In einem sich schnell verändernden Umfeld ist die Fähigkeit zum Experimentieren – sei es mit verschiedenen Geschäftsmodellen, Einnahme­quellen, Talentmodellen oder Ökosystemspielen – ein evolutionäres Gebot.

Die konsequente Erschließung neuer Einnahmequellen ist seit langem eine Wachstumsstrategie für digitale Disruptoren wie beispielsweise Amazon, Google und Stripe. Im Allgemeinen übertreffen Unternehmen, die den Aufbau neuer Geschäfte priorisieren, andere Unternehmen beim Umsatzwachstum, selbst in Zeiten wirtschaftlicher Volatilität¹.

Während jedoch bei digital nativen Unternehmen das Experimentieren fester Bestandteil des Alltagsbetriebs ist, müssen sich traditionellere Unternehmen darauf konzentrieren, es zur Gewohnheit zu machen. Komplexe Organisationsstrukturen, Bürokratie und starre Finanzrahmen können das Experimentieren behindern.

Die meisten Bemühungen zur Geschäfts­prozess­automatisierung nutzen heute klassische Algorithmen des maschinellen Lernens, um statische, vordefinierte Prozesse zu auto­matisieren. Diese Modelle ermöglichen zwar Geschwindigkeit, Vereinfachung und Personalisierung von Prozessen, hängen jedoch stark von gekennzeichneten Daten und menschlichem Fachwissen ab.

Das Aufkommen der generativen KI bringt einen gewaltigen Wandel hin zu dynamischen, datengesteuerten Geschäftsabläufen mit sich. Im Gegensatz zur herkömmlichen Automatisierung kann Gen AI unzählige Szenarien in Echtzeit simulieren und generieren und dabei seine Lern- und Gestaltungsfähigkeiten nutzen. Anstatt nur zu reagieren, können Prozesse dynamisch erstellt werden, um ein bestimmtes Ziel zu erreichen. Dieser Wandel ermöglicht es Unternehmen, proaktiv auf veränderte Bedingungen zu reagieren, wodurch die Automatisierung vielseitiger und anpassungs­fähiger wird.

Das neue Maß an Flexibilität und Geschwindigkeit wird es Unternehmen ermöglichen, Arbeitsabläufe in einer Vielzahl betrieblicher Aspekte zu optimieren, vom Lieferkettenmanagement über Vertriebs­prognosen bis hin zum Kund:innen­beziehungs­management.

Bei der herkömmlichen Reiseplanung können Online-Plattformen beispielsweise statische maschinelle Lernalgorithmen verwenden, um Urlaubspakete, Hotelbuchungen oder Flüge auf der Grundlage früherer Vorlieben und Verhaltensweisen einer Benutzerin oder eines Benutzers zu empfehlen. Dabei handelt es sich um ein größtenteils reaktives System, bei dem Vorschläge hauptsächlich auf historischen Daten basieren. Mit generativer KI lernen Systeme aus früheren Entscheidungen einer Benutzerin oder eines Benutzers, aktuellen Suchanfragen und dem allgemeinen Verhalten auf der Plattform. Wenn eine Nutzerin oder ein Nutzer beispielsweise typischerweise Strandurlaube bevorzugt, aber nach einem Winterurlaub sucht, schlägt die KI nicht nur die beliebtesten Skigebiete vor. Es simuliert verschiedene Szenarien und generiert eine Reiseroute, die eine historische Berghütte, eine anfänger:innenfreundliche Skischule und ein lokales Winterfest umfasst – und das alles, weil es aus dem Verhalten der Benutzerin oder des Benutzers in der Vergangenheit gelernt hat, dass dieser einzigartige Unterkünfte genießt und neue Fähigkeiten und kulturelle Erfahrungen erlernt.