Order Effekte gesucht “When digitally transforming a company, you want greater degrees of efficiency,” remarks Rajeev Ronanki, SVP and Chief Digital Officer at Anthem. “But there is a second order of business: What new business opportunities, what capabilities does AI open up that allow for servicing adjacent or maybe entirely new areas?” https://www2.deloitte.com/us/en/pages/technology/articles/effective-ai-strategy.html
unrentable Dinge rentieren sich nun Persönlicher vs. personalisierter Content Iterative Code-Generierung durch automatisiert stetige Verbesserung Für individualisierte Kundenansprache Handelsregister, CRM, Signals-im-Web durchsuchen und Ansprache generieren Automatisierte Beantwortung von Anfragen (zB E-Mail) von Kunden oder aus der Nachbarabteilung Implizites Wissen aus den Köpfen von Mitarbeitern heraus bekommen durch Human Feedback (Mensch als Assistent der Maschine) Code für ein Problem generieren und wegwerfen Dynamische Generierung von UI-Elementen durch die AI entlang des Kontexts Boundaries: Constitutional AI (AI passt auf sich selbst auf) + Human Feedback 👉 Der Mensch wird nur noch dort benötigt, wo die Maschine nicht mehr weiter weiß. Etwas mehrfach hintereinander zu machen ist erschwinglich (günstig) geworden. Implizites Wissen wird einfach erfassbar.
meint SAFe zu AI? Lies: Zentralisiertes AI-Team zum Aufbau der Skills und Launchen von Piloten/PoCs. Danach Streuung der Expertise in die ARTs. 👉 Zentraler Know-how-Aufbau ist zeitintensiv. SAFe propagiert phasenweises Vorgehen. https://scaledagileframework.com/ai/
HBR empfiehlt dies: “Start by Experimenting. The best way to learn about AI is to use it. It’s rare for new and disruptive technology to be immediately accessible.” 2023, https://hbr.org/2023/07/build-a-winning-ai-strategy-for-your-business
bestimmen die Strategie: 1. Beim Team (Skills) & beim Produkt beginnen 2. Reflektionsschleife auf Team- / Produkt-Ebene 3. Erfahrungen teilen 4. Reflektieren & Organisations-Ziele korrigieren 👉 Von unten nach oben!
GenAI Use Case Kategorien: • Generation: Generierung von Text, Bildern (Mayflower Use Case: künstliche Models/Model-Gesichter erzeugen + Packshot-Fotos auf die Models packen = E-Commerce Boost) • Extraction: Daten aus diversen Quellen extrahieren, ohne dass Menschen eingreifen müssen • Summarization: Zusammenfassungen aus Daten / Dokumenten erstellen • Rewriting: Daten / Inhalte nehmen und in einem anderen Stil umschreiben / umformulieren • Classification: Daten-Klassifizierung • Answering questions: Fragen beantworten: “Was war der Sales in Q4/2022 in Nordamerika” - der Agent hat nur Zugriff auf eine Datenbank und findet die Antwort selbst heraus
breite GenAI Use Cases: • Optimieren: Effizienzen heben, Arbeitsschritte automatisieren oder einsparen • Innovieren: Neuartige Funktionsweisen etablieren, die vorher so nicht möglich waren (zB auf Agenten-/Assistenten-Basis) 👉 Oder die Kombination aus beidem.
Picture Event Storming für AI “Big Picture is a key component of Event Storming, a technique used for collaborative exploration and discovery of complex business domains. At its core, it is a way to create a high-level visual representation of the entire business process.” Identifizierung von: Hot Spots, Systemen, Menschen
von Big Picture Event Storming allgemein • Wir versuchen nicht, alles gleich zum ersten Mal richtig zu machen • Es ist besser, mit einem groben Design zu starten und sich von dort aus zu verbessern • Wir versuchen nicht, alles zu entdecken. Etwas Up-Front-Denken spart uns viel Zeit auf dem Weg • Es funktioniert am besten, wenn wir inkrementelles und emergentes Design leben
daraus für die AI-”Sinnsuche”: Wir können dadurch mit Leichtigkeit die Stellen in den Geschäftsprozessen finden, an denen eine Augmentierung von AI Sinn ergibt (Innovation, Optimierung). Wir identifizieren dabei jeweils die “längste Strecke” im Prozess, die sich automatisieren lässt. Wir sehen, an welchen Stellen innovative AI-Unterstützung helfen kann.
Value Stream Mapping Wir identifizieren die Stellen im Wertstrom, die schlichtweg nicht performant genug sind. 👉 Die Schwachstellen sind Kandidaten für den AI-Einsatz, um schneller + innovativer zu werden (Sprungpunkte Innovation).
im Design Sprint: Die identifizierten Stellen für AI-Augmentierung können schnell im Team für das Produkt verprobt werden. 👉 Sofortige Validierung der Hypothese für den Einsatz von AI.
für internes AI-Tooling: Internes Plattform-Team (Platform as a Product), das dabei hilft, für die Entwickler AI-basierte Toolings zur Verfügung zu stellen. “Copilot für <deinUnternehmen>”, automatisierte UI-Generierung, servicebasierte AI-Libraries, vLLM (LLM Inference und einfache Bereitstellung und Zugriff auf verschiedene Sprach-Modelle), …
or DIE - Wie kann es weiter gehen? 1. Tech-Enablement starten 2. Big Picture Workshop mit Design-Sprint zur Identifizierung der geeigneten Stellen fürs Produkt 3. Experimentieren / Lernen 4. Strategie-Anpassung / Iterieren Ergebnis: Disruptive Produkte. 🚀 Innovation rein, Strategie-Lethargie raus. Viel Erfolg! Björn Schotte bjoern.schotte@mayflower.de 👉 Vernetz dich mit mir: https://www.linkedin.com/in/bjoernschotte/ 🤖 Unser AI-Angebot: https://mayflower.de/ai-readiness/ - AI-Augmented Software-Systeme - Spezialisierte Autonome Agenten - AI Strategie-Workshop - AI Hackathons