Die Rolle von Large Language Models (LLMs) in digitalen Wertschöpfungsketten

Kaum eine technologische Entwicklung schreitet derzeit so dynamisch voran wie die künstliche Intelligenz. Während sich Anwendungen wie KI-gestützte Suchfunktionen rasch im Alltag etabliert haben, müssen Einsatzmöglichkeiten im Unternehmenskontext sorgfältig geprüft und hinsichtlich ihres Potenzials, ihrer Kosten und ihrer Risiken bewertet werden. Ein Bereich, der für Unternehmen jeglicher Branche und Grösse grosse Potenziale verspricht, ist die Nutzung von Large Language Models (LLMs) in der digitalen Wertschöpfungskette. Vor allem in komplexeren Unternehmensstrukturen mit zahlreichen Zielmärkten, Vertriebskanälen und einem vielfältigen Produktsortiment können LLMs Produktkommunikationsprozesse signifikant optimieren – sofern sie richtig angewendet werden.

‍

1. Was sind LLMs?

Large Language Models sind KI-Modelle, die aufgrund ihrer neuronalen Netzstruktur und auf Basis von Mathematik und Statistik dazu in der Lage sind, Zusammenhänge in Informationen zu erkennen, wiederzugeben und neue Inhalte zu generieren.

Damit diese LLMs gut funktionieren, müssen sie mithilfe von grossen Datenmengen trainiert werden. Durch das Training mit geeigneten Daten, Finetuning und Reinforcement Learning lernt das Modell weiter: Seine Vorhersagen werden präziser und seine Ergebnisse und erzeugten Inhalte gewinnen an Relevanz, Nutzbarkeit und Qualität. Bei entsprechenden Unternehmensangeboten werden nicht öffentliche Unternehmensdaten in der Regel nicht für das Training der zugrunde liegenden Basismodelle verwendet.

Prominente LLMs sind OpenAIs ChatGPT, Googles Gemini, Anthropics Claude oder Microsofts Copilot. Neben der Suche nach relevanten Informationen und deren Zusammenfassung oder gar Interpretation werden diese Modelle auch für Übersetzungen, Programmier- und Texterstellungsaufgaben genutzt. Eine OpenAI-Studie zur Nutzung von ChatGPT in Consumer-Plänen zeigt, dass 49 Prozent der untersuchten Nachrichten auf Fragen und 40 Prozent auf die Erledigung konkreter Aufgaben entfielen. Die übrigen 11 Prozent betrafen vor allem persönliche Reflexion, Erkundung und spielerische Nutzung.

‍

2. Typische Use Cases für LLMs im Produktmarketing

Der Product Content Lifecycle umfasst viele unterschiedliche Aufgaben und Prozessschritte in verschiedenen Softwaresystemen, Applikationen, Geschäftsbereichen und Teams. Entsprechend vielschichtig sind auch die potenziellen Anwendungsfälle für LLMs in der digitalen Wertschöpfungskette:

• Attributwertpflege: KI ist nicht nur hilfreich bei der Datenqualitätsanalyse, sondern kann durch eigene Vorschläge auch dazu beitragen, Qualitätsprobleme wie fehlende Werte direkt zu lösen.

• Texterstellung: Auch bei der Erstellung von Produktbeschreibungen und Marketingtexten können LLMs Teams unterstützen und dabei auf Trainingsdaten zurückgreifen, die markenspezifische Formulierungen berücksichtigen.

• Übersetzung: LLMs können bestehende Translation-Management-Systeme und maschinelle Übersetzungsdienste wie DeepL ergänzen. Dabei ermöglichen sie eine stärkere Berücksichtigung von Kontext, Zielgruppe, Markentonalität und unternehmensspezifischer Terminologie.

• Personalisierung: Auch in der kontextuellen Adaption von Marketingtexten und Produktbeschreibungen für die personalisierte Kundenansprache in den unterschiedlichen Kanälen zeigen LLMs grosses Potenzial.

• Kundenservice: Als Chatbots können LLMs Kundenanfragen interpretieren und sie auf Basis von Produktinformationen zielgerichtet beraten.

‍

3. Business Benefits von LLMs

Aus den oben genannten Anwendungsfällen ergeben sich eine ganze Reihe von Business Benefits für Marketing- und E-Commerce-Teams, Vertrieb und Kundenservice:

• Höhere Datenqualität: Das Besondere an LLMs ist, dass sie mithilfe von Nutzerfeedback bessere Ergebnisse erzeugen. Mitarbeitende müssen Eingaben nur noch überprüfen, anstatt Daten und Texte selbst anzulegen. Durch die Reduktion manueller Arbeit sinkt auch die Fehlerwahrscheinlichkeit, was langfristig zu einer Steigerung der Datenqualität führt.

• Schnelleres Go to Market: Je weniger manuelle Arbeitsschritte entlang der digitalen Wertschöpfungskette notwendig sind, desto kürzer werden Prozessschritte und ganze Workflows – und desto kürzer wird auch die Time to Market.  

• Weniger Ressourcenverbrauch: Dadurch werden auch interne Ressourcen geschont, die für strategisch wichtigere Arbeiten eingesetzt werden können, wie die kreative Erarbeitung von Marketingkonzepten oder Kampagnen.

• Bessere Product Experience: LLMs können nicht nur generische Texte erstellen – sondern sie auch für unterschiedliche Zielgruppen und Vertriebskanäle an Tonalität, Message und Werteversprechen anpassen. Dadurch wird die Produktkommunikation für die jeweilige Zielgruppe relevanter, was sich positiv auf die Conversion Rate auswirken kann.

• Grössere Kundenbindung: Damit einhergehend kann auch die Kundenbindung erhöht werden. Personalisierte Kampagnen, die vergangene Käufe, Warenkorbabbrüche und das Browserverhalten berücksichtigen, können die Relevanz der Kundenansprache erhöhen und zu einem positiven Markenerlebnis beitragen. Auch der Einsatz von Chatbots kann die Kundenbindung signifikant steigern.

• Markenstärkung: Die Automatisierung des Product Content Lifecycle Managements ermöglicht eine verbesserte Kontrolle über Kommunikationsprozesse sowie gezieltere Marketingmassnahmen, sodass sich Mitarbeitende mehr auf die Marketingstrategie, den Ausbau der Vertriebskanäle und den Aufbau der Marke konzentrieren können.

• Verbesserte Wettbewerbsfähigkeit: Damit geht auch eine verbesserte Wettbewerbsfähigkeit einher. In Kombination mit Analytics-, Shop- und Digital-Shelf-Daten können LLMs Hinweise liefern, wie Produktbeschreibungen und Marketingtexte datenbasiert optimiert werden können, wodurch sich Unternehmen besser von den Wettbewerbern abheben können.

‍

4. Best Practices für den Einsatz von LLMs in der Produktkommunikation

So attraktiv diese Potenziale klingen, zeigt die Praxis jedoch auch, dass entsprechende KI-Projekte häufig an ganz unterschiedlichen Dingen scheitern. Umso wichtiger sind eine sorgfältige Vorbereitung und ein planvolles Vorgehen:

• Sauberer Projekt-Scope: Ein häufiger Fehler von Unternehmen ist, dass KI-Projekte nicht präzise genug vorbereitet werden. Es muss zum Beispiel klar festgelegt werden, welche funktionalen und nicht-funktionalen Anforderungen an das LLM im Rahmen des Projekts gestellt und umgesetzt werden sollen. Auch das Projektvorgehen muss vorab definiert und Ressourcen eingeplant werden. Dazu gehören auch Aufgaben wie das Trainieren des Modells, Schulungen von Mitarbeitenden und das Testen der KI.

• Klare Abwägung von Business Value und Kosten: Erst aus einem solch umfassenden Scope ergeben sich verlässliche Kosteneinschätzungen für das Projekt. Diese müssen den erwarteten Business Benefits gegenübergestellt und in Wirtschaftlichkeitsrechnungen wie dem ROI greifbar gemacht werden. Denn nicht immer rechnet sich ein Projekt langfristig – besonders wenn es viele Faktoren zu berücksichtigen gilt.

• Fokus auf Datenqualität: Die Verlässlichkeit von LLM-Anwendungen hängt wesentlich von der Qualität und Aktualität der verwendeten Daten, Regeln und Wissensquellen ab. Unvollständige oder widersprüchliche Informationen erhöhen das Risiko falscher beziehungsweise halluzinierter Ergebnisse. Deshalb sollten Ausgaben auf geprüfte Quellen gestützt, systematisch validiert und bei kritischen Inhalten durch Fachpersonen freigegeben werden.

• Compliance und Governance: Das frühzeitige Etablieren eines Governance- und Compliance-Frameworks für den Einsatz von LLMs ist wichtig, damit Datenschutz, Informationssicherheit, Verantwortlichkeiten und Qualitätsstandards über den gesamten Lebenszyklus der KI-Anwendung hinweg berücksichtigt werden.

• Sorgfältige Prozessintegration: Isolierte KI-Projekte sind einer der häufigsten Gründe dafür, dass die Potenziale von LLMs nicht ausgeschöpft werden können. LLMs müssen als integraler Bestandteil einer durchgängigen Wertschöpfungskette implementiert werden, damit sie dazu beitragen können, den Business Value ganzheitlich zu optimieren.

‍

5. Fazit

LLMs haben das Potenzial, die digitale Lieferkette in der Produktkommunikation signifikant zu optimieren. Das gilt sowohl für die Qualität als auch für die Effizienz. Daraus ergeben sich eine ganze Reihe von Geschäftsvorteilen, die in die Wirtschaftlichkeit der entsprechenden KI-Investitionen einzahlen. Damit diese Geschäftsvorteile auch im erwarteten Masse realisiert werden können, müssen allerdings die richtigen Voraussetzungen geschaffen werden.

Sprechen Sie mit unseren KI-Expertinnen und -Experten und sichern Sie sich auch langfristig den maximalen Business Value aus Ihren KI-Projekten.

‍