In der Reihe „Creator Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Dr. Janna Lipenkova.
Dr. Janna Lipenkova ist KI-Strategin, Unternehmerin und Autorin des Buches Die Kunst der KI-Produktentwicklung. Mit einem Doktortitel in Computerlinguistik kombiniert sie tiefes technisches Wissen mit Geschäftsstrategien, um Unternehmen dabei zu helfen, KI in greifbare Ergebnisse umzusetzen. Janna hat mehrere Unternehmen an der Schnittstelle von Sprache, Daten und Intelligenz gegründet und geleitet – darunter Anacodedas sich auf die KI-Transformation von Unternehmen konzentriert, und Equinteleine KI-Plattform, die die Nachhaltigkeit von Unternehmen unterstützt. Durch ihre Vordenker- und Beratungstätigkeit gestaltet und verfeinert Janna kontinuierlich ihre umfassende Methodik für die KI-Entwicklung und -Integration.
Du nennst dein „KI-Strategie-Playbook„Eine Reihe von mentalen Modellen, die Groups dabei helfen, sich darauf zu einigen, was und warum sie aufbauen sollen. Welche Modelle sorgen in Führungszimmern am häufigsten für Klarheit, und warum finden sie Anklang?
Eine der größten Herausforderungen in Chefzimmern ist die Kommunikation. Menschen meinen unterschiedliche Dinge, wenn sie über KI sprechen, die die Ausführung blockiert. Ich verwende drei mentale Modelle, um eine strukturierte gemeinsame Foundation zu schaffen, die es uns ermöglicht, ohne Ausreden und Missverständnisse voranzukommen.
Normalerweise beginne ich mit dem KI-Chancenbaumwas uns hilft, die Landschaft möglicher KI-Anwendungsfälle abzubilden. Führungskräfte kommen oft mit einer Mischung aus Neugier und Hype – „wir müssen etwas mit KI machen“ –, aber nicht mit einer klaren Vorstellung davon, wo der Wert wirklich liegt. Der Standardweg, den die meisten Groups von dort aus einschlagen, ist der Aufbau eines Chatbots, aber diese Projekte kommen selten zum Erfolg (vgl. dieser Artikel). Der Alternative Tree durchbricht dieses Muster, indem er potenzielle KI-Anwendungsfälle systematisch aufdeckt und eine strukturierte, objektive Grundlage für die Priorisierung bereitstellt.
Sobald wir Klarheit darüber haben, was und warum wir bauen sollen, fahren wir mit dem fort Wie und füllen Sie das aus KI-System-Blaupause. Dieses Modell hilft dabei, die Daten, Modelle, Benutzererfahrung und Governance-Einschränkungen des geplanten KI-Programs abzubilden. Es ist besonders leistungsstark in Umgebungen mit mehreren Interessengruppen, in denen Geschäfts-, Datenwissenschafts- und Compliance-Groups eine gemeinsame Sprache benötigen. Der Entwurf verwandelt die Komplexität der KI in etwas Greifbares und Iteratives – wir können ihn zeichnen, diskutieren und gemeinsam verfeinern.
Abschließend stelle ich die vor KI-Lösungsraumkarte. Es erweitert die Diskussion über die heute vorherrschenden Technologien – hauptsächlich große Sprachmodelle und Agenten – und hilft Groups, den gesamten Bereich der Lösungstypen zu berücksichtigen: von klassischem ML bis hin zu Hybridarchitekturen, Abrufsystemen und regelbasierten oder simulationsgesteuerten Ansätzen. Diese umfassendere Sichtweise gibt uns die Sicherheit, die richtige Lösung zu liefern, nicht nur die modische.
Zusammen bilden diese Modelle eine Reise, die widerspiegelt, wie sich erfolgreiche KI-Produkte entwickeln: von der Entdeckung von Chancen über das Systemdesign bis hin zur kontinuierlichen Erkundung. Sie kommen bei Führungskräften intestine an, weil sie eine Brücke zwischen Strategie und Umsetzung schlagen.
In Ihrem Schreiben ist Domänenexpertise bei der Entwicklung von KI-Produkten wichtig. Wo haben Sie gesehen, dass Domänenwissen die gesamte Type einer KI-Lösung verändert, anstatt nur die Genauigkeit an den Rändern zu verbessern?
Ein anschauliches Beispiel, bei dem Fachwissen die Lösung völlig veränderte, battle ein Logistikprojekt, das ursprünglich zur Vorhersage von Lieferverzögerungen gestartet wurde. Als die Fachexperten hinzukamen, formulierten sie das Drawback neu: Verzögerungen waren keine zufälligen Ereignisse, sondern Symptome tieferer Geschäftsrisiken wie Lieferantenabhängigkeiten, regulatorische Engpässe oder Netzwerkfragilität. Wir „KI-Experten“ konnten diese Muster nicht erkennen.
Um dieses Domänenwissen einzubeziehen, haben wir die Datenschicht über die Laufzeiten hinaus erweitert, um Lieferantenrisikosignale und Abhängigkeitsdiagramme einzubeziehen. Die KI-Architektur entwickelte sich von einem einzelnen Vorhersagemodell zu einem Hybridsystem, das Vorhersage, Wissensgraphen und regelbasiertes Denken kombiniert. Das Benutzererlebnis wurde von reaktiven Verzögerungsprognosen auf Risikoszenarien mit vorgeschlagenen Abhilfemaßnahmen erweitert, die für Experten besser umsetzbar waren.
Letztendlich verbesserte das Domänenwissen nicht nur die Genauigkeit, sondern definierte auch das Drawback, das Systemdesign und den Wert, den das Unternehmen erzielte, neu. Es verwandelte ein KI-Modell in ein echtes Entscheidungsunterstützungstool. Nach dieser Erfahrung bestehe ich immer darauf, dass Fachexperten in den frühen Phasen einer KI-Initiative eingebunden werden.
Zusätzlich zu Ihren Beiträgen auf TDS haben Sie auch ein Buch geschrieben: Die Kunst der KI-Produktentwicklung: Geschäftswert liefern. Was sind die wichtigsten Erkenntnisse, die Ihre eigene Herangehensweise an die Entwicklung von KI-Produkten verändert haben (insbesondere alles, was Sie überrascht oder eine frühere Überzeugung über den Haufen geworfen hat)?
Das Schreiben des Buches motivierte mich, alle Teile des theoretischen Wissens, der praktischen Erfahrung und meiner eigenen Überzeugung zu reflektieren und in wiederverwendbaren Rahmenwerken zu strukturieren. Da ein Buch jahrelang related bleiben muss, battle ich auch gezwungen, zwischen Grundlagen einerseits und Hype andererseits zu unterscheiden. Hier sind ein paar meiner eigenen Erkenntnisse:
- ErsteIch habe gelernt, wie man in der Technologie einen Geschäftswert findet. Oft schwanken wir zwischen zwei Extremen – entweder wir jagen der KI um der KI willen hinterher oder wir verlassen uns ausschließlich auf benutzergesteuerte Entdeckungen. Im ersten Fall schaffen Sie keinen echten Wert. Wer weiß, wie lange Sie im zweiten Fall warten müssen, bis das „perfekte“ KI-Drawback zu Ihnen kommt. In der Praxis liegt der Candy Spot dazwischen: die Nutzung der einzigartigen Stärken der Technologie, um einen Wert zu erschließen, den Benutzer spüren, aber nicht unbedingt artikulieren würden. Wir kennen es von großen Innovatoren wie Steve Jobs und Henry Ford, die radikal neue Erfahrungen geschaffen haben, bevor Kunden danach gefragt haben. Aber um dies erfolgreich zu tun, brauchen Sie diese magische Mischung aus technischem Fachwissen, Mut und Instinct darüber, was der Markt braucht.
- Zweiteerkannte ich den Wert der Benutzererfahrung für den KI-Erfolg. Viele KI-Projekte scheitern nicht, weil die Modelle schwach sind, sondern weil die Intelligenz nicht klar kommuniziert, erklärt oder nutzbar gemacht wird. Der Erfolg eines KI-Produkts hängt davon ab, wie intuitiv Benutzer mit seinen Fähigkeiten interagieren können und wie sehr sie seinen Ergebnissen vertrauen. Während ich das Buch schrieb, las ich Designklassiker wie Don Normans „The Design of On a regular basis Issues“ noch einmal und fragte mich immer: Wie trifft das auf KI zu? Ich denke, wir befinden uns noch am Anfang einer neuen UX-Ära. Chat ist ein wichtiger Bestandteil, aber definitiv nur ein Teil der Gesamtgleichung. Ich bin sehr gespannt auf die Entwicklung neuer Benutzeroberflächenkonzepte wie generative UX.
- DritteKI-Systeme müssen sich durch Suggestions- und Verbesserungszyklen weiterentwickeln, und dieser Prozess endet nie wirklich. Deshalb verwende ich in dem Buch die Metapher eines Derwischs: Spinnen, Verfeinern, kontinuierliches Lernen. Groups, die frühe Veröffentlichungen und ständige Iteration beherrschen, liefern tendenziell weitaus mehr Wert als diejenigen, die auf ein „perfektes“ Modell warten. Leider sehe ich immer noch, dass viele Groups zu lange brauchen, bis sie eine erste Baseline liefern, und dass sie nicht genügend Zeit für die iterative Optimierung aufwenden. Diese Systeme könnten es in die Produktion schaffen, aber eine Einführung wird wahrscheinlich nicht stattfinden und sie werden als weiteres KI-Experiment auf Eis gelegt.
Welche Gewohnheiten würden Sie Groups empfehlen, die im nächsten Quartal ein KI-Function einführen, und welche wesentlichen Fallstricke sollten sie vermeiden, um sich weiterhin darauf zu konzentrieren, einen echten Geschäftswert zu liefern, anstatt einem Hype hinterherzujagen?
Beherrschen Sie zunächst wie oben die Kunst der Iteration. Versenden Sie Ihre Produkte frühzeitig, aber gehen Sie dabei verantwortungsvoll vor – veröffentlichen Sie etwas, das nützlich genug ist, um das Vertrauen der Benutzer zu gewinnen, und verbessern Sie es dann kontinuierlich. Jede Interaktion bringt Ihnen neue Daten und jedes Suggestions ist ein neues Trainingssignal.
Zweitens: Behalten Sie eine breitere Perspektive. Es ist leicht, sich einen Tunnelblick über die neueste LLM- oder Modellversion zu verschaffen, aber die eigentliche Innovation ergibt sich oft aus der Kombination von Technologien – Retrieval, Reasoning, Analytics, UX und Domänenlogik. Gestalten Sie Ihr System modular, damit Sie es erweitern können, und überwachen Sie kontinuierlich KI-Lösungen und Entwicklungen, die es verbessern könnten (siehe auch unsere kommenden KI-Radar).
Drittens: Testen Sie frühzeitig und häufig mit echten Menschen. KI-Produkte leben oder sterben davon, wie Menschen sie wahrnehmen und nutzen. Interne Demos und synthetische Exams können die chaotischen, überraschenden Eingaben und Rückmeldungen, die Sie von tatsächlichen Benutzern erhalten, nicht ersetzen.
Ihre ausführlichen Texte (Buch, ausführliche Beiträge) vermeiden Hype und konzentrieren sich darauf, den Organisationen einen Mehrwert zu bieten. Wie gehen Sie bei der Themenauswahl vor und hilft Ihnen das Schreiben über diese Themen dabei, sie besser zu verstehen?
Schreiben battle schon immer meine Artwork, laut zu denken. Ich nutze es, um zu lernen, komplexe Ideen zu verarbeiten und neue zu generieren. Normalerweise verlasse ich mich auf mein Bauchgefühl und schreibe über Ansätze, an die ich wirklich glaube und die ich in echten Organisationen gesehen habe.
Gleichzeitig haben wir in meinem Unternehmen so etwas wie unsere eigene „geheime Soße“. Im Laufe der Jahre haben wir ein KI-gesteuertes System zur Überwachung neuer Developments und Innovationen entwickelt. Wir stellen es einigen ausgewählten Kunden in Branchen wie Luft- und Raumfahrt und Finanzen zur Verfügung, nutzen es aber natürlich auch für unsere eigenen Zwecke. Diese Mischung aus Daten und Instinct hilft mir, Themen zu erkennen, die sowohl jetzt related sind als auch wahrscheinlich nicht nur in einigen Monaten, sondern auch in zwei oder drei Jahren von Bedeutung sein werden.
Beispielsweise haben wir Anfang 2025 eine veröffentlicht Bericht über KI-Developments in Unternehmenund quick jedes Thema davon hat sich das ganze Jahr über als äußerst related erwiesen. Obwohl mein Schreiben intuitiv und persönlich ist, basiert es auch auf Beweisen.
Um mehr über Jannas Arbeit zu erfahren und über ihre neuesten Artikel auf dem Laufenden zu bleiben, können Sie ihr folgen TDS, Unterstapeloder LinkedIn.