Egal ob in Konzernen oder Start-ups, allzu oft beobachtet man eine simplizistische Sicht auf Daten, propagiert durch die irreführende Analogie „Daten sind das neue Öl“. Die Grundannahme: je mehr Daten, desto besser die Services. Je besser die Services, desto mehr Kunden. Je mehr Kunden, desto mehr Daten. So kommt das Datenschwungrad in Bewegung und schraubt die Bewertung des Unternehmens in die Höhe.
Der logische Schluss ist, dass der Fokus auf Datensammlung liegen muss. Prozesse werden digitalisiert, Daten an jeder Stelle erfasst und gespeichert. Anreize werden geschaffen, um Kunden zum Datenteilen zu bewegen. Investitionen in IT- und Dateninfrastrukturen (Data Lake, Mesh usw.) werden getätigt und kostspielige KI-Labore mit teuren Spezialisten gefüllt.
Selbst ganze Geschäftsmodelle, die augenscheinlich nie profitabel werden können, werden mit dem Argument gerechtfertigt, dass es dabei primär um die Daten gehe. Lieferdienste, die nicht mit Pizza, sondern mit Daten Geld verdienen? Turbinenhersteller, deren Zukunftsgeschäft in der Atmosphäre gewonnene Sensordaten sind? Mysteriös – und gerade dadurch bestechend.
Was ist der Verbrennungsmotor für Daten?
Und dann kommt die Enttäuschung. Denn Daten sind nicht das neue Öl. Sie folgen einer anderen ökonomischen Logik. Öl ist vergleichsweise einheitlich, Daten heterogen. Für Öl gibt es zwei universelle „Killer Apps“: den Verbrennungsmotor und die chemische Industrie. Der Wert von Daten ist ohne spezifische Anwendung jedoch undenkbar. Auch ein einheitlicher Qualitätsbegriff fehlt, und dass sich Daten, die für einen Zweck erhoben wurden (z.B. zur Abrechnung von Gesundheitsleistungen), für einen anderen nutzen lassen (z.B. Optimierung von Behandlungen), ist nicht garantiert.
Steigende Grenzkosten, unklare Halbwertszeit, sinkender Grenznutzen
Bei der Speicherung und Verarbeitung von Öl gibt es positive Skaleneffekte, bei Daten hingegen negative: die Speicherung wird teurer, die Infrastruktur aufwendiger, der Aufwand für die Cyberabwehr größer, die Auswertung komplexer.
Auch verlieren Daten mit der Zeit oft an Wert. Wie hilfreich KI-Algorithmen zur Prädiktion bestimmter Krankheiten nach einer globalen Pandemie oder einem Bevölkerungszuwachs durch eine Flüchtlingskrise noch sind, ist fraglich. Was sind Daten zur Überlebensdauer bei Lungenkrebs, die vor der weitreichenden Einführung von Immuntherapien erfasst wurden, heute zum Training von KI-Modellen noch wert? Ein subtiler Effekt ist der abnehmende Grenznutzen der Datenmenge. Das hat zwei Ursachen:
- Die Verbesserung algorithmischer Systeme zur Prozessautomatisierung flacht ab einer bestimmten Menge an Trainingsdaten ab.
- Der Long-Tail Effekt: Die ersten 80 Prozent sind gut automatisierbar, bei den restlichen 20 Prozent stößt man auf exotische Fälle, die weiterhin manuell behandelt werden müssen und den Einsatz von KI sogar grundsätzlich in Frage stellen.
Viel hilft nicht mehr viel
Die größere Fehlannahme hinter der Datenschwungradhypothese ist der Glaube, dass Daten als Schutzwall gegen Wettbewerber fungieren. Daten sind oft nicht so gut monopolisierbar wie angenommen. Aus gesellschaftlicher Sicht ist dies zu begrüßen, und politische Initiativen zur Verhinderung von Datenmonopolen in Europa tragen auch zu einer Verbesserung des Wirtschaftsstandortes bei.
Es gibt nur wenige unbesetzte Geschäftsmodelle, bei denen die „Viel hilft viel “-Logik aufgeht. Meistens geht es nicht um Skalen-, sondern um Netzwerkeffekte. Während ein Online-Shop wie Amazon davon profitiert, dass mehr Verkäufer und Kunden sich auf der Plattform einfinden, so profitiert beispielsweise eine Dating-App nicht zwangsweise davon — viele wünschen sich eine Vorauswahl und nicht einfach nur Masse. Mehr ist nicht immer besser.
Strategen können sich daher nicht auf die gerne bediente Theorie „Wenn wir erst einmal Daten haben, kann uns keiner angreifen“ berufen. Der Vorteil von Nutzungsdaten und Content ist schnell erschöpft; Kunden akzeptieren Lock-in-Effekte durch schlechte Datenportierbarkeit zunehmend weniger. Es braucht tiefere Mehrwerte.
Was ist eine bessere Datenstrategie?
Eine tragfähige Datenstrategie muss differenziert gedacht werden und ohne Technomystik auskommen.
Für den Einstieg sind zwei Dinge wichtig:
- Wir müssen uns von irreführenden mentalen Modellen für KI lösen, geprägt durch schiefe Metaphern wie „Machine Learning“ oder „Neuronales Netz“. Daten sind weder Öl, noch ist KI vergleichbar mit der Entdeckung des Feuers oder der Elektrizität. Hilfreicher sind Analogien wie „Datengetriebene Mustererkennung“ oder „Algorithmische Prozessoptimierung“.
- Der Startpunkt für die Formulierung einer Datenstrategie ist nicht der Blick auf vermeintliche Datenschätze, sondern die übergeordnete Strategie, die Kunden und den Markt. Welchen Mehrwert wollen wir heute oder morgen generieren und wie können uns Daten und Algorithmen dabei helfen? Datensammlung auf Vorrat ist kein strategisches Ziel.
Kurzfristig über-, langfristig unterschätzt
Traumatische Erfahrungen prägen das kollektive Gedächtnis und leiten unterbewusst unser Handeln. Das Platzen der New Economy Blase ist nach wie vor präsent. Aus dem spektakulären Scheitern verfrühter Geschäftsmodelle wurde das Fazit gezogen „Geschäft im Internet funktioniert nicht“ und dadurch der rechtzeitige Einstieg in die digitalen Modelle der Zukunft verpasst. Der Zukunftsforscher Roy Amara bringt es auf den Punkt: „Wir neigen dazu, die Auswirkungen von einer Technologie kurzfristig zu überschätzen – und langfristig zu unterschätzen.“ Und deshalb kommt es heute darauf an, aus der Enttäuschung über das Ausbleiben schneller Erfolge mit Daten und KI nicht wieder die falschen Schlüsse zu ziehen. Denn eins ist klar: die Auswirkungen der Automatisierung und Skalierung kognitiver Arbeit durch KI-Technologie werden dramatisch sein.
Dr. Paul von Bünau ist Gründer und Geschäftsführer von idalab, einem Beratungsunternehmen für Data Science und Künstliche Intelligenz in Biotechnologie, Pharma und Gesundheitswesen.
Dr. Sven Jungmann ist Arzt und Unternehmer. Er ist CEO von Halitus, einem Unternehmen, das Krankheiten über die Atemluft erkennbar machen möchte. Er sitzt im Beirat von Wellster, einer D2C Medizinplattform und ist im Expertenpool von idalab.
