Kommentar von Dr. Peter-Christian Zinn, Industrial Analytics Lab Warum (generative) KI ein Wettbewerbsnachteil für den Mittelstand ist

Anbieter zum Thema

Fsas Technologies GmbH

QUNIS GmbH

Generative KI gilt als Zukunftstreiber – doch für den Mittelstand birgt sie Risiken. Dr. Peter-Christian Zinn vom Industrial Analytics Lab erklärt, warum hohe Implementierungskosten und kleine Datenbestände den Mittelstand ins Hintertreffen geraten lassen könnten. Mit einem Vergleich zur Ölindustrie zeigt er, wie Unternehmen dennoch gegensteuern können, um wettbewerbsfähig zu bleiben.

Daten sind das Öl des einundzwanzigsten Jahrhunderts. Dieser Satz, der gern Eric Schmidt zugeschrieben wird, dem ersten Verwaltungsratsvorsitzenden von Google, geht in Wirklichkeit auf einen Artikel des britischen Wirtschaftsmagazins „Economist“ aus dem Jahr 2017 zurück. Hierin illustriert der Autor Kiran Bhageshpur seine Sichtweise auf das Thema Datenökonomie anhand eines einprägsamen Vergleichs zur Standard Oil Company – jenem legendären Monopolisten des Ölmarkts zu Beginn des 20. Jahrhunderts, der das Vermögen des noch legendäreren Unternehmers John Davison Rockefeller schuf. Die Internetriesen unserer Zeit, die anstelle des Monopols auf Öl ein (quasi) Monopol auf Daten hätten und hieraus noch gewaltigere Gewinne schöpfen könnten, da Daten noch viel universeller verwendbar sind, komplementieren sein Bild.

Auch wenn 2017 nicht einmal eine Dekade her ist, hat sich die Datenökonomie seither in einem atemberaubenden Tempo weiterentwickelt, getrieben durch neue technologische Möglichkeiten, die selbst so wenige Jahre zurückliegend noch nicht ansatzweise erkennbar waren. Die massiven Fortschritte, die Künstliche Intelligenz seither durchgemacht hat, verhelfen jedoch nicht nur den Anbietern entsprechender KI-Software zu Milliardenbewertungen.

Google und Co sind nicht Standard Oil, sondern Saudi-Arabien und Russland

Einfach anwendbare KI-Modelle, gepaart mit einem validen Use Case, sind eine Goldgrube für jedes Unternehmen, das nur über ausreichend Daten verfügt. Die großen, US-Digitalkonzerne kommen deshalb als allererstes ins Bewusstsein, denn sie verfügen zweifelsohne über enorme Mengen an Daten, die zudem noch in geordneter (besser: maschinenverwertbarer) Form vorliegen und die – vor allen Dingen – sehr hochwertig im Sinne einer wirtschaftlichen Verwertung sind. Schließlich handelt es sich dabei primär um personenbezogene Daten, also solche, die Wünsche oder Probleme (vulgo Suchanfragen) von Menschen abbilden oder gleich direkte Einblicke in ganze Lebenswelten (vulgo Social-Media-Profile) gewähren. Kein Wunder also, dass etwa allein der Meta-Konzern mit seinen Flaggschiffen Facebook und Instagram im Jahr 2023 durch die geschickte Verwertung seiner Daten – nämlich um gezielte Werbung auszuspielen – satte 132 Milliarden US-Dollar einnahm. Mercedes-Benz setzte im gleichen Zeitraum 169 Milliarden US-Dollar um, musste dafür aber zweieinhalb Millionen Fahrzeuge bauen. Daher lag die EBIT-Marge von Mercedes-Benz auch „nur“ bei etwa zwölf Prozent, während Meta fast 30 Prozent Rendite einfuhr. Eine sagenhafte Gewinnspanne!

Sowohl mit Daten als auch mit Erdöl lässt sich also unbestreitbar gutes Geld verdienen. Die notwendigen Voraussetzungen klingen auch nahezu identisch: große Mengen sind erforderlich und diese am besten in einer Form, die technisch leicht zu erschließen ist. Was bei Daten auf Google, Meta, Amazon und Konsorten zutrifft, spiegelt sich in der Welt des Öls in Ländern wie Saudi-Arabien und Russland. Mit einfacher Fördertechnologie konnten diese Länder ihre Vorkommen sehr früh sehr umfassend erschließen und damit zu dem Petro-Reichtum kommen, den wir direkt mit ihnen assoziieren.

Wer wird Kanada oder die USA?

Doch die Welt entwickelt sich weiter, in der Erdölförderung genau wie in der Informatik. Und mit besserer Fördertechnik können schließlich Ölvorkommen ausgebeutet werden, die früher nicht wirtschaftlich verwertbar waren. Die Förderung von Öl aus Schiefersanden oder das berühmt-berüchtigte Fracking sind hier die Technologien, die dafür sorgten, dass derzeit die USA der mit Abstand größte Erdölförderer der Welt ist.

Fortgeschrittenere Technologie nutzen, um bisher nicht zugängliche Reservoirs wirtschaftlich verwertbar zu machen – genau das passiert derzeit auch in der Datenwirtschaft. Die revolutionäre Technologie hierfür ist dabei die (generative) Künstliche Intelligenz mit vortrainierten Modellen, die den Einsatz entsprechend einfach machen und so zu einer entsprechenden Verbreitung beitragen. Dadurch ist es erstmals auch Anwendern, also Unternehmen, deren Kerngeschäft nichts mit Digitaltechnik und Coding zu tun hat, selbstständig möglich, Anwendungsfälle zu definieren und Machbarkeitsuntersuchungen anzustellen. Die Technologie „Künstliche Intelligenz“ wird auf einen Schlag drastisch zugänglicher und damit billiger sowie besser.

Soweit zumindest die Theorie, denn trotz des aktuellen Hypes um ChatGPT und seine Verwandtschaft sind wirkliche Anwendungen in der Industrie noch mehr als rar. Das zeigt auch das aktuelle CIO Trendradar der Acent AG. Befragt nach dem Reifegrad von KI-Anwendungen in ihren Unternehmen, antwortet nur eine verschwindende Minderheit von sechs Prozent der befragten CIOs, dass es systemische oder gar transformative Use Cases in ihren Unternehmen gibt. Drei von vier befragten CIOs geben hingegen an, lediglich mit KI zu experimentieren – oder noch nicht einmal das.

Welche Use Cases werden die ersten Cash Cows?

Eine einfache und günstige Technologie ist also noch nicht ausreichend, um Geld mit dem Rohstoff Daten zu verdienen. Er muss schlichtweg auch in ausreichendem Maße vorhanden sein. Denn nur mit einer genügend großen Menge an Daten – also einem großen Erdölfeld, um im Bild zu bleiben – rechnet sich der Einsatz entsprechender Technologie überhaupt erst. Hier sind nun große Konzerne außerhalb der Digitalbranche am Drücker. Sie verfügen wegen dieser Größe über enorme Mengen an Daten, diese liegen bisher aber entweder unstrukturiert vor. (Wer kennt nicht das Netzwerklaufwerk mit den zigtausend PDFs, die dort „archiviert“ werden – also digital vor sich hin schimmeln?!) oder sind so komplex und interkonnektiert (ein typisches Beispiel dafür sind Altdatenbestände in ERP- oder CRM-Systemen), dass ein klassisches Machine-Learning-Modell damit bisher schlicht nichts anfangen konnte.

In allen Unternehmen, die über derartige Datenbestände verfügen, geht nun das Wettrennen um die besten Use Cases los. Welche das sein werden und welche Unternehmen hieraus zuerst valide Geschäftsmodelle entwickeln, ist derzeit noch nicht abzusehen. Fest steht allerdings, dass nur solche Unternehmen, die ein ausreichendes Budget zur Implementierung der notwendigen „Fördertechnik“ bereitstellen, überhaupt eine Chance haben, in gleichem Maße Geld mit ihren Daten zu verdienen, wie es die USA mit ihrem Öl geschafft haben.

Unabdingbar dazu sind agile Prototyping-Projekte, die schnell eine größere Anzahl entsprechender Use Cases im Unternehmen identifizieren und dann auch direkt technologisch austesten sowie betriebswirtschaftlich validieren. Beratung und Konzeption sowie die anschließende technologische Implementierung der dabei entwickelten Ideen müssen Hand in Hand gehen – mit dem Ziel, ein unmittelbares Feedback zu bekommen – sodass die notwendige Schnelligkeit auch in einer großen Konzernstruktur erreicht werden kann. Es wäre schließlich nichts ärgerlicher, als dass ein lukrativer Use Case durch einen Marktbegleiter schneller monetarisiert würde. Hierfür stellen die Acent AG und das Industrial Analytics Lab über den neu geschaffenen Acent Innovation Hub die entsprechenden Ressourcen bereit, sodass auch in großen Konzernen agile „Schnellbote“ für KI-Anwendungsfälle unterwegs sein können.

Dem Mittelstand droht, Venezuela zu werden

Auf der Strecke zu bleiben, droht dabei jedoch das Rückgrat der deutschen Wirtschaft – der Mittelstand. Knackpunkt ist hier schlicht der Datenbestand, der in mittelständischen Unternehmen naturgemäß deutlich kleiner ausfällt als in Konzernen; eine wirtschaftlich sinnvolle Nutzung wird dadurch schwerer zu rechnen. Ein einfaches Beispiel illustriert das Problem: Sollen bestehende Arbeitsverträge durch den Einsatz eines großen Sprachmodells und mithilfe von Retrieval-augmented Generation für die HR-Abteilung einfacher handhabbar gemacht werden, so ist der initiale Aufwand für die Implementierung einer solchen Anwendung ähnlich groß, egal ob damit später einige Dutzend oder einige tausend Verträge gehandhabt werden. Für große Unternehmen stellt sich der ROI also wesentlich schneller ein, die entsprechende Investition rechnet sich besser und wird somit höher priorisiert als im Mittelstand, wo aufgrund des langen ROI wohl kein Geld in diese KI-Anwendung gesteckt würde. Der technologische Vorsprung der „Großen“ nimmt somit weiter zu. Mittelständler haben das Nachsehen, sie stecken in einer Investitionskostenfalle.

Auch hierfür gibt es ein Öl-Analogon: Venezuela. Dieses Land konnte nie in die Riege der wohlhabenden Petro-Nationen aufsteigen, da es versäumte, in moderne Fördertechnik zu investieren und so neue Ölquellen zu erschließen. Dadurch stagnierte der tägliche Ausstoß, sodass Venezuela nicht am wachsenden Erdölmarkt partizipierte. Andere Nationen, die rechtzeitig entsprechende Investitionen vorgenommen hatten und so diese Lücke bedienen konnten, gewannen immer mehr Marktanteile – auf Kosten Venezuelas.

Was also bleibt dem Mittelstand zu tun?

Für KMU kann die „Lektion Venezuela“ daher nur wie folgt lauten: Sich rechtzeitig um die Identifikation lukrativer Use Cases für den Einsatz von KI im Unternehmen kümmern und deren Umsetzung dann auch in der Investitionsplanung ausreichend hoch priorisieren, selbst wenn der ROI länger sein sollte als bei anderen Investitionsmöglichkeiten! Die langfristige strategische Wichtigkeit der Technologie muss Eingang in die Invest-Entscheidung finden, nicht nur der bloße ROI.

In unserer Praxis zeigt sich jedoch häufig, dass es nicht gleich KI im strengen Sinne des Wortes sein muss, um einem mittelständischen Unternehmen einen Wettbewerbsvorteil durch die Nutzung von Betriebsdaten zu verschaffen. Mit gutem, alten „Datenhandwerk“, also etwa durch datengetriebene Produktionsplanung oder die Automation von Qualitätssicherungsprozessen, erreichen wir regelmäßig drastische Produktivitätssteigerungen – ganz ohne Opfer eines Hype Cycle zu werden und mit ROIs von unter einem Jahr.

(ID:50222833)