Die Auswirkungen der ständig wachsenden Anwendungsbereiche der KI-Technologie1 Das macht viele Investoren nervös im Hinblick auf traditionelle, auf menschlicher Arbeit basierende Unternehmen – von professionellen und technischen Dienstleistungen bis hin zu Verwaltungsangestellten.
Die Nachhaltigkeit dieser Unternehmen ist ein komplexes und schwer zu beurteilendes Thema. Erschwerend kommt hinzu, dass viele Berater komplizierte Analysemethoden zur Bewertung der Auswirkungen von KI vorschlagen – etwa zur Datenverfügbarkeit, zur Existenz und Unveränderlichkeit von Regeln in einem Prozess oder System usw. Diese Rahmenwerke eignen sich zwar hervorragend für Bücher wie das preisgekrönte „The Second Machine Age“ (von Erik Brynjolfsson und Andrew McAfee), sind aber in der Praxis kaum anwendbar, wie es für die Due-Diligence-Prüfung einer realen Zielübernahme oder anderer Investitionen erforderlich ist. Während die ständige Weiterentwicklung bahnbrechender, transformatorbasierter LLMs (ChatGPT, Gemini von Google usw.*) bei Kundendienstmitarbeitern und Hauptinvestoren gleichermaßen Besorgnis über mögliche Arbeitsplatzverluste auslöst, ist es nach wie vor ein enormer Aufwand, präzise und konsistente KI-Ergebnisse zu erzielen. Daher ist die Auseinandersetzung mit dem KI-Fortschritt sowohl wichtig als auch machbar.
Wie lässt sich also die Wahrscheinlichkeit technologischer Umbrüche in der Praxis einschätzen? Wenn GRAPH gebeten wird, das Risiko von KI-bedingten Umbrüchen zu bewerten, gehen wir die folgenden sieben Fragen durch (die sich in den letzten ca. 5 Jahren im Wesentlichen nicht verändert haben):
Beurteilen Sie den Zweck des Unternehmens:
- Welche konkreten Aktivitäten schaffen aus Kundensicht Wert? Listen Sie diese auf und definieren Sie sie so detailliert wie möglich.
- Welcher Art ist das Problem, das gelöst werden soll? Handelt es sich um ein tiefgreifendes oder ein allgemeines Problem?
- Was verstehen Kunden unter einer “ausreichend guten” Lösung?
- Wie wichtig ist Kunden Qualität? Worin sehen Kunden den Unterschied zwischen 80%-Lösungen und 95%- oder 100%-Lösungen auf dem Markt?
- Welchen Prozentsatz an Aktivitäten bzw. an Fertigstellungsgrad einer bestimmten Aktivität würden Kunden im Allgemeinen als “gut genug” betrachten?”
- Gibt es in ähnlichen Bereichen Anzeichen dafür, dass Kunden auf eine “ausreichend gute” Lösung umgestiegen sind?
- Wie stark ist der Raum reguliert?
- Sind die Kunden einem zunehmenden Wettbewerbsdruck oder anderen wirtschaftlichen Kräften ausgesetzt, und falls ja, besteht ein bedrohlicher Zusammenhang zwischen diesem zunehmenden Wettbewerbsdruck und der derzeitigen “gut genug”-Lösung?
- Gibt es heute schon Anwendungen, die eine dieser Aufgaben erfüllen? Welche?
- Gibt es Plattformen, die (bei entsprechender Anwendung) eine dieser Aktivitäten ermöglichen könnten? Welche?
- Welche Abhängigkeiten bestehen für die Anwendungs- und/oder Plattformtechnologie? Typische Einschränkungen sind der Bedarf an Cloud-Verarbeitung (im Gegensatz zu Edge-Verarbeitung), speziell formatierte Daten, der Bedarf an großen Datenmengen für Schulungszwecke sowie kundenspezifische Datenanalyse und -entwicklung pro Installation.
- Wer steht hinter den Anwendungen und Plattformen? Belaufen sich die Investitionen in Forschung und Entwicklung für die einzelnen Aktivitäten auf Tausende, Millionen oder Milliarden?
Wenn Sie diese sieben Fragen beantworten, sollte das Ausmaß der unmittelbaren Bedrohung deutlich klarer werden. Bedenken Sie, dass Technologien in Branchen mit geringer Regulierung den Weg von der Plattform über die Anwendung bis zur breiten Anwendung innerhalb von nur zwei bis fünf Jahren zurückgelegt haben; in Branchen mit hoher Regulierung benötigen Technologien für denselben Prozess oft zehn Jahre und mehr.
*Dieser Artikel wurde 2024 aktualisiert, um Plattformen wie ChatGPT und Gemini von Google zu berücksichtigen.
- 1. Der Begriff KI wurde von vielen CIMs extrem weit gefasst und droht dadurch seine Bedeutung zu verlieren. GRAPH definiert KI als Entwicklerdienste oder fertige Anwendungen mit der Fähigkeit, (a) unstrukturierte Daten zu verarbeiten; (b) nichtlineare Schlussfolgerungen zu modellieren; (c) sich regelmäßig selbst zu korrigieren und zu verbessern; und typischerweise (d) traditionelle Kommunikationsformen zu überbrücken. ↩︎