Von Ajay Agrawal, Joshua Gans und Avi Goldfarb

Stellen Sie sich bitte folgenden fiktiven Dialog vor. Investor fragt: „Warum sollten sich Unter­nehmen für Ihre KI-Lösung entscheiden?“ Start-up-Gründer antwortet: „Weil sie ihnen unfassbare Einblicke in ihr Geschäft geben wird.“

Bekämen wir jedes Mal einen Dollar, wenn eine junge Unternehmerin oder ein junger Unternehmer unseren Mentoren und Investoren beim Creative Destruction Lab – einem globalen Programm für sehr junge Start-ups, das wir an der Universität Toronto ins Leben gerufen haben – diese Antwort gibt, wären wir mittlerweile ganz sicher Millionäre.

Dabei ist das Argument, „mit KI neue Einblicke zu ermöglichen“, so ziemlich die verkehrteste Antwort, die man einem potenziellen Investor geben kann, wenn er wissen will, welchen Nutzen KI-Anwendungen einem Unternehmen bringen. Wir sind inzwischen sogar der Meinung, dass diese Antwort eigentlich nur kaschiert, dass die oder der Antwortende im Grunde selbst gar nicht genau weiß, was er mit den durch KI-Anwendungen erzeugten Werten anfangen soll. Es wäre viel hilfreicher, wenn man potenziellen Investoren gegenüber stattdessen konkret benennen könnte, welche wichtigen Entscheidungen künftig dank KI viel valider gefällt werden können. KI wird nur dann zu einer Begehrlichkeit, wenn sie echten Mehrwert erzeugt.

Die gute Nachricht: Es gibt nunmehr unzählige Erfolgsgeschichten, die belegen, dass Unternehmen heute dank KI an einem anderen Punkt stehen als zuvor. Die Zahl der Entscheidungen, die in Unternehmen getroffen werden müssen, nimmt von Jahr zu Jahr zu. Auch der Druck, sich entscheiden zu müssen, wächst immens – und zwar über alle Bereiche von Unternehmen hinweg. Noch 1960 waren nur bei 6 Prozent aller Jobs zentrale Kompetenzen der Entscheidungsfindung wie etwa Problemlösung, Analyse, strategisches Denken oder die Fähigkeit zur Priorisierung erforderlich, so das Ergebnis einer Studie von David Deming von der Harvard Kennedy School. Im Jahr 2018 lag dieser Anteil schon bei 34 Prozent.

Wie wir im Folgenden zeigen wollen, geht es beim Einsatz von KI jedoch längst nicht nur darum, einzelne Entscheidungen zu verbessern. Denn es ist so: Entscheidungen in einem Unternehmensbereich wirken sich fast immer automatisch auch auf Entscheidungen aus, die in anderen Teilen des Unternehmens getroffen werden. Bezieht man KI in diese Prozesse mit ein, zieht das häufig die Neugestaltung des gesamten Entscheidungssystems nach sich. Erlauben Sie uns bitte, Ihnen das am Beispiel einer Initiative zu erklären, bei der sich das Einbeziehen von KI schlussendlich wirklich auf die gesamte Art und Weise, wie das Unternehmen Werte schuf, auswirkte.

Seit 5000 Jahren feilen Segelboothersteller und Segler an ihren Techniken. Und obwohl die kommerzielle Schifffahrt nicht mehr auf den Wind als Antriebsquelle angewiesen ist, gibt es nach wie vor jede Menge Innovationen im Segelsport.

Die wichtigste Auszeichnung im Segelsport (und die älteste Trophäe im internationalen Sport überhaupt) ist der America’s Cup. Bei der Regatta stehen die technologischen Innovationen der Boote genauso im Fokus wie die Fähigkeiten der Crews. Millionen von Dollar fließen in die Konstruktion der Boote. Da die Physik von Wind, Wasser und Booten allseits ­bekannt ist, nutzen die gegeneinander antretenden Teams inzwischen eigene Simulatoren, um noch effizientere Kon­struktionen zu ersinnen und die Boote zu testen, bevor sie überhaupt gebaut werden. Das Team mit dem besten Simulator hat einen großen Vorteil, wie das Emirates Team New Zealand im Jahr 2017 beweisen konnte, als es den Cup gewann.

Als sich die Mitglieder des Teams auf die Regatta 2021 vorbereiteten, fragten sie sich, wie sie den Konstruktionsprozess ihres Bootes beschleunigen könnten. Mithilfe der Unternehmensberatung McKinsey identifizierten sie den größten Hemmschuh für eine bessere Performance: Es waren die menschlichen Segler. Auch im Simulator brauchen Menschen ihre Zeit, um sich auf die äußeren Bedingungen und das Boot einzustellen. Es ist schier unmöglich, diesen Prozess abzukürzen. Das menschliche Uhrwerk hat seinen eigenen Takt, leider ist der für viele Technologien nicht schnell genug.

In einem Folgeversuch entwickelte das Team deshalb eine KI, die auf dem Algorithmus basiert, der die weltweit besten Spieler des beliebten Strategiespiels Go geschlagen hat, und brachte diesem KI-Programm Segeln bei. Der Bot musste weder essen noch schlafen und konnte dadurch in der Zeit, in der die menschliche Crew einige wenige Simulationen durchspielen konnte, Tausende von Simulationen durchführen. Nach acht Wochen war die KI in der Lage, die menschlichen Segler im Simulator zu schlagen.

Doch erst hier wird die Geschichte richtig spannend: Denn die KI begann, den menschlichen Seglern neue Tricks bei­zubringen. Ein Mitglied des Entwicklungsteams berichtete dem US-Magazin „Wired“: „Der Bot machte tatsächlich Dinge, die den Seglern zunächst nicht einleuchteten. Doch als sie sie auf dem Wasser ausprobierten, funktionierten sie.“ Bis dato waren Bootsdesigner auf Menschen angewiesen, um Innovationen zu testen. Herauszufinden, wie ein neu konstru­iertes Boot am besten gesegelt wurde, konnte mehrere Wochen in Anspruch nehmen.

Die von den Neuseeländern entwickelte KI konnte dagegen mit zahllosen Variationen des Bootes experimentieren – zeitgleich und noch dazu 24 Stunden am Tag. Sie konnte jede Menge Regattataktiken testen und auf diese Weise die Entwicklung neuer Manöver beschleunigen. Sobald die KI eine bessere Lösung gefunden hatte, konnten die Segler sie nachahmen. Ein Teammitglied dazu: „Den Lernprozess zu beschleunigen ist nicht nur für das Konstruktionsteam wertvoll, dem dadurch erlaubt wird, so viel Gestaltungsspielraum wie möglich zu nutzen, sondern auch für die Segler, um ihre Performance für ein bestimmtes Bootsdesign zu optimieren.“ In jenem Jahr gewann das Emirates Team New Zealand und holte sich erneut die Trophäe.

Warum wir dieses Beispiel gewählt haben? Weil es auf beeindruckende Weise zeigt, wie eine neue Technologie uns ermöglicht, auch Simulationen von komplexen Umgebungen zu erstellen, und weil es zeigt, welch entscheidende Wirkung mit KI getroffene Prognosen auf der Systemebene haben können. Die KI des neuseeländischen Emirates-Teams lieferte nicht nur Einblicke – sie half dabei, das Boot und die Wettkampfstrategie maßgeblich zu verbessern.

Im Training für eine Regatta geht es um zwei Dinge: Man braucht das perfekte Boot, und man versucht, sich Strategien für die besten Segelmanöver zurechtzulegen. Früher wurden Simulationen nur für die Konstruktion von Booten genutzt, mittlerweile helfen sie auch beim Durchspielen von menschlichen Manövern. ­Natürlich hat eine KI bei einem Rennen nichts zu suchen – die Regeln besagen, dass echte Boote nur von echten Menschen gesteuert werden dürfen –, doch der Innovationsprozess und das Training konnten durch KI maßgeblich vorangebracht werden und eine bessere Symbiose aus Bootsdesign und Segelmanövern wurde ermöglicht. Das Durchspielen dieser beiden Dinge in der virtuellen Welt führte zu mehr Erfolgen in der Realität.

Es braucht eine Weile, bis sich die Auswirkung einer neuen Technologie auf ein System bemerkbar macht. Das liegt auch daran, dass neue Technologien anfangs in aller Regel nur sehr zögerlich genutzt werden. Als etwa die Elektrizität als Ersatz für die durch Dampfmaschinen gewonnene Energie erfunden wurde, wurde sie anfangs nur genutzt, wenn Wasser – das für die Erzeugung von Dampf notwendig war – schwer zu bekommen war. Noch zwei Jahrzehnte, nachdem Edison die Glühbirne erfunden hatte, setzten gerade mal 3 Prozent aller US-Unternehmen Elektrizität ein.

Ähnliches beobachtete der Ökonom Robert Solow im Jahr 1987, Jahrzehnte nach der Einführung von Computern in Unternehmen: „Wir sehen überall, dass wir uns im Zeitalter des Computers befinden, nur nicht in den Produktivitätsstatistiken.“ Das Potenzial des Einsatzes von Computern war klar, doch die Auswirkungen im Alltag blieben zunächst überschaubar.

Im Prinzip erleben wir bei KI gerade ­genau das Gleiche. Mögen die neuen KI-Technologien auch einen ungewohnten Anstrich haben, handelt es sich dabei dem Kern nach um Fortschritte in Statistik. Sie ermöglichen die Vorhersage vielschichtiger Ergebnisse und verwenden dabei Daten, die andernfalls vielleicht ungenutzt geblieben wären. Und ihre anfänglichen Anwendungen konzentrierten sich darauf, was sie unmittelbar liefern konnten: bessere und günstigere Vorhersagen als jene, die Menschen machten.

Übersetzungssoftware – eine der ersten Anwendungen von KI – ist ein gutes Beispiel. Diese Software sagt voraus, wie Menschen einen bestimmten Text von einer Sprache in eine andere übersetzen würden, ausgehend davon, wie echte Menschen Texte in der Vergangenheit übersetzt haben. Früh wurde KI auch ­dafür eingesetzt, um im Rahmen von ­bildgebenden Verfahren medizinische Aufnahmen auszuwerten. Ihre Ergebnisse basierten auf früheren Diagnosen von Radiologen. Beide Anwendungen machten sich die Schwarmintelligenz zunutze, mit der sich oftmals viel genauere Vorher­sagen treffen lassen, als es von Einzel­personen erstellte Prognosen je könnten. Solche Applikationen sind zuweilen von enormem kommerziellem Wert. Nehmen Sie etwa das kanadische Unternehmen Verafin, das Anfang 2021 von der US-Technologiebörse Nasdaq für 2,75 Milliarden Dollar gekauft wurde. Warum? Weil seine KI-gestützten Technologien zur Aufdeckung von Finanzbetrug von Hunderten von Finanzinstituten eingesetzt wurden – und die Sicherheitsteams, die zuvor diese Aufgabe erfüllten, ersetzten.

Derlei Anwendungen mögen zwar zu wichtigen Fortschritten führen, aber kaum zu Transformationen. Sie fügen sich ohne viel Aufhebens in bestehende Geschäftsabläufe ein und ersetzen genau die Menschen, die früher die Vorhersagen gemacht haben. Davon abgesehen bleibt in den Unternehmen alles beim Alten.

Wenn wir allerdings die Auswirkungen der Elektrizität und des Einsatzes von Computern betrachten, denken wir nicht an eng begrenzte Anwendungen, sondern an umwälzende Veränderungen. Dank der Elektrizität mussten sich Unternehmen nicht mehr in der Nähe von Wasser ansiedeln oder mehrere Stockwerke zur Verfügung haben, um den Dampf optimal zu nutzen. Sie konnten Hunderte von Kilometern von einer Wasserquelle entfernt sein und sich auf einem einzelnen Stockwerk ausbreiten. So wurde eine neue Art der Massenproduktion möglich. Computer hatten ähnlich weitreichende Auswirkungen. Anfangs als großartige Rechenmaschinen glorifiziert, entwickelten sie sich zu dem, was Apple-Gründer Steve Jobs als „Fahrrad für unseren Geist“ beschrieb – und nicht als dessen Ersatz.

Darin liegt auch die eigentliche Lehre aus dem America’s Cup: Das Emirates Team New Zealand hat die Menschen nicht aus dem Prozess entfernt. Natürlich ist es möglich, sich eine vollautomatisierte Lösung vorzustellen, bei der eine KI auch alle Entscheidungen trifft. Doch die Stärke von KI ist eigentlich das Erstellen von validen Prognosen – die Menschen wiederum nutzen können, um auf ihrer Basis bessere Entscheidungen zu treffen. Spannenderweise sind unter KI-nutzenden Unternehmen deshalb auch nicht jene überlegen, die sich die beste Technologie leisten, sondern die, in denen Personen tätig sind, die gut entscheiden können.

Als Apple die Smartphone-Revolution einläutete, kam niemand auf die Idee zu sagen: „Das ist das Ende der Taxibranche.“ Inzwischen ist es aber so, dass sich Menschen ein Taxi teilen können, weil Smartphones es ihnen ermöglichen, Fahrten über eine App zu buchen und günstig an Informationen über die Fahrtstrecke zu kommen. Taxifahrer in London mussten früher alle Straßen der Stadt und die besten Routen kennen, im Schnitt dauerte es drei bis vier Jahre, bis sie das beherrschten. Heute kann jeder von uns mithilfe von KI auf dem Smartphone in wenigen Sekunden die besten Strecken finden – und das auch noch unter Berücksichtigung der Verkehrsverhältnisse. Vermutlich ginge es dem Taxigewerbe heute besser, wenn das Smartphone nicht erfunden worden wäre.

Entscheidungen verlangen Menschen zweierlei Dinge ab: die Fähigkeit, die möglichen Ergebnisse einer Entscheidung ­vorauszusehen, sowie das Vermögen, die unterschiedlichen Ausgangsvarianten für sich einzuschätzen. Die Erste dieser beiden Fähigkeiten basiert im Grunde allein auf Daten. Beim Taxifahren wären das beispielsweise alle Antworten auf die Frage, wie viel Zeit die unterschiedlichen Routen unter Berücksichtigung der aktuellen Verkehrslage vermutlich in Anspruch nehmen. Das Vermögen, sich am Ende für eine dieser Routen zu entscheiden, basiert dagegen auf einer ganzen Reihe von subjektiven Einschätzungen kontextabhängiger Faktoren, die sich nicht so leicht in Zahlen ausdrücken lassen. Wie zum Beispiel: Bevorzugt der Kunde eine schnelle oder die landschaftlich reizvolle Route?

Ein erfahrener Taxifahrer wird beiden Anforderungen gerecht. Normale Fahrer sind in dieser Hinsicht eingeschränkter. Sie können die Präferenzen der Fahrgäste einschätzen (Urteilsvermögen), sind aber weniger versiert darin, die Route zu finden (Vorhersage). Kombinieren Sie jedoch normale Fahrer mit einer Navigationssoftware, können sie mit einem Taxifahrer mithalten. Wenn Sie dann noch eine Plattform hinzufügen, die einen Kilometerzähler (als Grundlage für die Zahlungs­beträge) obsolet macht, desgleichen eine einfache Zahlungsmethode sowie eine Leitstelle, die den Fahrern die Fahrten zuweist – dann kann jeder Fahrer mit Zugang zu dieser Plattform Fahrten anbieten.

Die Plattformen und ihre KI hatten zwei bedeutende Auswirkungen. Erstens konnten nun wesentlich mehr Menschen an den Entscheidungen über Fahrten beteiligt werden. Und zweitens nahm die Kontrolle der Fahrer über die Entscheidungen ab. Da es die Plattform war, die Fahrer und Fahrgäste zusammenbrachte und die beste Strecke ermittelte, mussten sich die Fahrer nur noch darauf konzen­trieren, den Kunden, die ihnen zugeteilt wurden, eine bequeme und möglichst angenehme Fahrt zu bereiten. Diese Entwicklung schwächte die Macht der traditionellen Taxifahrer und transformierte die Branche.

In einigen Fällen bündelt KI die Entscheidungsfindung nur, ohne zu ändern, wer die Kontrolle hat. Nehmen wir einmal den Prozess für Neueinstellungen, der in den meisten großen Unternehmen in der Personalabteilung angesiedelt ist. Traditionellerweise sind daran recht viele Mitarbeiter beteiligt, die zahlreiche kleine Entscheidungen treffen, insbesondere bei der Sichtung von Kandidaten. Da werden Hunderte von Lebensläufen durchge­ackert, um die vielversprechendsten Kandidaten herauszufischen. Dank der Nutzung von KI können Personaler heute zum Glück festlegen, nach welchen Kriterien eine Entscheidung getroffen werden soll und welcher Kandidat oder welche Kandidatin zu einem Vorstellungsgespräch eingeladen werden. Der zugrunde liegende Prozess und der Entscheidungsweg bleiben bestehen, es werden nur deutlich weniger Mitarbeiter benötigt.

In anderen Fällen zentralisiert KI die Entscheidungsfindung ohne Ausnahme und verändert damit komplett, wann und wo die Entscheidung getroffen wird. Die Überprüfung von Kreditkarten ist dafür ein typisches Beispiel. Bevor es vernetzte Geräte gab, die automatisch die Gültigkeit der Karten prüften, beurteilten die Händler selbst, ob sie die Kreditkarte eines Käufers akzeptierten. Vermuteten sie Betrug, konnten sie diese ablehnen, etwa wenn die Unterschrift des Kunden nicht mit der auf der Karte übereinstimmte. Umgekehrt konnten sie Karten von Stammkunden ohne Weiteres akzeptieren. Inzwischen gibt es jedoch Systeme, die auf Datenbanken und KI-gestützten Vorhersagen fußen und die den Prozess komplett automa­tisieren. Die meisten Kreditkartenzah­lungen werden nunmehr nach Regeln ­genehmigt, die eine kleine Gruppe von Menschen zuvor aufgestellt hat. Sie entscheiden, welche Risikoparameter in den Algorithmen angewendet werden.

In wieder anderen Fällen sorgen KI-­Anwendungen sogar dafür, dass das Urteil von Entscheidern ein noch stärkeres Gewicht bekommt. Die Nutzung bildgebender Verfahren in der Medizin ist dafür ein Beispiel.

Entscheidungen über die Behandlung, die sich aus einer Diagnose ergeben, werden – und wurden schon immer – vom Arzt des Patienten getroffen. Doch auch schon vor dem Aufkommen von KI zogen Medizinerinnen oder Mediziner bei schwierigen Fällen die Expertise von erfahreneren Kolleginnen und Kollegen heran, vor allem dann, wenn diese ihnen bildgebende Verfahren ermöglichten, beispielsweise ein MRT, eine Sonografie oder eine Röntgenaufnahme. Ihre Diagnose stellten sie dann auch auf Basis der vorherigen Beurteilung ihrer Fachkolleginnen und -kollegen. In vielen Fällen konnten sie ihre Diagnose überhaupt nur fällen, weil sie auf bildgebende Verfahren zurückgegriffen hatten. Mittlerweile gibt es KI-gestützte Algorithmen, die präzisere Diagnosen treffen als viele Radiologinnen und Radiologen. Während diese deshalb an Bedeutung verlieren werden, kann man davon ausgehen, dass die Diagnose des behandelnden Arztes an Bedeutung gewinnen wird. Seine Entscheidung wird durch den Siegeszug von KI wichtiger, während die Bedeutung und Macht des Radiologen schwinden wird.

In all diesen Fällen hat die Anwendung von KI verändert, wie und von wem Entscheidungen getroffen werden. Allerdings hat die Einbeziehung von KI in Entscheidungsprozesse Ihres Unternehmens nicht nur Auswirkungen auf Ihr Unternehmen, sondern wird auch Ihre Stakeholder und das gesamte Ökosystem, in dem Sie sich bewegen, verändern. Was für Sie funktioniert, kann anderen Probleme bereiten. Beleuchten wir einmal näher, wie es dazu kommen kann.

Stellen Sie sich vor, Sie betreiben ein Restaurant. Gäste kommen herein und bestellen Gerichte. Die Köche bereiten diese dann zu. Zu jeder Zeit gibt es Beschränkungen dafür, welche Speisen zubereitet werden können, da dies von den Fähigkeiten des Küchenchefs, der Gesamtzahl an Bestellungen und der Verfügbarkeit von Zutaten und Küchengeräten bestimmt wird. Wenn Sie Ihren Kunden erlauben, alles zu bestellen, was ihnen in den Sinn kommt, werden Sie Probleme bekommen.

Folglich stellen Sie eine Speisekarte zusammen. Sie beschränken die Auswahl für Ihre Gäste, sodass Sie am Ende das, was sie bestellen, auch tatsächlich zubereiten können. Aus Sicht der Küche bietet die Speisekarte Verlässlichkeit und verhindert Überraschungen. Jede Woche müssen Sie auf Basis der Speisekarte die Zutaten bestellen. Steht Guacamole da­rauf, benötigen Sie Avocados. Sie bestellen jede Woche 45 Kilo davon. Manchmal ist das zu viel, dann müssen Sie Avocados wegwerfen. Manchmal ist es zu wenig, dann machen Sie weniger Umsatz, als möglich wäre.

Angenommen, Sie nutzen KI, um die Nachfrage vorherzusagen (was die Gäste bestellen werden), und stellen fest, dass es gut funktioniert. Jetzt bestellen Sie in der einen Woche nur noch 14 Kilo, in anderen Wochen hingegen brauchen Sie 136 Kilo. Sie verschwenden weniger und verkaufen mehr. Die Profitabilität steigt.

Ihr Lieferant aus der Region ist jedoch daran gewöhnt, jede Woche für Sie 45 Kilo zu bestellen. Nun kann er wegen Ihrer KI schlechter planen. Mittlerweile nutzen auch seine anderen Kunden eine KI, um ihren Bedarf vorherzusagen, die Nachfrage beginnt stark zu schwanken. Also entscheidet der Lieferant, für die Vorhersage seines eigenen Bedarfs ebenfalls eine KI einzusetzen. Früher bestellte er 11 Tonnen Avocados pro Woche, nun variieren seine Bestellungen zwischen 3 und 23 Tonnen pro Woche. Aus diesem Grund muss irgendwann auch die Bezugsquelle Ihres Avocadolieferanten KI einsetzen, sodass deren Bestellmengen ebenfalls zu schwanken beginnen. So setzt sich das bis zu den Erzeugern fort. Das Problem ist nur, dass diese ihre Entscheidungen zum Umfang des Anbaus mindestens ein Jahr im Voraus treffen müssen.

Das Beispiel zeigt, dass KI zwar dafür sorgen kann, die Unsicherheit einer einzelnen Person zu beseitigen, dass dies aber nicht unbedingt im gesamten System der Fall sein muss. Das grundlegende Problem, Angebot und Nachfrage in Einklang bringen zu müssen, kann auch durch die Anwendung von KI nicht wirklich gelöst werden. Wie ein Stein, der in einen Teich geworfen wird, hat eine KI-Lösung einen Dominoeffekt auf andere Entscheidungen innerhalb des Systems.

Hieraus ergibt sich eine Art Paradoxon: Die Anwendung von KI verbessert Entscheidungen, indem sie vorhersagt, was mit Faktoren passieren wird, die andernfalls unsicher blieben. Daraus, dass Ihre Entscheidung dadurch volatiler wird, ergibt sich aber, dass Sie für andere weniger verlässlich werden. Sobald Sie KI in Ihre Wertschöpfungskette integrieren, müssen Ihre Partner viel mehr koordinieren, um diese Unsicherheit abzufedern.

Der Restaurantbesitzer muss nicht nur die Nachfrage vorhersehen, sondern noch ­einige andere Entscheidungen treffen, etwa, was er auf der Speisekarte anbietet. Wenn der sich aus dem Einsatz von KI ergebende Dominoeffekt bedeutet, dass der Erzeuger nicht mehr genug Avocados liefern kann, muss der Restaurantbesitzer dadurch tatsächlich seine Speisekarte ändern. Das wird er allerdings erst tun, wenn er weiß, dass die Avocados nicht lieferbar sind. Das erfordert Koordination über alle Entscheider hinweg. Diese Koordination hat zwei Aspekte.

Synchronisierung der Arbeit. Betrachten wir einmal, wie ein Team aus acht Ruderern funktioniert. Zwei Aspekte haben einen großen Einfluss darauf, wie es in einem Rennen abschneidet: Es kommt darauf an, ob die Teammitglieder im gleichen Takt rudern – und wie sie die Rudergeschwindigkeit im Laufe des Rennens anpassen, um sicherzustellen, dass keinem Teammitglied vor Ende des Rennens die Kraft ausgeht. Der Steuermann, der im Heck des Bootes sitzt, ist für das Zweite wesentlich, nicht jedoch für Ersteres. Das mag überraschen, ist es doch der Steuermann, der die Mannschaft koordiniert, damit sie im selben Tempo rudern. Dafür gibt er das Kommando „Zieh! Zieh! Zieh!“ Nur bräuchte es für diese Aufgabe eigentlich keine separate Person. Einer der Ruderer könnte das übernehmen. Und tatsächlich wird das in Rennen, bei denen die Teams keinen eigenen Steuermann haben, auch so gehandhabt. Wenn es jedoch darum geht, die Strategie in einem Rennen zu überwachen und Hinweise zur Situation der einzelnen Ruderer zu erlangen, sprich Informationen zu sammeln und zu bündeln, ist der Steuermann unerlässlich. Denn nur er kann beurteilen, ob sich der Rhythmus der Mannschaft verändern muss, und die Befehle an die Ruderer entsprechend anpassen. Der Steuermann ist da, weil das Team gewährleisten muss, dass die Anpassung synchron erfolgt.

Zuweisung von Ressourcen. Die Pro­bleme bei der Koordination umfassen auch solche, die die beiden Ökonomen Paul Milgrom und John Roberts als Zuordnungsprobleme bezeichnen. Dabei handelt es sich um Situationen, in denen Sie einer Aktivität Ressourcen zuweisen müssen, im Wissen, dass nur ein Teil dieser Ressourcen auch tatsächlich genutzt werden wird. Zusätzliche Ressourcen würden verschwendet, weniger wären unzureichend.

Ein Beispiel: die Einsätze von Krankenwagen. Würden alle Krankenwagen in einem Netzwerk einen Notruf erhalten und dann unabhängig voneinander entscheiden, ob sie darauf reagieren, würde dies vermutlich sehr häufig dazu führen, dass es entweder überhaupt keine Reaktionen gibt – oder zu viele. Um sicherzustellen, dass nur einer reagiert, brauchen Sie eine zentrale Leitstelle, sei sie nun menschlich oder softwarebasiert, bei der die Anrufe zu einem Notfall eingehen. Sie entscheidet, welcher Krankenwagen den Auftrag erhält, sich um den Notfall zu kümmern. In dem Fall kann es zwar zur Entsendung eines „falschen“ Krankenwagens kommen (der vielleicht zu weit weg ist oder nicht über die notwendige Ausrüstung verfügt), doch dies stellt ein weitaus geringeres Problem dar, als keinen Wagen – oder zu viele – zum Einsatzort zu schicken.

Sowohl Steuermänner als auch zentrale Leitstellen sind Kommunikationssysteme, die gewährleisten, dass es keine schlechten Ergebnisse gibt, die aus einem Mangel an Synchronisierung oder falscher Ressourcenzuweisung resultieren. In ähnlicher Weise können neue Kommunikationssysteme notwendig werden, um Koordinationsprobleme zu lösen, die erst durch den Einsatz einer KI entstehen. Nur durch kluge Investitionen in die Koordination der unterschiedlichen Gewerke und Ansprüche wird es einem Unternehmen gelingen, das Potenzial von KI voll auszuschöpfen.

Doch was bedeutet klug in diesem ­Kontext?

Idealerweise wäre ein System in der Lage, sich ausschließlich über Kommunikation zu koordinieren, so wie es Steuermänner und Leitstellen tun. Häufig reicht Kommunikation jedoch nicht aus. Ein Restaurant kann beispielsweise nicht alle Details entlang der gesamten Lieferkette ausschließlich über Absprachen vornehmen, da sich diese Kette über Tausende von Kilometern und über viele Monate erstreckt. Die Investition wäre unbezahlbar und zeitraubend.

Wie könnte eine Lösung aussehen? Nehmen wir das Beispiel von Amazon. Die Handelsplattform liefert Millionen von Produkten in die ganze Welt. Dafür muss die Ware beschafft und in Lagerhäusern verwaltet werden, Auftragseingänge müssen erfasst und der Versand an die Kundinnen und Kunden pünktlich vorgenommen werden. Auch das Aussprechen von Kaufempfehlungen gehört zu Amazons Aufgaben. Im Grunde steht der Versandhändler daher vor demselben Problem wie unser Restaurant. Er möchte die Kunden mit dem versorgen, was sie sich wünschen, und zwar möglichst genau dann, wenn sie es sich wünschen. Die Produkte tauchen aber nicht wundersamerweise von selbst auf, Lieferketten sind hochkomplex.

Nehmen wir nun an, dass Amazons KI-basierter Empfehlungsalgorithmus zu der Vorhersage gelangt, dass das am besten zum Kunden passende Produkt nicht verfügbar ist. Was sollte Amazon tun?

Die Versuchung, zu sagen, dass Amazon dem Kunden in diesem Fall das Produkt gar nicht empfehlen sollte, ist groß. Doch woher wissen Sie, dass die KI-basierte Vorhersage wirklich zutrifft und die oder der Kunde dieses Produkt tatsächlich haben wollte? Wenn Sie nur das anbieten, was auch verfügbar ist, verpassen Sie die Chance, zu lernen und zu wachsen.

Aus genau diesem Grund gibt Amazon auch Empfehlungen für Produkte, die gerade nicht auf Lager sind oder eine ungewöhnlich lange Lieferzeit haben. Allerdings teilt Amazon dem Kunden auch die voraussichtliche Lieferverzögerung mit. Es ist gut möglich, dass der Kunde dann Produkte wählt, die verfügbar sind, gelegentlich tut er das aber auch nicht. In diesem Fall lernt Amazon, ob es sinnvoll sein könnte, nicht vorrätige Artikel mit ins Lager aufzunehmen.

Ein solches Gleichgewicht zu erreichen bedarf indessen sorgfältiger Planung. Amazon ist modular organisiert, was dem Unternehmen ermöglicht, bessere KI-­gestützte Vorhersagen in Empfehlungen zu übersetzen, die die Auswirkungen auf den Rest des Unternehmens minimieren. Ohne Frage dürfen die Bestands- und Bestellentscheidungen des Unternehmens nicht vollkommen losgelöst vom KI-gestützten Empfehlungssystem getroffen werden, da just die Entscheidungen und Reaktionen der Kunden Informationen produzieren, mit denen die Logistikabteilung umgehen muss.

Der Einsatz von KI erfordert in vielen Fällen ein System, das ein optimales Gleichgewicht zwischen Modularität und Koordination herstellt. Modularität entkoppelt Entscheidungen in einem Teil des Unternehmens von Schwankungen in anderen Teilen, die durch den Einsatz von KI verursacht wurden. Sie macht Unternehmen flexibler, für Stakeholder hingegen dadurch auch weniger zuverlässig. Koordination hingegen gleicht den durch den Einsatz von KI entstehenden Mangel an Zuverlässigkeit aus. Erfolgreiche KI-Systeme gestatten Koordination, wo sie möglich ist, und Modularität, wo sie notwendig ist.

KI-gestützte Technologien sind für das Treffen von Entscheidungen genauso vielversprechend, wie es die Erfindung der Elektrizität oder des PCs für die Menschheit waren. Doch während KI ­anfangs häufig nur eingesetzt wurde, um einzelne, isolierte Probleme zu lösen, entdecken viele Unternehmen inzwischen den enormen Produktivitäts- und Effizienz-Booster, den KI-Anwendungen gerade in komplexen Umfeldern entfalten. Restaurants zum Beispiel können sich mithilfe von KI viel stärker an ihrer Lieferkette orientieren und flexibler bei der Gestaltung ihrer Speisekarte sein.

Fraglos: Die immensen Chancen, die in der Nutzung von KI liegen, werden zu neuen Herausforderungen führen, die aber auch wieder neue Chancen bergen. Die Autoren dieses Stückes sind überzeugt, dass wir in dem Maße, wie sich der Einsatz von KI über Lieferketten und Ökosysteme hinweg ausbreiten wird, feststellen werden, dass alle Prozesse und Vorgehensweisen, die wir bisher für selbstverständlich angesehen haben, im Grunde transformiert werden müssen. Auslöser dafür wird jedoch nicht die Technologie sein, sondern die Kreativität der Menschen, die KI nutzen. © HBP

Autoren

Ajay Agrawalist Professor für Strategisches Management an der Universität Toronto. Er ist Inhaber des Lehrstuhls für Unternehmertum und Innovation und Gründer des gemeinnützigen Creative Destruction Lab, eines Förder­programms für Gründerinnen und Gründer von Start-ups.

Joshua Gansist Professor für Strategisches Management an der Universität Toronto und Inhaber des Lehrstuhls für Technische Innovation und Unternehmertum. Gans ist zudem Chefökonom des Creative Destruction Lab.

Avi Goldfarbist Professor für Marketing an der Universität Toronto und dort Inhaber des Lehrstuhls für künstliche Intelligenz und Gesundheitswesen. Goldfarb ist der Chief Data Scientist des Creative Destruction Lab.

Gemeinsam haben die drei das Buch „Power and Prediction: The Disruptive Economics of Artificial Intelligence“ (Harvard Business Review Press 2022) geschrieben.

Kompakt

Das Problem KI-gestützte Vorhersagen ver­bessern oft die Qualität einzelner Entscheidungen, wirken sich jedoch meist fast automatisch auf das Gesamtsystem der Entscheidungsfindung aus.

Die Ursache Entscheidungen sind in der Regel eine Kombination aus Vorhersagen und Urteilsvermögen. Sind Vorhersagen sehr genau, so wie es bei KI der Fall sein kann, gewinnt der Faktor Urteilsvermögen automatisch an Gewicht. So ändert sich möglicherweise, wer die Entscheidung wo, wann und wie trifft. Genauere Vorhersagen in einem Teil des Systems haben einen Dominoeffekt auf die anderen Teile.

Die Lösung Weil es keine perfekte, unmittelbare Kommunikation gibt, müssen Unternehmen ganze Wertschöpfungsketten-Systeme erschaffen, die modulare Lösungen und gezielte Koordination in Einklang bringen. Durch Modularität können viele Entscheidungen auf der Basis lokal zu beobachtender Faktoren getroffen werden, während Koordination dafür sorgt, Entscheidungen innerhalb von Netzwerken zu optimieren.

Dieser Artikel erschien erstmals in der Mai-Ausgabe 2023 des Harvard Business managers.