McKinsey-Studie zu KI Potenzial von neuronalen Netzen gigantisch

Das Wertschöpfungspotenzial von Deep-Learning-Technologien kann bis zu 5,8 Billionen US-Dollar jährlich betragen. Das ergab die neue Studie von McKinsey.
Das Wertschöpfungspotenzial von Deep-Learning-Technologien kann bis zu 5,8 Billionen US-Dollar jährlich betragen. Das ergab die neue Studie von McKinsey.

Die auf Basis neuronaler Netze arbeitende Analytik-Technologie Deep Learning hat ein jährliches Wertschöpfungspotenzial von bis zu 5,8 Billionen US-Dollar weltweit. Zu diesem Ergebnis kommt die neue Studie »Notes from the AI frontier: Insights from hundreds of use casesdes« von McKinsey.

Das McKinsey Global Institut (MGI) hat für die Studie weltweit mehr als 400 Anwendungsfälle von Deep Learning untersucht, der Technologie, die als am weitesten entwickelte Form der künstlichen Intelligenz (KI) gilt. Dafür haben die Experten Anwendungen in 19 Branchen analysiert. Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze sowie große Datenmengen. Die Lernmethoden richten sich nach der Funktionsweise des menschlichen Gehirns und resultieren in der Fähigkeit eigener Prognosen oder Entscheidungen.
Die untersuchten Deep-Learning-Methoden können der Studie zufolge künftig 40 Prozent des Gesamtwerts aller Analyseansätze ausmachen, was jährlich rund 3,5 bis 5,8 Billionen US-Dollar entspricht. Je nach Sektor sind das bis zu 9 Prozent des heutigen Branchenumsatzes. Die größten Wertschöpfungspotenziale bietet mit 400 Milliarden bis 800 Milliarden US-Dollar die Handelsbranche, gefolgt von Transport und Logistik und der Reisebranche.
 

Einsatzbereiche von neuronalen Netzen

»Der Einsatz dieser hochentwickelten KI-Methoden stellt Unternehmen vor erhebliche organisatorische Herausforderungen«, erklärt Peter Breuer, Seniorpartner bei McKinsey und deutscher Leiter von McKinsey Advanced Analytics. Aber: »Der Mehrwert, den diese Methoden generieren, übertrifft den Aufwand um ein Vielfaches. Das Wertpotenzial der künstlichen Intelligenz steckt letztlich nicht in den Modellen selbst, sondern in der Fähigkeit der Unternehmen, diese Modelle zu nutzen.«

Die praktischen Anwendungsmöglichkeiten sind vielfältig, wie die Studie zeigt. Eine Anwendung, die für eine Reihe von Branchen infrage kommt, ist die vorausschauende Wartung. Deep-Learning-Technologien ermöglichen es, sehr große Ströme komplexer Daten zu analysieren, von Vibrationen und anderen Sensordaten bis hin zu Audio- und Bilddaten, die Erkenntnisse über den Betrieb unterschiedlicher Maschinen liefern können. Dadurch lassen sich bevorstehende Schäden erkennen, Ausfälle vorhersagen und auf diese Weise Ausfallzeiten wie Betriebskosten senken.

Die Optimierung der Logistik stellt einen weiteren Anwendungsbereich dar. Hier können Deep-Learning-Systeme Lieferrouten optimieren und sogar Fahrer in Echtzeit coachen, um den Kraftstoffverbrauch zu senken. Das Kundenservicemanagement und die Personalisierung von Kaufempfehlungen in Vertrieb und Marketing im Sinne von »Produkten, die Sie als nächstes interessieren könnten« sind eine dritte Anwendungsmöglichkeit, die bei einigen Unternehmen schon heute die Verkaufszahlen und die Konversionsraten erheblich steigert.