Lenovo SSG: Die Umsetzung von KI tritt in eine Beschleunigungsphase ein, und Szenarien und ROI werden zum zentralen Fokus.

„Die KI-Branche tritt in eine neue Phase ein: Vom Wettlauf um die Anzahl der Parameter hin zur Rückkehr zum Wertschöpfungsprinzip.“ Auf der kürzlich stattgefundenen Medienkonferenz der Solution & Services Group (SSG) von Lenovo teilten Hu Guanzhong, Senior-Vizepräsident, Chief Information Officer und Chief Technology and Delivery Officer der SSG, sowie Chen Minyi, Vizepräsidentin und Leiterin der Business Application Service Delivery von Lenovo, ihre neuesten Einsichten und Praxiserfahrungen von Lenovo in Bezug auf Themen wie die verlangsamte Iteration von Large Language Models (LLMs), die Herausforderung des Halluzinationsrates, die ROI-Orientierung und die lokalen Unterschiede mit.

Steigender Anwendungsnutzen: ROI wird zum Kernkriterium

Dieses Jahr ist das fünfte Jahr seit der Gründung der Lenovo SSG. In diesen fünf Jahren hat man auch die Entwicklung der generativen KI von der „Hype-Phase“ bis hin zum rationalen Einsatz erlebt. Hu Guanzhong erwähnt, dass die KI immer noch in einer Phase des rasanten Wachstums steckt und es fast alle drei bis fünf Tage neue Fortschritte gibt. Doch die ROI wird zunehmend zum Schlüsselkriterium für Unternehmen, um die Rendite ihrer Investitionen zu messen.

Hu Guanzhong betont, dass es schwierig ist, KI-Projekte erfolgreich umzusetzen, wenn es keine solide digitale Infrastruktur gibt. „Echte erfahrene und kompetente Unternehmen müssen in der Lage sein, die passenden Tools zu identifizieren, die richtigen Anwendungsfälle zu finden und die Technologie dort einzusetzen, wo sie am effektivsten ist, um wirklich Wert zu schaffen.“

Nach seiner Meinung unterscheidet sich der B2B-Bereich vom wettbewerbsintensiven und schnelllebigen B2C-Bereich. Im B2B-Bereich sollten Unternehmen weniger auf die Größe der Parameter von LLMs achten, sondern sich stattdessen darauf konzentrieren, wie sie mit KI Geschäftserfolge erzielen können, kurz gesagt: auf die „Kosten-Nutzen-Relation“. Die verlangsamte Iteration von LLMs bedeutet nicht, dass die Unternehmen gehindert sind, KI einzusetzen.

„Im B2B-Bereich interessiert es die Kunden nicht so sehr, wie gut das Modell an sich ist, sondern ob es in konkreten Anwendungsfällen Wert schaffen kann.“ Er sagt: „LLMs sind oft mit hoher Latenz und hohen Kosten verbunden, während mittelgroße und kleine Modelle in vielen Geschäftsprozessen bereits ausreichen. Der eigentliche Wettbewerb liegt nicht in der technologischen Spitze, sondern darin, wer die passenden Anwendungsfälle findet und den Wert realisieren kann.“

Am Beispiel von Agenten zeigt Hu Guanzhong, dass die Entwicklung von Einzelagenten, Superagenten oder kooperierenden Multiagenten in Richtung stärkerer Intelligenz, höherer Autonomie und breiterer Abdeckung geht. „Ob es am Ende tatsächlich umgesetzt werden kann, hängt letztendlich vom „Anwendungsfall“ selbst ab und ob es wirklich sinnvoll ist, die Probleme mit Agenten zu lösen.“

Diese Logik hat sich bei dem Superagenten „Lenovo Enjoy“ von Lenovo bewährt. Das System basiert nicht auf dem neuesten und stärksten LLM, sondern verbessert durch Intentionenerkennung, Aufgabenplanung und die Ausführung über verschiedene Systeme hinweg die Kundenerfahrung und die Betriebseffizienz in den Branchen Handel und E-Commerce erheblich.

Die Daten zeigen, dass „Lenovo Enjoy“ bereits eine Steigerung der Auftragskonversionsrate um 30 %, ein Wachstum des GMV um 15 % und eine Steigerung der Prozessleistung um 30 % erreicht hat. Dies zeigt, dass „ein ausreichendes Modell + ein passender Anwendungsfall“ der Schlüssel zur Entfaltung des KI-Werts ist.

Halluzinationsrate unvermeidlich: Systemlösungen sind die Antwort

Neben der ROI bleibt die Halluzinationsrate weiterhin eine der größten Herausforderungen bei der Anwendung von LLMs. Hu Guanzhong weist darauf hin: „Halluzinationen sind ein generelles Problem dieser Generation von Architekturen und können nicht in kurzer Zeit vollständig beseitigt werden. Der Schlüssel liegt darin, in verschiedenen Anwendungsfällen passende Lösungen zu entwickeln: In Hochrisikoprozesse müssen Menschen die Ergebnisse überprüfen, während in Niederrisikophasen Schritt für Schritt Agenten eingesetzt werden können.“

Chen Minyi fügt hinzu, dass die Lösung des Problems der Halluzinationsrate nicht auf Einzelmaßnahmen beruhen kann, sondern es eine ganzheitliche Optimierung aller Prozessschritte erfordert. „Von der Modell-Engineering, über die multimodale Interaktion bis hin zur RAG-Suche und der Zusammenarbeit von mehreren Modellen muss jeder Schritt ständig verbessert werden.“ Sie betont, dass Lenovo mit seiner ganzheitlichen Kompetenz in Hardware, Software und Dienstleistungen in der Lage ist, Unternehmen einen zuverlässigen End-to-End-Service zu bieten.

Schlüsselbranchen wie die Fertigung und die Supply Chain werden zunehmend zu den Hauptfeldern für die schnelle Umsetzung von KI. Das Supply Chain Agent „iChain“ von Lenovo ist ein Beispiel dafür. Es basiert nicht auf einem einzigen LLM, sondern durch die Zusammenarbeit von Multiagenten und die Echtzeitdatenverbindung kann es in komplexen Supply Chain-Szenarien Risiken vorhersagen, Anomalien warnen und die Lagerhaltung optimieren.

Die Praxis hat gezeigt, dass iChain die Genauigkeit der Risikoerkennung auf 90 % erhöht und den Risikoantwortzyklus um das Vierfache verkürzt, was die Resilienz der Unternehmenssupply chain erheblich verbessert. Diese „End-to-End-, anwendungsfallgesteuerte“ Lösung ist eine direkte Antwort auf die Sorgen der Branche in Bezug auf die Halluzinationsrate und die Genauigkeit.

Von der technologischen Innovation zur Wertschöpfung

Von der verlangsamten Iteration von LLMs über die Herausforderung der Halluzinationsrate bis hin zur ROI und den lokalen Unterschieden betont die SSG in der Medienkonferenz immer wieder die gleiche Logik: Die Innovation in der KI ist nicht nur eine technologische Revolution, sondern auch ein ganzheitliches Projekt. Um Unternehmen wirklich auf dem Weg zur Digitalisierung zu unterstützen, braucht es nicht nur Algorithmenkompetenz, sondern auch eine ganzheitliche Strategie von der Infrastruktur, über Plattformtools bis hin zu branchenspezifischen Anwendungsfällen sowie Praxiserfahrung.

Im Vergleich zwischen chinesischen und ausländischen Märkten neigen ausländische Kunden eher dazu, KI über das SaaS-Modell direkt zu nutzen, während chinesische Kunden eher auf „Lokalisierung + Hybrid-Deployment“ bestehen, um die Datensicherheit und Flexibilität zu gewährleisten. Lenovo setzt mit seiner „Innovation from within and expansion to the outside“-Strategie seine Geschäftserfahrungen aus über 180 Ländern um und passt die Lösungen dann an die lokalen Bedürfnisse an.

Hu Guanzhong resümiert: „Ob traditionelles maschinelles Lernen, Deep Learning oder generative KI, alles sind nur Werkzeuge. Der Schlüssel liegt darin, die passenden Anwendungsfälle zu finden und den Wert auf die richtige Weise zu entfalten. Blind auf LLMs zu setzen, garantiert keine langfristige Wettbewerbsfähigkeit.“