Neue Technologien erfordern neue Ansätze. Dies gilt insbesondere für das Aufkommen einer Basis­technologie wie der generativen künstlichen Intelligenz. Was kennzeichnet eine Basis­technologie – und welche Implikationen hat die generative KI für Prozess­innovationen? Wie sollte sich Entscheidungs­findung im Kontext von generativen KI‑getriebenen Innovationen weiterentwickeln?

Das Aufkommen einer Basis­technologie ist ein seltenes und trans­formatives Ereignis. Die Dampfmaschine trieb die industrielle Revolution an und diente als zentrale Energie­quelle in Fabriken. Es folgte die Elektrizität, die Energie allgegen­wärtig machte und neue Herstellungs­prozesse sowie Fabrikdesigns ermöglichte. Die Erfindung des Halbleiters revolu­tionierte Arbeits­abläufe und Organisations­strukturen und ebnete den Weg für elektronische Daten­verarbeitung und moderne Kommunikation über das Internet.

Generative KI wurde für Unternehmen nach der Veröffent­lichung von ChatGPT im November 2022 allgemein zugänglich, als Cloud-Dienstleister große Sprachmodelle und zugehörige Werkzeuge in ihre Plattformen integrierten. Was können wir aus früheren Basis­technologien lernen, um die Einführung generativer künstlicher Intelligenz gezielt zu gestalten?

Lehren aus der Einführung früherer Basistechnologien

Technologie­forscher identifizieren drei charakteristische Merkmale einer Basistechnologie:¹

• Sie findet breite Anwendung.
• Sie entwickelt sich kontinuierlich technisch weiter.
• Sie fördert begleitende Innovationen im Anwendungsbereich.

Die Einführung einer Basis­technologie erfolgt schrittweise. Während sich generative KI weiterentwickelt, werden Versicherer begleitende Innovationen vorantreiben, den Einsatz­bereich ausweiten und Einnahmen für die Weiterentwicklung generieren – ein Kreislauf aus nachgelagerter Innovation und vorgelagerter Reinvestition entsteht. Die Dampfmaschine entwickelte sich über zwei Jahrhunderte hinweg mit stetig wachsendem Anwendungs­spektrum. Elektrizität wurde durch Innovationen wie Wechselstrom und Elektromotor vorangetrieben, und die Batterie­technologie entwickelt sich bis heute weiter. Die elektronische Datenverarbeitung machte Fortschritte durch Meilensteine wie die Erfindung der Grafik­prozessoren durch NVIDIA. In weniger als zwei Jahren seit der Einführung von ChatGPT sind schluss­folgernde Sprachmodelle entstanden, mit denen generative KI neue Daten generieren² und komplexe mathematische Probleme³ lösen kann.

Drei Dimensionen der Prozessinnovation

Generative KI-getriebene Prozess­innovationen erfolgen in drei Dimensionen, wie im folgenden Diagramm dargestellt. Diese unterscheiden sich hinsichtlich des erforderlichen Aufwands begleitender Innovationen und des erzielten wirtschaftlichen Nutzens. Mit zunehmender Reife der Technologie verlagert sich der Fokus von der Verbesserung bestehender Aufgaben hin zur Ermöglichung neuer Aufgaben innerhalb neu gestalteter Arbeitsabläufe – einige davon werden künftig von KI‑Agenten in neuartigen Organisations­strukturen koordiniert und ausgeführt.

Dynamik der Prozess­innovation durch generative künstliche Intelligenz

Entscheidungsfindung und reale Optionen

Dieses dynamische Zusammenspiel zwischen technologischem Fortschritt und begleitender Innovation beeinflusst die Art und Weise, wie Entscheidungen getroffen werden sollten. Die Einführung von generativer KI ist iterativ und umfasst kontinuier­liches Lernen sowie die Integration in neue Arbeits­abläufe und Organisations­modelle. Das Tempo dieser Rück­kopplungs­schleife hat sich von der Dampf­maschine über Elektrizität bis hin zu Halbleitern beschleunigt – und wird sich mit generativer KI voraussichtlich weiter erhöhen, wodurch die Versicherungs­branche auf einen Pfad des rapiden Lernens und der kontinuier­lichen Innovation geführt wird.

Jede Entscheidung zur Einführung birgt Risiken: einen Unterlassungs­fehler (Nichtverfolgen eines wertvollen Projekts) oder einen Handlungsfehler (Verfolgen eines Projekts, das besser vermieden worden wäre). Das Nichtverfolgen eines Projekts ist vollständig irreversibel, während die Durchführung eines Projekts oft mit versunkenen Kosten verbunden ist – also mit Ausgaben, die nicht wieder hereingeholt werden können, wenn das Projekt aufgegeben oder umgestaltet wird.

Daraus ergibt sich ein Wert des Abwartens. Durch die Verschiebung einer Entscheidung bleibt die Option offen, später mit besseren Informationen zu handeln. Dieser Optionswert verringert den traditionellen Kapitalwert eines Projekts. Das Abwarten hat jedoch auch Kosten: verpasste Chancen und eine geringere Flexibilität in der Zukunft. Diese Kosten des Abwartens erhöhen den Wert des Projekts.⁴

Die Theorie der realen Optionen betont Lernen und Umkehr­barkeit. Sie bevorzugt Technologien, die umkehrbare Entscheidungen ermöglichen und zukünftige Wahl­möglich­keiten erweitern – beides Faktoren, die niedrige Kosten für begleitende Innovation und eine frühzeitige Einführung begünstigen. Reale Optionen sind in komplexen Umgebungen zwar schwer zu quantifizieren, ihr praktischer Wert liegt jedoch in der Steuerung der Entscheidungs­findung: Priorisieren Sie Technologien, die Umkehr­barkeit erlauben und die zukünftige Möglichkeiten erweitern.

Die J‑Kurve in der gemessenen Produktivität

Die Einführung einer Basis­technologie erfordert ergänzende Investitionen. Für generative KI umfassen diese grundlegenden Investitionen Cloud-Infrastruktur, Daten­architektur und organisa­torische Fähigkeiten in den Bereichen Daten- und KI‑Engineering. Auf der Ebene der Arbeitsabläufe erfordert begleitende Innovation den Aufbau von Kompetenzen in der Zusammenarbeit zwischen Mensch und KI sowie in der Koordination von Arbeitsabläufen mit KI‑Agenten.

Diese Investitionen schaffen immaterielle Vermögenswerte, die zunächst als Output fungieren – als Ergebnis unternehmerischer Anstrengungen. Mit der Zeit werden sie zu Inputs für die Produktion. Herkömmliche Produktivitäts­kennzahlen erfassen diese Vermögenswerte oft nicht, sodass die Produktivität während ihrer Entstehung unterschätzt und nach ihrer Einführung überschätzt wird.⁵

Für Versicherer ist die Kostenquote ein grober Maßstab für Produktivität. Während immaterielle Vermögenswerte entwickelt werden, erhöhen sie die Kosten, ohne zum Output beizutragen. Nach ihrer Einführung steigern sie den Output, ohne die Kosten zu erhöhen. Diese Dynamik kann zu einer J‑Kurve bei der gemessenen Produktivität führen: einem anfänglichen Rückgang, gefolgt von langfristigen Gewinnen, wie in der folgenden Grafik dargestellt. Die Anerkennung dieses Effekts ist entscheidend für eine fundierte Einschätzung der Auswirkungen von generativer KI auf die Produktivität – sowohl kurzfristig als auch langfristig.

J‑Kurve in der gemessenen Produktivität

Endnoten

1. Siehe Timothy F. Bresnahan and Manuel Trajtenberg, „General Purpose Technologies: ,Engines of Growth‘?“, Journal of Econometrics 65 (1), 83‑108, 1995, https://www.sciencedirect.com/science/article/pii/030440769401598T. Working Paper (August 1992) unter https://www.nber.org/system/files/working_papers/w4148/w4148.pdf.
2. Ein Beispiel für ein KI‑System, das in der Lage ist, neue Daten zu generieren, ist AlphaGo von Google Deep Mind, das neue Züge im Spiel Go erfunden hat. Siehe Google Deep Mind, AlphaGo, https://deepmind.google/research/projects/alphago/.
3. Siehe, zum Beispiel, Ben Cohen, „The High‑Schoolers Who Just Beat the World’s Smartest AI Models“, The Wall Street Journal, 27. Juli 2025, https://www.wsj.com/tech/ai/imo-gold-math-olympiad-google-deepmind-openai-2450095e.
4. Siehe, zum Beispiel, Keith J. Leslie and Max P. Michaels, „The real power of real options“, The McKinsey Quarterly, 1997, Nummer 3, 97‑108, https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/the-real-power-of-real-options#/.
5. Siehe Erik Brynjolfsson, Daniel Rock und Chad Syverson, „The Productivity J‑Curve: How Intangibles Complement General Purpose Technologies“, American Economic Journal: Macroeconomics 13(1), 333-372, 2021, Working Paper (Januar 2020) unter https://www.nber.org/papers/w25148.

Endnoten wurden am 22. August 2025 zuletzt aufgerufen.