1. Disruptive Technologien bringen Innovationsschub und Resilienz
Auf Technologien wie Blockchain basierende Geschäftsmodelle setzen sich durch. Sie bereiten das Fundament für zukunftsweisende Innovation und die nächste Webgeneration. Natural Language Processing, Conversational AI, Predictive Modeling oder Computer Vision tragen zu signifikanten Verbesserungen für Wirtschaft und Gesellschaft bei. Diese technologischen Entwicklungen verursachen eine Explosion im Durchsatz, der Komplexität und dem Volumen von Daten – umso dringender werden Analytics, Machine Learning und KI benötigt, um Erkenntnisse aus ihnen zu ziehen und damit komplexe Probleme zu lösen. Der Bedarf an mehr Intelligenz im Umgang mit einer steigenden Informationslast wird letztlich sogar verstärkt zu Innovationen bei Analytics und KI führen.
2. Vertrauen und Transparenz haben oberste Priorität für KI
Wenn Unternehmen immer häufiger KI implementieren, sind Vertrauen und Erklärbarkeit die am meisten geforderten Eigenschaften. Entscheidungen, die auf KI basieren, müssen begründbar und nachvollziehbar sein („Explainable AI“), vor allem, wenn es um existenzielle Themen geht, beispielsweise im Gesundheitswesen oder bei einer Kreditvergabe. Das gilt umso mehr, wenn die Empfehlungen der KI nicht der menschlichen Erwartung entsprechen. Vertrauen ist die Basis für die Akzeptanz von KI bei Anwendern und Verbrauchern – und damit auch für Geschäftsmodelle, die sich auf die Technologie stützen.
3. Marktplätze bieten KI-Modelle an
In naher Zukunft werden KI-Modelle über branchenspezifische Marktplätze zur Verfügung stehen. Unternehmen haben damit die Möglichkeit, diese Modelle schnell und einfach anzuwenden und in ihr Geschäft zu integrieren, ohne selbst einen Modell-Lebenszyklus aufbauen und managen zu müssen. Stattdessen können sie ein KI-Modell einfach über einen AI Model Store – vergleichbar mit Apple Music oder Spotify – und nach Branchenbedürfnissen sowie den zu verarbeitenden Daten spezifiziert beziehen.
4. Datenmanagement wird automatisiert
Unternehmen stehen vor der Herausforderung, mit der Geschwindigkeit und dem Durchsatz ihrer Daten mitzuhalten. Ein Resultat daraus ist, dass sie 80 Prozent der Zeit mit simplem Data Wrangling beschäftigt sind und lediglich 20 Prozent für Analyse und Modellerstellung aufwenden. In den kommenden Jahren wird eine der wichtigsten Veränderungen, die KI bringen kann, sein, besser mit der Informationslast umgehen zu können, indem Datenmanagementprozesse automatisiert werden. So haben Organisationen 80 Prozent ihrer Zeit zur Verfügung, um Daten auszuwerten und neue Modelle zu operationalisieren.
5. Digitale und synthetische Zwillinge rücken ins Rampenlicht
Die nächste Generation des Analytics Lifecycle stellt die Simulation komplexer Systeme in den Vordergrund. Denn mit einem digitalen oder synthetischen Zwilling sind Unternehmen in der Lage, jedes mögliche Szenario durchzuspielen und sich auf disruptive Ereignisse vorzubereiten. Die Berücksichtigung ungewöhnlicher Vorgänge bei Modellerstellung und Simulation ist ein Schlüsselfaktor, wenn es darum geht, die Wahrscheinlichkeit für Entwicklungen vorherzusagen, für die es noch keine Daten aus der Vergangenheit gibt. Dies ist die Grundlage für zeitnahe und fundierte Entscheidungen, die Risiken minimieren, Umsätze maximieren und Unternehmen insgesamt resilienter machen.
6. Blockchain wird zum Mainstream
Die Technologie verlässt den Hype Cycle und übernimmt zunehmend die Rolle des Transformators für klassische Geschäftsbereiche. Welche Erleichterungen sie bei recht simplen Vorgängen bringt, zeigt der Finanzsektor – zum Beispiel, wenn es um eine Mikrotransaktion geht wie die Freischaltung eines Artikels hinter einer Paywall. Für die Content-Eigentümer eröffnen sich damit ganz neue Geschäftsmodelle und Märkte.
Zu beachten ist allerdings, dass die Technologie gleichzeitig steigende Risiken mit sich bringt. Eine dezentrale digitale Währung unterstützt die natürliche Erweiterung eines Internets, das nicht von einer zentralen Instanz kontrolliert wird. Blockchain-Plattformen bieten neue Angriffsflächen für Geldwäsche und Betrug. Analytics ist gefragt, um diese steigenden Risiken vorherzusagen und zu bekämpfen.
