Das Problem der Wertschöpfung durch KI

KI könnte eine der wertvollsten Wertschöpfungstechnologien der Geschichte sein und trotzdem ein Problem mit der Werterfassung haben.

Alex Karp sagt, dass Unternehmen, die KI kaufen, riskieren, ihr geistiges Eigentum an Anthropic und OpenAI zu verlieren. Satya Nadella nennt die Antwort Souveränität: Ein Unternehmen behält die Kontrolle über seine eigene Intelligenz, anstatt sie Abfrage für Abfrage zurückzumieten. Sie sagen ähnliche Dinge, kommunizieren sie aber etwas anders: Die knappe Ressource ist nicht mehr nur das Modell, sondern auch der Kontext und das Know-how, das das Modell aus den aggregierten Mustern in Ihrem Unternehmen und seinen Wettbewerbern lernt.

Nehmen wir Versicherungen. Stellen Sie sich State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual und über 100 kleinere Versicherer vor, die alle Schadensfälle über dasselbe Modell abwickeln. Jeder Versicherer speist denselben Kontextstrom ein: die Unfallbeschreibung, Fotos, Reparaturkostenvoranschlag, Notiz des Sachverständigen, grenzwertige Genehmigung, Betrugshinweis, Korrektur, Auszahlung, Einspruch, Regulierungsergebnis.

Zunächst ist dies offensichtlich nützlich. Das Modell bearbeitet Schadensfälle schneller, markiert verdächtige Fälle, lernt, welche Reparaturkostenvoranschläge überhöht sind, welche medizinischen Muster seltsam aussehen und welche Korrekturen später zu Verlusten führen.

Aber wenn dasselbe Modell von jedem Versicherer lernt, ist Ihr Schadensurteil dann immer noch Ihr Vorteil? Die versicherungstechnische Ausnahme, die Ihre Schadenquote geschützt hat, wird zu einem Benchmark. Das Betrugsmuster, das Ihr Team frühzeitig erkannt hat, wird zu einer Funktion, die an den Markt zurückverkauft wird.

Beachten Sie, was Sie behalten und was Sie verlieren. Der Versicherer trägt immer noch das Risiko, die Kundenbeziehung, die Regulierungsbehörde und die Schadenquote. Das gemeinsam genutzte Modell besitzt zunehmend die Lernkurve. Ihre Fehler, Korrekturen und mühsam erworbene Schadensintuition werden zu Trainingssignalen.

Diese Intuition ist Teil Ihres tatsächlichen geistigen Eigentums. Nicht die registrierte Art, die Patente und die Marke, sondern die operative Art: Wie Ihre Leute Risiken bewerten, Betrug aufdecken, Mehrdeutigkeiten lesen und alles nutzen, was das Unternehmen weiß. Das Modell kann einen Ihrer Schutzwälle auflösen, indem es dieses knappe Urteilsvermögen reproduzierbar macht.

Aus diesem Grund denken Unternehmen, die sich nur auf den Datenschutz konzentrieren, zu eng. Das tiefere Asset ist der institutionelle Kontext und das Know-how: das Urteilsvermögen in den Köpfen der Menschen über harte, professionelle Arbeit.

Die Labore verstehen das. OpenAI und Anthropic skalieren Berichten zufolge Daten um das Zehnfache pro Jahr und geben Milliarden aus, um Domain-Experten zu mobilisieren, die Aufgaben erstellen, die Agenten trainieren. Eine Aufgabe ist Expertenarbeit, die in etwas verpackt ist, von dem ein Modell lernen kann: Prompt, Umgebung, Aktion, Rubrik, Prüfer, Bewertung.

Nehmen wir nun die Biowissenschaften. Anthropic hat seine Richtung klar gemacht: Werkzeuge für Forscher heute, mehr autonome Entdeckung im Laufe der Zeit. Claude for Life Sciences und Claude Science bündeln Literatur, Agenten, wissenschaftliche Artefakte, Reproduzierbarkeit und Rechenleistung in einer "Workbench". Wenn Tausende von Biotech-Unternehmen dieses System für Targets, Assays, Sicherheit, Endpunkte und Continue-or-Kill-Entscheidungen nutzen, ist der Albtraum nicht, dass Anthropic die spezifische Entdeckung eines Biotech-Unternehmens sieht; es ist, dass Anthropic lernt, wie ernsthafte Wirkstoffforschungsfragen und -urteile bei Tausenden von Unternehmen aussehen, während es auch in diesen Bereich einsteigt.

Eigene Produkte sind der Weg, dieses "Lernen" in großem Maßstab zu erfassen. In der Versicherung löst das Modell Ihren Vorteil in die Branchenbasis auf. In der Pharma kann es das tun und dann mit Ihnen konkurrieren, indem es das nutzt, was viele ihm beigebracht haben. Es macht auch Ihre tatsächlichen Schutzwälle angreifbarer (mehr dazu später)

Ich glaube, niemand würde bestreiten, dass KI Werte schafft, indem sie privates Know-how in großem Maßstab nutzbar macht. Aber es macht das "Know-how" auch weniger knapp. Wenn jeder Versicherer, jede Bank oder jedes Biotech-Unternehmen über dasselbe Modell auf dieselbe Fähigkeit zugreifen kann, wird das, was früher Ihr Vorteil war, zur Branchenbasis. Der Wert verschwindet nicht; er wird aufgeteilt: Kunden erhalten niedrigere Preise oder besseren Service, der Modellanbieter erhält das Lernen, und Sie erhalten einen anfänglichen Produktivitätsgewinn, den der Wettbewerb abnutzt.

Hier ist, warum so wenig des dauerhaften Werts bei Ihnen bleibt.

1. Wenn alle den gleichen Vorteil haben, behalten ihn die Kunden. Stellen Sie sich einen Autohersteller vor, der ein Modell verwendet, um Halbleiter, Harz, Fracht, Fertigungskapazitäten und Ersatzteile zu verhandeln. Der Vorteil besteht darin, besser einzukaufen als der nächste Hersteller: zu wissen, welche Lieferantenknappheit real ist, welches Angebot überhöhte Margen enthält und wann die Sicherung der Versorgung wichtiger ist als die Preisdrückerei. Wenn jeder Hersteller den Einkauf über dasselbe Modell abwickelt, senkt das Modell nicht nur die Kosten. Es macht den Einkauf "ähnlicher". Der beste Käufer verliert die Spanne zwischen seinem Prozess und dem aller anderen. Auch Lieferanten passen sich an: Sobald jeder Käufer mit derselben Sollkostenanalyse, derselben Alternativquellenkarte und demselben Verhandlungsdrehbuch ankommt, ist das Drehbuch eingepreist.
2. Das Modell erfasst auch, was sich akkumuliert. Stellen Sie sich 1.000 ressourcenbeschränkte Biotech-Unternehmen vor, die Claude for Life Sciences verwenden, weil sie nicht die interne Plattform eines riesigen Pharmaunternehmens haben. Jedes Unternehmen besitzt seine eigene Verbindung, Laborkosten, fehlgeschlagenes Programm und regulatorischen Weg. Aber die Workbench kann das Muster über alle hinweg sehen: welches Toxizitätssignal das Programm gestoppt hat, welcher Assay falsches Vertrauen gab, welcher Endpunkt schwach war und welche Patientensubgruppe nicht die richtige war. Wenn sie über genügend Biotech- und Pharmaunternehmen sitzt, kann sie Fehlermuster sehen, die kein einzelnes Unternehmen sehen kann. Während der Datenvorteil in der Exklusivität liegt, bricht eine gemeinsame Workbench die Exklusivität durch Aggregation. Und da Anthropic beabsichtigt, eigene Medikamente zu entwickeln, wird das Tool, das Sie aus Effizienzgründen einsetzen, von der Entität gebaut, deren Endspiel darin bestehen könnte, das zu tun, was Sie tun, und dabei das zu nutzen, was es durch die Beobachtung des Feldes gelernt hat.
3. Sie geben das Einzigartige und erhalten den Durchschnitt. Sie liefern differenziertes Urteilsvermögen, Daten, Kontext und Entscheidungen: das Betrugsmuster, das nur Ihr Team aufgedeckt hat, den Lieferantenbluff, den Ihr Einkäufer ignoriert hat, den Trade, den Ihr PM getötet hat, bevor der Markt ihn sah. Sie erhalten die Mischung von allen zurück. Citadel würde niemals wollen, dass jeder Pod der Welt auf den Kill-Kriterien seines besten PM trainiert wird. Für das beste Unternehmen ist das der verlorene Trade: Sie geben überdurchschnittliches Urteilsvermögen ab und erhalten den Mittelwert.
4. Datenrechte sind keine Lernrechte. Unternehmen wissen, wie sie über Aufbewahrung, Vertraulichkeit, Sicherheit, Zugriffskontrollen und Opt-out-Möglichkeiten beim Training verhandeln. Aber die wichtigere Frage ist, wem das abgeleitete Urteil gehört: Aufgaben, Feedbackschleifen, Bewertungen, Workflow-Spuren, Korrekturen, Fehlermodi, Entscheidungsmuster, Agentenfähigkeiten und Produkterkenntnisse. Sobald das Modellunternehmen das schwierige Problem kennt, kann es die Joblogik auf andere Weise erwerben. Es kann Experten anwerben, um Fälle zu erstellen, die dieselben Entscheidungen testen: Sollte das Modell die Tarife erhöhen, die Risikoprüfung verschärfen, Betrug melden, ein Segment ausschließen oder eine schlechtere Schadenquote akzeptieren, um einen profitablen Kunden zu halten? Die Argumentation wird trainierbar.
5. Der Gewinn ist anfänglich; die Abhängigkeit akkumuliert sich. Die erste Einführung schafft einen echten Produktivitätssprung. Aber sobald Wettbewerber dasselbe Modell betreiben, wird dieser Sprung zur Basislinie, und was bleibt, ist nicht Ihr Vorteil, sondern Ihre Abhängigkeit vom nächsten Upgrade. Jeder wird den ersten Schub einfangen, aber der Anbieter erfasst die wiederkehrende Lernkurve. Im ersten Jahr reduziert das Fabrikmodell Ausfallzeiten, aber dann hat jeder Rivale denselben vorausschauenden Wartungsworkflow und der Anbieter besitzt die Prozessintuition, von der Sie jetzt abhängig sind.

Nichts davon bedeutet, dass es keine Erfassung gibt. Der First Mover verbucht echten Gewinn im Zeitfenster, bevor die Rivalen nachziehen. Das einzige Problem ist, dass der dauerhafte Wert an den geht, der das Lernen besitzt, und standardmäßig sind das nicht Sie. Das verwandelt das Ganze in Entscheidungen, die Workflow für Workflow, Aufgabe für Aufgabe getroffen werden. Wo Ihre Arbeit generisch ist, bündeln Sie sie und nehmen Sie den Gewinn mit, denn dort schützen Sie Mittelmäßigkeit. Wo das Urteilsvermögen Ihrer Leute das Produkt ist, halten Sie es vom gemeinsam genutzten Modell fern.

So sehen Sie es am einfachsten. Denken Sie an TikTok, YouTube und Google: Sie denken, Sie sind der Kunde, aber Sie sind das Rohmaterial. Jedes Video, das Sie zu Ende schauen, lehrt den Algorithmus, was funktioniert, und dieses Lernen ist das eigentliche Produkt, das an den nächsten Werbetreibenden verkauft wird und verwendet wird, um den nächsten Benutzer zu ködern.

So sollten CEOs über Anthropic und OpenAI denken: TikTok für Unternehmensdaten, nur dass der Feed Ihre Arbeit ist und das Interaktionssignal Ihr Urteilsvermögen. Die Modellanbieter sind diese Maschine, die auf das teuerste Know-how in Ihrem Unternehmen gerichtet ist. Ihre Experten melden sich für Hilfe bei Schadensfällen, Trades, Klauseln, Lieferanten, Studien, Risikoentscheidungen und Produktionsproblemen. Jedes Zögern, jede Korrektur, Eskalation, Genehmigung, Ablehnung und jeder zweite Blick lehrt das Modell, wie Ihr Unternehmen denkt.

Auf TikTok bekommt der Ersteller zumindest bezahlt. Hier liefern Sie die Daten, den Kontext und das Lernen ("Know-how") aus den Daten, und die Plattform kann das fertige Produkt an Ihre gesamte Branche zurückverkaufen oder sich schließlich dafür entscheiden, mit Ihnen zu konkurrieren, wie im Fall der Pharma.

Die Frage für die Führungsebene ist also einfach: Wollen Sie Ihr eigenes TikTok für Ihr Unternehmen, oder wollen Sie das gemeinsame nutzen? Sie werden wahrscheinlich beide Wege gehen müssen.

Bevor Sie einen hochwertigen Workflow in Anthropic, OpenAI oder ein anderes gemeinsam genutztes Modell geben, stellen Sie eine Frage: Wenn jeder Wettbewerber lernen würde, wie wir mit dieser Entscheidung umgehen, wären wir dann immer noch besser als sie?