Predictive Intelligence – Der nächste Schritt nach Analytics

Predictive Intelligence: Worüber reden wir hier genau?

Prof. Dr. Uwe Seebacher: Die Geschichte beginnt vor rund zwölf Jahren, als ich globaler Marketingdirektor in einer Industriegruppe war. Ich sollte Budgets über Regionen und Branchen hinweg allokieren, hatte aber weder einen klaren Blick auf die wirklich relevanten Märkte und Medien noch auf deren künftige Entwicklung, und dies bei B2B-Zyklen von zwei bis vier Jahren. Also habe ich manuell Business Intelligence entwickelt, d. h., Daten aus Wirtschaftsdatenbanken wie Orbis strukturiert und N-to-N-Datenmodelle aufgebaut, die für jede Region und Branche passende Ausschnitte lieferten. Dabei wurde klar, dass Rückspiegel-Analysen, egal wie ausgefeilt, nicht die entscheidende Frage beantworten, nämlich wohin sich Märkte und Kunden entwickeln und wie du dem Wettbewerb voraus bleibst.

Business Intelligence analysiert rückblickend, Predictive Analytics schreibt Datenreihen in die Zukunft fort und Prescriptive Analytics leitet darauf aufbauend vorwärtsgerichtete Analysen ab. Am Ende erzeugst du aber vor allem eines – nur noch mehr Daten, Reports und Dashboards. Unser Problem heute ist nicht zu wenig, sondern zu viel Information, Daten und Dashboards, die laut aktueller Studien rund 80% der Manager ohnehin nicht nutzen oder verstehen. Der Grenznutzen zusätzlicher Daten sinkt, Entscheidungen verzögern sich und es entstehen Entscheidungsvakuums. Predictive Intelligence setzt genau hier an. Ziel ist es, «Next Best Strategies», «Next Best Actions» oder «Next Best Campaigns» zu liefern, sprich konkrete, nächstbeste, maximal konvertierende Handlungsempfehlungen auf Basis eines wirklich verstandenen Kontextes.

Vom Sprachmodell zum Unternehmensverständnis

Viele denken bei KI heute zuerst an Large Language Models (LLM). Welche Rolle spielen sie in diesem Kontext und wo sind die Grenzen?

Large Language Models sind im Kern Sprachmodelle, die statistisch das nächste wahrscheinliche Wort berechnen. Sie wurden mit riesigen Datenmengen aus dem Internet trainiert, inklusive Verzerrungen, Biases und «Datenmüll». Hinzu kommt die Token-Begrenzung. Es gibt ein Limit, wie viel Kontext ein Modell gleichzeitig verarbeiten kann. Und drittens ist intransparent, wo die Grenze zwischen validem Output und Halluzination liegt, weil diese Entscheidung in den Hidden Layers des Modells fällt. Die Folge ist, dass LLMs extrem überzeugend formulieren können, aber sehr häufig sachlich falsche Ergebnisse liefern, besonders bei Zahlen oder komplexen Unternehmenskontexten. Ein Sprachmodell kann beispielsweise mit einer Bilanz nicht rechnen, auch wenn es so klingt, als könnte es das.

Du arbeitest stattdessen mit «Large Understanding Models (LUM)». Was steckt hinter diesem Ansatz?

Large Understanding Models, sogenannte LUMs, erweitern das reine Sprachmodell um Semantik und Rechenfähigkeit. Sie verbinden neurosymbolische Verfahren, intelligente, selbst lernende und sich selbst optimierende Agenten, Algorithmen und Datenstrukturen so, dass Sprache, Semantik, Emotionen, Zahlen, Beziehungen und Kontexte verstanden und verarbeitet werden können. Predictive Intelligence in unserem Verständnis basiert auf solchen LUMs. Du baust folglich dein unternehmerisches Wissensuniversum einmal auf und ergänzt es täglich, ohne Token-Limit und somit ohne Vergessen, aber eben auch ohne Halluzinationen und somit nur Evidenz-basierte, belastbare und valide Ergebnisse – was im Business unerlässlich ist. Trainiert wird auf deinem sauberen Unternehmenskontext, das heisst, deinen Daten, Prozessen, Strukturen und nicht auf einem «unsauberen» Internetdatensatz.

Ein weiterer Unterschied ist, dass ein LLM immer antwortet, auch wenn es keine Grundlage hat.

Ein LUM mit intelligenter Agentik hingegen stellt Rückfragen, wenn Informationen fehlen, und verweigert im Zweifel eine Antwort, statt zu halluzinieren. Für Unternehmen heisst das: Wer heute ausschliesslich auf LLM-basierte Inhouse-KI setzt, arbeitet mit einer Architektur, deren strukturelle Limitierungen wie Vergessen, Halluzination, Datenqualität sich nicht wegoptimieren lassen. Nachhaltige, geschäftskritische KI erfordert Systeme, die wirklich verstehen, rechnen,  kontextualisieren und nicht vergessen.

Wie setzt ihr das in Projekten konkret um? Muss jedes Unternehmen sein eigenes Modell entwickeln?

Ja, aber entscheidend ist die Struktur. Wir bauen LUMs nicht nach Branchen, sondern nach Businessfunktionen. Das heisst, orientiert am «Haus von Porter» mit Marketing, Vertrieb, Service, Kommunikation etc. Branchen-KI klingt zwar gut, ist methodisch, aber fragwürdig, weil Wertschöpfungsketten über Industrien hinweg strukturell ähnlich funktionieren. Ob B2B oder B2C, du hast immer Buying-Cycles, Customer Journeys, Personas, die sich in Dauer und Granularität unterscheiden, nicht aber in der Logik. Deshalb gibt es beispielsweise eigene LUMs für Predictive Brand Intelligence, Predictive Communication Intelligence oder Predictive Experience Intelligence im Service. In diese Funktions-LUMs fliessen interne Daten, sei es aus dem CRM, Kampagnen oder Service-Tickets, sowie externe Signale aus Social Media, Communities oder Verbänden ein, sodass ein 360-Grad-Datenraum entsteht.

Aber um ein unternehmenseigenes LUM beginnen aufzubauen, sind keine Schnittstellen oder andere komplexe Vorbedingungen zu schaffen, denn alles beginnt mit einem sehr überschaubaren Set an definierten Beispieldaten. Somit kann rasch und pragmatisch ohne Einbindung von Legal oder IT begonnen werden, denn alles ist im geschützten Raum und innerhalb der DSGVO.

Vom Datenmodell zum konkreten Mehrwert

Lass uns auf Customer Experience und Service Excellence schauen. Wie verändert Predictive Intelligence hier konkret die Spielregeln?

Ein Beispiel ist ein grosser Automobilverband, für den wir jährlich mehrere Millionen Kundengespräche auswerten. Ursprünglich ging es darum, herauszufinden, welche Fahrzeugfeatures Kunden künftig erwarten. Predictive Intelligence hat zusätzlich erkannt, welche Service-Features Automobilanbieter anbieten sollten, um diese Erwartungen optimal zu adressieren. Im Servicebereich kann ein LUM für Predictive Experience Intelligence etwa Servicequalitäten, Anfragencluster, Workload und Churn-Risiken analysieren und daraus konkrete nächste beste Strategien und Massnahmen ableiten, wie etwa zur Gestaltung von Self-Service-Angeboten, zur Priorisierung von Service-Initiativen oder zur Entwicklung neuer Serviceprodukte. Viele am Markt als «predictive» positionierte Lösungen basieren dagegen auf LLMs, also auf probabilistischer Sprache ohne echtes semantisches und rechnerisches Verstehen. Die Ergebnisse sind entsprechend begrenzt belastbar.

Was bedeutet das für Differenzierung? Wenn zwei Versicherer im gleichen Markt beide mit Predictive Intelligence arbeiten, bleibt da noch Spielraum für Wettbewerbsvorteile?

Ja, und zwar gleich in mehreren Dimensionen. Bei LLMs könnte man argumentieren, dass die Modelle ähnlicher werden, weil sie auf demselben Internetdatensatz basieren. Bei LUMs ist die Basis dein eigener Unternehmenskontext: deine Marke, deine Produkte, deine Servicequalität, deine Kundendaten, dein «Corporate Brain». Das macht dein Modell systemisch einzigartig. Hinzu kommt, dass Predictive Intelligence «Target Owned Audiences» generiert, sprich Zielgruppen, die nicht mehr über demografische Abstraktion definiert sind, sondern über tatsächliches Verhalten und Interaktionen. Klassische Personas sind vereinfachende und abstrahierte Archetypen mit vielen Ungenauigkeiten und Schwächen durch Stereotypisierung.

Predictive Intelligence löst dieses Paradigma endlich auf und identifiziert neue, hochpräzise Zielgruppencluster, die du individuell adressieren kannst. Gleichzeitig kannst du Owned-Media- und externe Kanäle in Echtzeit monitoren und prädizieren, wie sich neue Services oder Kampagnen auf diese Cluster auswirken werden. Genau darin liegt ein neuer USP: Geschwindigkeit und Präzision in der Personalisierung.

Wenn ein Unternehmen ernsthaft auf Predictive Intelligence setzen will, wie macht es den Impact sichtbar? Welche KPIs empfiehlst du?

Das hängt von der Funktion ab. In der Predictive Communication Intelligence sind es etwa Response Rates, Sentiment-Uplifts, Kanal-Performance oder Konversionsraten. Für Brand-, Service- und Vertriebsanwendungen definieren wir jeweils eigene KPI-Sets, die entlang des Projekts gemessen werden. Ein zentraler Querschnittsindikator sind Zeit- und Kosteneffekte. Wie stark sinkt der Analyseaufwand, wie schnell werden Entscheidungen getroffen, wie viel sparst du im Brandmanagement, wenn du statt teurer Einzelstudien eine 24/7-PI-Instanz nutzt, die kontinuierlich Brand Activation und Brand Trust misst? In der Praxis liegen die Kosten eines PI-Systems deutlich unter klassischen Studienformaten, bei gleichzeitig höherer Datentiefe und Reaktionsgeschwindigkeit.

Zum Abschluss: drei konkrete Empfehlungen für Leserinnen und Leser, die den Einstieg in Predictive Intelligence planen?

• Formuliere eine klare Frage, oder anders gesagt: Wo drückt der Schuh am stärksten? Bei einem grossen Medienkonzern lautete die Frage etwa: «Wie optimieren wir das CEO-Positioning beim Thema Vertrauen und machen es mess- und prädizierbar?».
• Zweitens: Definiere im interdisziplinären Team, welche Daten – intern wie extern – für diese Frage relevant sein könnten. Es geht nicht um perfekte Daten, sondern um einen sinnvollen Startpunkt, den das LUM versteht und nach und nach anreichert.
• Drittens: Starte pragmatisch mit einem fokussierten Use Case, klaren Erfolgskriterien und Quick Wins, statt auf ein grosses, abstraktes KI-Programm zu setzen. In unseren Forschungsprojekten haben Unternehmen nach etwa sechs Wochen die eigene PI Entität im Einsatz und entwickeln sie in kurzen Zyklen weiter. Aus einer konkreten Frage wird Schritt für Schritt eine strategische Fähigkeit.