Vollständiges Transkript
Conor Doherty: Dies ist Supply Chain Breakdown, und in den nächsten 30 Minuten werden wir die generative AI Wertlücke aufschlüsseln. Mein Name ist Conor. Ich bin Kommunikationsdirektor hier bei Lokad, und zu meiner Rechten, wie immer, der Lokad-Gründer Joannes Vermorel.
Um das klarzustellen: Wenn wir von der “generative AI Wertlücke” sprechen, meinen wir – und ich zitiere – “das generelle Fehlen klarer Daten, die einen positiven Return on Investment (ROI) für viele unternehmensweite AI-Projekte belegen.” Bevor wir darauf eingehen, kommentiert unten, welche supply chain Probleme ihr hofft, dass GenAI lösen wird, und stellt auch so schnell wie möglich eure Fragen. Joannes und ich werden diese in ca. 20 Minuten besprechen. Lasst uns weitermachen.
Joannes, der Hintergrund zu diesem Gespräch entstand, als ich einige Umfragen von großen Beratungsfirmen und öffentlichen Institutionen fand, in denen im Wesentlichen das Fehlen klarer Daten zur Unterstützung eines positiven Return on Investment (ROI) für viele Unternehmens-AI-Projekte thematisiert wurde. Für alle, die das verpasst haben, ein sehr kurzer Überblick: Laut BCG, also der Boston Consulting Group, können etwa 75% der Unternehmen ihre AI-Projekte nicht skalieren oder monetarisieren. Laut McKinsey erzielen etwa 80% keinerlei EBIT-Auswirkungen. Laut PwC hat mindestens die Hälfte der Unternehmen nicht einmal AI-Risikoüberprüfungen durchgeführt. Und laut KPMG ist etwa einer von zehn leitenden Entscheidungsträgern in milliardenschweren Unternehmen – zitiere: hoch zuversichtlich – jemals einen ROI für ihre Projekte zu sehen.
Ich höre das und lege noch eins drauf: Harvard, das sagte, dass zwischen 0,5% und 3,5% der Arbeitsstunden tatsächlich generative AI nutzen, was in etwa einem Produktivitätsanstieg von 0,5% entspricht. Das National Bureau of Economic Research berichtete 2025, dass AI-Chatbots keinen signifikanten Einfluss auf die Gewinne haben. Und zuletzt, laut Reuters, verfolgen mehr als 50% der großen Organisationen nicht einmal den ROI dieser Projekte. Joannes, ich könnte diese Angaben wirklich die vollen 30 Minuten lang weiter ausführen, aber ich frage dich: Überrascht dich eine dieser Zahlen?
Joannes Vermorel: Nein. Es sind die exakt gleichen Muster, die die Branche bei allen transformativen Technologien beobachtet. Sehen Sie, das Web vor 25 Jahren war genau so. Geht man 45 Jahre zurück, war das die Einführung der Computertechnologie in Unternehmen – dasselbe. Und vor Kurzem, sagen wir, Cloud Computing – wieder dasselbe.
Fazit: Wenn es transformative Technologien gibt, ist das sehr interessant. Viele Unternehmen sehen die Technologie, erkennen korrekt, dass sie enorm und transformativ ist, und unternehmen etwas – und es scheitert kläglich. Das geschieht immer wieder.
Es mag klingen, als ob ein Scheitern in 90% der Fälle absolut furchtbar wäre, aber die Realität ist, dass die 10%, die erfolgreich sind, die Branche für immer verändern werden. So können beide Seiten gleichzeitig existieren: etwas, das zu 90% scheitert, und die letzten 10% verändern die Branche. Wenn man zum Web zurückblickt, zeigt sich, dass nahezu die gesamte Investition in Webprojekte in den 2000er Jahren extrem schlecht lief – und dennoch stehen wir 25 Jahre später hier, und das Web ist alles. E-Commerce ist supermassiv; über 80% der Menschen finden ihren Partner online, etc. Der Einfluss ist absolut enorm. Videos und Filme werden jetzt über das Web verkauft – Netflix. Der Einfluss ist enorm. Aber die Webportale, die in den 2000er Jahren in Mode waren? Sie sind verschwunden. Das gehörte zu vielen ähnlich schlechten Ideen der damaligen Zeit. Und ich denke, GenAI ist auf einem sehr ähnlichen Kurs. Es gibt jede Menge gadgetartige Ansätze, die scheitern werden.
Meine Auffassung ist nicht so sehr, dass wir einen Mangel an Renditen sehen, weil es sich, wie gesagt, um eine frühe Phase transformativer Technologien handelt – man darf sich nicht von fehlenden Kennzahlen täuschen lassen. Vielmehr stellt sich die Frage, ob man etwas wirklich Sinnvolles damit anstellt. Bei Lokad haben wir mehr als ein halbes Dutzend Projekte, und in einigen Bereichen, in denen wir diese Technologien einsetzen, haben sie unsere Arbeitsweise völlig revolutioniert. Wir werden nicht umkehren. Es gab eine Welt davor und eine Welt danach. Es ist grundlegend anders – zum Besseren.
Conor Doherty: Gut, ich möchte nicht vom Wesentlichen ablenken. Einige Leute, mich eingeschlossen, haben den Punkt angesprochen, dass enorme Summen ausgegeben werden. Gartner – so glaube ich – sagte etwas in der Art, dass für 2025 geschätzte 644 Milliarden Dollar, wenn ich mich richtig an den Datenpunkt erinnere, für dieses Jahr veranschlagt würden. Jeder kann nicht zu den obersten 10% gehören. Das ist also eine Menge Geld und eine große organisatorische Umstrukturierung rund um diese Technologie. Lassen sich Parallelen ziehen zu, sagen wir, der Tulpenhysterie in Holland im 17. Jahrhundert, der Dotcom-Blase, der globalen Finanzkrise (GFC)? Ist das hysterisch oder steckt etwas Substanzielles dahinter?
Joannes Vermorel: Die Grundlagen sind echt. Jeder, der 30 Minuten mit ChatGPT spielt, erlebt einen unglaublichen Schock. Diese LLMs leisten etwas, das einfach atemberaubend ist. Gleiches gilt für die Bildgenerierung; ebenso für alle anderen Bereiche der generativen Technologie. Der Schock ist real. Es steckt wirklich etwas dahinter. Wir sprechen hier nicht von reiner Spekulation; die Technologie ist real.
Nun, wir können diskutieren, ob die Bewertung der Unternehmen, die an der Entstehung dieser Technologien beteiligt sind, gerechtfertigt ist. Das ist eine weitere Frage, die davon abhängt, ob die Technologie auf eine kleine Zahl von Anbietern beschränkt bleibt oder weitgehend standardisiert wird. Aber die technische Innovation ist real.
Das Problem ist jedoch, dass viele Unternehmen diesen transformativen Technologien den falschen Ansatz wählen. Sie erkennen das Potenzial richtig und weisen dann einfach Budget dafür zu. Beim Web war es genauso: “Das Web boomt – okay, machen wir ein 50-Millionen-Dollar-Webprojekt. Es wird ein Webportal, in dem wir die Ideen aller konsolidieren und sehen, was funktioniert.” Und wissen Sie was? Damals war das verschwendetes Geld. GenAI wird sehr häufig auf dieselbe Weise angegangen, und auch hier wird es verschwendetes Geld sein.
Das Problem lässt sich nicht dadurch lösen, dass man einfach mehr Geld in das Projekt steckt. Man muss in seinem Unternehmen nach innen schauen und feststellen, was geändert werden muss, um diese Technologien zu nutzen – die übrigens ziemlich günstig sind. Wiederum galt das beim Web: Das Web ist günstig; generative AI ist günstig; die Einführung von cloud computing ist günstig. Wenn man es in großem Maßstab nutzt, wird es zwar teuer, aber um anzufangen, gibt es keinen Grund zu denken, dass der Einsatz von GenAI bei Millionen von Dollar beginnt. Es startet bei 20 Dollar pro Monat mit einem Google Gemini-Abo oder einem GPT-Abo.
Aus meiner Sicht liegt das eigentliche Problem im Mangel an Substanz, denn sehr häufig fehlt es denjenigen, die sich in dieses Feld wagen, an einem mechanischen Geschäftsverständnis. Es fehlt an Empathie für das eigene Geschäft, wie man es nutzen wird – Empathie für den Anwendungsfall: “Wie werde ich …” – das wäre die Empathie mit dem Kunden; und dann die technische Sympathie, um das Potenzial und die Grenzen der Technologie zu verstehen, sodass das, was man ausprobiert, eine 90%ige Erfolgschance hat. Bei Lokad – auch wenn es nur wenige Beispiele gibt – haben meine Versuche mit generativer AI für verschiedene Anwendungen über 90% Erfolg, weil ich, denke ich, ein gutes Gespür dafür habe, welche Dinge eine sehr anständige Chance auf Funktion haben, und ich probiere nicht einmal Sachen aus, von denen ich glaube, dass sie nicht funktionieren werden.
Conor Doherty: Das ist wieder ein entscheidender Punkt, denn was du gerade gesagt hast – grob geschätzt, etwa eine 90%ige Erfolgsquote. Als ich das auf LinkedIn gepostet habe, erhielt ich viel privates Feedback von Leuten, die sagten: “Ja, für mich ist es auf individueller Ebene transformativ. Ich habe mich von diesem Leistungsniveau auf ein anderes gesteigert. Ich kann viele verschiedene Aufgaben parallelisieren. Meine individuelle Produktivität ist in die Höhe geschossen.” Also stellt sich die Frage: Was fehlt? Auf individueller Ebene können Menschen unglaublich produktiv sein, aber in einem Unternehmen – das aus einer Ansammlung von Individuen besteht – bricht diese Produktivität laut zahlreicher Datenquellen plötzlich zusammen.
Joannes Vermorel: Ja. Denn wenn man ein GenAI-Projekt startet – für die überwiegende Mehrheit der Unternehmen – ist es falsch, die transformative Technologie ausschließlich durch die Brille der Technologie selbst zu betrachten. Man muss sich überlegen: Was werde ich für meine Kunden tun, das mein Unternehmen besser, effizienter und kundenorientierter macht? Und dann stellt sich heraus, dass Dinge, die zuvor unmöglich waren, dank GenAI jetzt möglich geworden sind. Nicht alles; vieles, was unmöglich war, bleibt auch weiterhin unmöglich. Aber wir haben eine etwas breitere Palette an Möglichkeiten, und darin liegt die enorme Chance.
Man kann nicht einfach Geld in GenAI investieren und erwarten, dass alles von selbst kommt. Genau diese Einstellung hatten Unternehmen vor 25 Jahren bei ihren Webportalen: “Oh, das Web ist großartig – legen wir Dutzende Millionen in etwas Webbezogenes.” Nein. Aber wenn Sie die Idee haben, “Ich werde einen E-Commerce-Shop eröffnen”, dann sehr gut, und Sie setzen es brillant um. Das unterscheidet sich völlig davon, zu sagen: “Ich investiere 10 Millionen Dollar in das Web” oder “Ich baue einen E-Commerce-Shop und ein E-Commerce-Erlebnis für meine Kunden auf.” Das ist ein ganz anderer Ansatz.
Conor Doherty: Dann bringt uns das wieder zu einem entscheidenden Punkt. Falls ich das richtig zusammenfasse – korrigiert mich, wenn ich falsch liege – klang es so, als seist du nicht überrascht, dass es noch keinen großen ROI gibt, weil es zu früh ist, das zu beurteilen. Okay, wir können mit dieser Hypothese spielen, aber man muss dennoch einen gewissen Einfluss nachweisen. Wenn du also den Return on Investment nicht misst, was sind im Allgemeinen Anzeichen dafür, dass die Leute das Richtige tun oder einen guten Einfluss haben?
Joannes Vermorel: Wenn Sie versuchen, diese Technologien zu nutzen, und am Ende nicht in der Lage sind zu sagen: “Okay, die Welt, in der ich heute lebe, ist radikal anders als zuvor”, dann haben Sie den Wendepunkt verpasst. Um ein paar Beispiele zu nennen: Vor einigen Jahren haben wir uns für automatisierte Übersetzungen entschieden. Unsere Website wird automatisch übersetzt; das ist nun schon seit Jahren so. Wir sind von der Verwaltung von mehr als einem halben Dutzend professioneller Übersetzer auf null übergegangen, und alles läuft komplett automatisiert. Jetzt, wann immer wir eine Seite in Englisch veröffentlichen, haben wir innerhalb weniger Stunden die Seite in mehr als einem halben Dutzend Sprachen übersetzt.
Sehen Sie, das Vorher und Nachher sind einfach zwei unterschiedliche Welten. In einem Fall haben wir ein Team verwaltet – wir hatten sogar eine App zur Verwaltung des workflow dieser Übersetzer. Heutzutage läuft alles rein automatisiert ab. Ein weiteres Beispiel: RFPs – Requests for Proposal. Einige Unternehmen senden uns Hunderte von Fragen, und wir beantworten sie jetzt automatisch. Wiederum handelt es sich um etwas, bei dem wir von Hunderten von Fragen zu “Lass uns 20 Minuten investieren, um dieselben 400 Fragen beantworten zu lassen” übergegangen sind, wobei dann einige Stunden für die wichtigsten Fragen aufgewendet werden, um den menschlichen Touch zu gewährleisten und die Schlüsselaussagen zu verbessern.
Bedenken Sie, dass in RFPs Hunderte sehr alltägliche Fragen gestellt werden, wie “Werden Sie eine Geheimhaltungsvereinbarung (NDA) für unsere Daten akzeptieren?” und dergleichen. Eine Menge alltäglicher Fragen, die beantwortet werden müssen, aber nicht unbedingt die Aufmerksamkeit eines Menschen in diesem Prozess verdienen. Ich spreche also von etwas, bei dem – mit oder ohne GenAI – der Einfluss nicht 1% beträgt. Nein – es ist Tag und Nacht. Der Einfluss ist absolut enorm. Der neue Prozess ist völlig anders als der alte und spürbar viel besser, auch wenn man ihn nicht exakt messen kann.
Es wäre für ein Unternehmen wie Lokad sehr schwierig, den genauen ROI der Automatisierung des super mühsamen Problems der Beantwortung von RFPs zu beziffern. Man könnte in Arbeitsstunden messen, wie lange es früher gedauert hat – ja – aber das würde den Fall bei Weitem unterschätzen, denn in Wirklichkeit haben Sie nicht unbedingt so viele Personen in Ihrem Team, die dazu fähig sind, und die wenigen, die fähig sind, empfinden es als äußerst mühsam. Sie wollen es nicht machen; es ist eine Strafe für sie. Dank dieses neuen Prozesses können Sie Ihre besten Mitarbeiter im Vertrieb länger halten. Es ist äußerst schwer einzuschätzen, aber der Einfluss ist massiv.
Conor Doherty: Wieder ein guter Punkt, denn das führt uns zum nächsten Thema: Du hast die Marketing-Anwendungen und die administrativen Anwendungen sehr gut umrissen. Wenn wir jetzt gezielt im Bereich der supply chain und supply chain Optimierung sprechen, kennst du spezifische GenAI-Anwendungsfälle, die in Produktion sind? Der Grund, warum ich frage, ist, dass eine IDC-Studie von Anfang dieses Jahres festgestellt hat, dass 88% – sagen wir, neun von zehn – GenAI-Piloten in diesem Bereich, nämlich in tatsächlichen supply chain decision-making Prozessen, nie in Produktion gehen. Sie bezeichnen es als eine Proof-of-Concept-Totzone. Kennst du also spezifische supply chain Anwendungsfälle, die tatsächlich ausgereift sind?
Joannes Vermorel: Ja. Aber supply chain ist sehr quantitativ – zumindest so, wie Lokad es handhabt. Es geht um Ressourcenallokation. Man möchte seine Ressourcen zuteilen – Lagerbestände, Produktionskapazitäten, Transportkapazitäten, Regalflächen etc. Wenn ich in irgendetwas – Lagerkapazität etc. – einen Dollar an Kapazität investiere, welche Option bringt mir den höchsten Ertrag, wenn man alle possible futures berücksichtigt, um eine risikoadjustiert optimierte Entscheidung zu treffen?
Nun, das ist ein hoch quantitativer Sachverhalt, und hier eignen sich LLMs nicht gut, um das direkt anzugehen. LLMs können dies indirekt angehen, möglicherweise um Ihnen zu helfen, die numerische Formel zu generieren, die Ihre Entscheidungen bestimmt – vorausgesetzt, dass Ihre Entscheidungen durch eine numerische Formel gelenkt werden. Bei Lokad ist das bei den Kunden der Fall, aber bei den meisten Unternehmen ist dem nicht so, weshalb das LLM machtlos ist.
Danach gibt es noch einige ergänzende Anwendungsfälle – ein Add-On. Zum Beispiel die Bereinigung von Katalogdaten: Man möchte seine Produktbezeichnungen verbessern; man möchte den Katalog mit Kategorien anreichern, die bisher nicht existierten. Genau solche Dinge können LLMs wirklich unterstützen, aber sie lösen nicht das Kernproblem der supply chain. Sie machen das Leben lediglich angenehmer, wenn es um die Lösung einiger Teilprobleme der supply chain geht. Es ist also gut; es ist nützlich – sehr nützlich –, aber wenn Sie ganz vordergründig sagen: “Ich werde ein GenAI-Projekt starten”, wird das Ihre supply chain Probleme nicht lösen. Was supply chain betrifft, ist GenAI eher eine optionale Technologie, die bei Teilproblemen das Leben erheblich erleichtert.
Conor Doherty: Aber wieder, wir fügen hinzu – “Oh, ich werde das einfach einstecken und alles ist super” – im Gegensatz zu “Hier sind nützliche Teilanwendungen.” Sie sind nicht so sexy wie eine vollständige Transformation, aber sie helfen.
Joannes Vermorel: Ja. Und wenn man transformationale Technologien hat, muss man auch sein Geschäft neu überdenken. Man denke an das Web: Man hat eine Website, die an sich aber irgendwie nutzlos ist. Diese Webportale waren meist nutzlos. Was zum Beispiel sehr nützlich ist, ist der E-Commerce. Aber im E-Commerce bedeutet das, dass man ein Vertriebszentrum braucht, das die Auftragsabwicklung übernimmt. Es geht also nicht nur um die Webtechnologie. Man merkt, dass wenn man im Web Geld verdienen will, man sein gesamtes Geschäft neu organisieren muss, um diesen E-Commerce-Sektor betreiben zu können. Es ist eine weitaus anspruchsvollere Transformation im Vergleich zu „einfach investieren und eine Website haben“.
Das ist der Punkt, an dem ich sage, dass diese Investitionen typischerweise fehlgeleitet sind, weil sie in Webportale investieren – und GenAI ist dasselbe – in die nackte Technologie, anstatt die damit einhergehende Transformation des Geschäfts zu berücksichtigen. Buzzword-getriebene Investitionen gehen einfach nie auf, und das ist seit wahrscheinlich 50 Jahren softwaregetriebener Innovation so.
Conor Doherty: Gibt es irgendwelche subtilen Anzeichen, die man intern erkennen kann – sozusagen, okay, ich kann den ROI noch nicht messen, aber hier sind einige Hinweise, dass wir vielleicht die Ausgaben etwas pausieren sollten oder umgekehrt die Ausgaben erhöhen sollten?
Joannes Vermorel: Die Realität ist: Denk nicht daran als eine Investition. Es ist zu früh. Investition ist ein Problem der Kapitalallokation, sobald ich das Terrain kenne – sobald ich weiß, wo ich investieren sollte. Auch hier ist es wieder eine sehr günstige Technologie. Die Frage ist eher: Hast du Leute, die etwas identifiziert haben, das wirklich Sinn machen würde und das prototypisch umgesetzt werden kann – selbst auf der Ebene eines einzelnen Mitarbeiters? Hast du etwas, das funktioniert, und sagst dann: „Okay, ich habe dieses Ding; es macht wirklich Sinn. Ich sehe, dass es Sinn macht; es resoniert. Ich brauche nicht einmal ausgefallene Kennzahlen – ich weiß, dass es gut ist.“
Denk daran, als ich von der Leitung von sechs Übersetzern zu einer vollständig automatisierten End-to-End-Übersetzung gewechselt bin. Ich habe keine Fallstudie durchgeführt. Es war sehr offensichtlich. Außerdem bekamen wir tatsächlich bessere Übersetzungen. Man könnte denken: „Wenn es eine Maschine ist, wird es schlechter sein.“ Es stellte sich heraus, dass die Qualität höher war. Warum? Weil Lokad so viel zu übersetzen hat, dass unsere Übersetzer zu dem verhandelten Preisniveau nicht unendlich viel Zeit auf jede Seite verwenden konnten. Es musste schnell erledigt werden, und manchmal litt die Qualität darunter. GenAI hat das gelöst.
Man kann es zunächst im kleinen Maßstab ausprobieren: „Ich ändere etwas an der Übersetzung – funktioniert es? Kann ich zusätzliche kontextuelle Anweisungen geben, um die Übersetzung zu verbessern?“ Ja – und es funktioniert. Sobald ich das validiert habe, kann ich in die Investitionsphase eintreten, in der ich das robotisiere – nicht für eine Seite, das ist eine Demo, sondern für tausend Seiten – und die IT-Infrastruktur so einrichten, dass es bequem ist. Als ich mich an der Robotisierung der Initiative beteiligte, war ich bereits zu 100% überzeugt, dass es funktionieren würde. Ich hatte das Ganze bereits getestet, indem ich einige Seiten manuell durchgeführt habe.
Es ist dasselbe mit dem Web. Wenn du ein erstes Experiment machst – macht es wirklich Sinn? E-Commerce: Wenn ich anfange, ein paar Produkte online zu verkaufen, macht das Sinn? Gibt es jemanden, der dazu bereit ist? Wenn ich kein erstes Experiment durchführen kann, das mit dem, was ich meinen Kunden bieten möchte, in Resonanz geht, ist es wahrscheinlich Unsinn und du solltest das Projekt stoppen, bevor du noch mehr Geld investierst.
Conor Doherty: Du beschreibst sehr, sagen wir mal, textbasierte Anwendungen, und diese sind sicherlich transformativ – das wissen wir, weil wir das intern machen. Es gibt auch andere Anwendungen, selbst in den Anfangsphasen der Prognose, bei denen man GenAI einsetzen kann – und das tun wir auch, indem wir embeddings als Teil der anfänglichen Prognose nutzen usw. Es gibt Anwendungen von LLMs in diesem Bereich.
Joannes Vermorel: Ja, aber nochmals, es ist ein Add-on. Der Kern besteht darin, probabilistische Prognosen zu erstellen, und wenn man embeddings nutzt, kann man in manchen Fällen ein wenig bessere Wahrscheinlichkeiten erreichen. Aber dies ist nur ein Element – und hier ist es sehr inkrementell. Ich glaube, das ist wahrscheinlich nicht das, wonach die Leute suchen, wenn sie an GenAI denken. Sie erwarten nicht, dass etwas nur einen Unterprozess ein wenig verbessert. Sie wollen etwas, das super transformativ ist und sofort sehr sichtbar wirkt.
Solche Situationen gibt es tatsächlich. Zum Beispiel, kannst du die Beziehung zu deinen Lieferanten automatisieren? Sie schreiben E-Mails; du antwortest per E-Mail. Kann das umfassend automatisiert werden? Dafür brauchst du keine IT-Firma und mehrere Millionen, um das herauszufinden. Du kannst ein erstes Experiment machen: Kann ich einen Prompt formulieren, der eine vernünftige Antwort auf eine von einem Lieferanten gestellte Frage liefert? Kann ich einen Prompt formulieren, der die E-Mail erstellt, die ich an diesen Lieferanten senden möchte? Funktioniert das? Kann ich einen kleinen Prototypen zum Laufen bringen? Sobald ich das habe, können Unternehmen darüber nachdenken, große Teile dessen, was sie tun, mit dieser Art von Technologie zu automatisieren.
Conor Doherty: Dieses Thema ist so interessant, weil es mehrere Facetten hat. Wir haben potenzielle Anwendungen behandelt, aber der eigentliche Prozess der Umsetzung ist ein großes Problem. Lassen Sie mich etwas Kontext hinzufügen: Viele – zu viele, um sie alle durchzugehen; ich fasse sie dieses Jahr einfach als „viele Studien“ zusammen – zeigen, dass es an robustem Change Management für diese GenAI-Projekte mangelt. Zwischen den Zeilen gelesen: Sie werden einfach zwangsweise eingeführt. Denkst du, dass besseres Change Management helfen würde, die Kennzahlen beim ROI – Schulung, Qualifizierung – zu verbessern?
Joannes Vermorel: Genau darum ging es mir: Kapitalallokation. Das Schlagwort könnte Cloud Computing, Big Data, Blockchain sein und jetzt ist es GenAI. „Wir investieren so viele Millionen in das.“ Das ist einfach falsch. Dann fragt man sich, was das Change Management angeht – nein. Es beginnt mit „Es gibt etwas, das ich verstehe, wie ich meinen Kunden besser dienen kann“, und es beinhaltet eine Transformation. Diese Transformation wird im Endeffekt erst möglich, weil GenAI da ist, aber du denkst völlig anders darüber.
Du beginnst damit, dich darauf zu konzentrieren, das richtige Problem zu formulieren. Neunzig Prozent des Aufwands besteht darin, das richtige Problem zu definieren, nicht in der technischen Umsetzung. Zurück zum Web: Das Webportal dachte daran, eine Website und Webtechnologien zu schaffen – das war das Problem. Es stellt sich heraus, dass dem absolut nicht so ist. Das Web ist technologisch einfach. Eine Website zu haben und sie in Betrieb zu nehmen, ist der leichte Teil. Ein profitables E-Commerce-Geschäft zu führen, ist der schwierige Teil.
Also, erstes Experiment: „Ich möchte einen sehr florierenden E-Commerce-Sektor.“ Vielleicht merkst du, dass der Webanteil dieser Investition eigentlich nichts mit Webtechnologien zu tun hat. Du hast viele andere Probleme, die du lösen musst, wenn du ein tragfähiges E-Commerce-Geschäft möchtest. Dasselbe gilt für GenAI: Wenn du zuerst an Technologie denkst, investierst du darin, aber für die Transformation, die du suchst, wird 95 % des Aufwands nichts mit GenAI zu tun haben. GenAI wird nur die eine Komponente sein, die diese ganze Transformation möglich gemacht hat; vorher wäre es unmöglich gewesen. Es macht einfach etwas möglich, aber der Rest der Transformation steht im Mittelpunkt. Das ist dein Ausgangspunkt. GenAI wird nur an der richtigen Stelle eingesetzt – kritisch, aber im Grunde eine technische Nebensache.
Conor Doherty: Nun, so wie du das beschreibst – ich weiß nicht, denn ich kenne dich inzwischen gut. Ich bin mir nicht sicher, ob du das selbst glaubst – nein, lass mich umformulieren. Wenn du sagst, dass große Unternehmen das Problem neu überdenken müssen und dann, sobald sie das getan haben, rückwärts arbeiten und die Punkte auf der Landkarte identifizieren können, an denen sie KI einbinden können – wie wahrscheinlich ist das, im Rahmen der Skala, über die wir sprechen, wenn es um eine halbe Billion Dollar geht?
Joannes Vermorel: Das wird ziemlich selten sein. Betrachtet man die Geschichte, wie viele Unternehmen vor 15 Jahren massiv in Rechenzentren investierten? Unmengen davon. Wer hatte den Mut, das zu tun, was Jeff Bezos tat – „Wir investieren so viel in unsere Rechenzentren, dass wir sie der Welt öffnen werden“? Die Leute würden sagen: „Amazon?“ Denke daran, wie viele Banken supergroße Rechenzentren hatten; sie hätten diesen Schritt zehn Jahre früher machen können. Amazon hatte damals nicht das größte Rechenzentrum der Welt. Es gab sehr große Bankenkonzerne mit weit größeren Rechenzentren. Aber der Mut bestand darin: in dieser aufkommenden Technologie, die wir Cloud Computing nennen. Bezos entschied: „Weißt du was? Wir verkaufen Bücher, aber wir werden auch Server vermieten.“ Genau von dieser Transformation spreche ich.
Das ist sehr herausfordernd, weil es eine tiefgreifende Transformation in deinem Unternehmen erfordert. Statistisch gesehen, wenn man das letzte Jahrhundert der Geschäftswelt betrachtet, haben es nur sehr wenige große Unternehmen wirklich geschafft. Natürlich werden Unmengen brillanter Managementteams zu den Ausnahmen gehören, die den Markt übertreffen und den Wendepunkt erzielen, an dem ihre Mitbewerber gescheitert sind. Aber sie werden die Ausnahmen bleiben.
Conor Doherty: Dann kommen wir zurück zum ursprünglichen Punkt, nämlich einer Art Blase. Wenn viele Menschen viel Geld in etwas investieren, mit dem sie nicht ausgestattet sind, um damit richtig umzugehen oder es ordnungsgemäß auszuführen, bedeutet das nicht, dass irgendwann eine kritische Masse erreicht wird und—
Joannes Vermorel: Eine Blase ist, als ob sie wirklich außergewöhnlich wäre. Was ich bei GenAI sehe, ist, dass wir sehr hohe Bewertungen für eine Reihe von Unternehmen haben – das könnte eine Blase sein, ja. Aber für Unternehmen, die Geld ausgeben, ist meine Einschätzung, dass die Basislinie wahrscheinlich darin besteht, dass 80 % des Geldes, das für enterprise software ausgegeben wird, verschwendet werden. Das ist die Basislinie. Vielleicht liegt GenAI bei 90 %, aber die Basislinie ist, dass 80 % verschwendet werden.
Für mich gibt es also keine sehr spezifische Blase bei GenAI. Es ist eher das Schlagwort des Tages. Vor ein paar Jahren wäre es auf Blockchain verschwendet worden; davor, auf irgendeine zufällige Big-Data-Initiative; davor, auf eine zufällige Web 2.0-Initiative usw. Der Großteil des von großen Unternehmen für Softwareprojekte ausgegebenen Geldes wird verschwendet – 80 % wären dabei meine Basislinie. Hier liegt es nicht weit außerhalb der Norm; es ist nur ein bisschen mehr. Ich würde hier keine Blase als so signifikant ansehen im Vergleich zu den wirklich atemberaubenden Bewertungen, die man im Großen und Ganzen für GenAI-Unternehmen sieht.
Conor Doherty: Es gibt jedoch noch eine weitere Dimension dieser Überlegung, und zwar: Viele Unternehmen – nehmen wir eines, nicht eines unserer Kunden – Shopify, und sie führen GenAI-Fähigkeiten als tatsächliche Voraussetzung für Einstellungen und Bewertungszwecke ein, weil sie voll auf diese Technologie setzen. Es gibt noch eine weitere Überlegung, nämlich die eigentliche Umstrukturierung der Beschäftigung durch diese Technologie, die kurzfristig möglicherweise tatsächlich keine Wirkung zeigt.
Joannes Vermorel: Wieder einmal, da würde ich das ein wenig infrage stellen. Meine Ansicht ist, dass Shopify ein sehr spezifisches Geschäftsmodell hat, das nicht übermäßig komplex ist. Wenn wir über unsere Kunden sprechen – etwa die Luftfahrt – dann gibt es tausend verschiedene Gewerke, super obskur, extrem schwierig. Es dauert Monate, überhaupt zu verstehen, was genau in diesem Geschäftssegment vor sich geht, weil es technisch sehr herausfordernd und kompliziert ist.
Conor Doherty: Aber sie sind nur ein Beispiel für den Trend.
Joannes Vermorel: Ja, und mein Punkt ist, dass bei etwas wie Shopify – ja, es ist sehr gut, wenn die Unternehmenskultur sich in diese aufkommenden Trends einbringt – aber ich denke, dass die Hauptverantwortung dafür vor allem bei der obersten Führungsebene liegen wird, um die Schlüsselelemente zu identifizieren, bei denen GenAI wirklich die Erfahrung für die Kunden und Partner von Shopify transformiert. Ich sehe dieses Geschäftsmodell nicht so diffundiert, dass es eine Bottom-up-Transformation geben wird.
Das Gleiche würde ich für Apple sagen. Wenn du ein super-massives Geschäft hast, das um ein hyper-erfolgreiches Produkt – das iPhone – herum aufgebaut ist, werden nicht etwa 100.000 Mitarbeiter, die mit GPT vertraut sind, dein Unternehmen transformieren. Vielmehr liegt es an der obersten Führungsebene, die ganz klar versteht, was das für Apple, für das iPhone bedeutet, und dann etwas einführt, das wirklich Sinn macht – also die richtigen Entscheidungen trifft. Da würde ich sagen, ja, es gibt einen Kulturwandel, aber die Herausforderung für die meisten Unternehmen wird mehr im Management liegen als an der Basis der Pyramide.
Conor Doherty: Ich werde noch etwas nachhaken und dich fragen – denn das wurde mir privat auf LinkedIn mitgeteilt. Wir sind gerade auf YouTube wegen technischer Schwierigkeiten mit LinkedIn, aber das führt zur nächsten Frage. Gartner – was auch immer du darüber denkst – laut ihren Top 10 Strategic Technology Trends 2025, und das ist die Quelle, haben sie agentic AI – autonome Softwareagenten, die als virtuelle Arbeiter agieren – an die Spitze ihrer Liste gesetzt. Also lautet die Frage: Chatbots, KI-Agenten – siehst du diese als den Game-Changer, den Gartner—
Joannes Vermorel: Was Lokad seit einem Jahrzehnt macht – ja, es ist absolut bahnbrechend. Aber ich würde die Schlagwörter beiseite lassen. Was wir wollen, ist unbeaufsichtigte Entscheidungsfindung. Das ist bahnbrechend. Und welche Technologien machen das möglich? Ich würde sagen, LLMs sind ein winziger, optionaler Teil, um das zu ermöglichen.
Wenn du mit „agentic AI“ das Ergebnis meinst – unbeaufsichtigte Entscheidungsfindung – sodass wir entscheiden, was zu kaufen ist, was zu bauen ist, wo eingelagert wird, welchen Preis wir anzeigen; all das ändert sich täglich, automatisch, auf eine unbeaufsichtigte Art – ja, das ist absolut enorm. Wenn Gartner also mit „agentic AI“ dieses Ergebnis meint, stimme ich zu. Wenn sie aber damit meinen, ein LLM in den Prozess einzubinden, dann stimme ich nicht zu.
Conor Doherty: Ich bin mit meinen Fragen durch. Ich gehe nun zu den eingereichten Fragen über. Einige davon kamen über LinkedIn herein, obwohl wir eigentlich auf YouTube sind, also danke dafür – danke, dass ihr den Übergang gemacht habt. Also, Joannes – ja, Joannes – ich werde das wörtlich vorlesen; es ist ziemlich lang: „Welche öffentlich zugänglichen Metriken können wir nutzen, um den branchenweiten Fortschritt bei der Einführung von generativer KI und der Erzielung finanziellen Nutzens daraus zu messen? Sollten wir die GenAI-API-Ausgaben, großangelegte Entlassungen oder andere Signale betrachten?“ Ich kann das wiederholen.
Joannes Vermorel: Nein, das ist gut. Es ist eine lange Frage. Mein Vorschlag ist: Schau nicht auf Metriken. Metriken werden verzögert sein, und wenn sie sichtbar werden, ist es zu spät. Denk noch einmal an Amazon und den E-Commerce. Amazon war nichts, nichts, nichts – ein Nichts für Unternehmen wie Walmart – bis sie plötzlich unaufhaltbar waren und zu groß wurden. Dasselbe passierte mit Digitalkameras im Vergleich zu den alten chemischen Kameras: Digitalkameras waren lange Zeit unbedeutend, und dann wurden sie plötzlich dominant. Das ist es bei den meisten technologischen Transformationen.
The same happened in many industries—for example, fly-by-wire for aviation. It was nothing, and then Airbus did it, and then it was the norm, and anything not fly-by-wire was pretty much toast. The problem is that metrics will be lagging. Yes, you will see layoffs, but those layoffs will be done years after. Companies can automate and have massive productivity savings, but they won’t necessarily trigger layoffs immediately—they want to preserve morale, be nice, give people the opportunity to move somewhere else—and then there will be an economic downturn, possibly a decade after, and then there will be layoffs. So you can have effects that are extremely lagging.
Beim API-Ausgaben – ja, aber es wird sehr schwierig, da entweder KI-Spezialisten oder Unternehmen wie Lokad, die den Markt vollkommen verzerren können, weil sie viel ausgeben, involviert sein werden. Wenn Sie feststellen, dass viele Unternehmen Geld ausgeben, stellt sich die Frage: Ist es das durchschnittliche Unternehmen oder werden 90 % der Ausgaben von sehr spezifischen Unternehmen – sagen wir, aus der Videospielbranche – getätigt? Das wird schwierig sein.
Meine Ansicht: Schenken Sie Kennzahlen nicht zu viel Beachtung. Sie sind in Zeiten technologischer Transformation irrelevant. Sie befinden sich wieder im Jahr 2000; das Online-Shopping war für Sie noch Neuland; versuchen Sie abzuschätzen: „Wird es das Leben meiner Kunden verändern, wenn sie online einkaufen können?“ Das ist ein Beispiel für etwas Transformierendes. Denken Sie: Kann ich mit diesen Technologien wirklich etwas Fundamental Wandelndes für meine Kunden erreichen? Wenn ja, dann legen Sie los. Warten Sie nicht. Wenn Sie warten, werden Sie plötzlich mit Giganten konfrontiert, die aus dem Nichts auftauchen, sobald Sie sich endgültig in diese Richtung bewegen.
Conor Doherty: Vielleicht ist dies etwas – basierend auf dem, was Sie gesagt haben – Lokad hat offensichtlich einen ROI-erst-Ansatz, wenn es um Entscheidungen geht. Also an die CFOs, die zuschauen – und wir wissen beide, dass es viele in unseren Netzwerken gibt –, an die CFOs, die zuschauen und sich privat gemeldet haben, um ab und zu zu sagen: „Ja, wissen Sie…“: Was ist die Rendite, in welcher Form auch immer Sie sie ausdrücken möchten? Was ist die Rendite? Was ist die Auswirkung? Welchen Rat würden Sie ihnen konkret – den CFOs – geben, wenn es darum geht, diese Projekte zu steuern und welche Rolle sie dabei spielen?
Joannes Vermorel: Für CFOs ist die entscheidende Frage: Welchen Mehrwert bietet Ihr Büropersonal? Wenn wir eine fundierte Bewertung vornehmen wollen, dann müssen sehr harte Fragen gestellt werden – und vielleicht experimentieren Sie mit ChatGPT, um zu prüfen: Wird diese Aufgabe automatisiert oder liegt sie wirklich jenseits dessen, was die Technologie leisten kann? Teure Berater oder IT-Unternehmen benötigen Sie nicht, um diese Fragen zu beantworten. Sie können mit GPT spielen und kleine Experimente durchführen, um diese Frage zu klären.
Dadurch können Sie den Kern der Aussage erfassen: Glauben wir, dass diese Technologien 10 % unserer Belegschaft, 20 % oder 90 % automatisieren? Für Lokad gibt es ganze Aufgabenbereiche, die zu 100 % automatisiert wurden – von einem halben Dutzend beteiligter Personen zu null – für genau diese Aufgabe.
Ich würde also sagen: Beginnen Sie mit einer gründlichen Bewertung Ihres Büropersonals und dessen, was tatsächlich auf dem Spiel steht, und legen Sie dann einen Fahrplan fest. Offensichtlich dient dies lediglich dazu, die Art der Rendite zu erfassen, aber es bedeutet eine sehr tiefgreifende Transformation. Diese Transformationen werden nicht von den CFOs geleitet. Sie sind so umfassend. Denken Sie an Amazon: Sie sind ein Online-Buchhändler und wollen ein Cloud-Computing-Anbieter werden. Es liegt ganz oben, wo die Entscheidungen getroffen werden – wahrscheinlich auf CEO-Ebene; der CEO muss angesichts des Ausmaßes der anstehenden Transformationen den Vorstand überzeugen.
Conor Doherty: Nun, Joannes, uns gehen die Fragen aus und die Zeit ist definitiv abgelaufen. An die Personen, die über YouTube teilgenommen haben, und an diejenigen, die sich das später anschauen, vielen Dank für Ihre Aufmerksamkeit. Übrigens, falls Sie noch nicht mit Joannes und mir auf LinkedIn vernetzt sind – warum eigentlich nicht? Wir sind sympathisch. Melden Sie sich; wir sprechen miteinander. Aber damit, Joannes, vielen Dank, dass Sie sich die Zeit genommen haben und für Ihre Antworten. Und an alle anderen: Ich sage, gehen Sie zurück an die Arbeit.
