- Das Beratungsunternehmen McKinsey & Company schätzt, dass Künstliche Intelligenz das Potenzial hat, zwischen 3,5 Billionen und 5,8 Billionen Dollar an Wert in neun Geschäftsbereichen in 19 Branchen zu schaffen – jährlich
- Künstliche Intelligenz wird bis zu 2,6 Billionen Dollar an zusätzlichem Wert in Marketing und Vertrieb generieren
- Zusätzlicher Wert von 200 Milliarden Dollar in der Preisgestaltung und Werbung
- Die Studie von McKinsey zeigt, dass künstliche Intelligenz und tiefe neuronale Netze in 69 % der Fälle in der Lage sind, die Leistung über das hinaus zu verbessern, was die bisherigen Analysetechniken zu leisten vermochten
Diese Erkenntnisse und viele weitere faszinierende Einblicke stammen aus dem McKinsey Global Institute Discussion Paper „Notes from the AI frontier: Anwendungen und Wert von Deep Learning„.
Das Diskussionspapier stützt sich auf die Forschung des McKinsey Global Institute und die angewandte Erfahrung des Unternehmens mit der künstlichen Intelligenz von McKinsey Analytics und bewertet die praktischen Anwendungen und das wirtschaftliche Potenzial fortgeschrittener KI-Techniken. Die Ergebnisse des Diskussionspapiers basieren auf intensiven Analysen des McKinsey Global Institute, die mit mehr als 400 Anwendungsfällen in 19 Branchen und neun Geschäftsfunktionen zusammengetragen und integriert wurden. Eine detailiertere Analyse von dem Markt für künstliche Intelligenz, finden Sie in meinem Artikel „Der Markt für Künstliche Intelligenz„.
Bevor wir weitergehen und analysieren, welche Märkte in welchem Ausmaß von KI betroffen sind, sollten wir zunächst diskutieren, was genau Künstliche Intelligenz in diesem Kontext genau bedeutet.
1. Künstliche Intelligenz in ihren vielen Formen und Facetten
Eine Vielzahl von Unternehmen behauptet heute, eine Art „Künstliche Intelligenz“ in ihre Anwendungen oder Dienstleistungen einzubauen. Künstliche Intelligenz ist jedoch nur ein weiter gefasster Begriff, der Anwendungen beschreibt, bei denen eine Maschine „kognitive“ Funktionen nachahmt, die Menschen mit anderen menschlichen Gehirnen verbinden, wie „Lernen“ und „Problemlösung“.
Auf einer niedrigeren Ebene kann eine KI nur eine programmierte Regel sein, die die Maschine dazu bringt, sich in bestimmten Situationen auf eine bestimmte Weise zu verhalten. Wenn man von KI spricht, lohnt es sich stattdessen, nur zwei verschiedene Ansätze zu betrachten: Maschinelles Lernen und Deep Learning.
Maschinelles Lernen umfasst „klassische“ Algorithmen für verschiedene Arten von Aufgaben wie Clustering, Regression oder Klassifizierung. Viele dieser Algorithmen werden bereits seit Dutzenden von Jahren eingesetzt. Deep Learning hingegen ist ein relativ junges Gebiet, das neuronale Netze umfasst, die in der Lage sind, sowohl klassische als auch fortgeschrittenere Aufgaben zu lösen, wie Bilderkennung und Spracherzeugung, um nur einige zu nennen. Eine genauere Erklärung der Begriffe „KI“, „Machine Learning“ und „Deep Learning“ sowie der Unterschiede dieser Technologien, finden Sie in meinem Artikel „KI vs. Machine Learning vs. Deep Learning„.
Ich werde an dieser Stelle nicht weiter auf die Erklärung der verschiedenen Arten von neuronalen Netzwerkarchitekturen eingehen und wie sie in den spezifischen Geschäftsfeldern eingesetzt werden können.
Fest steht, dass Deep Learning der richtige Weg ist, wenn ein Unternehmen künstliche Intelligenz in seine Dienstleistungen oder Produkte einbauen möchte.
Diese Tatsache zeigt die Abbildung Nr. 1 aus dem Diskussionspapier des McKinsey Global Institute, aus der hervorgeht, dass Deep Learning (blaue Farbe) sehr viel häufiger in einer KI-Anwendung eingesetzt wird als klassische Machine Learning-Algorithmen (schwarze Farbe). Auch Transfer Learning und Reinforcement Learning sind Techniken, die ihr volles Potenzial erst durch den Einsatz neuronaler Netze entfalten können.
Auf der anderen Seite ist der Abbildung zu entnehmen, dass KI, die auf neuronalen Netzen basiert, in ihrer Implementierung deutlich komplexer ist als klassische Machine Learning Algorithmen.
2. Wertschöpfung von KI in unterschiedlichen Industrien
Das gesamte jährliche Wertschöpfung von KI allein in 19 Industrien und neun Unternehmensfunktionen in der Weltwirtschaft liegt zwischen 3,5 und 5,8 Billionen Dollar. Das sind etwa 40 Prozent der gesamten jährlichen Wertschöpfung von 9,5 bis 15,4 Billionen Dollar, die durch unterschiedliche Analysetechniken ermöglicht werden könnten.
Abbildung 2 zeigt detaillierter die Wertschöpfung der KI in Milliarden Dollar sowie den prozentualen Anteil der Wertschöpfung der KI an der gesamten Wertschöpfung einer Industrie, die durch unterschiedliche Analysetechniken ermöglicht wird.
Es wird geschätzt, dass der potenzielle Wert der KI je nach Branche zwischen 1 und 9 Prozent des Umsatzes von 2016 beträgt. Selbst die Branche mit dem geringsten potenziellen Wert, die Luft- und Raumfahrt und Verteidigung (weniger als 50 Milliarden US-Dollar), könnte eine jährliche zusätzliche Wertschöpfung ermöglichen, die dem BIP des Libanon entspricht.
Darüber hinaus zeigt Abbildung 3 die Auswirkungen von KI in Billionen US-Dollar auf die 19 Branchen sowie die Auswirkungen von KI in Prozent des Branchenumsatzes. Im Gegensatz dazu liegt der potenzielle jährliche Wert der KI-Anwendungsfälle im Reisebereich zwischen etwa 7 und 11 Prozent des Branchenumsatzes. Dies ist der größte relative Einfluss der KI bemessen an allen 19 Industrien.
Die größten monetären Auswirkungen sind im Einzelhandel mit geschätzten 400 bis 800 Milliarden US-Dollar zu verzeichnen.
3. Geschäftsfunktionen
Lassen Sie uns nun über die Auswirkungen von KI auf verschiedene Geschäftsfunktionen sprechen. Abbildung 4 spricht für sich. Es zeigt das Wertpotenzial von KI im Vergleich zum Wertpotenzial klassischer Analytik über neun verschiedene Geschäftsfunktionen hinweg.
Apropos Geschäftsfelder: Die größten Wertchancen für KI liegen im Marketing und Vertrieb sowie im Supply-Chain-Management und in der Fertigung.
Falls Sie diesen Artikel interessant fanden, könnten die folgenden Artikeln ebenfalls von Interesse für Sie sein:
