Die einen feiern sie als Möglichkeit zur Optimierung von Arbeitsabläufen und -ergebnissen, die anderen warnen vor möglichen Gefahren. Was aber ist KI eigentlich genau? Und was kann sie heute schon im Marketing leisten? Stephan Enders und Marcus Ambrus verschaffen einen Überblick.

Schon lange bewegt die Menschen die Frage, ob und wie man künstliche Intelligenz (KI) erschaffen kann, aber noch nie hat uns dieses Thema so stark beschäftigt wie heute. Egal, welcher Lebensbereich diskutiert wird, immer heißt es: KI stehe kurz vor dem Durchbruch und würde unser Leben leichter und besser machen. So der allgemeine Tenor.

Dem Streben nach künstlicher Intelligenz liegt der Wunsch zugrunde, die kognitiven Fähigkeiten der Menschen mit einer noch besseren Intelligenz zu ergänzen, unsere eigenen Möglichkeiten so zu optimieren und bessere und schnellere Arbeitsergebnisse zu erzielen. Wir folgen damit dem ureigenen Willen des Menschen, immer neue Grenzen zu überwinden und zu schauen, was sich dahinter verbirgt. Folgt man dem Historiker und Autor Yuval Noah Harari, ist der Mensch instinktiv davon getrieben, das ewige Leben zu erreichen und damit gottähnlich zu werden. Künstliche Intelligenz bringt uns diesem Ziel einen kleinen Schritt näher.

So weit die große Hoffnung. Eine Hoffnung, die natürlich von Entwicklern und Befürwortern gepriesen wird. Dagegen stehen Kritiker, die darauf hinweisen, dass der Status quo ohnehin noch nicht so weit sei, oder aber Zeitgenossen, die apokalyptische Gefahren durch KI befürchten. Elon Musk steht als Visionär unserer Zeit exemplarisch für die Mahner und Warner. Künstliche Intelligenz als potenzieller Auslöser eines dritten Weltkriegs ist dabei die unlängst drastischste Zukunftsperspektive, die uns Musk aufzeigt. Die Wahrheit liegt ja häufig in der Mitte und richtig ist sicherlich, dass sich Politiker und Gesellschaftsforscher nun ebenfalls intensiv mit der Thematik auseinandersetzen und Regularien für die Zukunft entwickeln müssen. Nicht erst dann, wenn Unternehmen neue Technologien ohne gesetzliche Rahmenbedingungen für sich zunutze machen. Die Vereinigten Arabischen Emirate haben in diesem Jahr als erstes Land der Welt ein Ministerium für künstliche Intelligenz eingerichtet: Man wolle das Land sein, das am besten auf diese neue globale Welle vorbereitet sei. Auch der russische Präsident Wladimir Putin scheint dieses Thema sehr hoch zu priorisieren. Solche Vorreiter sollten idealerweise nicht die einzigen sein, es sollten sich viele internationale politische Mitstreiter finden.

Ganz gleich, welche Position wir selbst einnehmen: Die Entwicklung lässt sich nicht aufhalten, womöglich lediglich temporär regulieren. Aber wo stehen wir heute eigentlich wirklich? Wie weit ist denn die künstliche Intelligenz?

Dafür müssen wir zunächst genauer definieren, was wir darunter verstehen.

Was ist künstliche Intelligenz?

Jeder hat hierzu sicherlich seine spontane eigene Vorstellung. Eine objektive Definition findet sich natürlich bei Wikipedia. Demnach ist künstliche Intelligenz (KI bzw. AI für Artificial Intelligence) „ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens befasst. (…) Im Allgemeinen bezeichnet künstliche Intelligenz [oder KI] den Versuch, eine menschenähnliche Intelligenz nachzubilden, d. h., einen Computer so zu bauen oder zu programmieren, dass er eigenständig Probleme bearbeiten kann.“ KI lässt also einen gewissen Interpretationsspielraum.

Allzu oft haben wir es aber weniger mit intelligenten Systemen im Sinne der menschlichen Intelligenz zu tun, sondern vielmehr mit den sich rasant entwickelnden Möglichkeiten des maschinellen Lernens. Vereinfacht formuliert ist maschinelles Lernen die künstliche Generierung von Wissen aus Erfahrung. Dabei werden Computer so gebaut, dass sie mithilfe von selbstlernenden Algorithmen eigenständig bestimmte Muster oder Zusammenhänge in Daten erkennen, Rückschlüsse ziehen und Vorhersagen treffen, sodass sich die aus den Daten gewonnenen Erkenntnisse verallgemeinern und für Problemlösungen verwenden lassen.

Damit ein Computer eigenständig lernen und Lösungen finden kann, müssen IT-Systeme zunächst von Menschen mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Zudem müssen Regeln für die Analyse der Daten und für das Erkennen von Mustern erstellt werden.

Für das maschinelle Lernen hat sich im wissenschaftlichen und beruflichen Umgang der englische Begriff Machine Learning durchgesetzt. Machine Learning gilt zurzeit als eine der zentralen und erfolgreichsten Teildisziplinen der künstlichen Intelligenz.

Zwar basieren Machine-Learning-Methoden immer noch auf Forschungen der 1980er-Jahre, ihre Verbreitung steigt jedoch mit dem technischen Fortschritt. Mit neuen Datenbanktechnologien, erheblich leistungsstärkeren Prozessoren und verbesserten Algorithmen nimmt auch der Höhenflug des Machine Learning stetig zu.

Die größten Ausbaustufen des Machine Learning beweisen Mensch-Maschine-Wettkämpfe, die höchste kognitive Leistungen von IT-Systemen erfordern. So besiegte Googles AlphaGo Machine-Learning-System Anfang 2016 den amtierenden Weltmeister des asiatischen Strategiespiels Go in einem Spiel über fünf Runden deutlich mit 4 : 1.

Der AlphaGo Algorithmus half Google zudem, den Energieverbrauch ihres Rechenzentrums um 15 % zu verringern. Dieses Beispiel zeigt die sehr hohe ökonomische Relevanz des Machine Learning bzw. der künstlichen Intelligenz.

Natürlich sind diese Abläufe beeindruckend. Wir sind damit jedoch lediglich einen kleinen Schritt weitergekommen, eine zum Menschen vergleichbare Intelligenz zu produzieren, und kratzen erst einmal nur an der Tür zu einer wahren künstlichen Intelligenz.

Jedoch können wir festhalten, dass es mit künstlicher Intelligenz schon heute gelingt, die menschlichen Leistungen enorm effizienter, produktiver und sogar kreativer zu machen. Künstliche Intelligenz bzw. die heutigen Machine-Learning-Verfahren haben also eine außerordentlich wertvolle ergänzende Funktion zu den menschlichen Fähigkeiten.

Die Einsatzmöglichkeiten in unserem Alltag erscheinen zunächst grenzenlos, z. B. bei der Analyse von medizinischen Studien, bei Auswertungen in der Logistik zur Optimierung von Lieferprozessen oder bei der Analyse von Messwerten zur Fehlerprognose im Ingenieurswesen.

Wie stellt sich der Status quo aus der Sicht einer Digitalagentur dar?

Auch in unserem Agenturalltag ist das Thema künstliche Intelligenz allgegenwärtig. Und das schon lange nicht mehr nur beim klassischen Organisieren und Bearbeiten von Bildern, sondern auch in Aufgabengebieten, in denen Vokabeln wie Machine Learning oder AI (Artificial Intelligence) omnipräsent sind: Marketingautomatisierung, Customer Relationship Management, Chatbots sowie Bild- und Objekterkennung.

Marketingautomatisierung

Gerade im Bereich der Marketingautomatisierung können Machine-Learning-Systeme schon heute ihre Kraft ausspielen. Hier werden explizit Systeme benötigt, die digitale Marketingabläufe analysieren und sich wiederholende Marketingaufgaben automatisch ausführen. Das betrifft z. B. die regelgesteuerte und personalisierte Auslieferung von E-Mails, Messages, Videos, Social Media Posts, von Website-Inhalten, Shop-Angeboten oder Anzeigen. Mit der Unterstützung von Machine-Learning-Verfahren wird kontinuierlich analysiert, wie die Ausspielung der Kommunikationsmittel und -inhalte je nach Marketingziel und Verbraucherreaktion optimiert werden kann. Das geht mit keiner Excel-Tabelle mehr, dafür benötigt man mächtige Systeme, die das klassische Marketinghandwerk beschleunigen und verbessern.

Schnell wird dabei deutlich, dass die Kunst darin besteht, eine technologische und analytische Infrastruktur möglichst holistisch anzugehen, sodass künstliche Intelligenz aus allen Endkundenkontaktpunkten lernen kann und somit das digitale Marketing dabei unterstützt, Customer Journeys ganzheitlich zu verstehen und Touch Points mit einzelnen Endkunden oder mit Endkundensegmenten ganzheitlich bewerten und optimieren zu können. In der Praxis zeigt sich, dass ein bestimmtes System oder ein bestimmter Anbieter dafür alleine nicht ausreichen, auch wenn das diverse Anbieter mit ihren Marketing-Clouds gerne so proklamieren. Eine Marketingorganisation muss sich je nach ihren spezifischen Zielen und Anforderungen eine eigene modulare, jedoch vernetzte technologische und analytische Infrastruktur und entsprechende Abläufe schaffen. Dann sind enorme Erfolge in der digitalen Kommunikation möglich. Diese machen sich in einer weitaus höheren Produktivität bemerkbar. Das heißt, die Marketingorganisation vergrößert ihre Ressourcen erheblich und legt in Verbindung mit einer höheren Anpassungsfähigkeit und Skalierbarkeit an Wettbewerbsfähigkeit zu. Vor allem resultieren solche Investitionen in merklich besseren Umwandlungsraten von einem Kundenkontaktpunkt zu einer wirtschaftlich wertvollen Transaktion. In unserer Praxis sind Steigerungen bis zu 35 % keine Seltenheit.

Customer Relationship Management

Vor allem im Bereich CRM sehen wir enormes Potenzial. Chatbots haben sich beispielsweise in Rekordgeschwindigkeit vom Trendthema zum beinahe etablierten Marketinginstrument entwickelt. Nach ersten Prototypen setzen wir diese für unsere Kunden heute bereits regelmäßig als Dialoginstrument ein. Allzu schnell werden Chatbots jedoch gleichgesetzt mit intelligenten Systemen, die auf alle Fragen pfiffige Antworten haben müssen. Dies ist zunächst mal ein Trugschluss. Chatbots müssen erst einmal ordentlich mit Funktionen, Informationen und Reaktionsoptionen gefüttert werden. Kein Bot wird vom Start weg perfekt kommunizieren können. Dabei ist die Gefahr leider groß, dass Absender wie Empfänger von Botschaften von der Leistungsfähigkeit enttäuscht sind.

Dem kann man vorbeugen, indem die Systeme von Anfang an erwartungsgemäß aufgesetzt werden, nicht zu viel versprechen und vor allem auch geschlossene Fragestellungen mit vorgegebenen Antwortoptionen nutzen. Während des Einsatzes der Bots ist es zudem essenziell, die Verbraucherdialoge fortwährend zu analysieren und das System sukzessive zu optimieren. Dadurch wird das System immer schlauer und treffsicherer in seinen Antworten.

Über die Einbindung von weiteren externen Datenquellen wie Wetter, Nachrichten, Produkt-Updates etc. kann der Nutzwert ebenfalls Schritt für Schritt optimiert werden. Neben der Möglichkeit, Chatbots zu „trainieren“ und mit unterschiedlichen Datenquellen zu vernetzen, wird es zukünftig auch immer besser gelingen, semantische Systeme zu entwickeln, die in der Lage sind, mehr und mehr Bedeutungen unterschiedlichster Redewendungen zu verstehen und entsprechend treffsicherere Antworten zu liefern – ein weiterer Schritt hin zu intelligenten Systemen.

MINI John Cooper Works Chatbot

Aller Anfang ist aber schwer und noch haben wir uns nicht daran gewöhnt, dass wir in diesen dynamischen Zeiten der Digitalisierung immer mehr öffentliche Beta-Lösungen einsetzen, um Systeme auf der Basis der Praxiserfahrungen schneller und gezielter zu optimieren. Apple ist mit der Publikation von öffentlichen Beta-Versionen ein gutes Beispiel dafür. Früher waren diese Vorabversionen ausschließlich Entwicklern vorbehalten. Heute gibt es jedoch viele interessierte Endverbraucher, die über Feedback-Funktionen die Systemverbesserung gerne unterstützen.

Neben dem singulären Einsatz einzelner Chatbots werden diese Dialog-Roboter die Optimierung bereits bestehender CRM-Systeme massiv vorantreiben. Umso intensiver und regelmäßiger Chatbots zum Einsatz kommen, desto essenzieller wird es sein, alle Customer Touch Points in einem System zu erfassen und den jeweiligen Dialogstatus mit dem Verbraucher zu synchronisieren. Ein Bot muss zukünftig wissen, dass es vorab ein Telefonat gab, E-Mail-Korrespondenzen mit dem Kundenservice stattfanden und welche Produkte der Käufer bereits von der Marke erworben hat, um Reklamationen schneller bearbeiten zu können und natürlich auch, um ein optimales Up– und Cross Selling betreiben zu können. Stets mit dem Ziel, dem Verbraucher nur die Information oder das Angebot zu unterbreiten, das ihn tatsächlich in dem richtigen Moment interessiert, und ihn vor der wachsenden Gefahr des Information overload zu schützen – Stichwort: Moment-Marketing. Dabei werden viele Kunden durchaus einer Maschine ungehemmter Fragen stellen als einem Berater, so die Vermutung. Schließlich kann man sich einer Maschine gegenüber nicht blamieren. Zudem gibt es insbesondere im Finanzbereich neue interessante Erkenntnisse: Statt einer großen Skepsis überwiegt hier laut einer aktuellen weltweiten Studie von Accenture mit
33.000 Befragten in 18 Ländern großes Vertrauen gegenüber einer objektiv wirkenden Anlageberatungsmaschine – also einem sogenannten Robo Advice. 78 % würden demnach gerne diese Leistung in Anspruch nehmen.

 

Image Recognition und Machine Learning

Bild- und Objekterkennungssysteme treiben uns schon lange vor allem im mobilen Umfeld um. Bereits vor dem Marktstart des iPhone haben wir zur Vernetzung von Out-of-Home- Plakatkampagnen Bilderkennungssysteme eingesetzt, die damals aus dem Bereich der Robotik zweckentfremdet wurden. Plakatmotive wurden dabei vom Passanten mit dem Feature Phone fotografiert und per Multimedia-Message (MMS) an einen Server geschickt. Das System erkannte das Motiv und antwortete mit einem motivspezifischen Feedback. Das war etwa im Jahr 2005 und funktionierte bereits erstaunlich präzise. Insgesamt eine spannende Funktion, allerdings mit geringer Nutzung – wie so oft, wenn man neue Wege beschreitet. Die Usability war auch noch weit weg von echter Anwenderfreundlichkeit. Es war aber auch die Zeit, wo sich der Durchschnittsverbraucher nicht vorstellen konnte, dass bald jedermann auf der Straße im Internet surfen wird. Warum auch?

Heute finden wir beispielsweise im Rahmen der neuen ML-Schnittstelle von Apple vergleichbare Systeme wie Core ML:

Hier zeigt sich sehr plakativ, wie weit der Entwicklungsgrad aktuell im Bereich des erwähnten Machine Learning ist. In Millisekunden versucht die Datenbank, identifizierte Objekte zu erkennen, die im Bereich der Kamera auftauchen. Dies geschieht bereits rasend schnell, allerdings ist die Treffsicherheit noch vergleichsweise übersichtlich. Das wird sich jedoch ebenfalls mit hoher Geschwindigkeit ändern. Alle großen Tech-Konzerne arbeiten an entsprechenden Lösungen und schnelle Verbesserungen der Trefferwahrscheinlichkeit werden nicht lange auf sich warten lassen. Im Endergebnis wird es möglich sein, über Kamerafunktionen – ganz gleich in welcher Hardware – location- und kontextbezogene Informationen auszuliefern. Augmented Reality wird also mit Machine-Learning-Fähigkeiten eine neue Informationsära einleiten.

 

Sprachassistenten und Natural Language Processing

Erst hat es sich nur langsam mit einem Amazon Echo angekündigt, dann brach es über die Menschheit herein: ein enormes Angebot an Sprachassistenten. Amazon bietet immer mehr Produktvarianz, Google ist mit Google Home im Rennen, Apple bringt den Homepod, Samsung veröffentlicht Bixby als Sprachassistenten in seinen Systemen. Und alle anderen Anbieter wie Sony, Panasonic oder Onkyo stellen immer neue Hardware zur Verfügung und greifen auf die verfügbaren Sprachsysteme der großen Player zu.

Mit diesem Trend werden wir sukzessive lernen, uns mit Maschinen zu unterhalten. Dabei starten oftmals Nutzer mit einer hohen Erwartungshaltung und merken dann, dass die Systeme eben noch nicht alles verstehen und nicht jede Frage beantworten können. Es zeigt sich also das gleiche Phänomen wie bei den Chatbots. Aber mit steigender Nutzung wird sich auch das ändern. Die Systeme, die letztlich ähnlich strukturiert sind wie Chatbots, werden ebenfalls mit immer mehr Daten gefüttert, sukzessive trainiert und mit Semantik angereichert.

Sprache wird definitiv eines der spannenden Interfaces der Zukunft sein, die Menschen im Umgang mit Technologie nutzen werden. Die Assistenten werden mit der Zeit immer natürlicher mit den Nutzern plaudern und intelligenter erscheinen, zumal sie anhand von Stimmanalysen auch immer mehr auf die Stimmung eingehen und somit emphatische Mitbewohner werden können.

Marken sind gut beraten, heute ihre ersten Erfahrungen zu sammeln, mögliche Anwendungsbereiche zu testen und dieses Instrument fest in ihre Digital Innovation Landscape zu integrieren. Denn was kann es Besseres geben für eine Marke, als einen sympathischen Mitbewohner der Zielgruppen für sich als Markenbotschafter, Berater und Verkäufer einzusetzen?

 

Wie sollen wir mit künstlicher Intelligenz umgehen?

Keine Sorge, wir Menschen bleiben trotz aller Entwicklungen eine wertvolle Ressource. Wir können und sollten uns in unseren Aufgaben aber vermehrt mit der emotionalen Schiene, mit Kreativität und Strategie beschäftigten. Denn das werden Maschinen nicht so schnell leisten können, von einer menschengleichen Intelligenz sind wir noch Jahre entfernt.

Aber: Künstliche Intelligenz oder – per Status quo – eher Machine Learning bringt heute schon ein gewaltiges Potenzial mit. Für alle Branchen und eben sehr stark auch für Marketing und Kommunikation. Dabei gilt es, schnell gemeinsam Erfahrungen zu sammeln und die Entwicklung so aktiv zu gestalten.

Wie schafft man sich die Voraussetzungen, um im Thema künstliche Intelligenz selbst zu experimentieren?

Anbieter wie Microsoft, IBM, Google und Amazon bieten Plattformen und Services für die Entwicklung von intelligenten Anwendungen. Damit können Entwickler zum Teil ohne spezielles Machine-Learning-Know-how intelligente Anwendungen bauen, die aus einem frei wählbaren Datenbestand lernen. Bei IBM heißt diese Plattform Watson, bei Microsoft Azure ML Studio, bei Amazon Amazon Machine Learning und bei Google Tensorflow.

Am weitesten verbreitet und am populärsten sind freie, qualitativ hochwertige Open-Source-Lösungen, die künstliche Intelligenz für ein breites Publikum an Data Scientists und Entwicklern zugänglich machen. Bei den Programmiersprachen wird in diesem Kontext besonders Python favorisiert. Auch R und Java sind beliebt. Die aktuell populärsten Datenbank- bzw. Datenverarbeitungssysteme sind unter anderem MongoDB, Neo4j oder Apache Spark. Die Dynamik der Entwicklung solcher Angebote ist enorm. Interessant ist, dass sich auch Anbieter wie IBM oder Google an Open-Source-Komponenten bedienen, die sie in ihr Portfolio einbinden.

In unserer Agenturgruppe setzen wir ebenfalls auf ein System aus Open-Source-Komponenten. Aus diesen haben wir mit CORE eine eigene Plattform für die flexible Entwicklung von Machine-Learning-Lösungen aufgebaut. Gezielt rekrutierte Data-Science- Spezialisten arbeiten mit Kommunikations- und Digitalspezialisten und unseren Kunden zusammen, um gemeinsam auf der CORE Plattform für unterschiedliche Problemstellungen Lösungen zu erarbeiten. So schaffen wir es, gemeinsam mit unseren Kunden Schritt für Schritt Marketingkommunikationsprogramme deutlich effizienter und wirksamer zu gestalten.

Wir konnten z. B. mit dem BrandCube ein Instrument entwickeln, das Kommunikationsinvestitionen in individuelle Marketingzielsetzungen in individuellen Zielsegmenten vorhersehbar und planbar macht. Algorithmen berechnen in wenigen Minuten aus umfassenden Erfahrungswerten, wie ein Marketingkommunikationsbudget am effizientesten investiert werden sollte.

So können unsere Agenturspezialisten bei Bedarf schnell Investitionsszenarien erstellen und gemeinsam mit unseren Kunden abstimmen. Solche mit Machine Learning unterstützten Prozesse haben schon zu Insights geführt, Marketingkommunikations- und Vertriebsinvestitionen im Zusammenspiel so stark zu optimieren, dass das wirtschaftliche Ergebnis der Marketingkommunikation um mehr als 14 % zulegte.

Möglich sind solche erheblichen Nutzen mit Beteiligung von Methoden der künstlichen Intelligenz bzw. des Machine Learning in einer engen und transparenten Zusammenarbeit aller an einem zu optimierenden Prozess beteiligten Spezialisten, die sich auf eine gemeinsame Plattform verständigen und sich iterativ einer gemeinsamen Vision oder Problemlösung nähern.

Lassen Sie uns die Zukunft und den Wandel also gemeinsam gestalten.

Illustration: Emiliano Ponzi