Background:
Prof. Dr. oec. HSG Holger K. von Jouanne-Diedrich ist seit 2013 Professor für Wirtschaftsinformatik und Customer Relationship Management an der Hochschule Aschaffenburg, Bayern. Er promovierte am Institut für Wirtschaftsinformatik der Universität St. Gallen, Schweiz, und studierte Betriebswirtschaftslehre an der Universität Hamburg. Weiterhin hatte er verschiedene Stationen bei der Lufthansa, der Deutschen Bahn, Siemens und Atos. Seine Schwerpunkte in Forschung, Lehre und Beratung liegen in den Bereichen Data Science, Machine Learning, Artificial Intelligence und Quantitative Finance, wobei er sowohl die mathematisch-technischen als auch die Management-Aspekte abdeckt. Er ist Autor diverser Fachartikel sowie des OneR-Machine-Learning-R-Erweiterungspaketes (https://CRAN.R-project.org/package=OneR).
Thomas Keil: Wie schätzen Sie den aktuellen Stand von Technologien der künstlichen Intelligenz ein?
Holger von Jouanne-Diedrich: Ich sehe das pragmatisch: Alle analytischen Technologien, wie auch immer wir sie bezeichnen wollen – Data Science, Data Mining, Machine Learning oder Artificial Intelligence –, sind letztlich Werkzeuge, Tools, also Mittel zum Zweck. Mit der Technik alleine ist noch kein neues Geschäftsmodell definiert. Es ist eben nicht so, dass man in einem Prozess einfach Daten „hineinwirft“ und auf wundersame Weise kommen neue Ideen und Wertschöpfungsketten heraus.
Allerdings ist es durchaus beeindruckend, welche Fortschritte vonseiten der Technik zu beobachten sind: AlphaZero kann in wenigen Stunden Schach auf übermenschlichem Niveau lernen. Die Algorithmen sind in den letzten Jahren sehr viel weiter verfeinert worden. Auch können dank größerer Rechenpower sehr viel größere neuronale Netzwerke trainiert werden, die dann in der Tat oft sehr beeindruckende Ergebnisse liefern.
Dennoch: Das ist noch keine generalisierte Intelligenz, sondern es handelt sich auch in den nächsten Jahren noch um Silos von Anwendungsfällen, die immer neu angepasst werden müssen.
Ein Stück weit kann man hier von „Kunsthandwerk“ sprechen. Mit viel Erfahrung und hoher Kompetenz lassen sich analytische Prozeduren aufbauen, entwickeln und anwenden: jeweils für einen Bereich nach dem anderen. Noch brauchen wir halbe Supermänner im Bereich Data Science: Experten, die sowohl Datenmanagement beherrschen als auch Analytics; die über Geschäftsmodelle diskutieren können und das Ganze auch noch verständlich kommunizieren. Der Fortschritt wird sich in Zukunft darauf konzentrieren, den Aufbau von neuen Systemen einfacher zu machen, zu automatisieren und möglichst zu industrialisieren.
Keil: Wie aber lassen sich nun neue Geschäftsmodelle finden? Welches ist der beste Weg zur Innovation?
von Jouanne-Diedrich: Klar ist, dass es kein einheitliches Rezept gibt. Wenn man das kennte, würde es jeder genau so machen. Ich beobachte nur, dass es nicht einheitlich ist. Da muss jedes Unternehmen seinen eigenen Weg finden.
Ich denke, man kann aus den Erfahrungen gescheiterter Unternehmen lernen. Warum haben Marktführer wie Nokia und Kodak nicht den nächsten Innovationssprung selbst geschafft? Bei Nokia wurde intern über das iPhone gelacht und bei Kodak wurden die Blaupausen für die Digitalkamera unter Verschluss gehalten.
Viele Unternehmen sind nur in der Lage, ihre bereits bekannten Prozesse immer weiter zu perfektionieren und zu optimieren. Sie scheitern aber daran, wirkliche Innovationen auf den Markt zu bringen. Dabei müsste eigentlich mittlerweile jedem klar sein: „Kannibalisiere Dich selber, bevor andere es tun.“
Keil: Welche Rolle können dabei Innovation Labs spielen?
von Jouanne-Diedrich: Mein Eindruck ist, dass viele Innovation Labs falsch positioniert sind. Häufig ist der einzige Grund ihres Bestehens die Angst, etwas zu verpassen. Dann bleiben sie ein Feigenblatt, nach dem Motto: Wir sind auch in Berlin in der hippen Start-up-Szene vertreten.
Unbedingt erforderlich ist meines Erachtens eine Rückendeckung von der Unternehmensspitze. Das darf nicht nur formal sein, sondern sichtbar für alle im Unternehmen. Das genaue Vorgehen ist allerdings eine Kunst. Ein einfaches „Entwickle, was Du willst“ ist sehr unsicher; ein genau formulierter Auftrag hingegen widerspricht der Idee der Innovation. Gefragt ist sozusagen eine Methode, die einerseits den Geist schweifen lässt und andererseits ein rasches Kanalisieren der Ideen ermöglicht. Hier gibt es ja das berühmte Google-Beispiel, wonach Google-Mitarbeiter eine gewisse Zeit in „eigene“ Projekte investieren dürfen, die natürlich am Ende etwas mit Google-Produkten zu tun haben müssen.
Und natürlich gehört Glück dazu, den richtigen Use Case zu finden. Ein einziger Mega-Erfolg ist dann in der Lage, viele Versuche zu überkompensieren. Nur müssen diese Versuche auch gemacht werden: „Fail Fast“ als Strategie muss daher auch von der Unternehmenskultur erlaubt werden. Fehler zu machen, darf kein Makel für die weitere Karriere sein, sondern geradezu eine Bedingung.
Keil: Stichwort „Unternehmenskultur”. Wie können Labs helfen, das zu verändern?
von Jouanne-Diedrich: Ob es jetzt wirklich Labs hinbekommen, eine Kulturveränderung zu induzieren, halte ich für fraglich. Die Angst vor dem Scheitern ist oftmals fest in der Unternehmens-DNA verankert. Sie meiden daher im Zweifel Risiken – und verzichten dafür auch auf Chancen. Wenn man dann Scheitern wieder nur an einer bestimmten Stelle zulässt, nämlich in einem Lab, verstärkt das ja den Eindruck, dass Innovation eher ausgelagert wird und im Kernbereich des Unternehmens nach wie vor alles seinen gewohnten Gang gehen soll.
Aus meiner Sicht funktioniert auch der beliebte Besuch im Silicon Valley nicht. Natürlich kommen dann alle Senior Manager mit leuchtenden Augen zurück – wie nach jedem Motivationsseminar –, die Produktivsetzung neuer Ideen allerdings verlangt nach tiefer greifenden Veränderungen. Es geht um Ausbildungswege und Karrierepfade genauso wie um sichtbares Loslassen von Hierarchie und einem verstärkten Bemühen um Netzwerke der Zusammenarbeit.
Keil: Wie beeinflusst „Artificial Intelligence“ die Unternehmen und letztlich unsere Gesellschaft?
von Jouanne-Diedrich: Wir sehen hier viel Unsicherheit. In der letzten Zeit wurde häufig über drohende Arbeitsplatzverluste berichtet und das mit entsprechend plakativen Beispielen belegt. Natürlich antworten zum Beispiel Chatbots ermüdungsfrei, ohne Urlaubsanspruch, rund um die Uhr – und in vielen Fällen auch gut genug – auf Kundenanfragen. Das sorgt für eine große Verunsicherung. Man ist sich plötzlich seiner eigenen Kompetenzen nicht mehr sicher, zumal immer der Faktor Geschwindigkeit eingepreist wird: Was heute vielleicht noch nicht gut funktioniert, wird morgen schon Wirklichkeit.
Mit dieser Unsicherheit müssen wir als Gesellschaft umgehen. Ich habe da auch nicht alle Antworten, wie man mit den Herausforderungen umgehen sollte, wenn ganze Berufsgruppen wegrationalisiert werden. Bezeichnenderweise betrifft dies im Gegensatz zu den letzten Automatisierungswellen, etwa bei Banken durch Geldautomaten und Online-Banking, nun auch sehr viel komplexere und besser bezahlte Tätigkeiten.
Juristen und Patentanwälte etwa leisten sehr viel „Text Mining“, wie man im Machine Learning sagen würde, auf Basis von Gesetzestexten und Kenntnis von ähnlich gelagerten Fällen und Urteilen. Das lässt sich durch künstliche Intelligenz oft in großen Teilen ersetzen. Die Beurteilung von Röntgenaufnahmen lässt sich durch Bilderkennungsalgorithmen automatisieren und dringt damit in die Kernkompetenzen von Radiologen ein. Die besten Investmentstrategien werden immer weniger von erfahrenen Finanzmarkt-Kennern entwickelt, sondern von einem Robo-Advisor im Millisekundentakt optimiert. Dienste wie deepl.com erreichen in vielen Fällen die Übersetzungsqualität von professionellen Übersetzern – inklusive sprachlicher Nuancen des Kontextes. Über den Transport- und Beförderungsbereich brauchen wir gar nicht erst zu reden, aber selbst scheinbar so kreative Tätigkeiten wie die von Köchen sind massiv im Fokus dieser über uns hereinbrechenden Revolution. Dies sind nur einige Beispiele, täglich kommen neue hinzu.
Auch wenn besagte Berufsgruppen nicht sofort komplett obsolet werden, wird doch zumindest durch die Kombination menschlicher Experte und KI oft ein solcher Produktivitätsschub ausgelöst, dass deutlich weniger menschliche Arbeitskräfte benötigt werden. Das wird unsere Gesellschaft vor eine große Zerreißprobe stellen, persönlich, wirtschaftlich und natürlich auch politisch. Dies ist für mich keine Frage und kann ja heute bereits beobachtet werden.
