Tysklands AI-mål inden 2030: Atten tiltag vil ikke skabe et enkelt profitabelt AI-marked – Hvad virksomheder virkelig har brug for

Mere AI, men for lille effekt? Hvad betyder nu noget for Tysklands økonomi

Den tyske regerings AI-initiativ: Hvordan finansiering bliver et reelt marked

Tyskland sigter mod at blive en førende AI-nation inden 2030. Den tyske regering har formuleret 18 nøgletiltag og ambitiøse mål for at opnå dette: AI skal anvendes betydeligt oftere i virksomheder og offentlige myndigheder og yde et større bidrag til den økonomiske produktion. Politiske beslutninger, finansieringsprogrammer og yderligere datacentre alene garanterer dog ikke økonomisk succes. Den afgørende faktor er, om virksomheder bliver målbart mere produktive med AI, om offentlige myndigheder bedre kan udføre deres opgaver, og om teknologiudbydere kan udvikle bæredygtige forretningsmodeller fra pilotprojekter.

Det er præcis her, udfordringen ligger. Brugen af ​​AI er stigende, men der er ofte et hul mellem indledende eksperimenter og dyb integration i arbejdsgange. Især små og mellemstore virksomheder (SMV'er) står over for høje omkostninger, begrænsede menneskelige ressourcer og komplekse problemstillinger omkring data, sikkerhed og teknisk integration. Samtidig skal regeringen afklare, hvor den kan fungere som en pålidelig kunde og supporter – og hvor nye programmer blot duplikerer eksisterende tilbud eller skaber afhængigheder.

Denne artikel undersøger Tysklands AI-strategi fra et økonomisk perspektiv: Hvad hindrer overgangen fra anvendelse til værdiskabelse? Hvilken rolle spiller den offentlige efterspørgsel, europæiske leverandører og industrielle samarbejder? Og hvordan kan vi afgøre, om finansieringsforanstaltninger rent faktisk er effektive? Hovedtesen: Succes afhænger ikke af antallet af foranstaltninger, men af, om de eliminerer specifikke flaskehalse og muliggør målbare, bæredygtige resultater.

Tysklands AI-strategi sat på økonomisk prøve: Hvordan politiske tiltag skaber konkurrenceprægede markeder

Tyskland har ikke brug for den mest omfattende samling af AI-programmer. Det har brug for virksomheder, der bliver mere produktive med kunstig intelligens, offentlige institutioner, der udfører deres opgaver mere effektivt, og teknologiudbydere, der udvikler levedygtige forretningsmodeller ud fra gentagelige løsninger. Det er netop dette, der vil afgøre, om en national AI-strategi er økonomisk succesfuld. Antallet af politiske tiltag er ikke et mere pålideligt mål for dette end antallet af finansierede projekter eller størrelsen af ​​annoncerede datacentre.

Med sin vision om at blive en AI-drevet nation inden 2030 har den tyske regering konsolideret 18 centrale tværministerielle foranstaltninger. Blandt de offentligt erklærede mål er, at mindst 80 procent af store virksomheder og 55 procent af små og mellemstore virksomheder (SMV'er) skal bruge AI. Derudover skal 90 procent af de føderale myndigheder bruge mindst én AI-applikation til deres kerneopgaver. Mere end ti procent af den økonomiske produktion skal genereres ved hjælp af AI. Disse mål er ambitiøse. Om de rent faktisk beskriver en økonomisk transformation afhænger dog i høj grad af, hvordan anvendelse, værdiskabelse og succes defineres.

En virksomhed kan implementere en tekstassistent og dermed betragtes som en AI-bruger. Dette betyder ikke automatisk, at dens produktionsomkostninger vil falde, dens salg vil være mere succesfuldt, eller dens innovationsrate vil stige. En offentlig myndighed kan understøtte en enkelt proces med AI, mens langt størstedelen af ​​dens processer forbliver uændrede. Og AI-baseret økonomisk præstation kan kun måles meningsfuldt, hvis der skelnes mellem AI-udbyderes omsætning, AI-understøttede aktiviteter og den faktiske merværdi, der skabes.

Det afgørende økonomiske spørgsmål er derfor ikke, om Tyskland har vedtaget tilstrækkelige foranstaltninger. Det er, om disse foranstaltninger adresserer de rette flaskehalse. Disse omfatter manglende efterspørgsel, utilstrækkeligt bearbejdede data, høje integrationsomkostninger, usikre forretningsmodeller og en alt for langsom overgang fra forskningsresultater til salgbare produkter.

En effektiv AI-politik skal håndtere disse problemer forskelligt. Den må hverken erklære alle iværksættervanskeligheder som en begrundelse for finansiering eller basere sig på den antagelse, at et marked uden passende infrastruktur og pålidelige rammebetingelser automatisk vil producere internationalt konkurrencedygtige udbydere.

Den reelle kløft ligger mellem den indledende anvendelse og den økonomiske gennemtrængning

De tilgængelige forretningsdata afslører en vigtig udvikling: AI er ikke længere udelukkende et eksperimentelt emne i Tyskland. I 2025 brugte 26 procent af de undersøgte virksomheder kunstig intelligens. For små virksomheder med 10 til 49 ansatte var tallet 23 procent, for mellemstore virksomheder med 50 til 249 ansatte var det 36 procent, og for store virksomheder med 250 eller flere ansatte var det 57 procent. Disse tal refererer til de statistisk registrerede størrelseskategorier og kan ikke direkte ekstrapoleres til alle mikrovirksomheder og selvstændige.

Dette resulterede i en forskel på 34 procentpoint mellem små og store virksomheder. Dette er mere økonomisk signifikant end blot at se på den gennemsnitlige brugsrate. Store virksomheder kan sprede omkostningerne til dataforberedelse, teknisk integration, juridisk gennemgang og medarbejderuddannelse på tværs af flere medarbejdere og forretningsprocesser. De har også oftere deres egne IT-afdelinger og tilstrækkelige økonomiske reserver til at teste flere use cases.

For en mindre virksomhed kan den samme indtræden i AI repræsentere en betydeligt større organisatorisk byrde. Ledelsen skal ikke blot vurdere teknologien, men også vælge leverandører, afklare dataadgang og sikre sikkerheden i løbende processer. Selv hvis en AI-applikation fungerer teknisk, kan implementeringen mislykkes på grund af mangel på tid og uklare ansvarsområder.

Anvendelsestypen er også afgørende. Blandt virksomheder, der bruger AI, anvendte 27 procent teknologierne til automatisering af arbejdsgange eller beslutningstagning i 2025. Seks procent brugte dem til autonom bevægelse af maskiner. Disse tal refererer eksplicit til virksomheder, der allerede bruger AI, ikke til hele virksomhedspopulationen. De viser, at en generel brugsrate og dyb integration i driftsprocesser er forskellige begreber.

Dette tydeliggør behovet for økonomisk-politiske tiltag: Tyskland skal ikke blot introducere flere virksomheder til AI. Det skal lette overgangen fra lejlighedsvis brug til robuste, gentagelige og økonomisk relevante anvendelser.

Et tekstbaseret værktøj kan være et nyttigt udgangspunkt. Større produktivitetsgevinster opstår dog ofte kun, når informationsstrømme, ansvarsområder og operationelle processer også ændres. Dette andet trin er netop det mere krævende, dyre og mindre bekvemme for politisk successtatistik.

Hvorfor små indledende budgetter ikke finansierer industriel implementering

Diskussionen om lavfinansierede AI-projekter berører et reelt problem med omkostningsbesparelser. Der er betydelige forskelle mellem et kort introduktionsværktøj og en produktionsklar applikation. Et budget på for eksempel 2.000 euro kan være tilstrækkeligt til en klart defineret workshop, en indledende potentialanalyse eller opsætning af et simpelt standardværktøj. Det er dog ikke en realistisk finansieringsramme for en skræddersyet, integreret løsning med krævende sikkerhedskrav.

Et eksempel på en beregning illustrerer omkostningernes omfang. Hvis man antager en ekstern dagspris på €1.000, dækker et sådant budget to arbejdsdage. Herfra skal forberedelse, koordinering, udførelse og dokumentation betales. Dette giver kun begrænset plads til en grundig procesanalyse, flere systemintegrationer, en robust testfase og træning af forskellige brugergrupper. Denne beregning er kun til illustrative formål og repræsenterer ikke en generel markedspris.

Problemet ligger derfor ikke nødvendigvis i eksistensen af ​​små initialbudgetter. Problemet opstår, når et orienteringsværktøj forveksles med et implementeringsværktøj. Enhver, der forventer en omfattende transformation med et lille beløb, skaber skuffelse på begge sider: kunden modtager ikke en produktiv løsning, og udbyderen kan ikke levere en levedygtig service.

En veldesignet supportmodel skal tage højde for forskellige modenhedsniveauer. Det første spørgsmål, der skal besvares, er, hvilken use case der giver økonomisk mening. Dette efterfølges af en begrænset test med klart definerede succeskriterier. Først derefter bør integration i den løbende drift finansieres. Skalering til yderligere lokationer, afdelinger eller kunder er en helt separat opgave.

Afgørende er det, hvad der sker efter den indledende finansiering. En engangskonsultation skaber ikke et bæredygtigt marked på lang sigt. Først når virksomheder er villige til at fortsætte med at finansiere en løsning med deres egne ressourcer, vil der være en pålidelig indikation af dens økonomiske fordele.

Offentlig støtte bør derfor ikke sigte mod at generere så mange uforpligtende indledende kontakter som muligt, men snarere at lette overgangen til selvfinansierede opfølgende investeringer. Succesen af ​​et program på begynderniveau ville så ikke blive målt ud fra antallet af udstedte værdikuponer, men ud fra produktive ansøgninger, deres fortsatte brug og deres påviselige bidrag til virksomhedens bundlinje.

For unge AI-virksomheder er efterspørgslen ofte mere værdifuld end yderligere projektfinansiering

For en teknologiudbyder er finansiering og kundeindtægter fundamentalt forskellige. Finansiering finansierer specifikt udviklingsarbejde. En betalende kunde bekræfter derimod, at en konkret tjenesteydelse giver tilstrækkelig fordel under virkelige forhold.

Denne forskel påvirker hele forretningsmodellen. Tilbagevendende indtægter muliggør planlægning af arbejdsstyrken, forbedrer forhandlingspositionen med investorer og giver indsigt i, hvilke funktioner kunderne rent faktisk har brug for. Et vellykket gennemført udviklingsprojekt kan være nyttigt, men et konsekvent anvendt produkt er det stærkere fundament for vækst.

Især på AI-markedet er der en risiko for, at virksomheder udfører for mange individuelle demonstrationsprojekter uden at opbygge et skalerbart tilbud. Hver ny kunde modtager derefter en skræddersyet løsning. Omsætningen kan vokse, men personaleomkostningerne stiger i samme takt. Virksomheden forbliver økonomisk set en projektdrevet serviceudbyder, selvom den eksternt præsenterer sig som en skalerbar softwareudbyder.

Dette er ikke i sig selv dårligt. Specialiseret rådgivning og integration kan også være værdifulde forretningsmodeller. Fra et økonomisk-politisk perspektiv skal der dog skelnes klart mellem programmer, der finansierer tjenester, skaber et standardiseret produkt eller understøtter udviklingen af ​​en grundlæggende teknologi.

For skalerbare AI-udbydere er det særligt relevant, om en løsning kan implementeres hos andre kunder med betydeligt mindre ekstra indsats. Genanvendelige grænseflader, standardiserede sikkerhedsfunktioner og klart definerede driftsmodeller er ofte vigtigere i denne henseende end endnu en spektakulær demonstration.

En økonomisk orienteret AI-politik bør derfor ikke blot fremme udviklingsaktiviteter. Den skal også forbedre betingelserne for, at pilotkunder bliver tilbagevendende kunder. Dette omfatter klare krav, pålidelige betalingsbetingelser, overførbare tekniske standarder og en efterspørgsel, der ikke forsvinder, når et program afsluttes.

Staten skal som ankerkunde være pålidelig uden at skabe nye afhængigheder

Den tyske regering beskriver eksplicit staten som en potentiel ankerkunde for AI-modeller og -applikationer. Dette er baseret på en logisk økonomisk mekanisme: Offentlige institutioner har brug for højtydende digitale værktøjer, mens unge udbydere kræver solid efterspørgsel, praktisk erfaring og referencer. Hvis begge sider bringes effektivt sammen, kan der opstå et selvforstærkende marked.

Det er dog ikke nok blot at erklære staten som ankerkunde. Dens efterspørgsel skal være forudsigelig og økonomisk håndterbar for leverandørerne. Hvis hver institution forfølger sine egne proprietære tekniske løsninger, mangedobles tilpasningsomkostningerne. En leverandør kan få individuelle kunder, men ikke et skalerbart fundament.

Fælles grænseflader og genanvendelige komponenter kan afbøde dette problem. En løsning til understøttelse af dokumentbehandling bør ikke behøve at blive fuldstændig redesignet for hver enkelt myndighed. Samtidig skal der tages hensyn til forskellige professionelle krav. Standardisering betyder derfor ikke at gøre alle administrative processer ens, men snarere at skabe fælles tekniske fundamenter.

Staten skal afveje to interesser. På den ene side kan det være gavnligt strategisk at udvikle europæiske leverandører som seriøse markedsdeltagere. På den anden side må dette ikke føre til en permanent købsgaranti for økonomisk eller teknisk utilstrækkelige produkter. En beslutning om oprindelse erstatter ikke en præstationsevaluering.

Selv en europæisk udbyder kan skabe en stærk afhængighed blandt sine kunder. Lukkede dataformater, vanskeligt overførbare tilpasninger og uklare skiftmuligheder forbliver problematiske, uanset virksomhedens placering. Derfor kræver suveræn offentlig brug af AI ikke kun en specifik geografisk oprindelse, men også udskiftelighed og kontrol.

Staten ville være en god ankerkunde, hvis den stiller krævende, realistiske krav, anvender succesfulde løsninger pålideligt og samtidig sikrer, at det er teknisk muligt at skifte udbyder på et senere tidspunkt. Dette skaber efterspørgsel uden at ofre konkurrence og presset for innovation.

Mistral er et håbets fyrtårn for Europa, men ikke en fuldstændig suverænitetsstrategi

Mistral eksemplificerer spørgsmålet om, hvorvidt Europa kan opbygge sine egne højtydende AI-udbydere. Virksomheden udvikler modeller og kombinerer dem i stigende grad med tilbud til virksomhedsbrug. Sammen med SAP arbejder den på en suveræn AI-platform til europæiske erhvervskunder. Dette har til formål at konsolidere modeludvikling, virksomhedssoftware og kontrollerbare driftsmiljøer.

Fra et økonomisk perspektiv giver denne forbindelse mening. En stærk model alene løser ikke et forretningsproblem. Det kræver adgang til relevante data, integration med eksisterende software og klare regler for tilladelser, logning og ansvar. En etableret leverandør af virksomhedssoftware kan tilbyde betydeligt bedre markedsadgang i denne henseende end en isoleret modelleverandør.

Ikke desto mindre ville det være risikabelt at sidestille europæisk AI-suverænitet med en enkelt virksomheds succes. En nationalt eller europæisk foretrukken udbyder kan være strategisk vigtig, men det forbliver en virksomhed med sine egne økonomiske interesser, teknologiske begrænsninger og finansielle risici.

Derudover består et AI-system af flere lag. Selv en europæisk model kan trænes på ikke-europæisk hardware, være afhængig af specifikke acceleratorchips eller fungere via en infrastruktur, hvis væsentlige komponenter kontrolleres uden for Europa. Suverænitet er derfor ikke en binær egenskab.

Det bør snarere måles ud fra de eksisterende afhængigheder, hvilke af disse er økonomisk acceptable, og for hvilke kritiske funktioner der stadig er alternativer tilgængelige. En europæisk model øger valgmulighederne. Den eliminerer dog ikke automatisk alle andre afhængigheder.

Den objektivt begrundede holdning er derfor: Europa bør udvikle og implementere højtydende udbydere som Mistral som en reel konkurrencedygtig mulighed. Samtidig er der behov for flere udbydere, åbne driftsmuligheder og tekniske skiftmuligheder. En legitim industripolitisk interesse bør ikke føre til en ny strategi med én enkelt udbyder.

Industriel AI vinder frem, hvor den løser konkrete procesproblemer

Tysklands industrielle base tilbyder et afgørende udgangspunkt for økonomisk relevant AI. Fordelen ligger dog ikke blot i overfloden af ​​maskiner. Den ligger i samspillet mellem ekspertise, procesforståelse, kunderelationer, tekniske data og mange års erfaring med komplekse systemer.

Samarbejdet mellem Airbus og Mistral illustrerer denne logik. De identificerede anvendelsesområder omfatter industrielle processer, teknisk dokumentation, ingeniørarbejde, design og AI-understøttet assistance under udviklings-, test- og certificeringsfaser. Dette er ikke en enkeltstående, generel anvendelse, men snarere en række forskellige opgaver, hver med sine egne specifikke kvalitets- og sikkerhedskrav.

Særligt interessante er opgaver, hvor specialister bruger meget tid på at søge, samle og verificere information. Selvom hurtigere evaluering af tekniske dokumenter ikke automatisk fører til et nyt produkt, kan det fremskynde udviklingsarbejdet og frigøre sparsom ekspertkapacitet til mere krævende opgaver.

Det samme gælder for intralogistik. En AI-applikation kan strukturere fejlrapporter, konsolidere vedligeholdelsesinformation eller understøtte analysen af ​​tilbagevendende anlægsproblemer. Fordelen afhænger derefter mindre af imponerende talebehandlingsevner end af kvaliteten af ​​forbindelsen til reelle anlægs- og procesdata.

Forskellige tekniske opgaver skal holdes adskilte. En sprogmodel kan være nyttig til dokumentation og adgang til viden. Til direkte styring af en maskine eller en sikkerhedskritisk beslutning skal forskellige krav opfyldes. Ikke alle industrielle AI-applikationer er et generativt sprogsystem.

Eksisterende partnerskaber mellem industrivirksomheder, softwareudbydere og modeludviklere kan derfor være mere værdifulde end et yderligere, abstrakt finansieringsprogram. Deres effektivitet skal dog måles ved konkrete resultater. En velkendt virksomhedsgruppe er ikke i sig selv et bevis på en fungerende løsning.

Desuden bør et succesfuldt industrielt økosystem ikke kun omfatte store virksomheder. Specialiserede mellemstore virksomheder, integratorer og mindre softwarevirksomheder skal have adgang til grænseflader og markeder. Ellers vil der opstå lukkede platforme, hvis fordele kun vil nå et begrænset omfang ud over hele økonomien.

Vores ekspertise i EU og Tyskland inden for forretningsudvikling, salg og marketing - Billede: Xpert.Digital

Branchefokusområder: B2B, digitalisering (fra AI til XR), maskinteknik, logistik, vedvarende energi og industri

Mere information her:

• Ekspert Business Hub

Et tematisk knudepunkt, der tilbyder indsigt og ekspertise:

• Vidensplatform, der dækker globale og regionale økonomier, innovation og branchespecifikke tendenser
• En samling af analyser, indsigter og baggrundsinformation fra vores vigtigste fokusområder
• Et sted for ekspertise og information om aktuelle udviklinger inden for erhvervsliv og teknologi
• Et knudepunkt for virksomheder, der søger information om markeder, digitalisering og brancheinnovationer

Produktivitetsgevinsten opstår først efter fradrag af alle meromkostninger

Mange diskussioner om AI fokuserer udelukkende på den tid, der spares under behandlingen. Dette er ikke tilstrækkeligt til en økonomisk evaluering. Det afgørende spørgsmål er, hvilken fordel der er tilbage efter at have overvejet alle ekstra omkostninger og risici.

Et forenklet eksempel illustrerer forskellen. En virksomhed med 100 ansatte sparer ti minutter pr. person pr. dag ved at bruge denne applikation. Med 220 arbejdsdage svarer dette til cirka 3.667 timer om året. Hvis man antager samlede omkostninger på €50 pr. time, resulterer dette i en beregnet potentiel tidsværdi på omkring €183.000 årligt.

Denne mængde tid resulterer dog ikke automatisk i yderligere profit eller en tilsvarende besparelse i betalingstransaktioner. Hvis de frigjorte minutter er spredt ud over mange opgaver, kan de muligvis kun delvist bruges produktivt. Derudover er der licensomkostninger, implementeringsomkostninger, support- og overvågningsomkostninger.

Hvis man antager, at årlige driftsomkostninger er på €60.000, og at kun halvdelen af ​​det beregnede tidspotentiale faktisk realiseres, ville den årlige fordel før medregning af de indledende implementeringsomkostninger være cirka €31.500. Dette eksempel er bevidst hypotetisk for at illustrere, hvor betydeligt et oprindeligt imponerende bruttotal kan ændre sig ved nærmere undersøgelse.

I kvalitetskritiske opgaver koster fejl ikke kun tid. Unøjagtige tekniske oplysninger kan udløse omarbejde, forsinkelser eller ansvarsrisici. Omvendt kan forbedret fejldetektion skabe betydelige fordele, der ikke umiddelbart kan kvantificeres på få minutter.

Virksomheder har derfor brug for en evaluering, der kombinerer tid, kvalitet, hastighed og risiko. Betydningsfulde målinger omfatter f.eks. en process behandlingstid, antallet af nødvendige korrektioner, udnyttelsen af ​​knappe faglærte medarbejdere eller omkostningerne pr. behandlet sag.

Politiske programmer bør understøtte dette perspektiv i stedet for at belønne det højest mulige teoretiske besparelsespotentiale. Det økonomisk afgørende er ikke, hvor hurtigt en AI genererer et design, men hvor effektiv hele processen bliver, hvilket fører til et brugbart resultat.

Europæisk samarbejde er et spørgsmål om skala, ikke en diplomatisk konkurrence

Sammenstillingen af ​​en stærkere orientering mod Frankrig og samarbejde med Canada er for forenklet, hvis den forstås som den eneste mulighed. Den tyske regering nævner både europæiske kapaciteter og internationale partnerskaber som komponenter i sin tilgang. I denne sammenhæng fremhæves blandt andet samarbejde med Canada og støtte til LawZero inden for sikkerhedsorienteret AI-udvikling.

Fra et økonomisk perspektiv skal ethvert partnerskab evalueres i forhold til dets specifikke bidrag. Frankrig er en naturlig partner for Tyskland i opbygningen af ​​et større europæisk marked og i samarbejdet med europæiske modeludbydere. Canada kan bidrage med yderligere ekspertise inden for visse forsknings- og teknologiområder.

Det relevante spørgsmål er derfor ikke, hvilket land der får mest politisk opmærksomhed. Det er, om samarbejde åbner op for adgang til teknologi, faglærte medarbejdere, kunder eller supplerende viden. Et partnerskab uden operationelle forbindelser forbliver symbolsk. Et mindre, men produktivt samarbejde kan derimod generere målbare fordele.

Samtidig bør internationalt samarbejde ikke skjule det faktum, at Europa selv skal løse sine størrelsesproblemer. Forskellige tekniske krav og separate nationale markeder kan betyde, at en europæisk leverandør er nødt til at foretage betydelige tilpasninger for hver ny kundegruppe.

For en voksende AI-virksomhed er et reelt brugbart europæisk marked derfor ofte vigtigere end endnu en politisk samarbejdsramme. Fælles krav, overførbare beviser og kompatible infrastrukturer kan muliggøre skalering uden fuldstændigt at eliminere nationale særpræg.

En smart strategi kombinerer derfor to niveauer: Den samler europæisk efterspørgsel og kapaciteter, hvor størrelse er afgørende, samtidig med at den forbliver åben for internationale partnere, der tilbyder konkrete teknologiske komplementer. Åbenhed og strategisk uafhængighed udelukker ikke hinanden, så længe afhængigheder vurderes bevidst.

Chip-ekspertise kræver specialiseret infrastruktur og en klar arbejdsfordeling

Ønsket om større uafhængighed inden for AI-chips er forståeligt. Det bliver dog upræcist, så snart chipdesign, halvlederforskning, fremstilling og drift af AI-datacentre behandles som én opgave.

En chip skal designes. Dens design kræver passende værktøjer og teknologiske fundamenter. Fremstilling kræver til gengæld specialiseret udstyr, materialer og processer. Dertil kommer lagring, pakningsteknologier og integration i komplette computersystemer. Fremskridt på ét niveau kompenserer ikke automatisk for manglende muligheder på andre.

Det belgiske forskningscenter imec er et centralt europæisk knudepunkt i denne sammenhæng. NanoIC-pilotlinjen er knyttet til en planlagt fælles investering på 2,5 milliarder euro og har blandt andet til formål at give virksomheder, startups, universiteter og design- og systemudbydere adgang til avanceret teknologi og prototyping.

I februar 2026 åbnede imec yderligere 2.000 kvadratmeter renrumsplads som en del af denne udvidelse. Projektet er eksplicit organiseret på europæisk niveau og inkluderer partnersteder, herunder Fraunhofer i Tyskland. Tyskland er også en af ​​de deltagende finansieringsstater. Derfor afspejler forestillingen om, at national forskning og øget brug af imec fundamentalt set er alternative tilgange, ikke i tilstrækkelig grad denne sammenhæng.

En økonomisk fornuftig tilgang er en arbejdsdeling, hvor specialiseret, storstilet infrastruktur anvendes på en koncentreret måde, samtidig med at der gives bred adgang for forskning og virksomheder. Det kan være ineffektivt at bygge dyre faciliteter på adskillige steder parallelt. Omvendt er banebrydende infrastruktur af ringe nytte, hvis mindre virksomheder ikke har praktisk adgang til den.

De rigtige spørgsmål er derfor: Hvilke færdigheder mangler der rent faktisk? Hvor findes der allerede internationalt relevante styrker? Hvordan får unge virksomheder adgang til designværktøjer, testfaciliteter og produktionspartnere? Og hvilke anvendelser retfærdiggør de betydelige udviklingsomkostninger på lang sigt?

En lovende halvlederstrategi kræver prioriteter. Den behøver ikke at repræsentere alle led i værdikæden udelukkende nationalt, men snarere at sikre kritiske kompetencer og skabe pålidelig adgang til komplementære færdigheder.

Forskning er uundværlig, men finansieringen kræver andre succesmålinger

Kritik af langvarige forskningsprojekter har en gyldig pointe, når den fokuserer på manglende relevans og uklar brug af offentlige midler. Det ville dog være forkert at konkludere, at videnskabelig uddannelse i sagens natur er mindre værdifuld end direkte virksomhedsfinansiering.

Forskning og iværksætterudvikling opfylder forskellige funktioner. Grundforskning kan generere viden, hvis økonomiske anvendelse i første omgang er åben. Et markedsorienteret udviklingsprojekt bør derimod være i stand til at forklare langt mere præcist, hvilket problem der løses, og hvordan den efterfølgende anvendelse kan se ud.

Det ville være en fejltagelse at evaluere begge projekter ved hjælp af den samme måleenhed. Hvis alle forskningsprojekter udelukkende blev bedømt på kortsigtet omsætning, ville langsigtede muligheder for viden gå tabt. Omvendt, hvis alle anvendelsesorienterede projekter udelukkende blev evalueret på baggrund af videnskabelige publikationer, ville økonomisk levedygtighed forblive sekundær.

Kvaliteten af ​​en person eller et projekt kan ikke pålideligt udledes af typen af ​​universitet, man har gået på, eller en enkelt karakter. For industriel AI kan praktisk erfaring, systematisk testning og en god forståelse af anvendelsesområdet være lige så vigtig som teoretisk viden på højt niveau.

Det virkelige problem ligger ofte i overgangene. Forskningsresultater skal stabiliseres teknisk, omsættes til produkter og forbindes med reelle kundekrav. Dette arbejde er hverken klassisk grundforskning eller rutinemæssigt salg. Det kræver andre færdigheder og ofte også forskellig finansiering.

En afbalanceret politik bør derfor beskytte den videnskabelige kvalitet, samtidig med at den tager videnoverførsel alvorligt. Fælles projekter med klare ansvarsområder, udveksling af midlertidigt personale mellem forskning og industri og transparent håndtering af brugsrettigheder kan være vigtigere end et andet organisatorisk finansieringsniveau.

Et institut for AI-sikkerhed skal adressere offentlige risici, ikke fortrænge eksisterende markeder

Den tyske regering tildeler det tyske AI-sikkerhedsinstitut (AISI) en analytisk og operationel funktion. Det er ikke ment som en regulerende myndighed, men snarere et ekspertisecenter for teknologianalyse, risikovurdering og strategisk rådgivning. Dette omfatter situationsbevidsthed og tidlig varslingsinformation vedrørende samfund, økonomi og national sikkerhed.

Denne ansvarsfordeling er afgørende for økonomisk evaluering. Et offentligt sikkerhedsmandat adskiller sig fra testning af et specifikt virksomhedsprodukt. Systemiske risici, nye angrebsvektorer eller sikkerhedsrelevante udviklinger kan kræve indsigt, som ingen enkelt privat klient ville finansiere fuldt ud.

Der er en berettiget grund til statslig indgriben her. Hvis mange interessenter drager fordel af forbedret risikovurdering, men ingen ønsker at bære hele omkostningerne, kan en offentlig institution udfylde et hul i tjenesterne.

Situationen er anderledes for standardiserede testtjenester, der er skræddersyet til klart definerede kundebehov. I disse tilfælde kan private test- og konsulenttjenester være gavnlige. En offentlig institution bør ikke kopiere disse aktiviteter uden påviselig merværdi.

Den praktiske udfordring ligger derfor i en præcis arbejdsfordeling. Offentlige myndigheder kan undersøge overordnede risici, videreudvikle testmetoder og gøre resultaterne tilgængelige. Private udbydere kan derefter bygge videre på dette fundament for at tilbyde specifikke revisioner, implementeringsstøtte og tilbagevendende inspektioner.

Det er også vigtigt at undgå dobbeltarbejde. Hvis virksomheder gentagne gange skal producere næsten identisk dokumentation til forskellige kunder og institutioner, opstår der yderligere omkostninger uden en tilsvarende øget sikkerhed. Anerkendte og overførbare resultater ville være mere økonomisk værdifulde end et stigende antal separate testprocesser.

Et sikkerhedsinstitut er derfor hverken automatisk nødvendigt eller automatisk overflødigt. Dets nytte afhænger af, om det udfylder et klart defineret hul, om dets resultater er praktisk anvendelige, og om dets opgaver forbliver adskilte fra eksisterende markedstilbud.

Der er behov for mere computerkraft, men endnu ikke en forretningsmodel

Den tyske regering sigter mod mindst at fordoble den samlede datacenterkapacitet i Tyskland inden 2030 og at firedoble kapaciteten inden for AI og højtydende databehandling. Dette adresserer en central flaskehals i infrastrukturen. Yderligere kapacitet repræsenterer dog i første omgang en forsyning og er endnu ikke en garanti for økonomisk succes.

For brugerne er det afgørende, om computerkraft er tilgængelig til rimelige priser, med passende værktøjer og under de nødvendige driftsforhold. En mellemstor maskinproducent behøver ikke nødvendigvis direkte adgang til et stort træningssystem. De kan have brug for et pålideligt og overkommeligt miljø til en specialiseret applikation.

Der skal også skelnes mellem træning og løbende drift. Udvikling af en stor model kan kræve enorme computerressourcer. I modsætning hertil kan en snævert defineret forretningsapplikation nogle gange køre med en mindre model. Hvilken arkitektur der er økonomisk rentabel afhænger af opgaven, arbejdsbyrden og kvalitetskravene.

Derfor bør kapacitetsplanlægning være knyttet til en realistisk efterspørgselsanalyse. Faktorer, der skal overvejes, omfatter strømforsyning, nettilslutninger, køling, tilgængeligt kvalificeret personale og tempoet i den teknologiske udvikling. Et anlæg kan være teknisk effektivt, men stadig fungere ineffektivt, hvis dets udnyttelsesgrad forbliver for lav.

Omvendt ville det være lige så problematisk at vente med at investere, indtil alle fremtidige anvendelser er sikre. Infrastruktur skal ofte bygges, før den fulde efterspørgsel er dækket. Derfor er fleksible koncepter, forskellige anvendelsesmodeller og en transparent fordeling af investeringsrisiko afgørende.

Det økonomiske benchmark bør ikke udelukkende være installeret kapacitet. Lige så relevante er faktisk brug, omkostninger pr. meningsfuld computeropgave, tilgængelighed og adgang for mindre virksomheder. Infrastruktur bliver kun en konkurrencefordel, når den muliggør produktive aktiviteter, der ellers ikke ville finde sted eller ville blive væsentligt forringet.

God AI-politik har brug for færre symbolske tal og bedre effektdata

De annoncerede mål danner grundlag for politisk kontrol. De indebærer dog en risiko for, at let målbare aktiviteter forveksles med faktiske resultater.

En brugsrate angiver i første omgang, hvor udbredt en teknologi er. Den forklarer ikke, hvor intensivt den bruges, eller om investeringen betaler sig. Antallet af finansierede virksomheder beskriver et programs rækkevidde. Den beviser endnu ikke, at disse virksomheder ville have klaret sig dårligere uden finansiering.

Denne yderligere effekt er afgørende. Hvis en virksomhed finansierer en allerede planlagt investering udelukkende med offentlige midler, kan resultatet blive en ren uventet gevinst. Men hvis støtte muliggør en økonomisk levedygtig implementering, der ellers ville være mislykket på grund af en klar flaskehals, kan den skabe en reel merværdi.

En pålidelig vurdering ville derfor skulle definere de forventede ændringer, før et program overhovedet begynder. For et indledende program kunne dette være den efterfølgende selvfinansierede anvendelse. For industrielle anvendelser kan fokus være på gennemløbstider, kvalitetsforbedringer eller en lavere fejlrate. For infrastruktur ville tilgængelighed og udnyttelse være nøglefaktorer.

Måltallet på mere end ti procent af den AI-baserede økonomiske produktion kræver også en transparent definition. Hvis alle AI-understøttede aktiviteter er fuldt ud inkluderet, vil resultatet være anderledes end hvis man kun betragter den skabte merværdi. Uden en klar definition ville metrikken være politisk imponerende, men analytisk svag.

Et godt rapporteringssystem bør derfor kombinere et par meningsfulde nøglepræstationsindikatorer (KPI'er) med transparente metoder. Dette inkluderer også mislykkede projekter og gennemførte initiativer. En strategi, hvor ethvert program fortsætter uanset resultatet, undlader at lære af sine egne erfaringer.

Politisk ansvarlighed demonstreres gennem implementeringskompetence og klare ansvarsområder

Generel kritik af generationer er ikke tilstrækkelig til at forklare problemerne med AI-politik. Teknologisk kompetence kan ikke pålideligt bestemmes ud fra alder. Unge beslutningstagere kan argumentere overfladisk, mens erfarne ledere effektivt kan håndtere forandringer.

Det vigtigere spørgsmål er, hvilke kompetencer der informerer politiske beslutninger, og hvem der er ansvarlig for resultaterne. AI-politik kræver teknisk viden, forståelse af operationelle processer og evnen til at prioritere under usikkerhed.

Økonomien bør ikke behandles som en monolitisk enhed. Modeludbydere, cloudvirksomheder, integratorer, industrielle konglomerater og små brugere har alle forskellige interesser. Et program, der er attraktivt for én udbyder, er ikke nødvendigvis gavnligt for økonomien som helhed.

Tæt inddragelse af virksomheder er derfor nødvendig, men det erstatter ikke uafhængig vurdering. Ellers er der risiko for politikker, der beskytter eksisterende forretningsmodeller i stedet for at styrke konkurrence og produktivitet.

Den tyske regering forestiller sig, at dens AI-taskforce fortsat skal forvalte implementeringen af ​​foranstaltningerne og mødes mindst kvartalsvis på statssekretærniveau. Om dette resulterer i effektiv forvaltning afhænger ikke af mødehyppigheden, men af ​​beslutningsbeføjelser, bindende ansvar og evnen til rent faktisk at fjerne hindringer.

I denne sammenhæng betyder ansvarlighed også at prioritere på trods af modstand. Ikke alle gode idéer kan finansieres samtidigt. Ikke alle eksisterende institutioner har brug for en ny AI-opgave. Og ikke alle programmer, der er startet, fortjener at blive videreført på ubestemt tid.

En levedygtig strategi kombinerer markedsåbning, specialisering og konsekvent udvælgelse

Fra et økonomisk perspektiv bør Tysklands AI-politik kombinere tre forskellige opgaver.

For det første skal det gøre udbredt brug lettere. Dette kræver forståelige tilbud, passende træning, lettilgængelige driftsmodeller og support til data- og integrationsproblemer. Især mindre virksomheder drager fordel af, at dokumenterede løsninger ikke skal udvikles fra bunden hver gang.

Derudover skal den støtte virksomheder, der udvikler internationalt skalerbare produkter og grundlæggende teknologier. Denne opgave kræver større finansielle volumer, længere tidshorisonter og en større vilje til at tage teknologiske risici. Det må ikke forveksles med stykvis digitaliseringsfinansiering.

I sidste ende skal staten sørge for offentlig infrastruktur, som individuelle virksomheder ikke kan finansiere tilstrækkeligt. Dette omfatter specifikke forskningsinfrastrukturer, omfattende sikkerhedsanalyser og fælles tekniske standarder.

Disse opgaver kræver forskellige værktøjer. En lille virksomhed med et specifikt automatiseringsproblem behøver ikke en national modelstrategi. Omvendt kan en europæisk modeludvikler ikke blive internationalt konkurrencedygtig blot ved at modtage et par konsulentgavekort. Og et sikkerhedsinstitut bør ikke udelukkende bedømmes på sine kortsigtede softwareindtægter.

Det klare perspektiv er derfor, at Tyskland bør forsøge mindre at organisere alle aktiviteter under en fælles AI-etiket og skelne tydeligere mellem markedsudvikling, teknologiudvikling og offentlige opgaver. Eksisterende velfungerende samarbejder fortjener støtte, forudsat at de forbliver åbne nok for andre virksomheder og leverer målbare resultater.

Staten skal handle pålideligt, hvor den selv skaber efterspørgsel, og udvise tilbageholdenhed, hvor yderligere strukturer blot duplikerer eksisterende udbud. Europæisk specialisering er ofte mere fornuftig end at forsøge fuldstændigt at kopiere enhver kapacitet nationalt.

Om Tyskland bliver en stærk AI-nation inden 2030 afhænger i sidste ende ikke af fuldstændigheden af ​​en liste over tiltag. Det afgørende er, om virksomheder genererer varige afkast fra applikationer, medarbejderne arbejder mere produktivt, og offentlige institutioner forbedrer deres tjenester mærkbart. En strategi er succesfuld, når den muliggør disse resultater og eliminerer overflødige aktiviteter – ikke når den blot tilføjer mere og mere.

Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business - Billede: Xpert.Digital

Xpert.Digital er et datadrevet B2B-industricenter ledet af Konrad Wolfenstein . Virksomheden fungerer som en ekstern, nærmest intern løsning for industrielle partnere og lukker operationelle huller i marketing, indhold og salg – uden at kræve yderligere ressourcer fra klientsiden.

Mere information her:

• Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

Konrad Wolfenstein

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her [email protected]:eller blot ringe til mig på +49 7348 4088 965. Min e-mailadresse er

Jeg glæder mig til vores fælles projekt.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer