Suche
  • Insights-Team

Wie künstliche Intelligenz die Software Industrie verändert


Technologisch scheint künstliche Intelligenz die Zukunft der Software zu sein. KI kann mittlerweile beeindruckende Fortschritte in einer Reihe von schwierigen computerwissenschaftlichen und praktischen Problemen vorweisen und der Job des Software Entwicklers - der derzeit sowohl mit Daten als auch mit Code arbeitet - ändert sich rasant.

Viele KI Unternehmen (und Investoren) vermuten jetzt schon, dass sich diese Veränderung weit mehr ist als nur technologisch. KI verfügt zweifelsfrei über eine erhebliche Transformationsenergie: Dies gilt für die derzeit aktiven KI Unternehmen als aber auch für KI - Infrastrukturen. KI Unternehmen weisen allerdings nicht dieselbe ökonomische Struktur wie herkömmliche Software Unternehmen auf, mitunter muten sie eher an wie Dienstleistungsunternehmen:

  1. Geringere Bruttogewinnspannen aufgrund der verstärkten Cloud - Infrastruktur und anhaltendem, noch notwendigen menschlichen Support

  2. Limitierte Skalierbarkeit aufgrund sehr schwieriger Szenarien und zu lösender Grenzfall-Situationen

  3. Schwächere technische Wechselbarrieren aufgrund der Zugänglichkeit der KI Modelle (open source, offener Schnittstellen) und den damit verbundenen geringen Wechselkosten

So sind z.B. die Bruttogewinnspannen bei KI Unternehmen oftmals zw. 50 - 60% - deutlich unter den 60 - 80% und mehr Benchmark für vergleichbare SaaS-gestützte Geschäftsmodelle. Frühzeitiges Einbringen von Venture Capital kann diese geringere Effizienz kurzfristig übertünchen, vor allem da einige Investoren gerne einen Wachstumspush via Profitabilität anstoßen. Allerdings ist noch überhaupt nicht klar, welche langfristige Margenerwartungen realistisch sein können.

Unternehmenskonstellationen ändern sich

Ähnlich wie SaaS ein neues ökonomisches Modell einleitete (verglichen konventionellen Softwarelizenzen), glauben wir, dass KI einen komplett anderen Typus an Geschäftsmodell generieren kann. Nachstehend wollen wir als Hilfestellung skizzieren, was unserer Einschätzung nach die Unterschiede sind und helfen, diese verständlicher zu machen.


Software + Dienstleistungen = KI? - Ist das richtig?

Das Schöne an Software: Einmal produziert, kann sie viele Male verkauft werden. Ein Vorteil: Zahlungseingänge durch Softwareverkauf, Wartungs- und Update-Verträge, hohe Bruttogewinnspanne (60-80%+) und - in relativ wenigen Fällen, wenn sich Netzwerk- oder Skalierungseffekte bemerkbar machen - hohe Skalierung. Zudem das Potential starke Abwehrmechanismen und technische Wechselbarrieren aufbauen zu können, da der intellektuelle Besitz (meistens der Code) eigenes Asset ist.

Am anderen Ende des Spektrums die Dienstleistungsunternehmen: Jedes neue Projekt erfordert nüchtern betrachtet das Prüfen der Fähigkeiten und Eignung der der Mitarbeiter. Die zur Verfügung stehende Kapazität kann auch nur einmal genutzt werden. Umsätze und Zahlungseingänge sind tendenziell nicht regelmässig sondern Event-getrieben, die Bruttogewinnspanne ist niedriger (20-40%), die Skalierung nur unter Optimalumständen linear. Die Abwehrmechanismen sind wesentlich herausfordernder, da jedes Wissen, das nicht dem Kunden gehört, nur sehr unwahrscheinlich eine breitgesteuerte Verwendbarkeit erreicht und auch Mitarbeiter nicht ewig für das Unternehmen arbeiten.

KI Unternehmen kombinieren zunehmend beide Bestandteile: Software und Dienstleistung: Die meisten der KI Anwendungen sehen wie normale Software aus - und fühlen sich auch so an. Sie sind auf konventionellen Software Code angewiesen, um Aufgaben auszuführen wie User Interfaces, Datenmanagement oder Schnittstellen zu anderen Systemen. Im Herzen der Anwendung allerdings befinden sich einige spezifische Datenmodelle. Diese Modelle interpretieren Bilder, übertragen das gesprochene Wort, generieren natürliche Sprache und führen andere komplexe Aufgaben durch. Der Betrieb und die Optimierung dieser spezifischen Kerkomponenten kann schon den Eindruck aufkommen lassen, man interagiere mit einem Dienstleistungs-Unternehmen. Denn hier sind noch signifikanter, sehr kundenspezifischer, Aufwand und Input erforderlich, die weit über den typischen Supportansatz hinausgehen, um den gewünschten Output zu erzeugen.

Dieser hohe menschliche Aufwand hat bei KI Unternehmen Einfluss auf Gewinnmarge, Skalierbarkeit und Wechselbarrieren und noch einiges mehr.


Gewinnspanne: Cloud Infrastruktur ist Grundvoraussetzung und manchmal mit versteckten Kosten verbunden

Hieß es früher Softwareverkauf gleich Produktlieferung und Ausstellen und Versand eines physischen Mediums (die Kosten für das Laufen der Software Servern und / oder Desktops wurden vom Käufer abgefedert), so ist dieser Ball mit der heutigen SaaS Dominanz wieder auf Seite des Verkäufers gespielt worden. Die meisten Software Unternehmen bezahlen hohe AWS oder Azure Rechnungen jeden Monat - umso anspruchsvoller die Software, umso höher die Rechnung.


KI, so scheint es, ist relativ anspruchsvoll:

Das Training eines einzige KI Modells vermag hunderte von Tausenden von Euro (oder mehr) an Computer-Ressourcen kosten. Dieser Posten sollte nicht als einmalig behandelt werden: Training wird zunehmend als kontinuierlicher Kostenfaktor betrachtet, da sich die Daten, die die KI speisen, über die Zeit immer wieder verändern (“Data Drift”)

Eindeutige Prognosen mit Nutzwert in Serie sind ebenfalls eher ein computerbasierter Prozess als ein traditionelles Software Outcome. Eine lange Reihe von Matrix Multiplikationen erfordert wesentlich mehr Aufwand als - bspw. - das Einlesen einer Datenbank

KI Applikationen benötigen im Regelfall wesentlich mehr an Rich Data also auslesbaren Informationen mit hohem Nutzwert wie u.a. Film, Audio, Video etc., was mehr Speicherplatz einfordert und kostenaufwendiger zu betreiben ist

Mitunter sind Cloud Operationen komplexer und kostenaufwendiger zu unterhalten, als traditionelle, Software - gestützte, Ansätze. Vor allem, da es keine wirklich guten Instrumente gibt, die KI Modelle global skalieren können. Entsprechend haben einige KI Unternehmen zur Verbesserung von Latenz, Verlässlichkeit und Konformität “trainierte Modelle” selbst in Cloud Regionen verteilt - mussten aber signifikante Zugangs- und Ausstiegskosten akzeptieren



Diese Faktoren beeinflussen nicht unerhebliche den unternehmerischen Erfolg von KI Unternehmen. Helfen sollen in Zukunft spezialisierte KI Prozessoren, die Berechnungen effizienter durchführen können sowie Optimierungstechniken - wie bspw. Model Komprimierung bzw Kreuz-Kompilierungen, die die Anzahl der benötigten Prozesse verringern helfen. Wie die endgültige Form der Effizienzkurve aussehen wird, ist aber noch lange nicht klar. Die Modell-Komplexität steigert sich unverhältnismäßig schnell - und es ist sehr unwahrscheinlich, dass Prozessoren in der Lage sein werden, diese weiterhin am Laufen zu halten. Verteilte Datenbearbeitung bietet sich als Lösung an - aber hier wird zuvorderst die Geschwindigkeit und nicht der Kostenaspekt zentriert.

Gewinnspanne: Viele KI Anwendungen benötigen immer noch den Faktor Mensch um Fehlerfreiheit zu erreichen

Es bedarf aktuell noch vielfältiger menschlicher Unterstützungsleistung, um KI anwendbar zu machen.

1. Training der Modelle - Dies beinhaltet die manuelle Bereinigung bzw. das Labeln großer Datenmengen. Der Prozess ist arbeitsaufwendig, teuer und eine der höchsten Hürden zu einer weiter verbreiteten Integration von KI. Vor allem unter Berücksichtigung der Tatsache, dass die Trainingseinheiten und -kosten nicht mit dem einmaligen Anwenden des Modells beendet ist. Um eine gewissen Genauigkeit zu erreichen, müssen neue Trainingsdaten permanent gesammelt, gekennzeichnet und wieder ins das System eingespeist werden. Wenn auch Drift-Erkennung und aktives Lernen die Last erleichtern können, sehen wir bei vielen Unternehmen, das die Kosten für laufendes Training bei 10-20% der Aufwendungen liegen.

2. Viele Aufgabenstellungen mit größerem Umfang an kognitiver Denkfähigkeit, bedingen das direkte Realtime Interagieren zwischen Menschen in KI. Social Media Unternehmen z.B. beschäftigen Tausende von Personen, um die KI basierten Moderationssysteme zu verbessern. Viele autonome Fahrzeugsysteme beinhalten menschliche Betreiber im Abseits und die meisten medizinischen, KI- basierten, Tools haben eine Schnittstelle zu reellen Ärzten als gemeinsamer Entscheidungsträger. Immer mehr Startups übernehmen diesen Ansatz, einfach, um ein besseres Verständnis der KI zu unterstützen.

Die Notwendigkeit menschlicher Unterstützung wird mit wachsender KI Leistung schrumpfen - es ist jedoch unwahrscheinlich, dass Menschen komplett aus dem Kreislauf verschwinden. Viele Probleme - nehmen wir bspw. selbstfahrende Autos - sind noch zu komplex, um komplett auf die Möglichkeiten der jetzigen KI Technik aufgebaut zu werden. Themen wie Sicherheit, Fairness und Vertrauen bedingen noch ein verantwortungsvolles menschliches Urteilsvermögen, ein Faktotum, dass gerade in der KI regulatorisch in Europa und den USA ausgearbeitet wird.

Im unwahrscheinlichen Fall einer kompletten Automatisierung für gewisse Aufgabenstellungen ist immer noch nicht sicher, ob und wieviel MargeGleich in voller Höhe infolgedessen ansteigt. Die Basisfunktion von KI Anwendungen ist es, einen Stream von Input Daten zu bearbeiten und daraus relevante Prognosen zu generieren. Die Kosten des Systems orientieren sich an der verarbeiteten Datenmenge.

Einige Datenpunkte werden human bedient (relativ teuer), während andere automatisch via KI (hoffentlich weniger teuer) gehandhabt werden. Somit sind die beiden bisher diskutierten Kostenformen - Cloud Computing und menschliche Unterstützung - miteinander verbunden. Reduziert man den einen steigt der andere gezwungenermaßen an. Beide Teile der Gleichung können optimiert werden, aber keiner von beiden wird jemals die “nahe an 0” Kostenzone erreichen, die mit SaaS Unternehmen assoziiert sind.



Skalierbarkeit eines KI Systems - noch viel zu tun

Für KI Unternehmen, im Vergleich zu traditionellen Software-Unternehmen, ist es noch schwierig herauszufinden, was ihr richtiger Produkt-Markt-Fit ist. Ursache sind die Grenzfälle der KI-Logiken und Algorithmen, die es gilt abzusichern, um nur die gewünschten Positiv- bzw. Nutzeneffekte zu erzeugen. Diese Grenzfälle, die im extremen Minimal- oder Maximalszenario auftreten, bedürfen zu ihrer Lösung hoher Ressourcen. Offene Schnittstellen, unstrukturierte Daten,etc. verstärken den Ressourcenbedarf. Zudem bemängeln User oft die fehlende “Intuition” des Produktes. Das Handling von Datenlücken bedarf kontinuierliche Anstrengungen. Da die Bandbreite an möglichen Inputs groß ist, bedeutet jeder Kundenneueinsatz auch neue Daten, die nie zuvor generiert wurden. Auch bei Kunden, die ähnlich scheinen - bspw. zwei Autohersteller - sind komplett verschiedene Trainingsdaten vonnöten, bspw. allein aufgrund unterschiedlicher Positionierung der Kameras an der Produktionsstraße, um nur ein Beispiel zu nennen.

Sorgfältige Datenanalyse und Model Feintuning - und das bei jedem neuen Kundenengagement - lautet die Devise. Hierdurch wird eine verhältnismäßig große Transparenz der Kundendaten erreicht und wiederum ein relativ großer Anteil an Grenzfällen verhindert - noch bevor diese auftreten können.


Doch ebenda entstehen Kosten: Finanzielle und personelle Ressourcen sind bis zum Erreichen einer akzeptablen Fehlerfreiheit permanent notwendig. Die Dauer der Trainingsphase ist generell im Vorfeld nicht ganz klar und eindeutig, es gibt nur wenige Möglichkeiten, die Trainingsdaten schneller zu generieren - wie hart auch immer das Team arbeitet.

KI Unternehmen müssen oft feststellen, dass das Veröffentlichen ihrer Produkte wesentlich länger dauert, als sie angenommen hatten. Solche zeitlichen Anforderungen im Vorfeld zu identifizieren ist sehr schwierig, da die traditionellen Wege - wie bspw. Mockups, Prototypen oder Beta Tests - es nicht vermögen, alle relevanten Grenzfälle abzudecken. Wie auch bei der traditionellen Software ist dieser Prozessabschnitt ein extremer Zeitfresser - im Gegensatz zur traditioneller Software verschwindet dieses Thema aber nicht nach einer gewissen Zeit, sondern muss weiterhin aktiv betreut werden.

Wechselbarrieren - Ein Playbook zum Schutz von KI Unternehmen ist noch nicht geschrieben

Große Softwareunternehmen sind von großen Schutzwällen umgeben (Patente, installierte Kundenbasen, trainierte User, sowie Netzwerkeffekte, hohe Umstellungskosten und Skaleneffekte. All diese Reaktionen sind für KI Unternehmen genauso anwendbar. Der Schutzwall wird meistens - vor allem in den Unternehmen - durch ein technisch überlegenes Produkt installiert. Komplexe Sicherheitssoftware kann erhebliche Marken- als auch periodische Exklusivitätsvorteile einbringen.

In der KI-Unternehmens-Welt, ist eine technische Differenzierung schwieriger zu erreichen. Neue Modellarchitekturen werden oftmals nur im offenen, akademischen Umfeld generiert. Referenzierte Implementationen bzw. voreingerichtete Modelle sind durch Open Source Bibliotheken zu erhalten und Modell-Parameter können automatisch optimiert werden. Die Daten sind der Kern des KI Systems, aber diese gehören oft den Kunden, obgleich sie mit der Zeit zu einer Art “Ware” werden. Es kann zudem ein rückläufiger Effekt auftreten, da die Märkte “altern” und relativ geringe Netzwerk Effekte zeigen. Mitunter sind sogar Fehler und Defizite in den Skalierungsaktivitäten zu beobachten, die aus der Datenaufbereitung und Einspeisung resultieren. Aufgrund der Tatsache, dass auch die Modelle altern, wird auch jeder Grenzfall immer kostenaufwendiger zu bearbeiten, da auf der Gegenseite immer weniger relevante Kunden stehen. Das heisst nicht gezwungenermaßen, dass KI Produkte weniger lange haltbar sind im Vergleich zu konventioneller Software. Aber der Schutzwall für KI Unternehmen scheint brüchiger zu sein, als erwartet. KI kann in großen Teilen zum “Passtrough” vom “geschützten Standort” zu den dahinterliegenden Produkten und Daten werden.


Aufbau, Skalierung und Schutz großer KI Unternehmen - Tipps für Gründer und Startups


Überschaubare Komplexität der Modelle.

Wir haben bei StartUps, die ein einziges Modell pro Kunde trainieren und Startups, die ein Modell zwischen allen Kunden teilen (oder ein “Set von Modellen”) massive Unterschiede in den Kosten der verkauften Ware beobachte. Die Strategie des “teilbaren” Modells ist leichter zu unterhalten, schneller bei neuen Kunden zu implementieren und erfordert eine einfachere und effizientere Planungsorganisation. Diese Strategie reduziert zudem die Ausbreitung der Datenpipeline und wiederholende Trainingsläufe, was die Infrastrukturkosten der Cloud erheblich verbessert. Es gibt sicherlich keinen Königsweg für den “idealen Status”, aber ein Ansatz ist ohne Frage, die Kunden so weit wie möglich zu verstehen - bzw. ihre Daten - bevor das Geschäft abgeschlossen wird. Manchmal ist eine kostenproduzierende Abweichung deutlich zu erkennen, aber meistens sind die Knackpunkte subtiler, betreffen nur einige wenige einzigartige Modelle oder erfordern noch etwas Feintuning. Diese Beurteilungsrunden sind extrem wichtig für KI Gründer, um nicht langfristige ökonomische Vitalität gegen kurzfristiges Wachstum auszuspielen.

Vorsichtige und engmaschige Auswahl prekärer Domains zur Reduzierung der Datenkomplexität.

Eine menschliche Arbeit zu automatisieren ist im allgemeinen schwierig. Viele Unternehmen stellen fest, dass schon kleinste Einheiten in diesem Bereich diffiziler sind als erwartet. Anstelle von allgemeinen Textvorschlägen bspw. haben einige Teams erfolgreich kurze Vorschläge in Emails oder Job Postings umgesetzt. Unternehmen, die im CRM arbeiten, haben effiziente Nischen für KI im Datenupdate der Einträge gefunden. Es gibt eine große Anzahl von Problemen wie diese, die für Menschen schwer zu bearbeiten sind - für KI aber keinerlei Problem darstellen. Die Tendenz liegt in der Formel: Hochskalierende Aufgabe mit niedriger Komplexität - wie u.a. Moderation, Dateneingabe und -codierung, Abschriften etc.. Der Fokus auf solche Bereiche kann die Zahl der Grenzfälle erheblich reduzieren - bzw. die Dateneinspeisung bei der KI Entwicklung wesentlich vereinfachen.

Planung variabler Kosten. Gründer sollten ein verlässliches Konstrukt für ihr Business Modell im Kopf haben. Die hier aufgeführten Kostensockel werden sicherlich nicht niedriger - sie reduzieren sich lediglich aufgrund einiger Konstanten. Es wäre aber ein Fehler anzunehmen, dass sie komplett verschwinden. Dies gilt es bei den Business Case Planungen und Go-to-Market Strategie im Hinterkopf zu haben.

Unser Tipp: Erkennen und verstehen Sie den Distributionsprozess der Dateneinspeisung Ihrer Modelle. Behandeln Sie Modell-Wartung und menschliche Fehler als kritische Erfolgsparameter für Ihren Case. Tracken und messen Sie Ihre wirklich variablen Kosten - verstecken Sie sie nicht in “Forschung und Entwicklung”. Bilden Sie - vor allem beim Fund Raising - konservative ökonomische Ansätze Ihres Geschäftsmodellss. Warten Sie nicht auf Skalierung, oder externe technische Fortschritte, um Probleme zu lösen.


Lieben Sie Ihren Service-Bereich. Es gibt unzählige Möglichkeiten, dem Markt zu begegnen. Das kann heißen, z.B., eher ein IT-Dienstleistungsunternehmen für die Automobil-Branche zu sein als selbstfahrende Autos zu entwickeln. Hybride Unternehmen aufzubauen ist wesentlich schwieriger als reine Software, aber der Ansatz kann tiefe Einblicke in die Bedürfniswelt der Kunden eröffnen und schnellwachsende, marktbestimmende Unternehmen erzeugen. Ein wichtiger Effekt für Deutschland und Europa in der sich global schnell verändernden Welt.

Dienstleistungen sind auch sehr gut dazu geeignet, die Kompetenzen und Fähigkeiten eines Startups in Vertrieb und Kundenentwicklung zu fördern. Dies gilt vor allem, wenn komplexe und/oder brandneue Technologien angeboten werden. Schlüsselpunkt ist es, für ihre Kunden eine Lösung mit Relevanz und wahrgenommenen, verständlichen Nutzen anzubieten, anstatt zwischen Software- und Dienstleistung zu defokussieren.

Planen Sie Veränderungen in der Technik. Moderne KI steckt immer noch in den Anfängen. Die Tools für effiziente und standardisierte Arbeit werden gerade jetzt erst gebaut. Im Laufe der nächsten Jahre erwarten wir weitverbreitete Verfügbarkeit von Tools, die Model Training automatisieren, Schlussfolgerungen vereinfachen, Entwickler Workflows standardisieren und KI Modelle in Produktion überwachen und absichern.

Cloud Computing, allgemein gesehen, bekommt mehr Aufmerksamkeit als grundlegende Kostenkomponente von Software Unternehmen. Eine zu feste Anbindung einer Anwendung an die bisher gegangenen Wege könnten zu architektonischen Nachteilen in der Zukunft führen.


Errichten Sie altmodische Schutzwälle. Auch wenn nicht klar ist, ob das KI Modell selbst - oder die dahinterliegenden Daten - einen Langzeit Schutz bilden: Gute Produkte und urheberrechtlich geschützte Daten ergeben gute Unternehmen. KI verschafft Gründern einen neuen Blickwinkel auf alte Probleme. Die Möglichkeit, Produkte mit Anhaftung und andauerndes Business neben einer einzigartigen Produktleistungsfähigkeit zu kreieren sind erfolgsentscheidend. Interessanterweise haben wir auch KI Unternehmen gesehen, die ihre Marktposition durch eine effektive Cloud Strategie zementiert haben - vergleichbar mit denen der letzten Generation von Open-Source Unternehmen.


Unser Fazit: Die meisten KI Systeme sind keine Software im traditionellen Sinne. Und KI Unternehmen, als Resultat dessen, sind nicht 1 zu 1 vergleichbar mit Software Unternehmen. Sie benötigen laufenden, menschlichen Support und eine variablen Kostenbasis. Sie skalieren oftmals nicht so einfach, wie wir uns das vorgestellt hatten. Aufbau von Wechselbarrieren bleibt ein sehr erfolgsdeterminierendes Thema. Alles hat seinen Preis.

Erfolgreiche KI Unternehmen kombinieren Ihre Algorithmen, Prozess-Exzellenz mit dem Faktor Mensch und konfektionieren ihre KI Lösungen mit wahrnehmbaren Nutzen an Ihren Kunden. Unternehmen die Ihre Kapazitäten verstehen auf Skalierung, Kosteneffizienz und Aufbau technischer Wechselbarrieren auszurichten, werden im Markt sehr gute Chancen haben. Die Tatsache, dass wir ungewohnte Verhaltensmuster der Daten erleben, zeigt, dass KI Unternehmen wirklich etwas Neues sind - das gerade in neue Märkte aufbricht und massive Möglichkeiten und neue Gestaltungspotenziale eröffnet. Es gibt unterdessen schon einige große KI Unternehmen, die sich erfolgreich durch das Gewirr von Ideen manövriert haben und nun Produkte mit einer durchgängig starken Performance anbieten.

KI ist immer noch in der Metamorphose von Forschungsobjekt zu Produktionstechnologie. Intelligente Anwendungen pushen die Software Industrie nach vorne und es gibt noch viele interessante Kopfnüsse mit riesigem Umsatz- und Ertragspotential für KI Unternehmen.