Eine Analyse der Faktoren, die zum Erfolg von Projekten beitragen, ergibt, dass der Umfang des Projekts "KI-Reallabor" (Scope) und das Change-Management sowie klare Ziele, konkrete Anforderungen und transparente Erwartungen von entscheidender Bedeutung sind. 

Nachhaltige KI

Vor dem Hintergrund der gesellschaftlichen Folgen des Einsatzes von KI-Systemen hat die Diskussion über verantwortungsvolle und ethische KI eine große Dynamik entfaltet. Auch deren Umwelteffekte finden zunehmend Beachtung. Gleichzeitig werden immer mehr Einsatzbereiche diskutiert.

Im Nachhaltigkeitsdiskurs von KI-Systemen werden vier Dimensionen für wesentlich für die Lebensqualität gehalten: Ökologie, Gesellschaft, Wirtschaft und Kultur.
Diese sind verbunden und beeinflussen sich. Oft widersprechen sie sich. Maßnahmen können sozial vertretbar oder wirtschaftlich förderlich, aber nicht nachhaltig sein. Das ist schwierig zu lösen und bedeutet Wandel.

Dabei stellen sich viele Fragen: Wie können wir dafür sorgen, dass die ständig wechselnden Vorschriften für KI und die ethisch vertretbare Datennutzung eingehalten werden? Auch die Risiken bei der Offenlegung geschäftskritischer Daten müssen verstanden werden, ebenso wie Schutzmaßnahmen bei Demokratisierung. Schließlich geht es auch um Effizienz im Datenbetrieb, um die Skalierung von KI-Initiativen.

Nachhaltigkeitskriterien und -indikatoren für KI-Reallabore

• Organisationale Einbettung: Aspekte der Unternehmenskultur und -struktur sind für die Entwicklung nachhaltiger KI entscheidend. Aspekte wie Fairness, Diversität in Entwicklungsteams und Entscheidungen für offene Daten oder Quellcode sind zu verankern.
• Konzeptualisierung: Nachhaltige Systeme brauchen in dieser frühen Phase grundlegende Entscheidungen, etwa zur Beteiligung von Stakeholdern, Nutzungsautonomie und Nachhaltigkeitszielen.
• Datenmanagement: Qualität und Repräsentativität der Daten sind für Fairness und Verlässlichkeit des KI-Systems wichtig. Offene Datenpools und Datenschutz durch Design bringen soziale und ökologische Vorteile.
• Modellentwicklung: Aspekte wie Transparenz, Nachvollziehbarkeit und Energieeffizienz sind wichtig, ebenso wie Dokumentationen des Entwicklungsprozesses, geeigneter Modellarchitekturen und Energieverbrauchs.
• Modellimplementierung: Ziel dieser Phase ist Überwachung der Systemleistung, Gewährleistung der Erklärbarkeit und Minimierung des CO₂-Fußabdrucks.
• Modellnutzung: Die Nachhaltigkeitsziele eines KI-Systems sind entscheidend. 

Das KI-Reallabor fungiert als strategisches Bindeglied zwischen:

• Politischer Governance: Umsetzung der KI-Strategien und digitaler Governance
• Wissenschaftlicher Expertise: Methodenentwicklung und Evaluierung
• Praxis: Reale Anwendungsfälle und Bedarfe
• Gesellschaftlicher Teilhabe: Bürger:innenbeteiligung und Akzeptanz

Reallabore können Schnittstellen schaffen, aber sind keine Governance‑Instanz.

Kalender KI-Reallabor: Entwurf - ausgewählte Termine/Fristen