Neue KI-Initiative? Erst die richtige KI-Kultur

Sie haben sich also entschieden, ein KI-Unternehmen aufzubauen, Ihren eigenen Wettbewerbsvorteil konzipiert und eine gute KI- und Produktstrategie entwickelt. Dann kommt die Umsetzung. Vorsicht: Bestimmte Fakten über KI-Systeme widersprechen der konventionellen Ingenieursweisheit.

In seinem Buch Good Strategy / Bad Strategy beschreibt Richard Rumelt, Professor an der UCLA School of Business, ein Interview, das er 1996 mit Jean-Bernard Lévy führte, dem Vorstandsvorsitzenden von Matra Communications, einem französischen Telekommunikations-Hardwareunternehmen. Es waren die goldenen Jahre der Telekommunikation und der Beginn des Internetzeitalters. Die Unternehmen investierten massiv in Glasfaser, und das Versprechen der Netzwerkbandbreite als Blockbuster-Produkt des digitalen Zeitalters war noch lebendig. Professor Rumelt und Monsieur Lévy diskutierten das Phänomen Cisco Systems — ein damals junges Startup, das die Telekommunikations-Hardwarebranche im Sturm eroberte. Während Analysten prognostizierten, der globale Markt für Telekommunikationsausrüstung würde zum Schlachtfeld zwischen den Schwergewichten AT&T und IBM, tauchte Cisco Systems wie aus dem Nichts auf und war offenbar nicht aufzuhalten bei der Eroberung dieser neuen, heißbegehrten Nische.

„Ich versuche, die Kräfte zu verstehen, die die Branchenstruktur verändern", sagte Professor Rumelt. „Sehen Sie sich zum Beispiel den erstaunlichen Erfolg von Cisco Systems an. Wie Sie sagten, ist Größe die entscheidende Barriere, um ein bedeutender Akteur in der Telekommunikationsausrüstung zu werden. Dennoch hat Cisco Systems diese Größenbarriere glatt durchbrochen. Es hat den Markt für Internetworking-Ausrüstung direkt unter der Nase von Giganten wie IBM, AT&T, Alcatel, NEC und Siemens erobert. Und Matra. Wie ist das passiert?"

„Wir hatten Matra-Ingenieure, die an Internetworking-Ausrüstung gearbeitet haben", antwortete Monsieur Lévy. „Die Grundprinzipien sind gut verstanden. Dennoch können wir die Leistung von Ciscos Multi-Protokoll-Netzwerkroutern nicht replizieren. Das Herzstück des Cisco-Routers ist Firmware — Software, die in Festwertspeicher eingebrannt oder in programmierbare Arrays implementiert ist. Ciscos Produkt verkörpert vielleicht hunderttausend Zeilen Code, die sehr geschickt geschrieben sind. Er wurde von einem sehr kleinen Team erstellt — vielleicht zwei bis fünf Personen. Dieses Stück sehr cleveren Codes gibt dem Produkt seinen Vorsprung."

Seitdem hat sich das Mainstream-Engineering bis zur Unkenntlichkeit verändert. Cloud-Technologien machten Rechenleistung auf Abruf verfügbar, und die Speicherpreise sanken dramatisch. Dies hob den Bedarf an ausgefeiltem Engineering-Design auf und führte zu Tausenden praktischer und leicht zu bedienender Engineering-Tools, Frameworks und Technologien. Abgesehen von einigen wenigen Nischen erwarten wir heute von Ingenieuren, dass sie Produktfeatures so schnell und kostengünstig wie möglich implementieren und so viele bestehende Lösungen wie möglich wiederverwenden. In vielerlei Hinsicht hat diese neue Ingenieurskultur das Internet geschaffen, wie wir es heute kennen. Die Kehrseite ist jedoch, dass die Replikation einer Engineering-Lösung heute viel einfacher ist als 1996.

Der Aufbau eines KI-Wettbewerbsvorteils basiert, obwohl er Engineering erfordert, auf ganz anderen Prämissen.

1. Die Implementierung Ihrer KI-Modelle mit einer begrenzten Datenmenge sollte schwierig sein, und die Qualität der ersten Version sollte unterlegen sein.

Das entscheidende Merkmal eines Wettbewerbsvorteils ist, dass seine Replikation schwierig sein sollte. Idealerweise unmöglich ohne Zugang zu Ihren Daten. Auch die Datenerhebung sollte schwierig sein. Idealerweise unmöglich ohne Ihr oder ein ähnliches Produkt.

Diese Prämisse führt zu dem Schluss, dass die Implementierung Ihrer KI-Modelle mit einer begrenzten Datenmenge — selbst bei bestem Einsatz des Engineering-Teams — schwierig sein sollte und die Qualität der ersten Version unterlegen sein sollte.

Wenn Sie ein Produktfeature schnell und kostengünstig implementieren, ist das ein Zeichen für großartiges Engineering. Wenn Sie eine KI-Lösung mühelos und mit wenig verfügbaren Daten implementieren und ein qualitativ hochwertiges Produkt mit breiter Anziehungskraft erhalten, ist das ein Warnsignal. Es bedeutet, dass ein Konkurrent eine ähnlich ansprechende Lösung im gleichen Tempo entwickeln und einen Teil Ihres Marktanteils abschöpfen kann.

2. Ihre KI-Modelle sollten nicht einfach auf andere Domänen übertragbar sein.

Als Nächstes möchten Sie, dass Ihre Produktfeatures so breit wie möglich anwendbar sind. Wenn Ihr Produktteam eine leicht skalierbare Lösung über Märkte hinweg entwickelt, ist das ein Zeichen von Exzellenz. Im Gegenteil: Wenn Ihre KI-Modelle, die auf Einzelhandelsdaten trainiert wurden, leicht auf Finanzdienstleistungen oder andere Domänen übertragbar sind, ist das ein Warnsignal. Wenn Sie eine tragfähige KI-Lösung für den Finanzdienstleistungsbereich aufbauen können, ohne auf umfangreiche Finanzdienstleistungsdaten zuzugreifen, kann ein Konkurrent seine Lösung auf einer anderen Domäne aufbauen und mit der gleichen Leichtigkeit in den Finanzdienstleistungsbereich eintreten — eine Bedrohung für Ihren Marktanteil.

Es ist ein gutes Zeichen, wenn Ihre Lösung in einer Domäne gut funktioniert, aber in einer anderen ohne Einspeisung neuer Domänendaten schlechter abschneidet. Obwohl das bedeutet, dass die Expansion in eine neue Domäne zeitaufwändig und kostspielig sein wird, haben Sie dort eine verteidigungsfähige Position gegenüber Wettbewerbern.

3. Die erwarteten zukünftigen Verbesserungen sollten primär aus dem Datenzuwachs kommen.

Sie erwarten von Ihrem Produktteam, dass es bessere Algorithmen entwickelt, die Ihr Produkt wiederum schneller, günstiger und benutzerfreundlicher machen. Neben der Fehlerbehebung arbeiten Engineering-Teams am Design, der Implementierung und dem Testen neuer Systeme und Algorithmen, die die Produktqualität verbessern.

Für einen KI-Wettbewerbsvorteil sollte Ihr Hebel die Daten sein, nicht der Algorithmus. Sie können in die Erforschung und Entwicklung besserer Machine-Learning-Algorithmen für Ihre Marktnische investieren. Wenn Sie jedoch erwarten, dass der zukünftige Wert des Produkts primär durch Algorithmusverbesserungen und nicht durch den Zuwachs an relevanten Daten getrieben wird, ist das ein Warnsignal. Ihre Algorithmen könnten von einem ähnlich kompetenten Team aus KI-Ingenieuren und Forschern repliziert werden — es sei denn, sie sind stark auf die Vielfalt und das Volumen der Daten in Ihrem Besitz angewiesen.

4. Im KI-Geschäft hat der Schnellste den Vorteil, nicht der Erste.

Einige Branchenstrukturen stellen sicher, dass das erste Unternehmen, das ein Produkt auf den Markt bringt, einen beachtlichen Wettbewerbsvorteil erhält. In der Pharmaindustrie beispielsweise kann Ihre Wirkstoffformel durch ein Patent geschützt sein, das Ihnen ein 20-jähriges Monopol gewährt. In diesem Fall ist es entscheidend, die Lösung zuerst zu entwickeln und das Patent anzumelden, um sicherzustellen, dass Wettbewerber das Design nicht kopieren und Ihren Umsatz verwässern können.

KI-Software funktioniert jedoch anders. Um den Markt zu gewinnen, muss das Unternehmen eine enorme Menge der richtigen Daten ansammeln — nicht irgendwelche Daten, sondern Daten, von denen Ihre Machine-Learning-Modelle profitieren können. Als Erster auf dem Markt zu sein, ohne das richtige KI-, Produkt- und Marketing-Design sicherzustellen, bedeutet wenig. Es legt die Marktnische lediglich potenziellen Wettbewerbern offen und macht Ihr Unternehmen anfällig für Nachzügler, die es richtig machen.

Ein gemeinsames Verständnis dieser Unterschiede durch Führungskräfte, Produkt- und Engineering-Teams ist entscheidend für den Erfolg. Das Missverständnis des Unterschieds zwischen KI- und Produktentwicklung und die Anwendung regulärer Produktentwicklungsmuster auf KI-Initiativen würden diese zum Scheitern verurteilen.

Eine warnende Geschichte

Vor einiger Zeit arbeitete ich mit einem Enterprise-Softwareunternehmen zusammen. Mitgründer James (kein echter Name) hatte eine starke Produktvision und den Ehrgeiz, sein Startup in ein KI-Unternehmen zu verwandeln. James hatte in seiner bisherigen Karriere keinerlei Erfahrung mit KI. Dennoch übernahm er die Rolle des Chief Product Officers für ein komplexes, auf Machine Learning basierendes Produkt, das als neues Flaggschiff des Unternehmens positioniert wurde.

James glaubte an den First-Mover-Vorteil und wollte das Produkt so schnell wie möglich auf den Markt bringen. Die Entwicklung fand unter extremer Geheimhaltung statt. Das Produktteam durfte nicht einmal intern teilen, woran es arbeitete. Wie Sie jetzt erkennen können, verstößt das gegen Punkt vier: KI-Produkte müssen nicht die Ersten auf dem Markt sein, um erfolgreich zu sein, müssen aber richtig konzipiert werden. Die Geheimhaltung und das Fehlen funktionsübergreifender Arbeit unterminierten die Chancen, das KI- und Produktdesign richtig hinzubekommen.

Dann stellte James persönlich eine sehr aggressive Produktentwicklungs-Roadmap zusammen, die davon ausging, dass das Team in kurzer Zeit ein qualitativ überlegenes Produkt liefern würde — mit wenig Rücksicht auf die verfügbaren Daten. Das verstößt offensichtlich gegen die Punkte eins und zwei: Die Qualität des Produkts sollte aus den Daten kommen. Und selbst wenn es einen Weg gäbe, ein außergewöhnliches KI-Produkt in nur sechs Monaten zu bauen, hätte es ohnehin einen begrenzten Wert, da Wettbewerber es mit der gleichen Leichtigkeit replizieren könnten.

Als der Veröffentlichungstermin näher rückte, startete James eine wirkungsvolle Marketingkampagne, die außergewöhnliche Produktqualität und breite Anwendbarkeit über Märkte hinweg versprach. Wir sehen jetzt, dass dies gegen die Punkte eins und zwei verstößt: Die erste Produktversion wird wahrscheinlich selbst für einen einzigen Markt unterlegen sein und sich kaum auf andere Märkte übertragen lassen.

Eine qualitativ hochwertige und domänenübergreifend skalierbare Machine-Learning-Lösung mit einem kleinen Datensatz zu liefern, war ein Widerspruch in sich — offensichtlich für jeden KI-Ingenieur oder -Strategen. Obwohl das Unternehmen das Produkt tatsächlich veröffentlichte, lag die anfängliche Modellqualität weit unter dem Marketingversprechen. Der Vorstand ersetzte James daraufhin durch einen professionellen Manager. Das Unternehmen stellte das Produkt ein und wandte sich einer anderen Nische zu. Heute wird der Markt von einem Wettbewerber dominiert, der ein ähnliches Produkt erst nach dem Scheitern von James' Versuch auf den Markt brachte.

Dieser Blog widmet sich dem KI-Wettbewerbsvorteil, und wir tun unser Bestes, um zu erklären, wie er funktioniert und wie Sie einen für Ihr Produkt oder Unternehmen aufbauen können. In unseren anderen Beiträgen finden Sie ausführliche Erklärungen dazu, was der Netzwerkeffekt ist und wie KI ihn ermöglicht.

Wenn Sie Hilfe beim Aufbau eines KI-Wettbewerbsvorteils für Ihr Unternehmen benötigen, sind Sie bei uns genau richtig. Unser Team aus Geschäftsexperten und KI-Technologieberatern verfügt über jahrelange Erfahrung darin, Technologieunternehmen wie Ihrem dabei zu helfen, nachhaltige Wettbewerbsvorteile durch KI-Technologie aufzubauen. Von der Datenerfassung bis zur Algorithmenentwicklung können wir Ihnen helfen, der Konkurrenz voraus zu sein und Ihren Marktanteil für die kommenden Jahre zu sichern.