Thomas_Dreikauss, Geschäftsführer, Sematell. copy: Schramm
Drei Fragen an Thomas Dreikauss, Geschäftsführer von Sematell
INTRE: Wenn man in den Unternehmen nachfragt, ob das Unternehmen KI nutzt, dann wird meistens als erstes der Chatbot genannt – selbst in Unternehmen, die mit KI arbeiten. Sollten Unternehmen ihre Mitarbeiter mehr zu diesem Thema sensibilisieren? THOMAS DREIKAUSS: Das wäre großartig, aber da habe ich im Moment noch nicht allzu große Hoffnung. Im Augenblick gehen beim Thema KI ja auch die Begrifflichkeiten wild durcheinander: Bots, Robotics, Machine Learning, Deep Learning, Predictive Analytics – das wird alles über den gleichen KI-Kamm geschoren. KI ist zum Hype-Thema geworden und davon wollen natürlich viele Anbieter profitieren, auch die, die gar keine KI-Technologie nutzen. Das Kuriose ist ja, dass die meisten Chatbots einfache Suchabfragen sind, die nur eine zuvor für das Stichwort oder die Frage vorgesehene Antwort geben. Sie nutzen keine KI-Technologie und sind nicht lernfähig. Trotzdem reden alle beim Thema KI plötzlich von Chatbots. Viele Unternehmen kommen angesichts der öffentlichen Diskussion in eine Art Zugzwang, „etwas mit KI“ zu machen, um sich nach außen als modern und progressiv darzustellen. Das führt dann aber manchmal dazu, dass Fehlinvestitionen in nicht marktreife Technologiestudien oder Prototypen getätigt werden, die längst nicht halten, was sie versprechen.
Machine Learning ist nach meiner Einschätzung momentan die KI-Technologie, die vermutlich am häufigsten bei Unternehmen bereits im Einsatz ist und sich da auch schon bewährt hat – nicht nur im Kundenservice. Das klingt aber natürlich nicht ganz so sexy wie künstliche Intelligenz. Ich denke, dass wir alle beim Thema KI noch viel Aufklärungsarbeit leisten müssen. Für eine zuverlässige Prozessautomatisierung brauche ich nämlich keine Hollywood-KI, die Schach spielt und über Gott und die Welt diskutiert, kann aber trotzdem mithilfe von Machine Learning hohe Effizienzgewinne und Kosteneinsparungen realisieren.
INTRE: ReplyOne verwaltet schriftliche Eingangskanäle wie Facebook, WhatsApp, Instagram, E-Mail, Brief, Chat etc. auf einer Plattform. Wird der Kanal „Schrift“ bald den Kanal „Sprache“ überholen? DREIKAUSS: Das ist bei einigen unserer Kunden bereits der Fall. Dort gehen schon heute mehr E-Mails und Chats ein als Telefonanrufe. Das hängt aber auch sehr von der jeweiligen Zielgruppe des Unternehmens ab. In jedem Fall hat aber die Kanalvielfalt und damit die Komplexität im Kundenservice enorm zugenommen. Darauf müssen sich die Unternehmen einstellen. Service-Mitarbeiter brauchen hier eine richtig gute Unterstützung durch ein intelligentes Response Management-System, das Anfragen vorqualifiziert und kanalspezifische Antworten zur Verfügung stellt, die der Service-Mitarbeiter in den meisten Fällen nur noch prüfen und freigeben muss. Die Digital Natives telefonieren nach unserer Erfahrung nicht so gern – die chatten lieber oder nutzen Social Media, wenn sie mit einem Youtube-Video nicht weiterkommen. Interessanterweise ist das aber auch die Gruppe, die besonders gerne Sprachassistenten wie Alexa, Siri oder Google Assistant nutzt. Sprache als Kanal bleibt also grundsätzlich wichtig. Speech-to-Text-Anwendungen werden deshalb nach meiner Einschätzung zukünftig noch größere Bedeutung erlangen.
INTRE: Bei Ihrem letzten Vortrag haben Sie gesagt, dass Ihre Software 10.000 Wörter in der Sekunde lesen, analysieren und der richtigen Kategorie zuweisen kann. Ich glaube Ihnen das natürlich. Aber mein Kopf fragt sich, wie geht das? DREIKAUSS: Die Verarbeitungsgeschwindigkeit hat sich mit neuen, modernen IT-Systemen sehr deutlich nach oben entwickelt. Die Zahl ist natürlich in erster Linie im direkten Vergleich zu einem menschlichen Service-Mitarbeiter beeindruckend. Aber das ist ein bisschen wie Äpfel mit Birnen vergleichen. Man muss eher bedenken, welche komplexen Rechenoperationen und Befehle Computer heute schon in Sekundenbruchteilen durchführen können, dann rückt das die Zahl eher in das richtige Verhältnis. Die Geschwindigkeit hängt eigentlich nur von der Rechenpower ab – die richtige Kategorisierung aber in erster Linie von einer präzisen, kontextbezogenen Themenerkennung. Dafür muss das System gezielt angelernt werden. Da wir vektorbasierte Machine-Learning-Verfahren nutzen, brauchen wir nur eine geringe Anzahl von etwa 30 Dokumenten pro Kategorie, um das System anzulernen und Themen sehr präzise zu identifizieren.
