Daten-Netzwerkeffekte treiben die Qualität digitaler Plattformen an: Je mehr User, desto besser das Produkt. Bei KI ist das Spiel entscheidend: Mehr Nutzer generieren bessere Trainingsdaten, steigern die KI-Qualität exponentiell und schaffen Wettbewerbsvorteile. Für Start-ups heißt das: Entweder groß sein oder in Nischen glänzen!
Was sind Daten-Netzwerkeffekte und warum sind sie wichtig für KI?
Netzwerkeffekte kennen wir von vielen sozialen Medien zum Beispiel oder von Digitalplattformen wie Ebay. Man unterscheidet normalerweise die sogenannten direkten und indirekten Netzwerkeffekte. Diese Netzwerkeffekte sind nachfrageseitige Skaleneffekte.
Die direkten Netzwerkeffekte entstehen, wenn alle Teilnehmer ein gemeinsames Interesse am Austausch einer Sache haben und sich der Mehrwert eines jeden durch jede Interaktion erhöht. Das könnte zum Beispiel eine Community von Gleichgesinnten sein, die bspw. ein gemeinsames Hobby teilen.
Indirekte Netzwerkeffekte entstehen, wenn sich zwei Gruppen identifizieren lassen, in der die die eine Gruppe von Nutzern einen Mehrwert haben, wenn es mehr Teilnehmer oder Interaktion von Seiten der anderen Gruppe gibt. Das kennen wir zum Beispiel von typischen Marktplätzen wie Ebay oder Airbnb. Bei Airbnb ist es beispielsweise so, dass der Gastgeber einen höheren Nutzen hat, wenn viele Kunden Nutzer von Ferienwohnungen auf der Suche sind. Umgekehrt ist es natürlich genauso. Die Suchenden nach Ferienwohnungen profitieren, wenn es viele Anbieter gibt.
Skalenerträge durch mehr Daten
Das Besondere bei Datennetzwerkeffekten ist der zusätzliche Wert, der durch die Nutzung und Verarbeitung von von Daten in einem Netzwerk entsteht. Daher spricht man auch von Skalenerträgen, weil sie mit zunehmender Menge immer größer werden, meist nicht nur linear, sondern eben exponentiell.
Diese Skalenerträge ergeben sich nicht nur aus der simplen Anzahl von Nutzern auf der Plattform, sondern können sich aus aus unterschiedlichen Faktoren ergeben, zum Beispiel der Datenvielfalt, der Datenmenge, der Datenqualität oder der Genauigkeit der Daten. Alle diese Facetten können zu weiteren weiteren Skalenerträgen führen.
Anwendungsbeispiele für Daten-Netzwerkeffekte
Ein kleines Beispiel ist die Nutzung eines Navigationsgeräts, eines GPS-Geräts. Wenn mehr Nutzer Standortdaten teilen, wird es umso attraktiver für alle Nutzer, weil das Bild vom Verkehr in Echtzeit vollständiger wird. Die Produktqualität der Funktion „Verkehrsaufkommen“ wird hier also wesentlich vom Netzwerkeffekt bestimmt und damit von der Anzahl der Nutzer sowie ihrer Nutzungsintensität.
Diese Daten-Netzwerkeffekte kennen wir in allen möglichen digitalen Feldern wie E-Commerce, Online-Marketing, Data-Analysen beobachten. Für Unternehmen bedeutet das, dass sie in der Lage sein müssen, eine kritische Masse an Daten zu erreichen, um wettbewerbsfähig zu bleiben. Dazu gehört zuallererst, dass das Unternehmen versteht, welche Funktionen ihres Produktes durch Netzwerkeffekte dominiert werden und wie die Bedeutung dieser Funktionen für die Kaufentscheidung des Kunden ist. Die Netzwerkeffekte verändern im Extremfall die Wettbewerbsfaktoren und können erfolgskritisch sein. Bezogen auf die GPS-Geräte lässt sich ziemlich einfach zeigen, wie Google Maps die großen Marktplatzhirsche wie TomTom und andere etablierte Navigationsgerätehersteller ausgestochen hat.
Lehren für Produktmanager
In Produktgattungen, die durch Netzwerkeffekte dominiert werden, reicht es daher nicht aus, ein digitales Produkt hoher Qualität zu entwickeln, sondern es ist darüberhinaus entscheidend viele Nutzer zu erreichen und diese in ihrer Nutzung stark zu aktivieren und zu motivieren, ständig neue Daten zu produzieren.
Erfolgreiche digitale Plattformbetreiber haben erkannt, dass sie immer wieder neue Mehrwerte schaffen müssen, um ihre Nutzer auf der Plattform aktiv zu halten, außerdem wird der Einstieg in die Nutzung relativ niedrig gehalten – in der Regel durch die Bereitstellung einer kostenlosen Version des Produkts.
Wie sieht das im Falle Künstlicher Intelligenz dar? Auch da ist natürlich so, dass Systeme mit mehr Daten einfach nachher auch zu einer besseren Qualität der Antworten führen. Das heißt, die intensivere Nutzung von einer möglichst großen diversen Gruppe an Nutzern führt zu mehr und zu besseren Trainingsdaten. Damit wird ein Daten-Netzwerkeffekt selbstverstärkend für die Produktqualität. Was bedeutet das nun für KI-Geschäftsmodelle? Das bedeutet auf den ersten Blick, dass kleine Unternehmen prinzipiell im Nachteil bei generativer KI sind, es sei denn, sie beherrschen eine Nische und können dort eine spezielle Datenqualität aufbauen, die vielleicht sogar nur durch die besonders passenden Daten der Nischennutzung erreicht werden kann und von großen, generischen Anbietern nicht erreicht werden kann.
Wer allein mit einer Business Model Canvas versucht, KI-Geschäftsmodelle aufzubauen, wird diese wechselseitigen Rückkopplungen nicht adäquat abbilden, sie müssen durch eine eigene Analyse im Vorfeld identifiziert werden, denn sie entscheiden (neben anderen Faktoren) maßgeblich über Kosten und Ertrag und damit den Erfolg eines KI-Geschäftsmodells.
