Unternehmen investieren heute enorme Summen in Daten, Modelle und künstliche Intelligenz. Die Hoffnung dahinter ist verständlich: Je besser das eigene Modell, desto besser die Entscheidung. Doch genau darin steckt eine Gefahr. Ein Unternehmen kann ein immer ausgefeilteres Modell bauen und trotzdem systematisch Information ignorieren, die bereits außerhalb des eigenen Systems vorhanden ist.
Bill Benter liefert dafür eines der interessantesten Beispiele. Der Mathematiker entwickelte in Hongkong ein Modell zur Vorhersage von Pferderennen. Sein Ansatz war zunächst klassisch: historische Daten sammeln, relevante Faktoren identifizieren, Wahrscheinlichkeiten berechnen und diese mit den angebotenen Wettquoten vergleichen. Wenn sein Modell eine höhere Gewinnwahrscheinlichkeit für ein Pferd berechnete als der Markt, entstand eine potenzielle Fehlbewertung.
Doch irgendwann erkannte Benter etwas Entscheidendes: Die Wettquote war nicht nur der Preis, gegen den er antrat. Sie war selbst Information.
Das eigene Modell ist nie vollständig
Die öffentlichen Wettquoten entstanden aus den Einschätzungen Tausender Marktteilnehmer. Viele dieser Menschen verfügten möglicherweise über Wissen, das Benters Modell nicht erfasste. Beobachtungen aus dem Training, Informationen über den Zustand eines Pferdes, lokale Erfahrung oder schlicht Muster, die in seinen Daten nicht enthalten waren.
Die naheliegende Reaktion wäre gewesen, dem eigenen Modell zu vertrauen und den Markt als irrationalen Gegner zu betrachten.
Benter tat das Gegenteil.
Er begann, die Wahrscheinlichkeiten seines eigenen Modells mit den impliziten Wahrscheinlichkeiten der Wettquoten zu kombinieren. Sein System wurde dadurch besser. Nicht weil er sein Modell aufgab, sondern weil er akzeptierte, dass der Markt Informationen enthielt, die sein Modell nicht besaß.
Darin steckt eine wichtige strategische Erkenntnis:
Das beste Modell muss nicht das Modell sein, das alles selbst weiß. Es kann das Modell sein, das weiß, welche anderen Signale es ernst nehmen sollte.
Der Markt ist nicht nur Gegner. Er ist Sensor.
Dieses Prinzip reicht weit über Wettmärkte hinaus.
Unternehmen betrachten externe Systeme häufig entweder als Infrastruktur oder als Gegner. Google, Amazon, Märkte, Kundenreaktionen, Wettbewerber oder Plattformalgorithmen werden als etwas gesehen, das es zu überlisten oder möglichst unabhängig zu machen gilt.
Doch diese Systeme aggregieren selbst enorme Mengen an Information.
Nehmen wir Google Ads. Google verfügt über Signale, die ein einzelnes Unternehmen niemals vollständig besitzen wird. Milliarden Suchanfragen, Klickverhalten, Gerätekontext, zeitliche Muster, Kaufwahrscheinlichkeiten und unzählige weitere Zusammenhänge fließen in die Modelle der Plattform ein.
Es wäre deshalb vermutlich ein Fehler, zu glauben: Unser Modell gegen Googles Modell. Die interessantere Frage lautet: Welche Informationen besitzt Google, die wir nicht besitzen, und welche Informationen besitzen wir, die Google nicht besitzt?
Google kennt möglicherweise sehr gut die Wahrscheinlichkeit eines Klicks oder einer Conversion. Das Unternehmen selbst kennt dagegen seine tatsächlichen Margen, Retouren, Wiederkaufraten, Offline-Umsätze, strategisch wichtige Kundengruppen oder die langfristige Qualität eines Leads.
Der bessere Ansatz ist deshalb nicht entweder Google oder das eigene Modell. Sondern:
Google Prediction + Unternehmensdaten + Kontext + wirtschaftliche Logik.
Der externe Algorithmus wird damit nicht nur zum Dealer. Er wird zum Sensor.
Die eigentliche Intelligenz liegt in der Kombination
Das ist eine wichtige Veränderung im Verständnis von Business Intelligence und AI.
Viele Unternehmen versuchen heute, möglichst viele Daten in ein zentrales System zu bringen und daraus eine möglichst perfekte Antwort zu erzeugen. Doch reale Entscheidungen funktionieren selten so sauber. Unterschiedliche Informationsquellen sehen unterschiedliche Teile der Realität.
Ein CRM sieht Kundenbeziehungen. Google sieht Suchverhalten. ERP-Systeme sehen Margen und Bestellungen. Mitarbeiter besitzen Erfahrungswissen. Kundenbewertungen zeigen Probleme, die sich in strukturierten Daten noch gar nicht widerspiegeln.
Der Markt zeigt, wie andere Akteure die Situation einschätzen. AI kann diese unterschiedlichen Perspektiven miteinander verbinden. Die entscheidende Frage lautet deshalb nicht mehr nur: Wie gut ist unser Modell? Sondern: Welche relevanten Signale fehlen unserem Modell noch?
Gute Systeme widerlegen ihre eigenen Ideen
Noch etwas an Benters Vorgehen ist bemerkenswert. Wenn er eine Hypothese hatte, versuchte er nicht, sie zu bestätigen. Er testete sie. Er vermutete beispielsweise, dass Temperatur einen Einfluss auf die Leistung von Rennpferden haben könnte. Also beschaffte er historische Wetterdaten und überprüfte den Zusammenhang. Das Ergebnis war negativ. Die Idee wurde verworfen. Andere Variablen erwiesen sich dagegen als nützlich und blieben im Modell.
Das klingt banal. In Unternehmen geschieht häufig das Gegenteil. Eine Idee entsteht, anschließend werden Daten gesucht, die sie stützen. Besonders gefährlich wird das, wenn dashboards, AI und komplexe Analysen einer ursprünglichen Annahme lediglich mehr Autorität verleihen.
Ein intelligentes System sollte deshalb nicht darauf optimiert sein, möglichst viele Hypothesen zu bestätigen. Es sollte möglichst schnell erkennen, welche Annahmen falsch sind. Genau hier beginnt echtes Lernen. Von Daten zu Decision Intelligence
Bei divendus denken wir solche Systeme deshalb nicht als reine Daten- oder AI-Projekte. Die entscheidende Frage lautet nicht, welches Tool eingesetzt wird, sondern wie aus unterschiedlichen Informationen bessere Entscheidungen entstehen.
DIQOS beschreibt diesen Prozess als Zusammenspiel von Data, Insights, Questions, Operations und Systems. Daten liefern Signale. Insights machen Muster sichtbar. Questions stellen die entscheidenden Annahmen infrage. Operations übersetzen Erkenntnisse in Handlungen. Und das System beobachtet anschließend, was tatsächlich passiert ist.
Der entscheidende Schritt liegt häufig bei Q
Denn mehr Daten führen nicht automatisch zu besseren Entscheidungen. Erst die richtigen Fragen verwandeln Information in Urteilskraft.
Welche Information steckt bereits im Marktpreis? Welche Signale besitzt eine Plattform, die uns fehlen? Welche Informationen besitzen wir, die der Markt nicht kennt? Welche Annahme unseres Modells müsste am dringendsten getestet werden? Und welches Ergebnis würde uns zwingen, unsere Meinung zu ändern?
Der Wettbewerbsvorteil liegt nicht im Modell
Bill Benters Vorteil bestand nicht aus einem geheimen Datensatz oder einer einzigen genialen Formel. Sein Edge entstand aus der Kombination vieler Elemente: Daten, Modelle, externe Marktsignale, Tests, Kapitalallokation und konsequente Umsetzung.
Genau darin liegt auch eine wichtige Lektion für Unternehmen im Zeitalter künstlicher Intelligenz. Zugang zu Modellen wird zunehmend commoditized. Viele Unternehmen werden dieselben AI-Systeme, Plattformen und Datenquellen verwenden. Der Wettbewerbsvorteil entsteht deshalb weniger daraus, ein Modell zu besitzen.
Er entsteht daraus, ein besseres System zu bauen, das Informationen aus unterschiedlichen Quellen verbindet, Annahmen laufend testet und schneller lernt. Manchmal bedeutet das, dem eigenen Modell zu vertrauen. Manchmal bedeutet es, dem Markt zuzuhören. Die eigentliche Intelligenz besteht darin, den Unterschied zu erkennen.