Der KI-Burggraben ist die Feedbackschleife, nicht das Modell

Der Zugang zu einem leistungsfähigen Modell ist heute nahezu universell. Jedes Team kann eines nutzen, und der Unterschied in der reinen Modellqualität zwischen einem gut finanzierten Start-up und einem großen etablierten Anbieter ist so klein geworden, dass er selten über den Gewinner entscheidet. Das Modell ist nicht der Burggraben. Was dauerhaft ist, ist das System, das darum herum gebaut wird: proprietäre Daten, auf die das Modell zugreifen kann und die Wettbewerber nicht haben, eine Feedbackschleife, die prüft, ob die Entscheidungen des Modells tatsächlich richtig waren, und die operative Disziplin, nach dem zu handeln, was diese Schleife zurückmeldet.

Warum das Modell aufgehört hat, das Unterscheidungsmerkmal zu sein

Als nur wenige Organisationen ein starkes Modell bauen oder sich leisten konnten, war der bloße Besitz eines solchen Modells ein Vorteil. Diese Phase ist vorbei. Der Vorteil ist eine Ebene höher gewandert, hin zu dem, was ein Unternehmen dem Modell zuführt und was es mit der Ausgabe macht, denn zwei Wettbewerber, die funktional ähnliche Modelle nutzen, werden sich anhand von allem unterscheiden, was um den Modellaufruf herum passiert, nicht durch den Aufruf selbst.

Drei Dinge machen dieses “Alles um den Aufruf herum” aus. Erstens proprietäre Daten: Informationen, die spezifisch für Ihr Geschäft, Ihre Kunden oder Ihre Betriebsgeschichte sind, auf die kein allgemeines Modell trainiert wurde und die kein Wettbewerber abfragen kann. Zweitens eine Feedbackschleife: ein Mechanismus, der die Empfehlung des Modells mit einem realen Ergebnis abgleicht und dieses Ergebnis zurückspeist, sodass das System bei der konkreten Aufgabe messbar besser wird, statt statisch zu bleiben. Drittens operative Disziplin: die organisatorische Gewohnheit, tatsächlich und mit einer konsistenten Taktung nach dem zu handeln, was die Feedbackschleife meldet, statt eine gute Empfehlung ungelesen in einem Dashboard liegen zu lassen.

Jedes dieser drei Elemente für sich, ohne die anderen beiden, ist nur ein unvollständiges System. Daten ohne Feedbackschleife sind ein statisches Gut. Eine Feedbackschleife ohne operative Disziplin ist ein Bericht, den niemand liest. Disziplin ohne Daten oder Schleife ist nur ein Team, das fleißig auf Vermutungen hinarbeitet.

Ein konkretes Beispiel aus der Werbung

Zwei Werbetreibende betreiben dieselbe Kategorie von Meta-Kampagnen, und beide setzen KI-gestützte Tools ein, um sich zu unterstützen. Werbetreibender A füttert ein Modell mit einem allgemeinen Marktbriefing und bittet es um Vorschläge für Creative-Richtungen. Werbetreibender B füttert ein Modell mit der eigenen Performance-Historie seines Accounts, den Ausgaben nach Anzeigengruppe und einer laufenden Aufzeichnung, welche Creative-Ansätze im vorherigen Quartal funktioniert haben, prüft dann jede Woche die Vorschläge des Modells gegen die tatsächlichen Ergebnisse und passt die Eingaben anhand dessen an, was zuletzt falsch lag.

Beide Werbetreibenden hatten Zugang zum Modell. Nur Werbetreibender B hatte ein System. Die Vorschläge von A sind generisch plausibel und werden an jedem beliebigen Tag ähnlich aussehen wie das, was ein Wettbewerber mit derselben Vorgehensweise erhalten würde. Die Vorschläge von B sind in dem verankert, was in diesem Account konkret funktioniert oder versagt hat, werden jede Woche an der Realität geprüft und verzinsen sich, weil das Ergebnis jedes Zyklus zur Eingabe des nächsten wird. Über ein Quartal hinweg nähern sich die beiden Accounts nicht an. Die Entscheidungen von B zu den Anzeigengruppen werden schärfer, je tiefer seine Historie wird; A bleibt ungefähr so generisch wie am ersten Tag, weil nichts an As Prozess aus den eigenen Ergebnissen des Accounts lernt.

Die strategische Konsequenz

Wenn der Modellzugang nicht das Unterscheidungsmerkmal ist, sollte die Roadmap eines Unternehmens sich nicht darum drehen, welches Modell es lizenzieren kann oder wie schnell es auf ein neueres wechselt. Sie sollte sich darum drehen, das Datengut aufzubauen, das ein Wettbewerber nicht sehen kann, eine ehrliche Feedbackschleife einzurichten, die reale Ergebnisse misst statt plausibel klingender Ausgaben, und die organisatorische Gewohnheit aufzubauen, danach zu handeln. Diese drei Dinge werden umso schwerer zu kopieren, je länger sie laufen, auf eine Weise, wie es der Modellzugang nie war, denn ein Wettbewerber kann sich morgen für dasselbe Modell anmelden und gewinnt dabei nichts, wofür Zeit nötig gewesen wäre.

Das ist auch, leise, der Grund, warum “wir nutzen KI” aufgehört hat, eine aussagekräftige Behauptung zu sein. Es beschreibt einen Input, den jeder hat. Die Behauptung, die zählt, betrifft das, was das System damit macht: was es lernt, was es prüft, und ob die Organisation dahinter tatsächlich handelt, wenn das System etwas meldet. Siehe was ein Growth Operating System ist und wie KI die Meta-Werbung verändert dafür, wie sich das konkret in Werbeaccounts auswirkt.

Die Werbetreibenden, die ihren Vorteil in den nächsten Jahren weiter verzinsen, werden nicht die mit dem neuesten Modell sein. Es werden die sein, deren System jede Woche, in der es lief, messbar klüger wurde, weil es darauf ausgelegt war, sich selbst zu überprüfen, und jemand dem Ergebnis Aufmerksamkeit schenkte.