Silizium-Intuition: Machine Learning (Teil 1/I: Wirtschaft & KI)
What's the story? ML und KI als Wachstumsmarkt, trägt der Hype?
Einleitung & Inhalt
Das Thema Künstliche Intelligenz dominiert gefühlt, wie sieht die Realität aus?
Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen
KI und der Arbeitsmarkt (in diesem Segment)
Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen
Die Überschrift ist ein Zitat, dessen Urheber unbekannt ist; vermutet werden Niels Bohr, Mark Twain oder Winston Churchill.
“The Machine Learning market in the Artificial Intelligence market worldwide is witnessing remarkable growth, fueled by factors like rapid adoption of digital technologies, growing demand for AI-driven solutions, and the convenience of online services. This extraordinary growth rate is driven by the increasing need for advanced data processing and analysis capabilities.”
--- statista
Zitieren wir also im Folgenden das, was Forschungsinstitute zur Entwicklung des KI-Markets zu sehen glauben.
Nahezu übereinstimmend bei allen Marktforschungsinstituten ist die Aussage, dass der Markt für Machine Learning nach wie vor überproportional wächst. Kurz und knapp zusammengefasst:
Machine Learning wächst kontinuierlich, bleibt aber breiter aufgestellt (z. B. Prognosemodelle, Klassifikation, Anomalieerkennung).
Generative AI (mit LLMs) startet auf niedrigerem Niveau, zeigt aber deutlich schnelleres Wachstum.
Wobei hier
Machine Learning klassische ML-Modelle, Supervised / Unsupervised Learning, Predictive Analytics, ML-Ops etc. umfasst und
Generative AI Large Language Models (wie GPT, Claude), Bild-/Video-/Audio-Generatoren, multimodale Modelle usw. umfasst.
Folgt man den Prognosen von Precedence Research oder von Grand View Research, dann ist der Trend bezüglich Machine Learning klar - obgleich die Zahlen zwischen den Instituten differieren:
Interessant ist eine aggregierte Analyse über die Branchen hinweg:
Nimmt man die genannten Industrien in denen ML hauptsächlich eingesetzt wird und kombiniert dieses mit den Regionen in denen Machine Learning hauptsächlich eingesetzt wird, dann ergibt sich das folgende Bild:
Lokalisieren wir den eigenen Standort und jeder möge sich seinen Reim machen …
Machine Learning und GenAI
“The term ‘Generative AI’ has been applied more precisely to models that may produce new, previously unseen information dependent on the data on which they were trained. These models are developing fresh, human-like material that can be engaged with and consumed, rather than just numerical forecasts or internal rules.”
--- Francisco José García-Peñalvo, Andrea Vázquez-Ingelmo
GenAI ist in aller Munde, die Finanzierungsrunden führender Anbieter wie openAI erreichen astronomische Summen - und diese spiegeln am Ende auch den Glauben an oder die Hoffnung aauf den Erfolg wider. Dennoch zeigt der Suchverlauf von google Trends ein deutlich höheres Interesse an dem Suchbegriff Machine Learning gegenüber Generative AI.
Vielleicht lässt sich das so erklären:
Aus einer strategischen Perspektive ausgerichtet an den Kernprozessen des Unternehmens erscheint es sinnvoll, zunächst ML-Lösungen gegenüber GenAI zu präferieren. Diese Aussage gründet auf mehreren Tatsachen.
Machine Learning Modelle greifen unmittelbar in die wertschöpfenden Prozesse ein; sie optimieren bestehende Abläufe statt unter Umständen lediglich unterstützende Funktionen zu verbessern. Die Ziele und Anwendungsfälle des “klassischen” Machine Learning sind oftmals eng definierte Probleme wie Klassifikation, Regression oder Optimierung - konkret: Betrugserkennung, Vorhersage von Kundenabwanderung, Lagerbestandsoptimierung oder Predictive Maintenance. Diese Anwendungsfälle sind oft gut strukturiert und haben klare Erfolgsmetriken, was eine ROI-Berechnung vereinfacht da der ROI oft einfacher zu messen ist. Die Ergebnisse können oftmals direkt mit finanziellen Kennzahlen verknüpft werden (z. B. höhere Umsätze durch bessere Empfehlungssysteme).
GenAI zielt darauf ab, neue Inhalte zu generieren (Text, Bilder, Code, etc.) und wird oft für kreative oder komplexe Aufgaben eingesetzt, wie Content-Erstellung (z. B. Marketingtexte, Designs), Personalisierung von Kundenerlebnissen oder Automatisierung von Softwareentwicklung. Diese Anwendungen sind oft schwerer zu quantifizieren, da der Wert von generierten Inhalten oder kreativen Lösungen oftmals qualitativ und schwer zu quantifizieren ist. Der ROI bei GenAI verlagert sich leicht zeitlich nach hinten, da die Anwendungsfälle oft experimenteller sind und der Wert erst über die Zeit sichtbar wird. Beispielsweise kann die Automatisierung von Content-Erstellung zwar langfristig Kosten sparen, aber die initiale Implementierung und Anpassung der Workflows erfordert Zeit.
Auch ist der Implementierungsaufwand im Kontext des Machine Learning weniger komplex und benötigt weniger Rechenleistung. Modelle können auf bestehenden Daten trainiert werden und erfordern keine so großen Infrastrukturinvestitionen. GenAI-Modelle (z. B. GPT, DALL-E) sind extrem rechenintensiv und erfordern oft spezialisierte Hardware (z. B. GPUs/TPUs) und große Datenmengen.
Fazit: Klassisches ML eignet sich besser für klar definierte, messbare Probleme, während GenAI oft experimenteller ist und langfristigere Investitionen erfordert. Allerdings kann GenAI in bestimmten Anwendungsfällen (z. B. Content-Erstellung, Personalisierung) einen erheblichen Mehrwert bieten, der sich langfristig auszahlt. GenAI bietet das Potenzial für transformative Veränderungen, erfordert aber mehr Geduld und Investitionen.
Schlussendlich sollte man sich davor hüten, beides als im Wettbewerb zueinander stehend zu sehen; Machine Learning und GenAI sind komplementär zu sehen. Diese Aussage wird innerhalb der Studie “AI-ready Enterprise 2024” unterstützt, innerhalb derer die Befragten folgende Aussagen tätigten:
Die Antworten zeigen, dass die generative KI auf einem breiten Fundament traditioneller KI aufbaut. In allen Anwendungsfeldern kommt es zu einem Zusammenspiel sowohl “klassischer“, als auch generativer KI. Der Bogen spannt sich exemplarisch vom Anforderungsmanagement mit Chatbots über Problemlösungen bis zur Prozessverbesserung mit Machine Learning.
KI und der Arbeitsmarkt (in diesem Seqment)
Wenn man sich die Wachstumspotentiale im Bereich der Künstlichen Intelligenz ansieht, dann sollte man doch meinen, die Stellenanzeigen würden von offenen Positionen nur so wimmeln … sollte man meinen.
In einer aktuellen Studie des Jahres 2025 der Bertelsmann Stiftung kam man zu den folgenden, doch sehr überraschenden, Ergebnis: Obwohl immer mehr Unternehmen in Deutschland KI einsetzen (wollen), äußert sich das nicht in ihren Personalbedarfen.
“Die Analyse der Stellenanzeigen vermittelt insgesamt den Eindruck, als laufe Deutschland Gefahr, beim Zukunftsthema KI viel Potenzial ungenutzt zu lassen - zumindest lässt sich kein positiver Trend bei den KI-Stellenanzeigen der Unternehmen ablesen. Angesichts des großen Datenbestands der deutschen Industrie, einer exzellenten KI-Forschungslandschaft in Deutschland und des derzeitigen Wettbewerbs- und Kostendrucks, dem deutsche Unternehmen ausgesetzt sind, ist die aufgezeigte Entwicklung bedenklich.”
Dabei verfügt Deutschlands durchaus über großes KI-Potenzial. Dieses zeigt sich insbesondere im Bereich der KI-Forschung. Hier liegt Deutschland aktuell auf dem zweiten Platz hinter den USA. Das scheint sich bei den Unternehmen allerdings nicht wirklich herumgesprochen zu haben. Die Nachfrage nach KI-Experten beschränkt sich auf wenige ausschreibende Unternehmen, die Hälfte aller KI-Stellen wurde von 2,2 Prozent der Unternehmen ausgeschrieben (2019 waren es noch 2,9 Prozent der Unternehmen). Hierbei handelt es sich meist um große Unternehmen aus den Bereichen IT-Dienstleistung, Unternehmensberatung und Fahrzeugbau (inklusive Zulieferer).
Es bleibt abzuwarten, inwiefern der Apell in der Studie Widerhall in den Unternehmen findet.
Schlussendlich könnte ein stärkerer KI-Einsatz vielen deutschen Unternehmen signifikante Wettbewerbsvorteile verschaffen. Diese sind nicht nur in der derzeit angespannten konjunkturellen Lage wichtig, sondern würden deutsche Unternehmen auch im internationalen Wettbewerb anschlussfähiger machen.
Bleibt die Frage: Wie sieht das im internationalen Vergleich aus?
Laut LinkedIn 2024 ist der KI-Jobmarkt in den USA um über 50 % im Vergleich zu 2020 gewachsen. Hierbei werden besonders stark nachgefragt:
Machine Learning Engineers
AI Product Manager
Prompt Engineers
AI Ethics Experts
Somit lässt sich das folgende Fazit schließen:
Deutschland ist technologisch konkurrenzfähig, aber beim Tempo der Umschulung, Internationalisierung und „Skill-basiertem“ Zugang eher zurückhaltend.
International ist der Trend eindeutig: mehr Offenheit für nicht-lineare Karrieren, große Investitionen in Fortbildung und aktive Rekrutierung über Grenzen hinweg.
KI wird zunehmend in allen Branchen relevant – nicht nur in der IT.
Hier geht es zum Folgeartikel, hier gehts es vorigem Post. Bleiben Sie mir gewogen.
