top of page

Die große Herausforderung bei KI ist die Integration



Bei der Digitalization setzen die Wiener Stadtwerke zunehmend auf KI-Assistenzsysteme. Entscheidend ist dabei das Zusammenspiel mit dem menschlichen Faktor. Das muss funktionieren.



Manche Dinge lassen sich nur schwer in Zahlen gießen. Manchmal gelingt es aber doch. Zum Beispiel die Frage nach dem Leben, dem Universum und dem ganzen Rest. Seit Douglas Adams ist die Antwort klar: eine übersichtliche 42. Oder die Frage nach dem menschlichen Faktor beim Zusammenspiel mit KI. Bei den Wiener Stadtwerken gibt es da zumindest zwei konkret bezifferte Antworten. Die erste ist 15.000. So viele Mitarbeiterinnen und Mitarbeiter gilt es mit digitalen Innovationen bei ihrer Arbeit zu unterstützen. Die zweite Zahl ist 1,9 Millionen. Für so viele Einwohnerinnen und Einwohner muss eine der weltweit lebenswertesten Metropolen tagtäglich am Laufen gehalten werden … und das hochgradig auch digital. Von Mobilität über Energieversorgung bis zu Bestattung und Friedhöfen. Kaum ein anderes heimisches Unternehmen hat es bei der Digitalization mit so vielen und so vielfältigen Schnittstellen zum menschlichen Faktor zu tun.


Für die Akzeptanz von KI braucht es Überzeugungsarbeit


„Eine digitale Innovation sorgt nicht per se bei allen für Begeisterung, sondern bei vielen zunächst einmal für Skepsis“,

sagt Rainer Kegel. „Für KI-Systeme gilt das ganz besonders, weil die in der Regel Aufgaben abdecken sollen, die bisher Menschen gemacht haben. Also muss man die Menschen dazu bringen, mitzuziehen, den konkreten Nutzen für sie aufzeigen. Das gelingt aber nur, wenn man sich als Partner positioniert, der die Anliegen der Fachabteilungen versteht.“


Genau das tut Rainer Kegel seit sechs Jahren – als Group CIO der Wiener Stadtwerke die strategische IT als Partner der Fachbereiche zu positionieren. Und in dieser Rolle die Digitalisierung quer durch den Konzern und die unterschiedlichen Tochtergesellschaften voranzutreiben. Immer öfter in Form von KI-basierten Assistenzsystemen. Die sollen Arbeitsabläufe nicht einfach besser, schneller oder simpler machen, sondern die den Mitarbeitern tatsächlich tägliche Arbeit abnehmen. Und zwar vor allem die lästige, die davon abhält, sich auf die eigentlich wichtigen[MD1] Dinge zu fokussieren. Zum Beispiel im Leitstand der Wiener Netze. Dort hat ein Mitarbeiter, der das Stromnetz steuert, Bilder aus mindestens 20 Kameras auf dem Schirm, um zu erkennen, ob irgendetwas Auffälliges auf der Anlage passiert, und um bei Bedarf vor Ort zu reagieren. Glücklicherweise passiert nur selten etwas. Aber im Blick muss man es trotzdem permanent haben.


„Das acht Stunden lang durchzuhalten, quasi nebenbei, mit anhaltender Konzentration, ist eine ziemliche Herausforderung“, macht Kegel klar. „Also war das Ziel, das Screenen der Kamerabilder einem Assistenzsystem mit Video Analytics zu übertragen, das dem Kollegen meldet, wenn tatsächlich etwas Auffälliges zu sehen ist. Damit er sich das näher ansehen und ansonsten ganz auf seine Kernaufgabe, die Netzsteuerung, konzentrieren kann.“

Eigentlich könnte man meinen, eine Unterstützung, wie man sie sich nur wünschen kann. Dennoch sind die KI-Assistenzsysteme keine Selbstläufer. Damit sie tatsächlich zur Hilfe werden können, muss eine Menge dafür getan werden.


KI-Innovationen sind Business-Projekte


Einer der besonders viel dafür tut, ist Benedikt Schraik. Er leitet in der Group IT ein Team aus IT-Architekten und Data Analysts, das die Digitale Transformation strategisch vorantreibt. Und dazu Use Cases identifiziert und Prototypen baut. Dennoch sind die Projekte, die er gemeinsam mit seinen Kollegen einleitet, keine IT-Projekte. Dieser Umstand ist ihm wichtig:

„Die Rolle der Projektmanager nehmen bewusst stets IT-affine Stakeholder aus dem jeweiligen Fachbereich ein. Wenn die neue Lösung in den Produktivbetrieb geht, wird zur Gänze an die Kollegen dort übergeben.

Sie müssen damit arbeiten, sie weiterentwickeln, Nutzen daraus ziehen – die IT liefert im laufenden Betrieb dann nur noch den üblichen Support.“

Hilfe zur Selbsthilfe ist die Devise. Umso mehr gilt es für Schraik und sein Team in der Pilotphase die Fachabteilungen dazu zu befähigen. Mit Lösungen, die zielgenau auf ihren Demand ausgerichtet sind.


So wie bei dem Pilotprojekt der Wien Energie, bei dem es um die Kategorisierung von E-Mails im Kunden-Service ging. Menschlicher Faktor pur also. Und genau der war es, der das Projekt gleichermaßen notwendig wie komplex machte. Bis dahin mussten Mitarbeiter täglich tausende E-Mails vorsortieren und an die zuständigen Sachbearbeiter weiterleiten. Oft ist über den Betreff nämlich nicht eindeutig zuordnen, ob es sich etwa um eine Beschwerde oder eine Ummeldung oder etwas ganz anderes handelt. Das lässt sich erst aus dem Text herauslesen und auch das nicht immer auf den ersten Blick. Auch für KI ist das nicht so einfach. Zumindest nicht mit einfachen Korrelationen zwischen bestimmten Wörtern und Kategorien. Und damit auch nicht für eine der vielen Fast-Universallösungen, die sich am Markt finden lassen. Dazu bedarf es komplexer semantischer Kombinationen von spezifischen, auf den konkreten Use Case zugeschnittenen, Begriffen und Wörterkombinationen, verbunden mit statistischer Wahrscheinlichkeit. Und nicht nur das nötige technologische Know-how, sondern zunächst einmal eine Menge inhaltliche Vorarbeit – auch und gerade von den Mitarbeitern in der Fachabteilung, im Kunden-Service.


Der Mehrwert muss klar sein


Die Bereitschaft dazu war von Anfang an da, weil zumindest eine Kategorie sehr rasch klar war: Der Mehrwert. Wenn sich drei oder vier Mitarbeiter nicht mehr täglich durch Online-Berge von E-Mails durcharbeiten müssen, und sich künftig anderen Aufgaben im Kundenkontakt widmen können, braucht man über den Use Case nicht lange zu diskutieren. Die Kundenservice-Prozesse werden extrem beschleunigt, weil die E-Mails sofort in die Systeme eingespielt werden. Und zugleich ist die neue KI-Lösung auch wirtschaftlich – etwa im Vergleich zu einem etwaigen Auslagern bestimmter Aufgaben – die kosteneffizienteste Option. Eine Million Euro können so über drei Jahre eingespart werden.


Nicht immer liegt der Nutzen so klar auf der Hand. Umso mehr gilt es ihn dann zunächst einmal für Benedikt Schraik und sein Team zu erkennen.

„Unsere Aufgabe ist es, neue Technologie in konkrete Use Cases zu übersetzen und greifbare Ansätze zu liefern. Auch, wenn daraus vielleicht letztlich eine abgewandelte Idee entsteht.

Die Fachbereiche schätzen das, dass wir nicht einfach ein Stück Technologie präsentieren, sondern uns den Kopf zerbrechen, wie die ihnen bei der täglichen Arbeit helfen könnte. Das schafft die Akzeptanz für uns als Partner.“

Die ist wichtig, um die Fachabteilungen zu motivieren, Zeit und Ressourcen in Innovationen zu investieren. Und sie gilt es auch zu bewahren, wenn ein Prototyp in den Probebetrieb geht. Und das kann in einem Unternehmen wie den Wiener Stadtwerken zu einer echten Herausforderung werden - wenn man eine Großstadt und ihre kritische Infrastruktur am Laufen halten muss.


Die Qualität muss von Beginn weg stimmen


„Die Anfangsphase ist für ein Pilotprojekt hochkritisch“, sagt Schraik. „In einem Probebetrieb geht es nicht darum, zu vermitteln, wie es laufen könnte, sondern zu zeigen: So läuft es. Und zwar ohne Fehler. Sonst wird es mit der Akzeptanz schwierig. Für KI-Systeme gilt das besonders – weil der Qualitätsanspruch da besonders hoch ist.“


Das macht die Digitale Transformation für das Team aus der Group IT manchmal zum Vorankommen auf einem sehr schmalen Grat. Ein KI-Pilot für die Stationsüberwachung der Wiener Linien zeigt das deutlich. Ähnlich wie bei der Steuerung des Stromnetzes, sollen auch hier die Mitarbeiter im Leitstand per Video Analytics unterstützt und alarmiert werden, wenn sich rund um die Gleise etwas Auffälliges tut, um dann sofort aktiv werden zu können. Im Notfall heißt das, den herannahenden Zug zu stoppen.

Und dafür bleiben möglicherweise nur 90 Sekunden. Ein Wettlauf gegen die Zeit also, der durch die Fülle an zu beobachtenden Details noch herausfordernder wird: Drängt da beispielsweise jemand an jemanden anderen zu nah heran, Richtung Bahnsteigkante? Wird da jemand gerade körperlich bedroht? Gehört dieser Koffer auf dem Bahnsteig zu jemanden? Für Trial & Error ist da weder die Zeit noch der richtige Ort.


„Da bringt es auch nichts, ein Assistenzsystem mit Video Analytics irgendwo mit ein paar Kameras zu starten“, erklärt Benedikt Schraik. „Wenn nicht sämtliche Kamerabilder auf einer Station 7x24 durchgescreent werden, weiß der Mitarbeiter erst recht nicht, auf welche Bilder er achten soll.“

Bei solch neuralgischen Szenarien und Use Cases gilt es sehr sorgfältig zu überlegen, wo und wie man den Prototyp für eine digitale Innovation einsetzt und testet, ob der tatsächlich hält, was er potenziell verspricht.

„Dass ein neues System alle 20 Minuten einen Fehlalarm auslöst und ein Zug stehen bleiben muss, weil zum Beispiel ein Plastiksackerl auf die Gleise geweht wird, kann man sich da einfach nicht leisten“,

macht Schraik klar. „Deshalb haben wir dieses Pilotprojekt auch bei den Wiener Lokalbahnen gestartet, weil es da nicht so extrem viele Störfaktoren gibt wie bei der U-Bahn.“

Und auch das „mit wem“ ist für ihn entscheidend: „Man muss beim allerersten Schritt die richtigen Leute mit den richtigen Erwartungen im Boot haben, die bereit sind, gemeinsam rasch aus den Erfahrungen zu lernen und das System zu kalibrieren.“


Trotz Rapid Prototyping braucht es für KI-Innovationen auch Geduld


Lern- und Kalibrierungsbedarf gibt es beim Zusammenspiel zwischen Menschen und KI reichlich. Gerade in der Kombination einer großen Menge an zu verarbeitenden Informationen und dem Zeitfaktor liegt das große Potenzial, wie und wo KI-Systeme die Mitarbeiter effektiv unterstützen können. Wenn das gehoben werden soll, kommt man allerdings um das Sammeln von Erfahrungen und um das Erkennen von Optimierungsbedarf nicht herum. Und dafür braucht es letztlich auch in der Ära des Rapid Prototyping eine Portion Geduld, sagt Rainer Kegel:

„Die typischen Fehler, die oft passieren, werden nämlich zumeist sehr rasch erkannt. Für andere Fehler, die seltener auftreten, braucht es aber häufig eine Weile, um sie zu entdecken. Dafür reicht eine dreiwöchige Probephase nicht aus.“


Die Geduld scheint sich zu lohnen. Aktuelle Studien sagen, dass die Mehrheit der Digitalisierungsprojekte es nicht einmal bis zum PoC schafft. Bei den Wiener Stadtwerken schaffen das fast alle.

Der Group CIO der Wiener Stadtwerke glaubt den Schlüssel zu diesem Erfolg zu kennen:

„Viele fokussieren sich in der Pilotphase auf die technische Machbarkeit und darauf, den Prototypen zu bauen. Je rascher, desto besser. Das ist auch wichtig, aber eben nicht alles entscheidend.

Die echte Herausforderung ist die Operationalisierung, die Implementierung ins Produktivsystem. Und je früher ich die bei einem Pilotprojekt berücksichtige, umso effektiver und zielgenauer kann ich die Lösung darauf ausrichten. Welche Prozesse muss ich dafür vielleicht anpassen? Wie schaut der organisatorische Aufwand dahinter aus? Welche Schnittstellen zu den Mitarbeitern und zu anderen Systemen gibt es? Auch wenn ein Prototyp manchmal sehr schnell gebaut ist, die Integration macht nahezu jede KI-Lösung zu einem wirklich komplexen Projekt.“


Es reicht eben nicht, dass ein Prototyp funktioniert. Er muss im Arbeitsalltag der MitarbeiterInnen funktionieren. Womit wir wieder beim menschlichen Faktor wären.



Von Michael Dvorak; Fotos: Lisa Resatz

bottom of page