Ein Plädoyer für mehr Pragmatismus beim Einsatz von Künstlicher Intelligenz im Informationsmanagement.
von
Miika Mäkitalo, CEO M-Files 
„Wir brauchen einen neuen, intelligenteren Ansatz im Umgang mit Informationen.“
KI-Systeme werden Heerscharen qualifizierter Mitarbeiter in den Unternehmen ersetzen – so oder so ähnlich lauten nach wie vor die Negativschlagzeilen in den Medien. Doch geht diese Diskussion meilenweit an der Realität vorbei, und sie ist keinesfalls neu. Schon in den 1990er Jahren ist die KI angetreten, die Welt zu verändern. Intelligente Systeme sollten im großen Stil Experten überflüssig machen. In der Praxis ist das weitgehend gescheitert. Denn KI-basierte Lösungen funktionieren meist nur dort gut, wo in hohem Maße repetitive, kognitive Aufgaben in einem inhaltlich sehr eng begrenzten Umfang erledigt werden müssen. So sind beispielsweise bei der routinemäßigen Bewertung von Röntgenbildern Maschinen heute besser als Menschen; als universelle Hausärzte versagen sie dagegen.
In der Regel ist KI gut in Standardaufgaben und schlecht in Ausnahmen. Daher wird die vollständige und verlässlich richtige Bearbeitung von komplexeren Vorgängen durch KI-gestützte Systeme auch mittelfristig nur in sehr eng umgrenzten Fragestellungen realistisch sein. Da dazu jeweils eine enorme Investition in Form von Domänen-Know-how, Training und Fine Tuning notwendig ist, werden sie vor allem punktuell zum Einsatz kommen.
Unterstützung der Knowledge-Worker
Das deutlich größere Potenzial für KI liegt in der Unterstützung von Knowledge Workern, die Aufgaben mit einer größeren Bandbreite erledigen. Wenn man CIOs fragt, wo konkret im Informationsmanagement die größten Herausforderungen liegen, hört man zig Varianten des immer gleichen Problems: Die Menge an unstrukturierten Informationen wächst deutlich schneller, als sie für diese Nutzer mit heutigen Mitteln verarbeitbar ist und die IT ist gefordert, mehr Automatisierung bereitzustellen.
Wenn es der IT gelingen würde, die Produktivität von Mitarbeitern in Projekten, im Vertrieb oder in der Entwicklung auch nur um 10 bis 20 Prozent zu steigern, indem man ihnen den Umgang mit Informationen erleichtert, hätte dies deutliche Auswirkungen auf die Flexibilität, Agilität und Leistungsfähigkeit der Unternehmen. Es geht also um Unterstützung statt Ersatz.
Informationen ‚verstehen‘
Rund 85 Prozent aller Informationen sind unstrukturiert und der Umgang mit ihnen basiert noch immer weitgehend auf manuellen Prozessen. An der banalen Ablage einer Datei wird das deutlich: Der Nutzer muss die Datei begutachten, dabei implizit klassifizieren und anderen Geschäftsobjekten zuordnen und dann – hoffentlich richtig – manuell ablegen. Gleiches gilt für Schriftstücke, Mails, Chats und all die anderen Formen, in denen Informationen uns heute erreichen. Der Umgang mit unstrukturierten Informationen ist nach wie vor weitgehend manuell und darum ertrinken gerade teuer bezahlte Knowledge Worker in der Flut an Informationen.
Genau hier muss KI heute ansetzen und die Möglichkeiten zur automatisierten Verarbeitung unstrukturierter Daten verbessern. Dazu müssen IT-Systeme mit Methoden der KI in die Lage versetzt werden, für jedes Informationsobjekt drei Dinge zu verstehen: Erstens, was ist eine Information (Klassifikation)? Zweitens, in welchem Zusammenhang steht sie zu anderen Informationen (Kontextualisierung) und – das ist das schwierigste – drittens, was bedeutet sie (Bedeutung)? Damit diese Erkenntnisse nicht flüchtig sind, müssen sie als Metadaten strukturiert und maschinenlesbar dokumentiert werden.
Bedeutung im Kontext erkennen
Die beiden ersten Schritte des Verstehens – Klassifikation und Kontextualisierung – lassen sich mit KI heute schon weitgehend automatisieren. Selbstlernende Klassifizierer können für Dokumente die passende Klasse vorgeschlagen. Dazu nutzen sie Machine Learning, um stetig aus dem Verhalten der Nutzer zu lernen. Das erleichtert die Einführung und sorgt für Flexibilität gegenüber Änderungen in den Dokumentenklassen.
Zur Kontextualisierung werden verschiedene KI-Verfahren eingesetzt. Mit Text Analytics und Pattern Matching werden bereits bekannte Metadaten-Tags wie beispielsweise Kundennamen, Projektnummern oder andere Daten mit bekannten Formaten wie Steuernummern, Datum, Personalnummer usw. gesucht und extrahiert. Dieses Verfahren wird intensiv genutzt, um die Verbindung zu strukturierten Daten aus ERP- oder CRM-Systemen zu schaffen und so Kontext herzustellen. Ergänzt wird dies durch das Erkennen von Themen (Subjects) mittels Natural Language Understanding (NLU). Hier wird zunächst auf die inhaltliche Bedeutung eines Dokuments geschlossen und anschließend werden zum Thema passende Metadateneinträge extrahiert.
Transparenz herstellen
Diese Funktionen sind idealerweise in moderne Content-Services-Plattformen eingebunden, die nicht nur möglichst viele Repositories zusammenführen, sondern auch einheitliche Strukturen für Metadaten und einheitliche Service-Level beispielweise für Versionierung, Zugriffssteuerung oder mobile Nutzung bereitstellen. Auf diesen Plattformen können Services für Klassifizierung und Kontextualisierung die große Masse an bestehenden Informationen in den Unternehmen anreichern, aufwerten und erschließen. Konkret bedeutet das beispielsweise, dass alle relevanten Dokumente zu einem Kunden in verschiedenen Quellen wie in Netzwerkordnern, im SharePoint oder Dokumentenmanagementsystem identifiziert und dem Nutzer im CRM in einer 360-Grad-Sicht auf den Kunden zur Bearbeitung angeboten werden.
Zudem erlauben Klassifizierung und Kontextualisierung die Automatisierung von Policies für den richtigen Umgang mit Informationen. So können sensible Inhalte wie personenbezogene Daten, vertrauliche Projektinformationen oder interne Forschungsergebnisse automatisiert erkannt und dem für sie relevanten Schutzmaßnahmen zugeführt werden. Zusammengenommen, kann KI im Informationsmanagement heute schon mit Klassifikation und Kontextualisierung für deutlich mehr Transparenz sorgen und die Umsetzung wichtiger Policies automatisieren. Damit kann sie den Nutzer bereits jetzt deutlich entlasten und manuelle Fehler vermeiden.
Das Potenzial der kleinen Schritte nutzen
In der nahen Zukunft wird die Nutzung von KI noch viel stärker in die täglichen Arbeitsprozesse eingebunden sein. Im Englischen hat sich dafür als Wortspiel in Anlehnung an Artificial Intelligence (AI) der Begriff Intelligent Assistants (IA) – intelligente Assistenten – etabliert. Diese Assistenten werden den Nutzer durch vorausgreifende Analysen und intelligente Vorschläge bei der Arbeit unterstützen. Dazu muss KI den dritten Schritt des Verstehens – die inhaltliche Bedeutung erkennen – meistern.
Dieses Konzept lässt sich mit einem einfachen Szenario illustrieren: Eine ankommende Mail wird vom intelligenten Assistenten als Bitte um die Zusendung eines Dokuments klassifiziert und die Frist, bis wann das Dokument gebraucht wird, errechnet. Der Assistent ermittelt die in Frage kommenden Dokumente, schlägt sie dem Nutzer als Auswahl vor und erstellt anschließend die Antwortmail. Auch wenn dieses Beispielspiel auf den ersten Blick vielleicht banal wirkt, macht es auf den zweiten Blick die enormen Herausforderungen an die KI deutlich. Um die Bedeutung dieser Mail zu erschließen, muss das System einfache Dinge verstehen wie „mit Slides ist eine Powerpoint-Datei gemeint“, aber auch anspruchsvollere Konzepte wie „die Anforderung von Dokumenten“ oder dass man eine Präsentation in der Regel spätestens einen Tag vor dem Meeting erhalten sollte, wenn man sie im Meeting nutzen will.
Im Gegensatz zu spezialisierten Expertensystemen sind intelligente Assistenten mit einer sehr viel größeren Bandbreite an Fragestellungen, Ausnahmen und Fehlermöglichkeiten konfrontiert. Daher ist das Ziel hier auch nicht die vollständig automatisierte, fehlerfreie Antwort auf die Mail, sondern, den Nutzer bei der Bearbeitung durch vorbereitende Maßnahmen zu unterstützen. Der Charme dieser Assistenten liegt darin, dass sie millionenfach jeden Tag eine große Bandbreite an Nutzern effizienter machen. Zudem benötigen sie bei der Einführung einen geringeren Reifegrad, weil der Nutzer im Zweifel als Korrektiv vorhanden ist. Wie richtige Assistenten können sie also Fehler machen und daraus – mit Machine Learning – lernen. So passen sie sich automatisch an die individuellen Anforderungen der Unternehmen aber auch der Nutzer an.
Resumé
Es gibt ohne Frage standardisierte Aufgabenstellungen, die sich mit KI – oder das, was man dafür hält – vollständig automatisieren lassen. Ein größeres Potenzial bietet jedoch die Unterstützung der breiten Masse der Nutzer in vielen kleinen Schritten der täglichen Arbeit durch intelligente Assistenten. Der Schlüssel dazu sind die drei Ebenen des Verstehens – Klassifikation, Kontextualisierung und Bedeutung. Hier sind vor allem die Softwarehersteller gefragt, mehr KI in ihre Lösungen einzubauen. Content-Services-Plattformen bieten dazu leistungsfähige Methoden zum Verstehen als Service, mit denen der Umgang mit unstrukturierten Informationen deutlich verbessert werden kann. Wir brauchen einen neuen, intelligenteren Ansatz im Umgang mit Informationen.
M-Files bietet eine neue Generation an Softwareplattformen für intelligentes Informationsmanagement an. Im Gegensatz zu herkömmlichen DMS/ECM-Systemen vereinheitlicht M-Files Systeme, Daten und Inhalte in der gesamten Organisation, ohne bestehende Systeme und Prozesse zu stören oder eine Datenmigration zu erfordern. So bricht M-Files Informationssilos auf, indem es den Anwendern die Nutzung von Informationen im gewünschten Kontext erlaubt.
