„KI wird die gesamte Wertschöpfungskette verändern“

Starten wir mit einem Rätsel. Wann wurde der Satz gesagt: „In den Jahren, die vor uns liegen, erwarten wir Maschinen, die unsere Intelligenz teilen, vielleicht sogar übertreffen?“ Wenn Sie an das Jahr 2017 denken, sind Sie in hervorragender Gesellschaft, liegen aber falsch. Er stammt von Marvin Minsky aus dem Jahr 1961. So alt sind in der Tat die Versprechen einer künstlichen Intelligenz, so alt sind die Ängste, die sie hervorruft.

Ein Hype um künstliche Intelligenz (KI) ist kein neues Phänomen. Wir hatten ihn schon drei Mal. Drei Mal versprachen die Apologeten eine kleine Revolution. Die erste Phase begann mit der Dartmouth-Konferenz, bei der der zitierte Minsky und zehn weitere Forscher den Begriff prägten und ansatzweise definierten. Die kühnen Träume waren schnell ausgeträumt, als nachgewiesen wurde, dass ihre Systeme strukturell nicht in der Lage waren, eine sehr simple Funktion (für Experten: „exklusives Oder“) zu erlernen. Nach einer Eiszeit für ein Jahrzehnt versprachen in den 1980er-Jahren sogenannten Expertensysteme, die Menschen bei Entscheidungen zu übertreffen.

Erneut schlugen die Wellen der Begeisterung hoch als in den 1990er Jahren künstliche neuronale Netze erste Funktionen im audiovisuellen Bereich des menschlichen Gehirns nachbilden konnten und Erfolge in der Anwendung zeigten – Beispiele sind Spurhalteassistenten im Vorfeld des automatisierten Fahrens. Obwohl die künstlichen neuronalen Netze in viele Studiengänge wie die Elektrotechnik oder den Maschinenbau Einzug hielten, konnten die Versprechen nicht eingehalten werden, sodass sie wieder verschwanden.

Nun hören wir wieder ähnliche Statements. Seitdem 2016 der Weltmeister im Go geschlagen wurde, wird in den Medien darüber diskutiert, ob wir eine Hyperintelligenz bekommen, die sich selbst perpetuiert und den Menschen übertrifft – wir alle kennen diese und ähnliche Statements. Doch: Warum sind wir so sicher, dass wir nicht in ein paar Jahren den gleichen Katzenjammer erleben, wie bereits drei Mal in 60 Jahren? Wer dreimal lügt, dem glaubt man nicht!

Der zentrale Unterschied besteht darin, dass die Entwicklung von Speicher- und Rechenleistung (Moore‘sches Gesetz) heutzutage Computer ermöglicht, die noch vor Kurzem undenkbar waren. Insbesondere Mehrprozessorsysteme (GPUs) sind enorm mächtig geworden. Dennoch sind Strukturen des menschlichen Lernens und Bestandteile der menschlichen Intelligenz weiterhin größtenteils unverstanden.

Was bedeutet das für die Arbeit in der Automobilindustrie? Das Wichtigste ist, dass wir das Augenmaß dafür behalten, was möglich ist, und keine falschen Versprechungen machen. Wenn irgendwer „denkende Herrscherroboter“ verspricht und darüber einen Film dreht, ist das verzeihlich und im besten Fall ganz unterhaltsam. Wenn wir in der Automobilindustrie zu viel versprechen, kann das tödlich sein – wie eine unglückliche Werbung von Tesla zeigt: Jemand hat den angepriesenen „Autopiloten“ etwas zu wörtlich genommen und sich in den Tod gefahren. Was passiert, wenn wir – oder irgendein neuer Player im Automobilmarkt – richtige autonome Fahrzeuge in den Verkehr bringen, die den Versprechen nicht standhalten?

Spannender als die hypothetischen, fernliegenden Fragen über den Menschen ersetzende Intelligenz sind die konkreten Auswirkungen dessen, was wir bereits jetzt in Prototypen können – ob es nun wirkliche künstliche Intelligenz ist oder nicht.

Wie oben angesprochen, sind maschinelles Lernen und künstliche Intelligenz nicht nur für autonomes Fahren wichtig (wo es am augenfälligsten ist, dass Funktionen übernommen werden, die vormals einem intelligenten Menschen vorbehalten waren). Es wird die gesamte Wertschöpfung verändern, von KI-assistierter Entwicklung bis zum Aftermarket (Predictive Maintenance).

Die künstliche Intelligenz wird der zentrale Baustein der Digitalisierung in den 2020er-Jahren. Damit wird sie den Einfluss übertreffen, den die Plattformen aktuell haben. Die Plattformen, die wir alle kennen und nutzen, haben hinsichtlich Marktwert und Einfluss die zuvor dominierenden Unternehmen verdrängt – booking.com versus TUI sei hier nur ein Beispiel.

Die Nutzung dieser künstlichen Intelligenz kann eine derartige Produktivitätserhöhung bewirken, dass ihre Beherrschung über den Markterfolg entscheiden kann. Die Wissensextraktion ist an den Besitz großer Datenmengen gebunden, sodass große Player überproportional bevorzugt werden – mit der Konsequenz einer erheblichen Konzentration oder gar Monopolisierung.

Das heißt: Nur wer konsequent in künstliche Intelligenz investiert, wird zu den Gewinnern dieser Entwicklung gehören. Ein Blick auf die Forschungsbudgets staatlicher wie privater Institutionen in Deutschland lässt keinen besonderen Optimismus aufkommen: Die gesamte Max-Planck-Gesellschaft hat ein kleineres Budget als eine mittlere US-Universität, Facebook investiert das x-Fache eines deutschen Automobilherstellers.

Die große, vielleicht einzige Chance, die Unternehmen der deutschen Automobilindustrie haben, liegt in der Verbindung von klassischem Engineering mit künstlicher Intelligenz: Wenn man physikalisches Wissen über eine Strecke hat, muss man es nicht erst teuer aus Daten erlernen! „German Deep Tech“ kann die Antwort auf die Dominanz des Silicon Valley sein – wir müssen sie nur aussprechen.

Daraus ergeben sich drei Thesen:

1. Keine Hollywood-KI mit überwältigenden Versprechen und bedrohlichen Ängsten, sondern eine aktive Ausnutzung des Machbaren – was schon sehr viel ist.
2. Starke Investitionen in diese Schlüsseltechnologie, denn wenige Player, die aus vielen Daten lernen können, werden den Markt dominieren.
3. Gute Wettbewerbspositionen deutscher Automobilunternehmen, wenn sie mit „Deep Tech“ klassisches Engineering mit Data-Science verbinden.