Use Cases für die Kunden finden und umsetzen So wird KI zum Umsatzbringer für den Channel

Anbieter zum Thema

Hewlett Packard Enterprise

adesso SE

Concat AG

MCL Computer und Zubehör GmbH

Fujitsu Technology Solutions GmbH

mehr weniger

IBM Deutschland GmbH

bb-net media GmbH

WatchGuard Technologies GmbH

Zadara Ltd.

weniger

Die Magie der KI entfaltet sich in den Use Cases. Und davon kann dann auch der Channel mehr profitieren, als er es bisher tut. Ideen sind also gefragt. Und davon gibt es einige. Sowohl Hersteller als auch Dienstleister selbst sind bereits dabei, interessante Einsatzszenarien auszutüfteln.

„Der Channel hat von KI noch nicht profitiert“, sagt Alastair Edwards, Chief Analyst bei Canalys. Im Gegenteil sehe man im ersten Halbjahr 2024 die schlechteste Channel-Performance seit Jahrzehnten in der EMEA-Region, mit einem Minus von einem Prozent bei den Channel-Partnern und gar Minus vier Prozent in der Distribution. Wie kann das sein? Ist doch überall vom neuen Hype „KI“ die Rede, die auch der Tech-Branche weiterhin gute Umsätze bescheren soll. Doch noch ist das offenbar nicht so weit. Auch wenn Canalys auf deren EMEA-Forum für das 2. Halbjahr 2024 ein wenig Licht am Ende des Tunnels sieht. Und dann wohl 2025 der Verkauf von KI-PCs Fahrt aufnehmen soll, genauso wie der Verkauf von Infrastruktur, um KI-Modelle zu betreiben.

Fujitsu Private GPT in der Praxis

Mit Private GPT bietet Fujitsu den Kunden eine mit eigenen Daten vortrainierte GPT-Lösung für das lokale Rechenzentrum. Sie kombiniert Fujitsu-Server und Software mit Suse AI und dem europäischen Mistral-Modell. Hardware-Partner sind NetApp und Juniper Networks. Die Partner im Channel können die Lösung auch als uScale-Service anbieten.

Der Fokus liegt laut Fujitsu auf der digitalen Souveränität und der vollen Kontrolle der Daten durch die Kunden. Neben öffentlichen Auftraggebern sieht Udo Würtz, Chief Data Officer bei Fujitsu European Platform Business, vor allem Kunden aus dem Mittelstand als Zielgruppe. Als Anwendungsbeispiele nennt er die Unterstützung bei der Softwareentwicklung, den Einsatz in Anwaltspraxen oder Gerichten für die Erstellung von Vorlagen und die Zusammenfassung von Texten, sowie ganz konkret einen mittelständischen Farbenhersteller, der die KI für den Support seiner B2B-Kunden einsetzen will. Mit diesem Anwendungsfall zeigt Karl-Jorit Hausdorf, Leiter des AI Business Incubator bei Fujitsu European Platform Business, auch die Hürden auf, die für ein erfolgreiches KI-Projekt genommen werden müssen: Arbeitet die Lösung nur mit den technischen Daten der Farben aus den Handbüchern, dann kann sie keine vernünftigen Empfehlungen geben, da ihr der Kontext fehlt. Sie könnte also beispielsweise für den Innenbereich auch Farben mit Lösungsmittel empfehlen, sofern diese prinzipiell zugelassen sind. Die KI benötigt also zusätzliche Informationen in Form „richtiger“ Daten, etwa von Confluence-Wikis oder Schulungsunterlagen. Oft liegt das Wissen bei den Mitarbeitern und muss erst digital erfasst werden. | kl

Der KI-Hype läuft am Channel vorbei

Bislang jedenfalls läuft der KI-Hype ziemlich am Channel vorbei. Wenn Arbeitnehmer ChatGPT zu ihrem persönlichen Assistenten machen, profitiert der Arbeitgeber – und eben nicht der Channel. Selbiges gilt, wenn Hyperscaler und große Hersteller ihre Infrastruktur ausbauen. Auch hier partizipieren Dienstleister und Systemhäuser nicht in großem Stil.

Besser sieht es beim Einsatz der mit KI-angereicherten Lösungen aus. Wenn Security-Hersteller KI in Software integrieren, die schneller und besser den Traffic analysiert, wenn falsche Alarme vermieden werden, und wenn dadurch die Security-Teams bei Dienstleistern entlastet werden und man besser skalieren kann – dann hat das einen positiven Effekt auf Umsatz und Ertrag im Channel. Ähnlich sieht es mit KI-Chatbots oder Netzwerk-Analyse-Tools aus. Auch der Verkauf von KI-PCs hilft, den Umsatz mit KI anzukurbeln. Gerade mit Blick darauf, dass im kommenden Jahr der Windows-10-Support ausläuft und mit Replacement-Geschäft zu rechnen ist. Doch reicht das, um als Dienstleister substanziell von KI zu profitieren und sich ein Alleinstellungsmerkmal zu verschaffen? Wahrscheinlich nicht.

Tief hinein in die Geschäftsprozesse

Der Game Changer für den Channel dagegen kann die Identifizierung und Implementierung von KI-Modellen in die Geschäftsprozesse der Kunden sein. Denn damit positioniert sich der Dienstleister als Business Partner, verdient an der Bereitstellung der Infrastruktur, am Training der KI sowie an den Services. „Der Schlüssel liegt darin, Künstliche Intelligenz nicht als Produkt zu betrachten, sondern als strategisches Werkzeug, das auf die spezifischen Bedürfnisse eines Unternehmens zugeschnitten ist“, erläutert Tim Strohschneider, Head of GenAI bei Adesso. „Dabei begleiten wir unsere Kunden über den gesamten Lebenszyklus hinweg. Dazu gehören die strategische Beratung, in der wir die Potenziale von KI für das Unternehmen identifizieren, die Entwicklung passgenauer Lösungen, die Change-Begleitung, um die Akzeptanz und Integration sicherzustellen, sowie der Betrieb und die kontinuierliche Optimierung der KI-Anwendungen.“ Ähnlich sieht es auch Enthus-CEO Christian Uhl. Denn Dienstleister können dort Geld verdienen, „wo für unsere Kunden der Profit generiert wird. Ob wir dann über Consulting, Infrastruktur, Development oder auch Shared-Business-Modelle sprechen, ist eigentlich zweitrangig. Das bedeutet für uns, dass wir flexibel genug für all diese Modelle der Wertschöpfung sein müssen“. Flexibilität ist Trumpf, denn die Einsatzgebiete sind vielfältig.

„Den Bedarf an KI-Unterstützung sehen wir mittlerweile in allen Branchen. Drei Einsatzfelder möchte ich beispielhaft nennen: die Automatisierung des IT-Supports mithilfe von Chatbots, KI-gestützte Sicherheitslösungen zur Erkennung und Abwehr von Cyberangriffen und die Analyse großer Datenmengen zur Verbesserung von Prozessen“, erklärt Stefan Tübinger, Prokurist und CTO bei Concat. Und zumeist geht das Ganze auch nicht allein, wie Ulrich Seibold, Vicepresident GreenLake Partner & Service Provider Sales bei HPE, anmerkt: „Es geht nur über Kooperation zwischen ISVs, Beratungshäusern, Herstellern und Partnern.“

Datenqualität und die „richtige“ KI

Einen weiteren wichtigen Erfolgsfaktor für derartige Projekte nennt Uhl: „Wir betrachten AI nicht isoliert oder nur reduziert auf Generative AI. Tatsächlich entscheidet sich der Erfolg von KI-Projekten meist in der Datenqualität. Und nicht zuletzt mit der Frage, welche Daten im Hinblick auf Datenschutz und Compliance, in welcher Form, von welchen Modellen verarbeitet werden dürfen. Darauf aufbauend stellt sich dann die Frage nach den richtigen Tools oder der Entwicklungen kundenspezifischer Applikationen. Erst dann sprechen wir über die IT-Infrastruktur für den Betrieb. Notwendig ist aus unserer Sicht also eine ganzheitliche Perspektive.“ Dabei stehe GenAI oft nur am Anfang im Mittelpunkt. „Die eigentliche Magie liegt in den Daten und dann sprechen wir eher über Machine Learning oder auch Recognition, präzisiert Uhl. Und Tübinger ergänzt: „GenAI, Machine Learning und Large Language Models sind für uns die interessanten Modelle, die wir in Kundenprojekten einsetzen. Unser Experten-Team befasst sich auch mit anderen Modellen wie Autoencoder, Insolation Forest und weiteren. Diese sind beispielsweise nützlich für die Analyse von Netzwerkdaten, um neue Bedrohungen zu identifizieren, bevor sie Schaden anrichten können.“ Bei Adesso setzt man „neben GenAI auf prädiktive Modelle, klassisches Machine Learning und Computer Vision.“ Als weiteren Erfolgsfaktor identifiziert Strohschneider die eigene KI-Plattform. „Sie ermöglicht es uns, Lösungen schnell und wertstiftend umzusetzen. Diese Plattform bietet die nötige Flexibilität und Skalierbarkeit, um Unternehmen in kürzester Zeit greifbare Ergebnisse zu liefern. Darüber hinaus konzentrieren wir uns auf den Aufbau skalierbarer und wiederverwendbarer Plattformen, die es unseren Kunden ermöglichen, ihre KI-Lösungen effizient zu betreiben.“

Skalierbarkeit und Relevanz sind bei Wahl des Use Case entscheidend

Schnelligkeit ist ein Faktor, den Dawn Herndon, Vice President, AI Partnerships & Build Ecosystem EMEA bei IBM, bei Kundenprojekten im Fokus hat. „Ziel ist es, innerhalb von sechs Monaten ein sichtbares Resultat für den Kunden erzielt zu haben. Danach folgen die langfristigen Ziele eines KI-Projekts“. Herndon blickt bei der Auswahl geeigneter Use Cases für das IBM-Portfolio vor allem darauf, ob Technologiepartner ein tiefes Spezial-Knowhow haben und bereits die nötige Datenfülle und -qualität. Weiterhin ist natürlich auch wichtig, dass die Lösung skalierbar ist und eine gewisse Relevanz besitzt. Besonders hervor hebt sie einen Use Case, der Patentanwälten hilft zu beurteilen, ob ein Patent auch als solches anerkannt wird, oder ob es mit bereits existierenden kollidiert. Dank des KI-Tools sparen sich die Verantwortlichen viele Stunden Recherchearbeit.

Um die Identifikation von Anwendungsfällen geht es auch bei Adesso, wie Strohschneider beschreibt: „Die Identifikation von Use Cases erfolgt bei uns in Zusammenarbeit mit den Fachabteilungen des Unternehmens. Dies kann im Rahmen kleinerer Projekte geschehen, aber auch in Workshops, in denen wir vor Ort Anwendungsfälle entwickeln. Ein Mehrwert dieses Ansatzes ist, dass wir auf dem Fachwissen der Mitarbeitenden aufbauen und so sicherstellen, dass die Use Cases praxisnah und auf die tatsächlichen Bedürfnisse des Geschäfts zugeschnitten sind.“ Und Tübinger ergänzt: „In der Regel führen wir einen Proof-of-Concept durch, entwickeln dann eine erste Lösung, die wir testen und weiterentwickeln. Wir unterstützen bei Inbetriebnahme der Lösung und leisten bei Bedarf Support.“

Vom PoC zur Produktivnahme

Das sorgt hoffentlich dafür, dass Peter Bryant, Analyst bei Canalys, künftig zu einer anderen Einschätzung kommt. Denn auf dem Canalys Forum bemerkte er: „61 Prozent der Partner sehen keine oder nur eine geringe Verlagerung von einem Proof of Concept hin zur Produktivnahme von GenAI-Projekten.“ Aber die KI-Reise hat für viele auch gerade erst begonnen.

(ID:50188603)