Bevor Sie KI in der Problemlösung einsetzen: Schaffen Sie das richtige Fundament

Sep 3

5 min read

Wirksame KI-gestützte Problemlösung beginnt mit einem strukturierten Prozess und einer standardisierten Datenlage

Viele Unternehmen verfolgen bei der Integration von KI in Problemlösungsprozesse einen vergleichbaren Ansatz: Oft wird der KI einfach Zugriff auf Instandhaltungstickets, Qualitätsaufzeichnungen und Störungsmeldungen gegeben, mit der Hoffnung, dass basierend auf dem Wissen effektiv neu auftretende Probleme gelöst werden.

Die Idee klingt überzeugend. Schließlich verfügt jedes Unternehmen bereits über viele Jahre an betrieblichem Wissen. Warum also nicht einfach eine KI daraufsetzen und die Lösung finden lassen?

Das Problem liegt in der Datenqualität

In den meisten Unternehmen wurden historische Problemlösungsdaten weder für systematisches Schlussfolgern noch für eine spätere KI-Verwendung erfasst. Sie entstanden, um ein Ticket zu schließen, eine durchgeführte Maßnahme zu dokumentieren oder eine Berichtspflicht zu erfüllen.

Vorhandenen Dokumentationen weisen häufig folgende Mekmale auf:

Kritische Fakten fehlen oder befinden sich lediglich in den Köpfen der beteiligten Personen.
Beschreibungen unterscheiden sich erheblich zwischen Personen und Abteilungen.
Symptome, Annahmen, mögliche Ursachen, bestätigte Ursachen und Korrekturmaßnahmen werden miteinander vermischt.
Wichtige Nachweise und Informationen sind über Tickets, E-Mails, Anhänge, Bilder, Tabellen usw. verteilt.
Ein Fall dokumentiert möglicherweise, was getan wurde, erklärt aber nicht, warum eine Ursache angenommen oder verworfen wurde.
Das Endergebnis ist dokumentiert, doch der Denk- und Entscheidungsweg fehlt.

Ein Sprachmodell kann aus diesem Material eine Antwort erzeugen. Diese kann unter Umständen sogar sehr plausibel klingen. Plausibilität ist jedoch nicht dasselbe wie eine belastbare technische Schlussfolgerung. Wenn die Datenlage nicht zwischen beobachteten Fakten, Interpretationen oder zwischen einer vermuteten und einer bestätigten Ursache unterscheidet, fehlt der KI die Grundlage für eine solide Bewertung.

Die erste Voraussetzung für eine wirksame KI-gestützte Problemlösung ist daher eine bessere Datengrundlage.

Problemlösung ist nicht eine einzige KI-Aufgabe

Um die Datenqualität nachhaltig zu verbessern und KI effektiv für Problemlösung einzusetzen, bedarf es zudem folgender Realisierung: Problemlösung ist keine einzelne Aufgabe, sondern ein mehrstufiger Prozess mit verschiedenen Denk- und Entscheidungsaufgaben.

Ein praxistauglicher Problemlösungsprozess umfasst folgende Schritte:

Das Problem erkennen. Feststellen, dass eine Abweichung, Störung, ein Fehler oder ein wiederkehrendes Problem vorliegt.
Das Problem definieren. Das betroffene Objekt und die spezifische Abweichung definieren.
Fakten zusammentragen. Klären, was bekannt ist und welche Informationen fehlen.
Mögliche Ursachen entwickeln. Technisch plausible Erklärungen erarbeiten, die zu den beobachteten Fakten passen.
Entscheiden, welche Ursachen weiterverfolgt werden. Mögliche Ursachen anhand der vorhandenen Fakten bewerten und die aussichtsreichsten Kandidaten priorisieren.
Die Verifizierung planen. Den sichersten, schnellsten und einfachsten Weg bestimmen, um eine vermutete Ursache zu bestätigen oder auszuschließen.
Eine Korrekturmaßnahme auswählen. Sobald die Ursache bestätigt ist, entscheiden, wie sie beseitigt oder ihre Auswirkung reduziert werden kann.
Die Maßnahme umsetzen und überwachen. Prüfen, ob die Korrekturmaßnahme wie vorgesehen umgesetzt wurde und ob das Problem tatsächlich nicht mehr auftritt.
Das Gelernte im System verankern. Standards, Kontrollen, Instandhaltungspläne oder Arbeitsabläufe so verbessern, dass die Organisation über den Einzelfall hinaus profitiert.
Das erzeugte Wissen effektiv wiederverwenden. Den Fall so verfügbar machen, dass er hilft, ähnliche Probleme künftig schneller zu erkennen und zu lösen.

Jeder einzelne dieser zehn Schritte beantwortet eine andere Frage, erfordert andere Informationen und verlangt von einer KI eine andere Denkweise.

KI muss in jedem Schritt eine andere Denkleistung erbringen

Eine KI, die bei der Problemdefinition unterstützt, sollte nach Mehrdeutigkeiten, fehlenden Abgrenzungen und Lücken in der Definition suchen.
Beim Zusammentragen der Fakten sollte die KI fehlende Informationen erkennen, relevante Nachweise aus Anhängen extrahieren und Beobachtungen von Annahmen trennen.
Bei der Ursachenentwicklung sollte sie den Suchraum erweitern, ohne das Team mit einer wahllosen Liste an Ursachen zu überfordern.
Bei der Priorisierung sollte sie jede Ursache gegen die bekannten Fakten prüfen.
Die Verifizierung erfordert wiederum eine andere Form des Denkens: Mögliche Tests, Beobachtungen oder vorübergehende Aktionen müssen hinsichtlich Sicherheit, Geschwindigkeit, Kosten und diagnostischer Aussagekraft verglichen werden.
Bei der Auswahl einer Korrekturmaßnahme sind Wirksamkeit, Risiken, und Nachhaltigkeit zu berücksichtigen.
Die Überwachung benötigt klar definierte Erfolgskriterien.
Für die Wiederverwendung von Wissen muss die KI tatsächlich vergleichbare Fälle finden können und nicht nur Dokumente mit ähnlichen Begriffen.

Die KI einfach nur zu fragen „Was ist die Lösung zu meinem Problem?“, ignoriert die Struktur und Komplexität der Problemlösung und führt zu voreiligen und falschen Schlussfolgerungen.

Ein KI-gestütztes Problemlösungssystem benötigt deshalb sowohl eine Prozessführung als auch aufgabenspezifisches Reasoning. Es muss erkennen, an welcher Stelle im Prozess sich das Team befindet, welche Frage als Nächstes beantwortet werden muss und welche Informationen belastbar genug sind, um verwendet zu werden.

Struktur verbessert die Leistung der KI

Ein leistungsfähiges KI-System beginnt mit einem strukturierten Problemlösungsprozess.

Diese Struktur sollte Teams dabei unterstützen, Ergebnisse an der jeweils richtigen Stelle zu erfassen. Die KI unterstützt dabei gezielt die Denkaufgabe des jeweiligen Prozessschritts.

Daraus ergeben sich zwei Vorteile:

Erstens, verbessert sich die aktuelle Ursachenanalyse.

Fehlende Informationen werden sichtbarer, Teams erhalten Unterstützung genau dann, wenn sie relevant ist, und mögliche Ursachen können systematischer anhand vorhandener Fakten bewertet werden.

Zweitens, trägt jede abgeschlossene Analyse zu einer konsistenten und wiederverwendbaren Dokumentation bei.

Statt einer weiteren isolierten Falldokumentation hält die Analyse fest, was geschehen ist, unter welchen Bedingungen das Problem auftrat, welche Ursachen betrachtet, wie diese bewertet und verifiziert wurden und welche Maßnahme umgesetzt wurden.

Dieselbe Struktur, die Menschen heute zu besseren Entscheidungen verhilft, schafft somit zugleich qualitativ hochwertigere Daten für eine zukünftige KI-Unterstützung.

Hochwertige Wiederverwendung von Wissen

Sobald Analysen einer einheitlichen Struktur folgen und eine standardisierte Dokumentation erzeugen, wird die KI ausgesprocchen gut darin aktuelle Probleme mit relevanten früheren Erfahrungen zu verbinden.

Das geht weit über eine einfache Suche nach übereinstimmenden Kennwörtern hinaus. Ein leistungsfähiges Retrieval-System kann die Merkmale der aktuellen Abweichung mit früheren Fällen vergleichen, potenziell relevante Ursachen und Nachweise aufzeigen und darstellen, wie ähnliche Probleme verifiziert und gelöst wurden.

Das Team muss weiterhin beurteilen, ob der frühere Fall tatsächlich übertragbar ist. Es muss jedoch nicht mehr bei null anfangen oder darauf hoffen, dass sich jemand erinnert: „So etwas hatten wir doch vor drei Jahren schon einmal.“

Die Qualität dieser Unterstützung hängt unmittelbar von der Qualität und Struktur der zugrunde liegenden Fälle ab. Ein Retrieval-System kann keine Überlegungen ausgleichen, die nie dokumentiert wurden.

Wenn Fälle jedoch Fakten, Ursachen, Verifizierung, Maßnahmen und Ergebnisse konsistent erfassen, kann jedes gelöste Problem die Organisation dabei unterstützen, das nächste schneller und besser zu lösen.

Der Ausgangspunkt ist nicht das KI-Modell

Unternehmen, die KI für ihre technische Problemlösung einsetzen möchten, sollten der Versuchung widerstehen, mit der Frage zu beginnen: Welches Modell sollen wir verwenden?

Die dringenderen Fragen lauten:

Wie sieht der aktuelle Problemlösungsprozess aus?
Welche unterschiedlichen Denk- und Entscheidungsaufgaben enthält er?
Welche Informationen werden in den einzelnen Schritten benötigt?
Wie unterscheiden wir zwischen Fakten, Annahmen, Hypothesen, bestätigten Ursachen und Maßnahmen?
An welchen Stellen kann KI die Qualität oder Geschwindigkeit einer Entscheidung verbessern?
Wie werden abgeschlossene Fälle zu belastbarem Wissen für zukünftige Teams?

KI kann ein leistungsfähiger Verstärker sein. Schaffen Sie einen fundierten Problemlösungsprozess, erzeugen Sie dadurch hochwertige, strukturierte Daten und setzen Sie in jedem Schritt die passende KI-Logik ein. Erst dann entwickelt sich KI von einem Werkzeug, das plausible Antworten erzeugt, zu einem System, das bessere technische Entscheidungen unterstützt.