Build or Buy von KI-Lösungen: So treffen Unternehmen die richtige Entscheidung

Der Einsatz von KI-Lösungen im Customer Service zahlt sich aus: So stellen laut einer von Capgemini veröffentlichten Studie 25 Prozent der Banken und 19 Prozent der Versicherungen eine 20- bis 40-prozentige Steigerung der Kundenbindung durch das Implementieren einer KI in den Customer Support fest. Noch hinken europäische Unternehmen allerdings bei der Nutzung von KI-Lösungen hinterher – so eine aktuelle Studie vom ESI ThoughtLab.

Gerade, wenn sich größere Unternehmen für einen KI-basierten Lösungsansatz entscheiden, stellt sich die Frage nach dem „Build or Buy“: Sollen sie eine SaaS-Lösung oder eine selbst entwickelte Plattform nutzen? Auf welche Strategie ein Unternehmen setzen sollte, ist von Fall zu Fall unterschiedlich. Doch welche Kriterien liegen dieser Entscheidung zugrunde?

SaaS-Lösungen überzeugen durch geringe Gesamtkosten

Die Entscheidung für oder gegen eine bestimmte Software ist in hohem Maße von den Gesamtkosten abhängig und vom Nutzen beziehungsweise vom Return on Investment beeinflusst. Ein Vorteil einer einsatzbereiten SaaS-Lösung sind die wesentlich geringeren Bereitstellungskosten. Während bei einer eigens entwickelten Lösung Programmierer, Designer und Projektmanager beauftragt werden müssen, fallen bei einer Standardsoftware lediglich die Lizenz- beziehungsweise Abo-Kosten an.

Hinzu kommen die Kosten und Aufwände für den laufenden Betrieb einer eigens entwickelten Lösung, die von Unternehmen oftmals unterschätzt werden. Die Kosten für Betrieb und Wartung fallen bei einer SaaS-Lösung geringer aus und sind gut planbar. Zudem steht für Wartung und Support, wenn nötig, durch den Anbieter ein speziell geschultes Team 24/7 bereit.

Leichte Implementierung von SaaS-basierten KI-Lösungen

Gerade für Unternehmen, die technologische Lösungen möglichst schnell implementieren wollen, bieten sich Lösungen von einem Anbieter an. Denn bei einer SaaS-Lösung entfällt nicht nur die Planungs- und Entwicklungszeit für das Produkt, sondern auch Testphasen und Zeiten, um Fehler zu beheben, werden eingespart. Dafür gibt es eine gewisse Implementierungszeit, in der die Lösung installiert, eingerichtet, getestet oder trainiert wird – beispielsweise, um einen KI-basierten Chatbot optimal an Fragen anzupassen, die dem Kundenservice im jeweiligen Unternehmen besonders häufig gestellt werden.

Die Einführungszeiten fallen allerdings zumeist aufgrund der großen, bestehenden Datenbasis moderner SaaS-Lösungen vergleichsweise kurz aus. Zudem stellt sich die Frage: Ist das richtige Know-how überhaupt im Unternehmen verfügbar? Für eine SaaS-Lösung spricht auch die derzeitige Lage auf dem Arbeitsmarkt: Entwickler mit Expertise in KI-Lösungen sind schwer zu finden und entsprechend teuer. Bei der Arbeit mit einem Anbieter können Unternehmen davon ausgehen, dass dessen Mitarbeiter die Lösung (weiter-) entwickeln und betreuen.

Auf Qualität setzen: Aufwendungen für Entwicklung zahlen sich aus

Digitale Lösungen in Unternehmen sollen meist mit möglichst geringem finanziellen Aufwand umgesetzt werden. Eine starke Kostenorientierung kann sich jedoch negativ auf die Qualität der Software auswirken. Demgegenüber können spezialisierte Anbieter, nicht zuletzt auf Basis von Fundings, hohe Beträge in die Entwicklung der Lösungen investieren.

Damit können unternehmenseigene Projekte meist nicht mithalten. Gerade, da zeitgemäße KI-Lösungen zumeist mit komplexen Algorithmen und einem vergleichsweise hohen Entwicklungsaufwand einhergehen. Ein Beispiel ist der Einsatz von maschinellem Lernen im Customer Support oder auch im Sales, um durch KI-basierte Prognosen besseren Service anzubieten. Maschinelles Lernen ist eine komplexe Aufgabe, die üblicherweise die Zusammenarbeit von Data Scientists und DevOps erfordert.

Auf Experten mit umfangreichen IT-Know-how setzen

Tätigkeiten, wie die Aufbereitung von Trainingsdaten, Datensammlung, Modell-Trainings, -Validierung und -Bereitstellung werden oftmals manuell ausgeführt. Fehler in diesen Bereichen können den Nutzen der Lösung massiv beeinflussen sowie die Servicequalität und den Unternehmenserfolg beeinträchtigen. Aus diesem Grund sollten Unternehmen hier auf erfahrene Experten setzen, die umfangreiches IT-Know-how mit Branchenerfahrung vereinen – was wiederum für SaaS-Anbieter spricht, zu dessen Kerngeschäft diese Aufgaben zählen.

Ein weiterer Vorteil: Üblicherweise werden die Lösungen eines Anbieters kontinuierlich optimiert und Verbesserungen eingeführt, die dafür sorgen, dass die Lösungen stets auf dem neuesten Stand sind. Dazu zählen beispielsweise komplexe Funktionen, wie die Nutzung von unstrukturierten Daten, darunter Bilddaten oder Audioaufnahmen, für Maschinelles Lernen und darauf basierende Services. Auch für die Aktualität der Sicherheitsstandards wird durch kontinuierliche Updates und Patches bei professionellen Anbietern gesorgt, ebenso wie für das Einhalten von rechtlichen Standards, beispielsweise im Hinblick auf die DSGVO.

KI-Lösungen auf individuelle Ansprüche und Usability hin prüfen

Oftmals herrscht in Unternehmen die Vorstellung, dass sich individuelle Anforderungen nur mit eigens entwickelten Lösungen abbilden lassen. Diese Annahme ist allerdings veraltet und basiert auf den Nutzererfahrungen bei früher unflexibel gestalteter Software. Heutige SaaS-Software ist zu einem hohen Grad auch personalisierbar. Aufgrund der hohen Nutzerfreundlichkeit wird hier nicht einmal besonderes Expertenwissen benötigt, sondern Abläufe, Felder und Funktionen können selbst konfiguriert werden.

Es gibt allerdings auch Fälle, die für eine selbst erstellte Lösung sprechen. Falls es noch keine spezielle Technologie zu einem bestimmten Problem auf dem Markt gibt, ist die eigene Entwicklung einer Lösung zumeist die richtige Entscheidung und kann echte Mehrwerte bieten – dazu sollten Unternehmen genau prüfen, ob die Abstriche, die sie machen müssten, (umsatz-)relevant sind oder durch eigene Lösungen ein echter Wettbewerbsvorteil entsteht.

Auf die Frage, ob Unternehmen bei der Implementierung von KI-basierten Lösungen auf Eigenentwicklungen oder SaaS-Lösungen setzen sollten, gibt es keine pauschale Antwort. Dies hängt von den Zielen, den finanziellen und zeitlichen Ressourcen sowie dem Know-how der Beschäftigten ab. Es lässt sich aber festhalten, dass KI-basierte Lösungen aufgrund ihrer Komplexität aktuell noch mit einem relativ hohen Entwicklungsaufwand verbunden sind – und es noch relativ wenige Experten auf diesem Gebiet gibt. Gleichzeitig sind bereits hochwertige und branchenspezifische KI-Lösungen auf dem Markt, gerade im Bereich Customer Support. Auf diese zurückzugreifen, kann für Unternehmen einen deutlich leichteren, schnelleren und auch günstigeren Weg darstellen, als es mit einer eigenen Lösung zu versuchen.

Über den Autor: Gero Reiniger ist Sales Director DACH bei Zelros in München. Er verantwortet dort die Erschließung des deutschen Marktes und arbeitet mit seinem Team an der Schnittstelle von Technologie, Anforderungen der Versicherungsunternehmen und den (rechtlichen) Rahmenbedingungen.
Zelros ist Anbieter einer auf künstlicher Intelligenz basierenden B2B-Software für Versicherungsunternehmen. Die Software Zelros for Distribution ermöglicht es, ein nahtloses und personalisiertes Erlebnis anzubieten – vom intelligenten Lead-Management über die Bedarfsanalyse und Beratung bis hin zum automatisierten Underwriting. Durch Machine Learning werden Prognosen und Fähigkeiten kontinuierlich verbessert und können entlang der gesamten Customer Journey eingesetzt werden. (sg)

Lesen Sie auch: Technologie-Trends 2021: Künftige Entwicklungen bei Analytics und KI