Worauf Basiert Die KI-Lösungsrecherche?

Inhalt:

1. Was ist die KI-Lösungsrecherche?
2. So arbeitet der Research Agent
3. KI-Vorschläge aus dem Markt: Woher die Ergebnisse stammen
4. KI-Vorschläge aus dem internen Portfolio: Welche Daten genutzt werden
5. Was du als Ergebnis bekommst
6. Warum nicht einfach Google oder ChatGPT?
7. So bekommst du präzise Ergebnisse
8. Häufige Fragen

1. Was ist die KI-Lösungsrecherche?

Die KI-Lösungsrecherche (Research Agent) arbeitet wie ein Kollege, der für dich recherchiert, vergleicht und eine Empfehlung vorbereitet. Stackgini kombiniert dabei die Stärken von Suchmaschinen (aktuell und breit) mit denen von KI-Modellen (verstehen, bewerten, begründen).

In deiner Initiative startest du beides über den Button KI-Vorschläge. Dort wählst du die Art der Vorschläge:

• KI-Vorschläge aus dem Markt: Welche Lösung am Markt passt zu unserem Bedarf? Gesucht wird in der Stackgini-Datenbank und per Live-Websuche. Das kann bis zu einer Stunde dauern.
• KI-Vorschläge aus dem internen Portfolio: Haben wir schon eine Applikation, die den Bedarf abdeckt? Gesucht wird ausschließlich in deinem Portfolio, meist innerhalb weniger Minuten. Das lohnt sich vor jeder Neuanschaffung, um Doppelungen zu vermeiden.

2. So arbeitet der Research Agent

Der Agent geht in vier Schritten vor, vom Verständnis deiner Organisation bis zur fertigen Shortlist.

1. Versteht deine Organisation. Er nutzt dein Unternehmensprofil und deine bestehende Software, um zu erkennen, was zu Größe, Branche und Region passt.
2. Ermittelt den Bedarf. Er übersetzt deine Initiative in Anwendungsfälle und leitet aus deinen Muss-Anforderungen K.O.-Kriterien ab. Daraus entsteht eine Beschreibung der idealen Lösung, an der jede Lösung gemessen wird.
3. Durchsucht je nach Art der Vorschläge den Markt oder dein Portfolio. Die Suche arbeitet nach Bedeutung, nicht nach Stichwörtern. Eine Lösung wird also auch dann gefunden, wenn ihre Beschreibung andere Begriffe verwendet als deine Initiative.
4. Filtert und bewertet in mehreren Stufen. Lösungen, die ein K.O.-Kriterium nicht erfüllen, fallen heraus. Die übrigen werden nach Passgenauigkeit bewertet und gegeneinander abgewogen. Jede Aufnahme und jeder Ausschluss ist begründet.

3. KI-Vorschläge aus dem Markt: Woher die Ergebnisse stammen

Die KI-Vorschläge aus dem Markt stützen sich auf zwei Quellen: die Stackgini-Datenbank und eine Live-Websuche, die bei jeder neuen Suche im Markt läuft.

Quelle 1: Stackgini-Datenbank

• Eigene Stackgini-Daten, die die KI als Erstes abfragt: Marktwissen zu zehntausenden Lösungen am Markt, Produktdokumentationen, User Guides, User Manuals, Admin Guides, Hilfeseiten und Knowledge Bases der Anbieter
• Anbieterkontakte für RfI-Prozesse

Quelle 2: Live-Websuche

• Der Agent sucht bei jeder neuen Suche im Markt live im Web nach Lösungen. Die Recherche ist also nicht auf die Stackgini-Datenbank begrenzt, sondern erfasst den im Internet auffindbaren Markt zum Zeitpunkt der Recherche.
• Alle etablierten Quellen im Blick, u. a. Google, Gartner, TechCrunch und G2.
• Neu gefundene Lösungen werden noch während deiner Initiative in die Stackgini-Datenbank aufgenommen, aufbereitet und wie jede andere Lösung bewertet. Stackgini sorgt im Hintergrund automatisch dafür, dass sämtliche vom Anbieter verfügbaren Informationen indiziert werden und der KI zur Verfügung stehen, z. B. Produktdokumentationen, User Guides, User Manuals, Admin Guides, Hilfeseiten und Knowledge Bases. Danach stehen sie auch in allen künftigen Initiativen zur Verfügung. Die Stackgini-Datenbank wächst so mit jeder Suche im Markt.

4. KI-Vorschläge aus dem internen Portfolio: Welche Daten genutzt werden

Die KI-Vorschläge aus dem internen Portfolio suchen ausschließlich in deinem Portfolio, ohne Live-Websuche. Sie vergleichen deinen Bedarf mit allem, was zu deinen Applikationen bekannt ist.

Pro Applikation fließen diese Daten ein:

• Beschreibung der Applikation aus dem Tab Allgemeine Informationen
• Wissensquellen: der Tab, in dem alles hinterlegte Wissen zu einer Applikation zusammenläuft. Jede Quelle hat einen Typ:
  • Anwendungswissen: das Marktwissen aus der Stackgini-Datenbank, das mit der Applikation verknüpft ist
  • Datei: eigene Dokumente, die ihr hochgeladen habt, etwa bei Eigenentwicklungen
  • Web-URL: eigene Webquellen, die ihr hinterlegt habt
  • Kategorie: eine verknüpfte Software-Kategorie
• Drittanbieter-Integrationen: Business Capabilities aus SAP LeanIX, wenn die Integration eingerichtet ist (SAP LeanIX-Integration einrichten). Sie stehen in einer eigenen Tabelle unter Wissensquellen.

Zusätzlich fließen diese Signale ein:

• Lifecycle: Gelöschte Applikationen und Applikationen am Ende ihres Lifecycles werden vorab aussortiert.
• Bevorzugte Anbieter: Applikationen bevorzugter Anbieter bekommen einen leichten Vorteil, aber keinen Freifahrtschein.
• Produktfamilien: Mehrere Einträge derselben Produktfamilie werden nur einmal gezählt.

Dabei gelten zwei Grundsätze:

• Fehlende Angaben sind kein Ausschlussgrund. Ist zu einer Applikation etwas nicht hinterlegt, wird sie vorsichtiger eingeschätzt, aber nicht aussortiert. Ausgeschlossen wird sie nur bei einem belegten Widerspruch zu einer Muss-Anforderung.
• Plattformen zählen für ihre üblichen Einsatzzwecke. Eine Plattform, auf der du die Lösung erst selbst bauen müsstest, gilt nicht als Treffer.

5. Was du als Ergebnis bekommst

Du bekommst eine Entscheidungsgrundlage, keine Arbeitsliste: nur die Lösungen, die wirklich passen, jeweils mit Begründung und einem Vergleich Anwendungsfall für Anwendungsfall.

• Die Anzahl ist ein Ergebnis, keine Vorgabe. Die Shortlist enthält so viele Lösungen, wie tatsächlich passen. Sie wird nicht mit Beinahe-Treffern aufgefüllt.
• Jede Applikation wird am Bedarf gemessen, nicht an den anderen. Ein großes Portfolio drängt ein passendes Tool also nicht nach unten.
• "Nichts Passendes im Portfolio" ist ein legitimes Ergebnis. Es zeigt dir, dass sich eine Suche im Markt lohnt. Teilweise passende Applikationen werden trotzdem angezeigt.

6. Warum nicht einfach Google oder ChatGPT?

Suchmaschinen liefern Rohergebnisse, allgemeine KI-Modelle liefern Antworten ohne Quellen. Die KI-Lösungsrecherche verbindet eine eigene, strukturierte Datenbank mit aktuellen Daten von Stackgini, aus dem Web oder aus internen Wissensquellen deiner Organisation.

7. So bekommst du präzise Ergebnisse

Die Qualität der Ergebnisse hängt vor allem von deinem Input ab. Je klarer Anwendungsfälle und Muss-Anforderungen formuliert sind, desto präziser die Shortlist.

• Umfang im Blick behalten: Bewährt haben sich 8 bis 12 Anwendungsfälle mit je bis zu 10 Anforderungen.
• Anforderungen sauber formulieren: Wie Formuliere Ich Anforderungen Richtig? und Typische Stolpersteine In Der Erstellung Von Anforderungen
• KI-Bewertungen und Fragezeichen richtig lesen: Wie Interpretiere Ich Die KI-Bewertungen Der Anforderungen?
• Offene Punkte direkt beim Anbieter klären: Wie Kontaktiere Ich Anbieter?

8. Häufige Fragen

Warum hat eine bekannte Lösung einen niedrigen Match-Score?
Der Score misst die Passung zu deiner Initiative, nicht die Bekanntheit einer Lösung. Warum rein KI-basierte Bewertungen oft niedriger ausfallen, erklärt Wie Interpretiere Ich Die KI-Bewertungen Der Anforderungen?

Warum taucht eine Applikation aus meinem Portfolio nicht auf?
Gelöschte Applikationen und Applikationen am Ende ihres Lifecycles werden nicht berücksichtigt. Ansonsten passt die Applikation nicht ausreichend zum Bedarf.

Wie finde ich gezielt eine bestimmte Lösung oder alle Lösungen einer Kategorie?
Dafür gibt es die manuelle Lösungssuche: Wie Verwende Ich Die Manuelle Lösungssuche?

Kann ich nur Open-Source-Lösungen anzeigen lassen?
Nicht ausschließlich, aber du kannst Open Source gezielt berücksichtigen lassen. Die KI-Lösungsrecherche nutzt alle Informationen deiner Initiative. Schreib den Wunsch nach Open Source deshalb überall hinein, wo es passt: in die Initiative-Übersicht, in die Problembeschreibung und in deine Anwendungsfälle oder in deine nicht-funktionalen Anforderungen (bspw. als Muss-Anforderung einzeln aufnehmen).

Werden meine Daten zum Training von KI-Modellen genutzt?
Nein. Der Mandant ist strikt getrennt und Daten innerhalb des Mandanten werden nicht mandantenübergreifend verwendet.