Die Vielfalt intelligenter Softwaresysteme

In Shenzhen fahren Taxis ohne Fahrerin oder Fahrer durch die Stadt, und die Menschen dort haben sich daran gewöhnt. In unseren Unternehmen dagegen gilt vieles noch als zu wichtig, um es Software zu überlassen. Dieser Beitrag zeigt, was die intelligenten Softwaresysteme des Frühjahrs 2023 technisch verbindet, in welchen Unternehmensbereichen sie bereits Entscheidungen vorbereiten oder treffen und welche Aufgaben beim Menschen bleiben.

Was Shenzhen über Akzeptanz lehrt

Seit 2020 sind im südchinesischen Shenzhen, oft als „Silicon Valley Chinas“ bezeichnet, Robotaxis im Pilotbetrieb unterwegs. Seit August 2022 erlaubt eine Verordnung der Sonderwirtschaftszone auf ausgewiesenen Straßen auch Fahrten ganz ohne Sicherheitsfahrerin oder Sicherheitsfahrer und regelt, wer im Schadensfall haftet. Die Fahrzeuge zeigen mit grünen Leuchten an Front und Seiten an, dass sie im autonomen Modus unterwegs sind. Anbieter wie WeRide weiten ihren Betrieb in der Region aus, wie die South China Morning Post berichtet. Wer heute durch Shenzhen fährt, erlebt keine Sensation, sondern Alltag: Verkehr ohne Ablenkung, ohne Ermüdung, ohne Alkohol am Steuer.

Für mich ist das die eigentliche Nachricht. Die technische Machbarkeit selbstfahrender Systeme war absehbar; entscheidend ist, dass eine Gesellschaft sie annimmt. Im Buch „Das selbstfahrende Unternehmen“ (Springer Gabler 2021) habe ich Nachvollziehbarkeit und Vorhersehbarkeit von Entscheidungen als die wichtigsten Anforderungen an intelligente Algorithmen beschrieben. Neben den technischen Voraussetzungen müssen auch emotionale und gesellschaftspolitische Anforderungen erfüllt sein, sonst werden diese Systeme nicht akzeptiert. Die grüne Leuchte am Robotaxi ist genau das: ein einfaches, für alle verständliches Signal, das Vorhersehbarkeit herstellt.

Sind diese Bedingungen erfüllt, geht die Gewöhnung schnell. Beim Smartphone hat sie wenige Jahre gedauert, beim selbstfahrenden Verkehr in Shenzhen offenbar ebenso. Daraus folgt für Unternehmen eine einfache Konsequenz: Alles, was selbstfahrend sein kann, wird früher oder später selbstfahrend sein, gesteuert von lernfähigen und zuverlässigen Systemen, die dort eingesetzt werden, wo sie dem Menschen überlegen sind und einen echten Nutzen stiften.

Rechenleistung, neuronale Netze und Reinforcement Learning

Hinter allen diesen Systemen steckt dieselbe technische Grundlage. Deep-Learning-Verfahren erkennen Muster in großen Datenmengen, und dafür brauchen sie erhebliche Rechenleistung. Die Entwicklung dieser Leistung folgt seit Jahrzehnten exponentiellen Kurven: Ein aktuelles Smartphone leistet, wofür vor wenigen Jahren ein ganzes Rechenzentrum nötig war. Für das Training der größten KI-Modelle hat OpenAI berechnet, dass sich der eingesetzte Rechenaufwand zwischen 2012 und 2018 etwa alle 3,4 Monate verdoppelt hat (Amodei und Hernandez 2018, „AI and Compute“). Nichts spricht dafür, dass diese Kurve in den nächsten Jahren abflacht.

Drei Lernverfahren prägen die heutigen Systeme:

• Überwachtes Lernen. Ein neuronales Netz lernt aus beschrifteten Beispielen, etwa aus Millionen Bildern, welche Merkmale ein Verkehrsschild oder ein fehlerhaftes Werkstück ausmachen. Die Bilderkennung selbstfahrender Autos beruht darauf; mit jeder Fahrt wächst der Datenbestand, und die Fehlerquote sinkt.
• Unüberwachtes Lernen. Das System findet Strukturen in Daten, ohne dass jemand die richtige Antwort vorgibt: Kundensegmente, Anomalien im Maschinenverhalten, Themen in großen Textbeständen.
• Reinforcement Learning. Das System probiert Handlungen aus und wird belohnt, wenn das Ergebnis gut ist. So hat AlphaGo von DeepMind 2016 den Weltklassespieler Lee Sedol geschlagen, und so werden auch die Sprachmodelle hinter ChatGPT mit menschlichem Feedback verfeinert (Ouyang et al. 2022, arXiv:2203.02155).

So beeindruckend die Fortschritte sind: Von einer „General Intelligence“, die dem menschlichen Denken in seiner Breite nahekommt, sind wir im Frühjahr 2023 weit entfernt. Fast alle intelligenten Systeme sind auf eine Aufgabe oder einen Anwendungsbereich spezialisiert; sie lassen sich nicht so flexibel einsetzen wie menschliche Intelligenz. Daraus folgt eine Architekturentscheidung, die ich in Kognitive Software ist mehr als künstliche Intelligenz begründet habe: Das intelligente Unternehmen entsteht nicht aus einem Superalgorithmus, sondern aus der Vernetzung vieler Teilsysteme. Jedes davon kombiniert regelbasierte Programmierung mit lernenden Verfahren; das Regelwerk sorgt für Nachvollziehbarkeit, das Lernen für Anpassung. Wie solche Systeme zu ihren Entscheidungen kommen, habe ich in Wie entscheiden selbstfahrende Unternehmen beschrieben.

Für die Einordnung im Unternehmen hilft weniger die technische Methode als der Einsatzzweck. Im Buch habe ich dafür das RAPD-Framework vorgeschlagen: Erkennung (Recognition) wertet historische Daten aus, Assistenz (Assistance) bereitet Entscheidungen vor, Vorhersage (Prediction) rechnet Trends hoch, und Detektion (Detection) entscheidet in Echtzeit, etwa bei der Anomalieerkennung am Förderband oder beim autonomen Fahren. Die folgenden Einsatzfelder zeigen, wie sich diese vier Typen im Unternehmensalltag verteilen.

Vier Einsatzfelder im Unternehmen

Marktanalyse: Muster erkennen, Szenarien rechnen

Intelligente Software sammelt und verarbeitet große Datenmengen aus Markt- und Wettbewerbsbeobachtung, um Trends und Muster zu erkennen. Beiträge in sozialen Medien lassen sich laufend auswerten, um Meinungen und Bedürfnisse von Kundinnen und Kunden zu verstehen; die Aktivitäten von Wettbewerbern werden beobachtet und liefern die Grundlage für die eigene Differenzierung. Mit Szenariomodellen entstehen daraus Prognosen künftiger Entwicklungen, auf denen Kampagnen und Produktanpassungen aufsetzen.

Kundenbeziehungen: individuell statt segmentiert

Im Customer Relationship Management sagen Algorithmen auf Basis früherer Interaktionen und Käufe voraus, welche Produkte oder Services für einzelne Kundinnen und Kunden relevant sind. Chatbots beantworten Anfragen automatisch, zunehmend auch mit Sprachein- und Sprachausgabe; die Sprachmodelle des Jahres 2023 machen solche Dialoge auch für kleinere Unternehmen erreichbar, die sich bisher keine eigene Entwicklung leisten konnten. Bewertungen und Beschwerden werden analysiert, um Verbesserungen abzuleiten. Leads werden nach ihrem Potenzial bewertet und priorisiert, im Rahmen des Datenschutzes und auf Basis der online erfassbaren Verhaltensmuster.

Produktion: laufend optimieren statt periodisch prüfen

In der Produktion überwachen Systeme die Leistung von Maschinen und Anlagen und sagen voraus, wann und wie gewartet werden muss (Predictive Maintenance). Produkte werden automatisch auf Fehler und Abweichungen geprüft, die Qualität steigt kontinuierlich. In Echtzeit getroffene Entscheidungen verkürzen Durchlaufzeiten; Energieverbrauch und Materialbedarf werden laufend optimiert. Hier dominiert die Detektion: Das System entscheidet, während die Anlage läuft, nicht erst in der nächsten Schicht.

Vertrieb: Chancen bewerten, Preise steuern

Im Vertrieb prognostizieren Systeme aus historischen Daten Verkaufschancen und Umsatzpotenziale und passen den Vertriebsprozess daran an. Personalisierte Nachrichten entstehen automatisch aus den analysierten Interessen und Präferenzen. Preisstrategien werden aus Kaufhistorie und Kaufverhalten entwickelt und idealerweise mit der Deckungsbeitragsrechnung aus dem Controlling abgestimmt, damit nicht der Umsatz, sondern der Gewinn optimiert wird.

Der gemeinsame Nenner: Daten und Systemverständnis

So unterschiedlich die Einsatzfelder sind, die Voraussetzungen sind überall dieselben. Erstens braucht das Unternehmen eine Datenstrategie: Welche Daten entstehen wo, wem gehören sie, in welcher Qualität liegen sie vor, und wie gelangen sie zu den Systemen, die sie verarbeiten? Zweitens braucht es ein Verständnis des Zusammenwirkens der eigenen internen und externen Abläufe. Erst dann können die Teilsysteme wechselseitig auf die richtigen Daten zugreifen. Ein Preisalgorithmus ohne Deckungsbeiträge und ein Wartungsmodell ohne Produktionsplanung optimieren jeweils am Ganzen vorbei.

Diese Grundlagen sind der eigentliche Aufwand. Der Aufbau der Systeme kostet zunächst viel Investitionsbudget und Arbeit. Einzelne Anwendungsfälle, etwa die Anomalieerkennung an einer teuren Anlage, amortisieren sich rasch, die Plattform dahinter aber erst über Jahre. Aus meiner Beratungserfahrung mit großen Unternehmen habe ich im Buch eine Durchrechnungsdauer von rund 15 Jahren für geschäftskritische Softwaresysteme empfohlen; ein Return on Investment ist für solche Systeme unter fünf bis zehn Jahren nicht zu erwarten. Wer intelligente Software wie ein Quartalsprojekt behandelt, wird enttäuscht; wer sie wie eine Maschinen- oder Immobilieninvestition plant, hat den richtigen Maßstab.

Im Mittelpunkt bleibt der Mensch

Im Buch habe ich die Schwelle benannt: Sind etwa 80 Prozent der betrieblichen Funktionen und Entscheidungen automatisiert und von ausreichend intelligenten Algorithmen gesteuert, liegt ein selbstfahrendes Unternehmen vor. Die restlichen 20 Prozent sind keine Restgröße, sondern der anspruchsvollere Teil der Arbeit:

• Entscheidungen in komplexen und unerwarteten Situationen, für die es keine Trainingsdaten gibt.
• Zusammenarbeit und Kommunikation mit großen Kundinnen und Kunden, mit Partnern und in innovativen Projekten.
• Strategie und Innovation, also die Vorgaben, innerhalb derer die Systeme überhaupt erst optimieren.
• Überwachung und Kontrolle der KI-Systeme: Menschen stellen sicher, dass die Systeme ethischen Prinzipien folgen, nicht diskriminieren und ihre Entscheidungen begründen können.

Dahinter stehen zwei der sieben zentralen Thesen aus dem Buch: Menschen werden weiterhin in und für Unternehmen arbeiten und die empathischen und kreativen Aufgaben erfüllen; intelligente Softwarealgorithmen sind für repetitive Aufgaben besser geeignet als Menschen. Kreativität, Empathie, Urteilsvermögen und strategisches Denken bleiben unverzichtbar, um den immer rascheren Wandel zu bewältigen und neue Formen der Wertschöpfung zu finden. Und die letzte der sieben Thesen gilt in Shenzhen genauso wie in Linz: Unternehmen dienen auch 2035 noch den Menschen.

Der nächste Schritt

Die Vision des selbstfahrenden Unternehmens und die Autonomiestufen auf dem Weg dorthin finden Sie auf der Seite Das selbstfahrende Unternehmen. Wenn Sie wissen wollen, welches der vier Einsatzfelder in Ihrem Unternehmen den größten Hebel hat und welche Datenstrategie dafür nötig ist, buchen Sie ein Expertengespräch.