 10 Prozent betreffen die technologische Grundlage.“ Wenn Sie von dieser Sortierung genauso überrascht sind wie ich, hilft es vielleicht, sich daran zu erinnern, dass es fast ausschließlich die Abgesandten von Technologieunternehmen sind, die über das Thema maschinelles Lernen und KI schreiben. Der Ansatz ist plausibel: Wenn Ihr Hauptberuf darin besteht, Technologielösungen zur Optimierung von Geschäftsprozessen zu verkaufen, muss der Schwerpunkt auf der Auswahl der richtigen Technologie („Unsere!“) und auf der
Beschaffung der richtigen Daten (“relevante Datenpunkte zur Unterstützung der von uns vorgeschlagenen Technologielösung”) liegen. Ich behaupte, dass die HBR-Autoren Recht haben könnten und das gesamte Thema KI viel technologieunabhängiger betrachtet werden müsste, als es heute tatsächlich geschieht. Aber es werden mutige und tapfere Organisationen nötig sein, um zu beweisen, dass dieser Gedanke wirklich stichhaltig ist.
Bemerkungen zu ChatGPT
Zumindest bei all den interessanten Dingen, die über die LLM-Sprachmodelle geschrieben werden, die auch ChatGPT verwendet, sehen wir, dass die verfügbare Technologie bereits ausgereift genug ist, um erstaunliche Textausgaben zu produzieren. Kluge Leute haben bereits erwähnt, dass halluzinierende KIs bald der Vergangenheit angehören werden. Aber machen Sie sich bitte klar, wofür ChatGPT geschaffen und entwickelt wurde: plausibel klingende Textausgaben zu erstellen und auf begrenzte Eingabeaufforderungen zu antworten. Large Language Models verarbeiten lediglich Sprache, wissen aber wahrhaft nichts über die Welt, in der Menschen leben.
Die Diskussionen darüber, was KIs können und was sie nicht können, werden sich natürlich bald darauf verlagern, was sie tun und was sie nicht tun sollten. Aber um wirklich das zu schaffen, was im Bereich von Services als „Intelligent Experience Engines“ bezeichnet wird, müssen wir viel weiter denken. Wir müssen darüber nachdenken, wie Daten in einem Teil des Systems verarbeitet werden und wie diese Ausgaben von einem anderen Teil des Systems interpretiert werden. „Besonders mit dem Aufkommen von KI-Interaktionen verfangen wir uns in den Oberflächeneffekten der Schaffung von Bedeutung, Konversation und Interaktion, ohne dass wir tiefer über die Rückkopplungsschleifen nachdenken“, schreibt die Strategiedirektorin Erika Hall (@mulegirl) auf Twitter, 29. Januar 2023.
Derzeit geben wir uns noch weitgehend damit zufrieden, ChatGPT einfache Argumentationen, Aufsatzgliederungen, Besprechungsagenden oder Pizzarezepte in Form eines Shakespeare-Sonetts erstellen zu lassen. Wir lernen, mit unseren Prompts das gewünschte Ergebnis so genau zu beschreiben, dass wir die Ergebnisse, die ChatGPT uns liefert, in unsere eigenen Gedankenlinien und unsere eigenen Ausformulierungen einbauen können. Auf diese Weise erzeugen und benutzen wir zunächst Rezeptwissen. Dieses Rezeptwissen muss davon ausgehen, dass die von ChatGPT gelieferten Versatzstücke in sich zutreffend und untereinander schlüssig sind.
Dies funktioniert in unterschiedlichen Kontexten unterschiedlich gut. Während es ChatGPT recht gut gelingt, die Eckpunkte des Servicekonzeptes von McDonald’s in den späten 1940er Jahren zusammenzufassen, so zeigen sich doch erhebliche Schwächen im Detailgrad einer von ChatGPT erzeugten CV des Verfassers dieser Zeilen.
Meine Vermutung ist: im Augenblick verfährt ChatGPT noch in etwa wie ein ambitionierter Praktikant. Wo eindeutige und nicht widersprüchliche Informationen vorliegen, erzeugt ChatGPT sinnvolle und schlüssige Versatzstücke. Geht es hingegen um die Details einer professionellen Biographie, so sind die Details oft fragwürdig. Hier scheinen zwei unterschiedliche Wirkprinzipien in der Funktionsweise von KI zu kollidieren: Jemand, der sich beruflich auf eine bestimmte Sache spezialisiert und konzentriert, hat wahrscheinlich auch in früheren Stadien seiner Biographie bereits einschlägige Fachkenntnisse erworben, die sich eben auch in seiner CV widerspiegeln. Zahlreiche Menschen haben in der Tat steile Karrieren, in der die im Laufe des Berufslebens erworbenen Kenntnisse stetig erweitert und vertieft werden. Viele menschliche Biografien enthalten aber auch höchst persönliche Verschiebungen und Brüche in den Interessenlagen und den dahinterliegenden beruflichen Perspektiven, deren Sinngehalt sich einer KI möglicherweise gar nicht erschließen kann. Aus der Perspektive einer KI erscheint somit eine lineare Karriere weit wahrscheinlicher als eine Servicedesigner-Laufbahn, die weit vor dem Aufkommen von standardisierten Ausbildungsprogrammen und einschlägigen Kurszertifikaten begonnen hat, und sich dem Berufsfeld auf nichtlineare Weise genähert hat.
Wenn wir verstehen wollen, wie sich durch den Einsatz von KI die Art des Denkens in akademischen und geschäftlichen Kontexten verändern wird, werden wir deshalb nicht umhinkommen, uns klarzumachen, wie künstliche Intelligenz heute funktioniert.
Darüber hinaus werden wir uns noch mit dem Problem herumschlagen müssen, wie wir Künstliche Intelligenz jenseits von linearen Standardprozessen und einem allgemein akzeptierten Wissenshintergrund trainieren können, damit KI dereinst in der Lage sein wird, ähnliche Sinn-Transferleistungen zu erbringen wie der menschliche Geist bereits heutzutage. Bis das soweit ist, haben wir noch genügend Services, die wir neu denken und neu gestalten müssen.