Benedict Evans’ Technologietrends 2025: AI eats the world

 (ben-evans.com)
23 Punkte von xguru 2024-12-30 | 2 Kommentare | Auf WhatsApp teilen
  • Zusammengefasste Kurzfassung und zusätzliche Erläuterungen des Reports von 2025 (90 Folien)
  • „In meinem Leben gab es genau zwei revolutionäre Tech-Demos: GUI und ChatGPT – Bill Gates“
  • OpenAI wird mit einer geschätzten Bewertung von 157 Mrd. USD bewertet (Microsoft brauchte 20 Jahre)
    • ChatGPT hat mit beispielloser Geschwindigkeit das Bewusstsein des Mainstreams erreicht
    • Das Interesse ist groß, aber die Einsatzmöglichkeiten sind begrenzt, und viele empfinden es noch nicht als nützlich
    • Am Markt wird bereits darüber gesprochen, ob der Nutzen im Verhältnis zu den Investitionen ausbleibt
  • Im Hype Cycle braucht es Zeit, bis das „Plateau of Productivity“ erreicht wird
  • Der nächste Plattformwechsel ist „Generative AI“
    • Mainframe → PCs / SQL → Web / Open Source → Smartphones / Cloud → Generative AI
  • Aber noch ist alles offen, und niemand kennt die Antwort
    • How far will this scale?
    • How is this useful?
    • How do we deploy this?

How far will this scale? Wie weit lässt sich das skalieren?

  • Werden LLMs immer größer (Scaling)? Werden LLMs „alles“ machen?
  • Scaling ist schwierig
    • Diese Modelle zu vergrößern bringt viele Herausforderungen mit sich und wird Zeit brauchen
      • GPUs und Strom, Trainingsdaten, Betrieb und Engineering, und die Frage, ob die Ergebnisse tatsächlich besser werden
    • Stand heute bleibt nichts anderes übrig, als weiter zu investieren (ansonsten könnte man die wichtigste Technologie der nächsten 10 bis 15 Jahre verpassen)
    • „Wir haben keinen Burggraben – Google“
    • „Die Modelle, die wir derzeit trainieren, kosten fast 1 Mrd. USD, und 2025/2026 werden es eher 5 oder 10 Mrd. USD sein – CEO von Anthropic“
    • „Die Rechenleistung, die zum Training von Llama 4 nötig ist, ist mehr als zehnmal so hoch, und künftige Modelle werden weiter darüber hinaus wachsen – Mark Zuckerberg“
  • Wenn der Burggraben „Kapital“ ist, dann kann Nvidia die Nachfrage derzeit nicht decken
  • Die Capex der Big Four (Meta, Alphabet, AWS, MSFT) lagen 2023 bei 90 Mrd. USD, 2024 bei 220 Mrd. USD. 2025 werden sie weiter steigen
  • Alles verändert sich schnell, während sich der technische Fortschritt direkt unter unseren Füßen vollzieht
    • Damit sich AI weiterentwickeln kann, ist ein Gleichgewicht zwischen Ergebnissen (bessere Resultate), Richtung und Ressourceneffizienz (Trainingskosten, Inferenzkosten, CO2-Fußabdruck) entscheidend
  • „Das Consumer-Internet-Modell ‚gratis starten, viral wachsen und später über Monetarisierung nachdenken‘ passt nicht zur heutigen Kostenstruktur großer Sprachmodelle (LLMs).“
    • Traditionell hatte Software hohe anfängliche Entwicklungskosten, aber fast keine Kosten für Kopie oder Distribution, also nahezu keine „Grenzkosten“
    • LLMs benötigen beim Training und bei der Inferenz enorme Rechenressourcen (Strom, Server usw.), und mit steigender Nutzerzahl steigen auch die Kosten erheblich
    • Eine Strategie, große Nutzerzahlen über ein kostenloses Angebot zu gewinnen, ist nicht nachhaltig, wenn kein Monetarisierungsmodell etabliert ist
    • Das heißt: Von Anfang an braucht es eine klare Strategie zur Kostendeckung
  • „Jeder in der Tech-Industrie verschenkt das Geschäftsmodell von jemand anderem.“
    • Wenn Geschäftsmodelle oder Kerntechnologien von Wettbewerbern oder anderen Organisationen als Open Source oder in anderer freier Form verfügbar werden, verliert die exklusive Wettbewerbsposition einzelner Unternehmen an Stärke
    • Indem Meta wichtige technologische Assets wie AI-Modelle als Open Source veröffentlicht, werden diese Technologien zu gemeinsamer Infrastruktur, die jeder nutzen kann
    • Apple fördert über Edge-Computing-Technologien die direkte Ausführung von AI-Modellen auf Endgeräten. Statt AI auf zentralen Servern laufen zu lassen, werden Modelle eher wie einfache API-Aufrufe behandelt, was den Kommerzialisierungswert der Technologie senkt
  • Der Modellboom 2023–2024: Wähle zwei von drei – gut, schnell, günstig

How is this useful? Wie nützlich ist das?

  • 2013: Machine Learning begann, Menschen/Hunde/Stühle zu unterscheiden. „Clever – und jetzt?“
  • 2023: Ist generatives ML wie ChatGPT nützlich? „Clever – und jetzt?“
  • Die Fehlererkennung ist noch eingeschränkt. Für einen wirksamen Umgang mit Fehlern braucht es einen ausgewogenen Ansatz auf allen Ebenen
    • Eine zusammengesetzte Aufgabe aus wissenschaftlichen Problemen (Modellverbesserung), Definition von Use Cases und Produktdesign (Verbesserung der UX)
  • „Wie sind LLMs im Jahr 2024 nützlich?“
    • LLMs sind im Kern probabilistische Systeme zur Vorhersage des nächsten Wortes
    • Der aktuelle Stand: nützlich für Zusammenfassung und Synthese von Informationen, aber noch schwach bei komplexem Schlussfolgern
    • LLMs haben das Potenzial, neue Arten von Arbeit zu automatisieren, aber um das vollständig zu verstehen und zu definieren, braucht es mehr Exploration
  • VisiCalc war das erste elektronische Tabellenkalkulationsprogramm der Welt und verkürzte Rechenarbeit von 20 Stunden auf 15 Minuten
    • Ein Anwalt könnte das sehr innovativ und intelligent finden, aber trotzdem das Gefühl haben, dass es für die eigene Arbeit nicht relevant ist
    • Solche Anwendungsfälle nehmen jedoch zu
      • Beim Programmieren, Marketing, Kundenservice und anderen Aufgaben mit klar erkennbarem Bedarf entsteht sofortiger Mehrwert
  • „Man muss bei der Kundenerfahrung anfangen und sich von dort zur Technologie zurückarbeiten. – Steve Jobs“

How do we deploy this? Wie bringen wir das in den Einsatz?

  • Der typische Ablauf bei der Einführung neuer Technologien
      1. Absorb (integrieren): Neue Technologie wird zu einer Funktion und bestehenden Geschäfts- oder Produktfunktionen hinzugefügt
      1. Innovate (innovieren): Auf Basis der neuen Technologie werden innovative Ideen oder Produkte entwickelt. Startups nutzen dies oft zur Entbündelung
      1. Redefine markets (Märkte neu definieren): Neue Technologien können die Grenzen bestehender Märkte auflösen und völlig neue Märkte schaffen. Das ist schwer vorherzusagen, und erfolgreiche Beispiele sind selten
  • Standardfragen, die Unternehmen bei der Einführung neuer Technologien stellen
    • „Buy versus build?“ (kaufen oder selbst entwickeln?)
    • „Single vendor or multi-vendor?“ (ein einzelner Anbieter oder mehrere Anbieter?)
    • „Which use cases first? Whose budget?“ (welche Use Cases zuerst? Aus wessen Budget?)
    • „Opex or capex? What’s the EPS impact?“ (Betriebskosten oder Investitionsausgaben? Welche Auswirkungen hat das auf den Gewinn je Aktie (EPS)?)
  • Die Zukunft kann lange dauern
    • Cloud ist ein altes und fast schon langweiliges Wort, macht aber noch immer nur 30 % aller Workflows aus
    • 2024 hat ein Viertel der CIOs etwas auf LLM-Basis eingeführt, aber die Hälfte plant auch im nächsten Jahr nichts in diese Richtung
  • Neue Plattformen bedeuten aber auch neue Werkzeuge
    • SaaS-Anbieter dehnen Automatisierung massiv aus und entbündeln Workflows aus SAP, Excel und E-Mail
  • „Es gibt zwei Wege, Geld zu verdienen: bündeln oder entbündeln. – Jim Barksdale“
  • Was wäre, wenn LLMs alles erledigen könnten? Wenn sich Modelle weit genug entwickeln, könnten wir dann viel weniger Software brauchen?
    • Wenn LLMs bei bestimmten Aufgaben nicht deutlich besser werden als heute, wird neue Software weiterentwickelt werden müssen
    • Wenn LLMs weiter skalieren und sich weiter verbessern, könnten große Teile der Softwareentwicklung überflüssig werden
      • Das Potenzial einer Entwicklung hin zu einer „General Purpose AI“, die alles erledigt
  • Sind LLMs Infrastruktur? API? Plattform? Eine neue User Experience? Steuern wir LLMs mit logischen Systemen oder logische Systeme mit LLMs?
    • LLMs können als einfache API genutzt werden, oder sie etablieren sich als vollständige Plattform, während alles andere zur API wird
    • Mit dem technischen Fortschritt und der Skalierbarkeit wird sich die Rolle von LLMs weiterentwickeln
  • Zerstören LLMs unser Modell zur Entdeckung von Use Cases? Wenn alles dieselbe UX hat, wie erfinden Unternehmer dann neue Anwendungsfälle und neue Formen des Selbstausdrucks?
    • In der traditionellen Softwareentwicklung stellen sich Startups und Unternehmen konkrete Use Cases vor und erfinden sie
    • Wenn LLMs so weit kommen, dass sie alle Use Cases abdecken und automatisieren, könnte der Bedarf an traditioneller Softwareentwicklung sinken
    • Wenn LLMs zum Zentrum der UX werden, müssen Nutzer womöglich selbst neue Use Cases imaginieren und erfinden
      • Ein Paradigmenwechsel in Softwareentwicklung und UX-Design
  • „AI“ neigt dazu, zu „Automatisierung“ zu werden.: As technology matures, it disappears (Wenn Technologie reift, verschwindet sie.)
    • AI! → Smart → Auto → Just software
  • Drei Modelle für LLM-Produkte?
    • Neue Funktionen in bestehende Anwendungen einbauen: „Formuliere meine E-Mail um, fasse die Reviews zusammen“
    • Neue Werkzeuge: „Analysiere und fasse 500 Finanzberichte zusammen“
    • General Purpose AI: „Kauf mir ein Haus“
  • Vielleicht gibt es auf jede AI-Frage nur eine von zwei Antworten.
    • „Es wird sich wie jeder andere Plattformwechsel entwickeln.“
    • „Niemand weiß es“

Meanwhile...

  • Von der Vision zur Umsetzung: Was ist bereits groß, was wird gerade gebaut und was kommt als Nächstes?
    • In den frühen 2000ern war E-Commerce die große Innovationsidee: „Menschen werden Dinge online kaufen“
    • In den 2010ern standen Ideen wie SaaS (Software as a Service), Automatisierung, Kollaborationstools und Workflow-Management im Fokus
    • Mit Blick auf 2030 etabliert sich Generative AI als neue Vision
  • Meta arbeitet immer noch am Metaverse (VR & AR). Bislang wurden mindestens 60 Mrd. USD investiert, davon 17,4 Mrd. USD allein in den letzten 12 Monaten
  • E-Commerce ist im Wesentlichen unverändert geblieben (mit Ausnahme der COVID-Zeit). Es ist die langweiligste Kurve im gesamten Tech-Chart
  • Amazon entbündeln: Das GMV (Gross Merchandise Volume) von Shopify hat 270 Mrd. USD überschritten. Das entspricht 35 % des Amazon-GMV
  • Amazons Werbeumsatz steigt weiter. Der Cashflow ist höher als im Retail-Geschäft bzw. bei AWS
  • Software eats media: neue Kanäle, neue Modelle, neue Bundles
    • Softwarezentrierte Medienplattformen wie YouTube und TikTok erzielen Umsätze auf dem Niveau traditioneller Medien und steigen zu Schwergewichten des Medienmarkts auf
    • Große traditionelle Medienunternehmen wie Disney erwirtschaften weiterhin starke Umsätze, stehen aber dem hohen Wachstumstempo von Softwareplattformen gegenüber
    • Neue Medienformen wie Streaming (Netflix) fordern das traditionelle, von Kabel und Rundfunk geprägte Modell heraus
    • Traditionelle Medien versuchen, ihre Wettbewerbsfähigkeit über Content-Bibliotheken und exklusive Inhalte zu halten, während Softwareplattformen werbefinanzierte und abonnementsbasierte Modelle kombinieren, um ihre Umsätze zu maximieren
  • Software eats cars? Nach jahrzehntelangen Versprechen und Investitionen in zweistelliger Milliardenhöhe könnte autonomes Fahren nun tatsächlich zu funktionieren beginnen
    • Die Zahl der Robotaxi-Fahrten wächst stetig. Die Autoindustrie wandelt sich zu einem softwarezentrierten Servicegeschäft
  • Werden Autos zu Software? BEVs nähern sich 10 % der Gesamtverkäufe, aber wer gewinnt? Läuft dieser Prozess wie bei Android ab?
    • Battery Electric Vehicles machten 2023 rund 10 % des gesamten Autoabsatzes aus und werden zur Mainstream-Technologie
    • Unternehmen wie Tesla verwandeln BEVs von bloßen Fahrzeugen in softwarezentrierte Produkte. Das deutet darauf hin, dass sich rund um BEVs ein softwarezentriertes Ökosystem ähnlich wie bei Smartphones bilden könnte

Verwandte Beiträge