Sieben Technik-Felder: So marktverändernd ist Künstliche Intelligenz wirklich

Kaum ein Thema produziert aktuell ein derart von Panik bis messianischer Heilshoffnung reichendes Hype-Spektrum wie die Künstliche Intelligenz. Da sind diejenigen, die eine genozidale Maschinenherrschaft fürchten, wie sie an die Zukunftsentwürfe der Terminator-Filme erinnert. Und dann melden sich zunehmend diejenigen zu Wort, die nicht an Massenmord-, sondern Massenarbeitslosigkeits-Szenarien prognostizieren.

Auf der anderen Seite stehen die Digitalenthusiasten, die nur noch in perfekt getargeteten Botschaften denken, welche mit Chatbots kommunizierende Nutzer in derartige Konsumräusche versetzen, dass die komplett automatisierten Onlineshops den Himmel mit Lieferdrohnen verdunkeln können.

Kaum eines dieser Szenarien ist wahrscheinlich, wenn man die am heftigsten diskutierten KI-Anwendungen tiefergehender analysiert.

Um herauszufinden, wie marktverändernd die sieben höchstgehandelte Technologien mit Künstlicher Intelligenz wirklich sind, haben wir ihr Disruptionspotenzial mittels disruptiver Matrix analysiert (Disruptions-Formel: Was ein Produkt braucht, um Gamechanger zu werden). Die Matrix spaltet Disruption in sieben Teilaspekte auf:

1. Mehrwert: Wie viel besser ist ein neues Produkt als bestehende Lösungen? Gibt es einen Anlass, überhaupt die neue Technologie zu adaptieren? Beispiel Mobile Payment: EC-Karten und Bargeld sind für die meisten Menschen okay. Der Mehrwert von Wallets ist gering, ergo kommt das Produkt in Deutschland nicht vom Fleck.
2. Netzfaktor: Wie vernetzt ist eine Erfindung? Wie groß ist die kritische Masse an Nutzern? Erreicht man mit der Anwendung beispielsweise alle relevanten Kontakte? Beispiel: Alle sind bei Whatsapp. Deswegen haben es alle anderen OTT-Dienste schwer - sie kommen gegen den Vernetzungsgrad nicht an.
   
3. Marktdruck: Erzeugt der Markt Druck, der Verbraucher und Entwickler animiert, auf den Zug aufzuspringen? Existiert eine große Marketingkampagne? Gibt es attraktive Anwendungen? Wenn alle über die tolle neue Amazon Video/Netflix-Serie reden, komme ich irgendwann nicht mehr drum herum, diese Dienste auch zu abonnieren.
4. Usability: Kurz gefragt: "Funktioniert das Ding?" Eine miese Usability kann eine schlechte Bedienbarkeit bei ansonsten einwandfreier Funktion sein - oder etwas, das zwar einfach zu bedienen ist, aber schlicht nichts klappt: Die automatisch generierten Untertitel bei Youtube   etwa sind konzeptionell eine tolle Idee, nur generiert die Spracherkennung des Portals leider dauernd Hokuspokus.
   
5. Coolnessfaktor: Ist es cool, das Produkt zu verwenden? Manchmal befindet man sich hier in einem Spannungsfeld, bei dem die Energie der Pole ganz schnell kippen kann: Handys waren anfangs verpönt, wer damit herumlief irgendwie schmierig-großspurig; doch die latent neidische Bewunderung kippte alsbald und schuf einen Megatrend.
6. Killerfaktor: Ein Killerfaktor hindert ein Produkt massiv an der Mainstream-Eroberung. Beispiel: Kioskterminals am POS? Niemand überwand bisher den systemimmanenten Killerfaktor des Konzepts, dass sich (vor allem weibliche) Nutzer vor den meist verschmierten Touchscreens ekeln. Verdammt, die sind aber auch irgendwie eklig.
   
7. Wechselkomfort: Was kostet es den Nutzer, von seiner bestehenden Lösung umzusatteln auf ein neues Produkt? Mit Kosten müssen nicht materielle Kosten gemeint sein, oft genügt zu viel Mühe, um Erfolg im Keim zu ersticken. Kein Wunder, dass Apple für Smartphone-Konvertiten eine eigene 'Move from Android'-App programmiert hat: Das ist Software-gewordener Wechselkomfort.
   

Ist die disruptive Kraft eines Produktes/einer Lösung in einem der sieben Segmente groß, bildet die Matrix dies mit einer großen grünen Fläche ab, wenig Markt-Sprengkraft schlägt sich in einer kleinen roten Fläche nieder. Das Ergebnis ist eine Visualisierung des Disruptionspotenzials.

Disruptionsanalyse für die KI-Anwendung 'Persönliche Agenten'

Assistenten wie Siri, Alexa oder Googles Now sollen für den Nutzer so etwas wie virtuelle Sekretäre sein. Die Analyse enthüllt großes Disruptionspotenzial.

Stärken: Die Assistenten der großen Konzerne holen den Nutzer in Universen ab, in denen er sowieso schon heimisch ist: Siri ist speziell auf den Apple-Fan zugeschnitten, Now auf Android - damit ist die funktionale Vernetzung der zugrundeliegenden Anwendungen und Daten gegeben, der Wechselkomfort gering. Die Usability ist groß, denn Agenten sollen ja eben Komplexität und Umstand reduzieren - es ist ihre Aufgabe zu funktionieren, zu erleichtern.

Schwächen: Im Grunde gibt es nur einen schwachen Faktor - doch der kann schwer wiegen: Ist es MEIN Agent? Oder ist es nicht vielmehr der Agent von Google  , Amazon   oder Apple?  . Handelt er wirklich immer in meinem Interesse? Oder hrocht er mich im Zweifelsfall aus, um mir etwas im Interesse seines Betreiberkonzerns anzudrehen? Und was passiert, wenn die NSA meine Daten haben will? Sicherheit und Privacy sind die Pferdefüße des Prinzips Agent.

Disruptionsfaktor insgesamt: Schon die grafische Darstellung zeigt es deutlich sichtbar an: Hoch. Agenten sind die Usability-Zukunft des Webs. Der Urknall des Erfolgs würde stattfinden, sollte es eine Lösung hinbekommen, ganz und gar dem Nutzer zu gehören, statt nur im Namen des Nutzers und gelenkt von einem Konzern zu agieren.

Disruptionsanalyse für die KI-Anwendung 'Autonomes Fahren'

Daimler hat die ersten selbstfahrenden Laster auf deutsche Autobahnen geschickt, in Niedersachsen dürfen Testvehikel über Teile der regionalen Autobahnen fahren - und die Vorbehalte der Deutschen schrumpfen langsam dahin (iBusiness berichtete). Die Zeichen für Autos ohne menschlichen Fahrer stehen scheinbar auf Disruption.

Stärken: Man muss - anders als beim Fahren - keine Fertigkeit lernen, um einen Computer fahren zu lassen. Und wenn autonome Pkw eines Tages eine Straßenerlaubnis bekommen, darf man als Nutzer davon ausgehen, dass deutsche Behörden die Hölle aus der Technologie herausgetestet haben und sie funktioniert.

Schwächen: Die Angst vor einem Crash ist nichtsdestotrotz eine reale: Menschen haben ja auch nicht Angst vor dem Fliegen, weil es gefährlicher ist als Fahren (das Gegenteil ist der Fall). Sie hassen es, Kontrolle abzugeben. Und da nach aktueller Gesetzgebung der Fahrer immer bereit sein muss, einzugreifen, schwindet der Mehrwert: Schlafen oder Videos gucken darf ich offenbar nicht so richtig entspannt, solange der Roboter fährt - kann man es da nicht gleich lassen?

Disruptionsfaktor insgesamt: Immer noch ziemlich hoch: Vorbehalte werden weiter schwinden, Gesetze upgedatet werden. Doch autonomes Fahren wird wegen der erhöhten Risiken länger in den Mainstream brauchen als etwa Agenten.

Disruptionsanalyse für die KI-Anwendung 'Machine Learning'

Beim Machine Learning impft man Maschinen Entscheidungsfähigkeit ein. Ein Beispiel dafür ist der lernende Spam-Filter: Man gibt dem Filter 1.000 Mails und sagt ihm: "Das ist Spam" und dann nochmal 1.000, die man als unbedenklich klassifiziert. Mit Machine Learning kann der Filter Muster erkennen und verstehen, wie man eigentlich die beiden Mail-Typen unterscheidet, ohne dass ihm das ein Mensch ausdrücklich beigebracht hat.

Stärken: Schlaue Maschinen optimieren unser Leben - Machine Learning ist ein Schritt dahin.

Schwächen: Das Aufsetzen einer solchen KI macht viel Programmierarbeit - und man braucht einen gigantischen Sack voll Daten: Das ist selbst in B2B-Szenarien kein dünnes Brett, das dort gebohrt werden will.

Disruptionsfaktor insgesamt: Mittel - je mehr Zeit vergeht, desto höher. Bald schon wird es große Analyse-Softwares oder lernende SPAM-Filter als DIY-Lösungen für den Endverbraucher geben - mit der entsprechenden Usability ist Machine Learning ein enormer Mehrwert, aktuell ist die Bedienung wahnsinnig aufwändig.

Disruptionsanalyse für die KI-Anwendung 'Deep Learning'

Eine Stufe weiter als Machine Learning geht Deep Learning. Hier kann eine Maschine alleine auch unbekannte Dinge erkennen und in Kategorien einteilen - die KI analysiert Probleme autonom und bringt sich dann selbst Regeln bei: Der Mensch muss noch weniger tun.

Stärken: Die Maschinen führen mehr und mehr Handgriffe selbstständig aus - der Mensch kann sich zurücklehnen und sehen, was passiert. Dabei stemmen die 'neuronalen Netze', die komplexen Strukturen hinter Deep Learning, auch Probleme, an denen jeder Computer bislang scheiterte. Und sie werden obendrein auch noch immer schlauer, je länger sie in Betrieb sind - es sind lernende Maschinen im wahrsten Wortsinne. Und in ein paar Jahren wird es grafische Bedienoberflächen für sie geben - wie etwa den Touchscreen beim Smartphone.

Schwächen: Deep Learning ist so komplex, dass selbst die Entwickler nicht immer wissen, wie eine KI nun zu einem gewissen Ergebnis gekommen ist: Sie sind buchstäblich mysteriös. Das ist nicht gerade ein Vertrauensfaktor. Deswegen bemüht man sich zunehmend um Whitebox KI - künstliche Intelligenz, die so programmiert ist, dass Entscheidungswege transparent sind.

Disruptionsfaktor insgesamt: Langfristig hoch - als Backend-Anwendung in Produkten, von der der Nutzer meist eher weniger mitbekommt.

Disruptionsanalyse für die KI-Anwendung 'Chatbots'

Chatbots übernehmen Service-Aufgaben in Shops oder bei Bestellhotlines - entsprechende Bots befinden sich bereits bei zahlreichen Unternehmen in Anwendung oder im Test.

Stärken: Entlastung des Unternehmens bei standardisierbaren Service-Anfragen: Alles was jeder Kunde einen fragt, muss nicht ins Callcenter gehen, sondern wird vom Bot abgefangen. Sowas kann Zeit, Mühe, Nerven und Personalkosten sparen. Mal abgesehen davon, dass man Chatbots locker 24 Stunden arbeiten lassen kann.

Schwächen: Hackerangriffe, Pannen - ein sicherer Betrieb ist nicht garantiert. Und richtig cool ist es nicht, wenn ein Unternehmen auf seelenlose kleine Datenhaufen setzt, statt Menschen in Lohn und Brot zu bringen. Außerdem ziehen Nutzer im Zweifelsfall Menschen vor. Trotz schwindender Widerstände gegen Bots (iBusiness berichtete). Und komplexe Probleme will und kann man nicht mit einem Bot regeln ('Kann ich die 90 mal 76 cm messende Einbaufront meiner alten Spülmaschine so zurechtsägen, dass sie an das neue Modell passt?').

Disruptionsfaktor insgesamt: Im Service durchaus gegeben. Riesengroße Shops wie Amazon werden sie lieben. Doch kleinere Shops machen sich durch die Abkehr vom Emotional-menschelnden noch ein Stück mehr überflüssig. Daher in der Breite eher ein durchwachsenes Potenzial - gut sichtbar in der bunten Mischung aus grün, gelb und rot in der grafischen Repräsentation des Disruptionspotenzials.

Disruptionsanalyse für die KI-Anwendung 'Vertriebsbots'

Der Kollege des Chatbots. Arbeitet im Verkauf.
Stärken: Theoretisch die gleichen wie bei Chatbots: Kapazitäten werden frei, Kosten gespart.

Schwächen: Verkaufen ist komplexer und emotionaler als etwa basaler Service-Chat. Menschen können es besser als Maschinen - und selbst unter den Menschen können es nur einige wenige Verkaufstalente wirklich gut - platt gesagt: Man ist geborener Verkäufer oder nicht. Der programmierte Verkäufer stößt schnell an seine Grenzen. Ausnahme vielleicht: Procurement-Szenarien mit programmatischer Angebotsoptimierung.

Disruptionsfaktor insgesamt: KI-Systeme sind Assistenten - keine vollwertigen Team-Mitglieder im Sales. Gegen einen Assistenten, der eher lästige Arbeit abnimmt, wird kaum ein Vertriebler etwas haben. Daher eher zum Nischenerfolg verdammt - was die vielen Anteile an gelb (mäßiges Potenzial) und rot (geringes Potenzial) visuell anzeigen.

Disruptionsanalyse für die KI-Anwendung 'Marketing-Automation'

Stärken: Eine reine Backend/B2B-Anwendung, von der Endnutzer nichts mitbekommen. Damit bestehen viele Hürden nicht, die auf dem Endverbrauchermarkt gegeben sind.

Schwächen: Kurz und knackig gesagt: Marketing-Automation ist sauschwer. Alle Daten zu vernetzen, alle Abteilungen zum Kooperieren zu bringen, Silos aufzuknacken, Prozesse so einzurichten und Mitarbeiter so zu schulen, bis das System läuft: Da wird viel Bier die Change-Manager-Kehle hinunterfließen, bis man am Ziel ist.

Disruptionsfaktor insgesamt: Trotz gelber und sogar abschreckender roter Anteile in der grafischen Darstellung: Stemmt man erst die Hürden, warten große Gewinne auf einen, unter anderem beim Mehrwert, angezeigt durch große grüne Flächen. Daher: Schwer, nicht für jeden - aber eine Killeranwendung für jeden, der sie hinbekommt.

Betrachtet man die verschiedenen Ergebnisse für die sieben untersuchten Schlüsseltechnologien in Summe und Wechselwirkung, so ergeben sich vier Szenarien für die generelle disruptive Kraft von KI-Anwendungen.