Dieselbe KI schafft nicht denselben Wettbewerbsvorteil

Ein Kunde bittet zwei Lieferanten um ein Angebot für eine Bestellung, die bis Freitag eintreffen muss. Die Preise liegen dicht beieinander. Weil die eigene Arbeit des Kunden von dieser Lieferung abhängt, zählt der Termin genauso wie der Preis.

Stellen wir uns zwei Unternehmen vor. Beide haben aktuelle Bestandsdaten. Beide beschäftigen Menschen, die ihre Arbeit verstehen. Beide nutzen dasselbe KI-Modell. Sie setzen es nur für unterschiedliche Aufgaben ein.

Im ersten Unternehmen erfährt ein Vertriebsmitarbeiter den Liefertermin vom Betrieb. Anschließend lässt er die KI die E-Mail an den Kunden formulieren. Das Modell macht aus dem Termin ein klares Angebot. Der Mitarbeiter prüft den Text und sendet ihn ab.

Im zweiten Unternehmen liest das Modell die Anfrage des Kunden und führt die Informationen zusammen, die für eine Lieferzusage nötig sind. Es kann den vom Lagerleiter bestätigten Bestand und den von der Betriebsleitung freigegebenen Versandplan sehen. Auf dieser Grundlage zeigt es dem Vertriebsmitarbeiter, welchen Termin er anbieten kann und worauf diese Empfehlung beruht.

Widersprechen sich die Daten, wird kein Termin angeboten. Die Anfrage geht zur Entscheidung an die Betriebsleitung. Der Vertriebsmitarbeiter teilt dem Kunden den freigegebenen Termin mit. Ist die Bestellung abgeschlossen, vergleicht das Team die Zusage mit der tatsächlich erfolgten Lieferung.

Am Ende senden beide Unternehmen eine E-Mail. Im ersten formuliert die KI den Text, der eine Entscheidung erklärt. Im zweiten hilft sie, die Entscheidung selbst vorzubereiten. Genau diese Differenz verdient Aufmerksamkeit, wenn über Wettbewerb gesprochen wird.

Kunden kaufen nicht den Namen des Modells

Auch die erste Nutzung kann sinnvoll sein. Der Vertriebsmitarbeiter braucht weniger Zeit für Korrespondenz, und die Nachricht kann klarer sein. Die Arbeit, die nötig ist, um dem Kunden einen belastbaren Termin zu nennen, bleibt jedoch unverändert. Die KI kommt erst zum Einsatz, nachdem diese Arbeit erledigt ist.

Das zweite Unternehmen erwartet mehr. Es will die Prüfung beschleunigen, die für eine verlässliche Zusage erforderlich ist. Wenn das Modell die relevanten Informationen zusammenstellt, kann sich der Austausch zwischen Vertrieb und Betrieb verkürzen. Statt jeden Datensatz von vorn zu suchen, kann der Mitarbeiter die Grundlage der Empfehlung und die offenen Punkte prüfen.

Ob daraus ein besseres Ergebnis entsteht, ist zunächst eine Hypothese. Die Prüfung der Ausgabe kann länger dauern, als die Arbeit von Grund auf zu erledigen. Eine schnelle Antwort kann mehr Probleme schaffen, wenn dem Modell ein wichtiger Umstand entgeht. Das zweite Unternehmen muss sein System weiterhin an den eigenen Bestellungen testen.

Es weiß jedoch, was es testen will: Kann es Kunden früher einen verlässlichen Liefertermin nennen? Diese Frage sagt mehr aus als die Zahl der Menschen, die dasselbe Modell verwenden.

Kunden sehen den Namen des Modells nicht. Sie erleben, wann sie eine Antwort erhalten und ob die Bestellung wie zugesagt eintrifft. Gelingt einem Unternehmen beides besser als seinen Wettbewerbern, kann Technologie einen Grund stärken, sich für dieses Unternehmen zu entscheiden.

Was Wettbewerber nicht einfach kaufen können

Der Zugang zum selben Modell bedeutet nicht, dass Unternehmen auf dieselbe Arbeitsweise zugreifen. Das zweite Unternehmen muss entscheiden, welchem Bestandsdatensatz es vertraut. Es muss auch festlegen, ab wann der Vertrieb keinen Termin mehr anbieten darf. Diese Entscheidungen sind in keinem Modellabonnement enthalten.

Die Anordnung muss am ersten Tag nicht perfekt sein. Nehmen wir an, eine Bestellung soll am Montag eintreffen und nicht am Freitag. Bei der Auswertung stellt das Team fest, dass der Termin im Versandplan die Abfahrt aus dem Lager bezeichnete, nicht die Ankunft beim Kunden.

Wenn die einzige Reaktion darin besteht, die KI eine Entschuldigungs-E-Mail schreiben zu lassen, ist dieser Vorgang abgeschlossen. Korrigiert das Team dagegen die Bedeutung des Termins und prüft diese Unterscheidung in späteren Empfehlungen, wiederholt sich derselbe Fehler weniger wahrscheinlich. Lernen kann so konkret sein.

Das bedeutet nicht, dass das Modell von selbst lernt. Mitarbeitende prüfen das Ergebnis, berichtigen die falsch verwendeten Informationen und ändern, wie die Entscheidung vorbereitet wird. In der folgenden Woche arbeitet dasselbe Modell mit belastbareren Informationen.

Solche Korrekturen können sich zu einem Vorteil verdichten, der nicht leicht zu kopieren ist. Ein Wettbewerber kann dasselbe Modell kaufen. Er muss trotzdem erst lernen, welche Informationen sich als irreführend erwiesen haben, wann menschliches Eingreifen nötig ist und welche Zusage für den Kunden zählt.

Auch das erste Unternehmen kann diesen Vorteil aufbauen. Nichts spricht dagegen, zunächst Texte formulieren zu lassen. Problematisch wird es erst, wenn die häufige Nutzung des Werkzeugs durch Mitarbeitende als Beweis für Wettbewerbsstärke gilt.

Auch die Forschung stellt diesen Zusammenhang nicht automatisch her. Die OECD-Arbeit zu KI und Wettbewerb findet in Daten aus Frankreich und Portugal keinen aussagekräftigen Zusammenhang zwischen dem Einsatz nicht-generativer KI und höherer Marktmacht. Ihre deskriptiven Ergebnisse zu generativer KI weisen zugleich auf Chancen für kleinere Unternehmen und auf die fortbestehenden Vorteile von Unternehmen mit stärkeren vorhandenen Fähigkeiten hin. Ein breiterer Zugang zu Werkzeugen macht angesammeltes Wissen nicht überflüssig.

Die Studie ist explorativ und belegt keine Ursache-Wirkungs-Beziehung. Ihr portugiesischer Indikator für generative KI misst zudem keine tatsächliche Nutzung. Er schätzt anhand der Berufe von Beschäftigten, wie stark ihre Arbeit der Technologie ausgesetzt sein könnte. Daraus lässt sich weder eine direkte Schlussfolgerung für Unternehmen in der Türkei ableiten noch das Lieferbeispiel oben beweisen.

Das Ergebnis neben den Nutzungsbericht stellen

Zahlen zu aktiven Nutzern und abgeschlossenen Pilotprojekten können in einer Managementrunde nützlich sein. Sie zeigen, ob ein Werkzeug angenommen wird. Sie zeigen nicht, ob ein Unternehmen Kunden besser bedient oder sich für sie erkennbar von Wettbewerbern unterscheidet.

Im Lieferbeispiel sind drei Ergebnisse aufschlussreicher: Erhält der Kunde früher einen verlässlichen Termin? Werden Zusagen häufiger eingehalten? Sinken zusätzliche Versand- und Ausgleichskosten, die aus falschen Terminen entstehen?

Um das zu erkennen, müssen die Empfehlung vor der Bestellung und das Ergebnis danach zusammen betrachtet werden. Es reicht nicht, einzelne Erfolge auszuwerten. Eine schnellere Bearbeitung einfacher Aufträge kann mehr Fehler bei schwierigen Fällen verdecken. Auch der Aufwand für zusätzliche Kontrollen und Pflege gehört in die Rechnung.

Welcher Anteil der Verbesserung auf die KI zurückgeht, braucht eine eigene Prüfung. Wenn das Unternehmen dem Vertrieb erstmals nutzbare Bestandsinformationen zugänglich gemacht hat, kann ein Teil des Gewinns daraus entstanden sein. Würde eine Anpassung der bestehenden Bestellsoftware denselben Nutzen schaffen, ist ein komplexeres System unnötig. Der Beitrag des Modells sollte an der Arbeit gemessen werden, die es tatsächlich leistet, etwa an der Einordnung der Anfrage und daran, wie gut sich die relevanten Informationen prüfen lassen.

Selbst eine Verbesserung gegenüber der eigenen Vergangenheit zeigt noch nicht, dass ein Unternehmen Wettbewerber überholt hat. Andere Unternehmen können ebenfalls schneller werden. Eine Aussage über Wettbewerb braucht einen Unterschied, der sich in der Kundenentscheidung, der Zuverlässigkeit der Leistung oder der Fähigkeit zeigt, die Arbeit wirtschaftlich zu erledigen.

Deshalb besitzt ein Unternehmen etwas Wertvolles, wenn es seinen Lieferprozess nicht von Grund auf neu denken muss, sobald ein neues Modell erscheint. Es weiß, welche Informationen stimmen, wer entscheidet und wo sich das Ergebnis beobachten lässt. So kann es ein neues Modell innerhalb dieser Arbeit erneut prüfen.

Diese angesammelte Fähigkeit verdient bei der nächsten Investitionsentscheidung Aufmerksamkeit. Wenn für jede Kundenzusage weiterhin dieselben Menschen dieselben Datensätze zusammensuchen müssen, ist das Ergebnis womöglich nur eine besser formulierte E-Mail. Wenn das Unternehmen lernt, warum eine Zusage eingehalten oder gebrochen wurde, und die nächste Entscheidung anpasst, beginnt es, etwas aufzubauen, das über das gekaufte Werkzeug hinausgeht.