43 www.net-im-web.de 04/2026 Wertschöpfung nicht über einen gewissen Zeitraum sichtbar wird. Daher sind Pragmatismus und schnelles Handeln oftmals hilfreicher als graue Theorie. Ziel muss es sein, zügig realisierbare Erfolge direkt in den Betrieb zu überführen und die Transformation so zu verankern. Dennoch braucht es ein gewisses Maß an Vorbereitung. Ende der „Proof-of-Concept“-Phase Um den Sprung von der Experimentierphase zur Skalierung zu schaffen, müssen Telkos KI zu einem integralen Bestandteil ihrer Kernprozesse hin entwickeln. Vor einem Roll-out sind vier Fragen zu klären: • Welche Prozesse liefern messbaren Mehrwert – und wo amortisieren sich Investitionen kurzfristig? • Welche Skills werden intern benötigt, welche können ausgelagert werden? • Lässt sich der KI-Einsatz auf andere Services oder Regionen übertragen? • Wie gelingt es, KI-Initiativen – trotz des nach wie vor vorhandenen Mangels an Offenheit für KI in vielen Unternehmen – erfolgreich zu starten? Die Basis für KI-Readiness Die Vielzahl an KI-Initiativen im TMForum- und Catalyst-Umfeld belegt: Der Markt will die Experimentierphase hinter sich lassen – und arbeitet nun an der deutlich schwierigeren Aufgabe, KI in skalierbare, wirtschaftlich tragfähige Betriebsmodelle zu überführen. Sieben Punkte sind wichtig für KI-Readiness: • Datenqualität und -verfügbarkeit: KI lebt von Daten. Fragmentierte oder inkonsistente Datensilos verhindern zuverlässige Modelle. Es geht um das Neuformulieren von Daten als ein Produkt – und Owner, die sich dafür verantwortlich fühlen. • Infrastruktur und Schnittstellen: Legacy-Systeme müssen über APIs in moderne Plattformen integriert werden, denn ohne standardisierte Schnittstellen lassen sich KI-Prozesse nicht zuverlässig betreiben. Eine skalierbare Cloud- oder Hybrid-Infrastruktur ist daher essenziell. • Governance und Skills: KI erfordert klare Verantwortlichkeiten und Mitarbeitende mit Fachkenntnissen in Data Science, Cloud-Architektur und Netzwerk-Engineering. • Model & AI Operations (ModelOps): Unabhängig davon, ob ein Unternehmen eigene KI-Modelle entwickelt oder auf externe Modelle setzt, braucht es eine belastbare operative Grundlage für den KI-Betrieb. Dazu gehören aus dem MLOps-Bereich Mechanismen wie Versionierung von Modellen und Trainingsdaten, reproduzierbare Deployments sowie systematisches Performance-Monitoring. Aus dem AIOps-Bereich kommen die Fähigkeiten, KI selbst zur Überwachung und Steuerung von IT-Systemen einzusetzen: proaktive Fehlererkennung, automatisierte Incident-Response und kontinuierliche Optimierung des Betriebs. Beide Disziplinen sind ergänzende Schichten einer zukunftsfähigen KI-Infrastruktur. • Fachabteilungen einbeziehen: Empfehlenswert sind skalierbare Initiativen, die von Anfang an in bestehende Prozesse integriert sind und konkreten Nutzen stiften. Fachabteilungen sollten als Nutzer umfassend einbezogen sein. • Unternehmenskultur und Organisation: Der Wille zur Innovation sollte sich aus der Praxis heraus entwickeln. Es gilt, nicht nur Data-ScienceTeams aufzubauen, sondern auch interne Schulungen für Anwender anzubieten – und Abteilungen wie HR und Unternehmenskommunikation einzubinden, um KI im Unternehmen zu integrieren. • Die richtigen Partner: Beratungen und Technologie-Partner müssen ein tiefes Verständnis der Anforderungen von Telekommunikationsunternehmen haben. Ebenso ist es erforderlich, dass sie über genau die Skills verfügen, die es für eine erfolgreiche KI-Transformation braucht. Wie Telkos KI-Readiness schaffen Der Markt will die Experimentierphase hinter sich lassen – und arbeitet nun an der deutlich schwierigeren Aufgabe, KI in skalierbare, wirtschaftlich tragfähige Betriebsmodelle zu überführen (Grafik: Tallence)
RkJQdWJsaXNoZXIy MjE2Mzk=