Németország 2030-ra kitűzött mesterséges intelligencia céljai: Tizennyolc intézkedés sem fog egyetlen nyereséges mesterséges intelligenciapiacot létrehozni – Amire a vállalatoknak valójában szükségük van

Több mesterséges intelligencia, de túl kevés hatás? Mi számít most a német gazdaság számára?

A német kormány mesterséges intelligencia kezdeményezése: Hogyan válik a finanszírozásból valódi piac?

Németország célja, hogy 2030-ra vezető mesterséges intelligencia nemzetté váljon. A német kormány 18 kulcsfontosságú intézkedést és ambiciózus célt fogalmazott meg ennek elérése érdekében: a mesterséges intelligenciát jelentősen gyakrabban kellene alkalmazni a vállalatoknál és a hatóságoknál, és jobban hozzá kellene járulnia a gazdasági teljesítményhez. A politikai döntések, a finanszírozási programok és a további adatközpontok önmagukban azonban nem garantálják a gazdasági sikert. A döntő tényező az, hogy a vállalatok mérhetően termelékenyebbé válnak-e a mesterséges intelligencia segítségével, a hatóságok jobban tudják-e ellátni feladataikat, és a technológiai szolgáltatók képesek-e fenntartható üzleti modelleket kidolgozni a kísérleti projektekből.

Pontosan itt rejlik a kihívás. A mesterséges intelligencia használata egyre terjed, de gyakran szakadék tátong a kezdeti kísérletezés és a munkafolyamatokba való mély integráció között. Különösen a kis- és középvállalkozások (kkv-k) szembesülnek magas költségekkel, korlátozott emberi erőforrásokkal, valamint az adatokkal, a biztonsággal és a műszaki integrációval kapcsolatos összetett problémákkal. Ugyanakkor a kormánynak tisztáznia kell, hol tud megbízható ügyfélként és támogatóként fellépni – és hol az új programok csupán megkettőzik a meglévő ajánlatokat, vagy függőségeket hoznak létre.

Ez a cikk gazdasági szempontból vizsgálja Németország mesterséges intelligencia stratégiáját: Mi akadályozza az alkalmazásról az értékteremtésre való áttérést? Milyen szerepet játszanak a közkereslet, az európai beszállítók és az ipari együttműködések? És hogyan állapíthatjuk meg, hogy a finanszírozási intézkedések valóban hatékonyak-e? A központi tézis: A siker nem az intézkedések számától, hanem attól függ, hogy kiküszöbölik-e a konkrét szűk keresztmetszeteket, és lehetővé teszik-e a mérhető, fenntartható eredményeket.

Németország mesterséges intelligencia stratégiája gazdasági tesztnek van kitéve: Hogyan teremtenek versenyképes piacokat a politikai intézkedések?

Németországnak nincs szüksége a lehető legátfogóbb MI-programgyűjteményre. Olyan vállalatokra van szüksége, amelyek a mesterséges intelligencia segítségével produktívabbá válnak, olyan közintézményekre, amelyek hatékonyabban végzik feladataikat, és olyan technológiai szolgáltatókra, amelyek életképes üzleti modelleket fejlesztenek ki megismételhető megoldásokból. Pontosan ez fogja meghatározni, hogy egy nemzeti MI-stratégia gazdaságilag sikeres-e. A politikai intézkedések száma nem megbízhatóbb mérőszáma ennek, mint a finanszírozott projektek száma vagy a bejelentett adatközpontok mérete.

A német kormány 18 kulcsfontosságú, több tárcát érintő intézkedést határozott meg azzal a céllal, hogy 2030-ra mesterséges intelligencia által vezérelt nemzetté váljon. A nyilvánosan kitűzött célok között szerepel, hogy a nagyvállalatok legalább 80 százaléka, a kis- és középvállalkozások (kkv-k) pedig 55 százaléka mesterséges intelligenciát használjon. Továbbá a szövetségi ügynökségek 90 százalékának legalább egy mesterséges intelligencia alkalmazást kell használnia alapvető feladataihoz. A gazdasági kibocsátás több mint tíz százalékát mesterséges intelligencia segítségével kell előállítani. Ezek a célok ambiciózusak. Az azonban, hogy valóban gazdasági átalakulást írnak-e le, jelentősen függ attól, hogyan definiálják a használatot, az értékteremtést és a sikert.

Egy vállalat bevezethet egy szövegszerkesztőt, és így MI-felhasználónak tekinthető. Ez nem jelenti automatikusan azt, hogy a termelési költségei csökkennek, az értékesítése sikeresebb lesz, vagy az innovációs rátája növekszik. Egy kormányzati szerv egyetlen folyamatot támogathat MI-vel, miközben folyamatainak túlnyomó többsége változatlan marad. A MI-alapú gazdasági teljesítmény pedig csak akkor mérhető értelmesen, ha különbséget teszünk a MI-szolgáltatók bevétele, a MI által támogatott tevékenységek és a ténylegesen létrehozott többletérték között.

A döntő gazdasági kérdés tehát nem az, hogy Németország elegendő intézkedést hozott-e. Az, hogy ezek az intézkedések a megfelelő szűk keresztmetszeteket kezelik-e. Ezek közé tartozik a kereslet hiánya, a nem megfelelően feldolgozott adatok, a magas integrációs költségek, a bizonytalan üzleti modellek, valamint a kutatási eredményektől a piacképes termékekig tartó túlzottan lassú átmenet.

Egy hatékony mesterséges intelligencia politikának másképp kell kezelnie ezeket a problémákat. Nem deklarálhat minden vállalkozói nehézséget finanszírozási érvként, és nem is feltételezheti, hogy egy megfelelő infrastruktúra és megbízható keretfeltételek nélküli piac automatikusan nemzetközileg versenyképes szolgáltatókat fog termelni.

A valódi szakadék a kezdeti használat és a gazdasági penetráció között tátong

A rendelkezésre álló üzleti adatok fontos fejleményt mutatnak: a mesterséges intelligencia már nem csupán kísérleti téma Németországban. 2025-re a megkérdezett vállalatok 26 százaléka használt mesterséges intelligenciát. A 10-49 alkalmazottat foglalkoztató kisvállalkozások esetében ez az arány 23 százalék, az 50-249 alkalmazottat foglalkoztató középvállalkozások esetében 36 százalék, a 250 vagy több alkalmazottat foglalkoztató nagyvállalatok esetében pedig 57 százalék volt. Ezek az adatok a statisztikailag rögzített méretkategóriákra vonatkoznak, és nem extrapolálhatók közvetlenül az összes mikrovállalkozásra és egyéni vállalkozóra.

Ez 34 százalékpontos különbséget eredményezett a kis- és nagyvállalatok között. Ez gazdaságilag jelentősebb, mint pusztán az átlagos használati arány vizsgálata. A nagyvállalatok az adatelőkészítés, a műszaki integráció, a jogi felülvizsgálat és az alkalmazottak képzésének költségeit több alkalmazott és üzleti folyamat között oszthatják szét. Emellett gyakrabban rendelkeznek saját informatikai részleggel és elegendő pénzügyi tartalékkal több használati eset teszteléséhez.

Egy kisebb vállalat számára ugyanaz a mesterséges intelligencia világába való belépés jelentősen nagyobb szervezeti terhet jelenthet. A vezetőségnek nemcsak a technológiát kell felmérnie, hanem a szolgáltatókat is ki kell választania, tisztáznia kell az adatokhoz való hozzáférést, és gondoskodnia kell a folyamatban lévő folyamatok biztonságáról. Még ha egy MI-alkalmazás technikailag működik is, a megvalósítása meghiúsulhat az időhiány és a nem egyértelmű felelősségi körök miatt.

A felhasználás típusa is kulcsfontosságú. A mesterséges intelligenciát használó vállalatok 27 százaléka alkalmazta a technológiákat a munkafolyamatok automatizálására vagy a döntéshozatalra 2025-ben. Hat százalékuk gépek autonóm mozgatására használta őket. Ezek az adatok kifejezetten a már mesterséges intelligenciát használó vállalatokra vonatkoznak, nem a teljes üzleti populációra. Azt mutatják, hogy az általános használati arány és a működési folyamatokba való mély integráció két különböző fogalom.

Ez egyértelművé teszi a gazdaságpolitikai intézkedések szükségességét: Németországnak nemcsak több vállalatot kell bevezetnie a mesterséges intelligencia világába, hanem meg kell könnyítenie az alkalmi használatról a robusztus, megismételhető és gazdaságilag releváns alkalmazásokra való áttérést is.

Egy szövegalapú eszköz hasznos kiindulópont lehet. Nagyobb termelékenységnövekedés azonban gyakran csak akkor érhető el, ha az információáramlások, a felelősségi körök és a működési folyamatok is megváltoznak. Ez a második lépés pontosan az igényesebb, drágább és kevésbé kényelmes a politikai sikerstatisztikák szempontjából.

Miért nem finanszírozzák az ipari megvalósítást a kis kezdeti költségvetések?

Az alacsony finanszírozású MI-projektekről szóló vita egy valós költségcsökkentési problémát érint. Jelentős különbségek vannak egy rövid tájékoztató eszköz és egy gyártásra kész alkalmazás között. Egy 2000 eurós költségvetés például elegendő lehet egy világosan meghatározott workshopra, egy kezdeti potenciálelemzésre vagy egy egyszerű szabványos eszköz beállítására. Ez azonban nem reális finanszírozási keret egy testreszabott, integrált, szigorú biztonsági követelményeket támasztó megoldáshoz.

Egy példaszámítás szemlélteti a költségek nagyságrendjét. Feltételezve, hogy a külső költségek napi 1000 euróban oszlanak meg, egy ilyen költségvetés két munkanapot fedez. Ebből ki kell fizetni az előkészítést, a koordinációt, a végrehajtást és a dokumentációt. Ez kevés teret hagy az alapos folyamatelemzésre, a több rendszer integrációjára, a robusztus tesztelési fázisra és a különböző felhasználói csoportok képzésére. Ez a számítás csak illusztrációs célokat szolgál, és nem képvisel általános piaci árat.

A probléma tehát nem feltétlenül a kis kezdeti költségvetésekben rejlik. A probléma akkor merül fel, amikor egy orientációs eszközt összekevernek egy megvalósítási eszközzel. Aki átfogó átalakítást vár kis összegből, az mindkét oldalon csalódást okoz: az ügyfél nem kap produktív megoldást, a szolgáltató pedig nem tud életképes szolgáltatást nyújtani.

Egy jól megtervezett támogatási modellnek figyelembe kell vennie a különböző érettségi szinteket. Az első kérdés, amit meg kell oldani, hogy melyik használati esetnek van gazdasági értelme. Ezt egy korlátozott teszt követi, egyértelműen meghatározott sikerkritériumokkal. Csak ezután szabad finanszírozni a folyamatban lévő műveletekbe való integrációt. A további helyszínekre, részlegekre vagy ügyfelekre való skálázás egy teljesen külön feladat.

Döntő fontosságú, hogy mi történik a kezdeti finanszírozás után. Egy egyszeri konzultáció hosszú távon nem teremt fenntartható piacot. Csak akkor lesz megbízható jelzés a gazdasági előnyeiről, ha a vállalatok hajlandóak továbbra is saját forrásaikból finanszírozni egy megoldást.

A köztámogatásnak ezért nem a lehető legtöbb, nem kötelező érvényű kezdeti kapcsolatfelvétel generálására kell irányulnia, hanem inkább az önfinanszírozó további beruházásokra való áttérés elősegítésére. Egy belépő szintű program sikerét ebben az esetben nem a kibocsátott utalványok száma, hanem a produktív alkalmazások, azok folyamatos felhasználása és a vállalat eredményéhez való kimutatható hozzájárulásuk mérné.

A fiatal mesterséges intelligencia fejlesztő cégek számára a kereslet gyakran értékesebb, mint a további projektfinanszírozás

Egy technológiai szolgáltató számára a finanszírozás és az ügyfélbevétel alapvetően különbözik. A finanszírozás konkrét fejlesztési munkákat finanszíroz. Egy fizető ügyfél ezzel szemben megerősíti, hogy egy konkrét szolgáltatás valós körülmények között is elegendő hasznot biztosít.

Ez a különbség a teljes üzleti modellre hatással van. Az ismétlődő bevételek lehetővé teszik a munkaerő-tervezést, javítják a befektetőkkel való tárgyalási pozíciót, és betekintést nyújtanak abba, hogy mely funkciókra van valójában szükségük az ügyfeleknek. Egy sikeresen befejezett fejlesztési projekt hasznos lehet, de a következetesen használt termék a növekedés erősebb alapja.

Különösen a mesterséges intelligencia piacán fennáll annak a veszélye, hogy a vállalatok túl sok egyedi demonstrációs projektet hajtanak végre anélkül, hogy skálázható ajánlatot építenének ki. Minden új ügyfél ezután egyedi megoldást kap. A bevétel növekedhet, de a személyzeti költségek ugyanilyen ütemben emelkednek. A vállalat gazdaságilag továbbra is projektvezérelt szolgáltató marad, annak ellenére, hogy kifelé skálázható szoftverszolgáltatóként mutatkozik be.

Ez nem eredendően rossz. A specializált tanácsadás és integráció is értékes üzleti modellek lehetnek. Gazdaságpolitikai szempontból azonban egyértelmű különbséget kell tenni a szolgáltatások finanszírozására, a szabványosított termék létrehozására vagy egy alapvető technológia fejlesztésének támogatására irányuló programok között.

A skálázható mesterséges intelligencia szolgáltatók számára különösen fontos, hogy egy megoldás jelentősen kevesebb többletráfordítással telepíthető-e más ügyfelekhez. Az újrafelhasználható interfészek, a szabványosított biztonsági funkciók és a világosan meghatározott működési modellek gyakran fontosabbak ebben a tekintetben, mint egy újabb látványos bemutató.

Egy gazdaságorientált MI-politikának ezért nemcsak a fejlesztési tevékenységeket kell előmozdítania, hanem javítania kell azokat a feltételeket is, amelyek mellett a kísérleti ügyfelek visszatérő ügyfelekké válnak. Ez magában foglalja a világos követelményeket, a megbízható fizetési feltételeket, az átvihető műszaki szabványokat és az olyan keresletet, amely nem szűnik meg a program befejezésével.

Az államnak, mint horgonyügyfélnek, megbízhatónak kell lennie anélkül, hogy új függőségeket teremtene

A német kormány kifejezetten a mesterséges intelligencia modellek és alkalmazások potenciális horgonyügyfeleként írja le az államot. Ez egy logikus gazdasági mechanizmuson alapul: a közintézményeknek nagy teljesítményű digitális eszközökre van szükségük, míg a fiatal szolgáltatóknak szilárd keresletre, gyakorlati tapasztalatra és referenciákra. Ha a két oldalt hatékonyan összefogják, egy öngerjesztő piac alakulhat ki.

Azonban az állam egyszerű, horgonyügyfélnek nyilvánítása nem elegendő. A keresletnek kiszámíthatónak és gazdaságilag kezelhetőnek kell lennie a beszállítók számára. Ha minden intézmény a saját, szabadalmaztatott műszaki megoldásait alkalmazza, az adaptációs költségek megsokszorozódnak. Egy beszállító ugyan szerezhet egyéni ügyfeleket, de nem hozhat létre skálázható bázist.

A közös interfészek és az újrafelhasználható komponensek enyhíthetik ezt a problémát. A dokumentumfeldolgozást támogató megoldást nem kell minden egyes ügynökség számára teljesen újratervezni. Ugyanakkor figyelembe kell venni a különböző szakmai követelményeket. A szabványosítás tehát nem azt jelenti, hogy minden adminisztratív folyamatot azonossá kell tenni, hanem inkább közös technikai alapok megteremtését.

Az államnak két érdeket kell egyensúlyban tartania. Egyrészt előnyös lehet stratégiailag fejleszteni az európai beszállítókat komoly piaci szereplőkké. Másrészt ez nem vezethet gazdaságilag vagy technikailag nem megfelelő termékek vásárlásának állandó garanciájához. A származási országra vonatkozó döntés nem helyettesíti a teljesítményértékelést.

Még egy európai szolgáltató is erős függőséget alakíthat ki ügyfelei között. A zárt adatformátumok, a nehezen átvihető testreszabások és a nem egyértelmű váltási lehetőségek továbbra is problémát jelentenek, függetlenül a vállalat helyszínétől. Ezért a mesterséges intelligencia szuverén nyilvános felhasználása nemcsak meghatározott földrajzi eredetet, hanem felcserélhetőséget és ellenőrzést is igényel.

A kormányzat akkor lenne jó horgonyügyfél, ha igényes, reális követelményeket támasztana, megbízhatóan használna sikeres megoldásokat, és egyidejűleg biztosítaná, hogy a szolgáltatóváltás később technikailag lehetséges legyen. Ez keresletet teremt a verseny és az innovációs kényszer feláldozása nélkül.

A Mistral reménysugár Európa számára, de nem egy teljes szuverenitási stratégia

A Mistral példázza azt a kérdést, hogy Európa képes-e saját, nagy teljesítményű mesterséges intelligencia-szolgáltatókat kiépíteni. A vállalat modelleket fejleszt, és azokat egyre inkább vállalati felhasználásra szánt ajánlatokkal kombinálja. Az SAP-val együttműködve egy szuverén mesterséges intelligencia platformon dolgozik az európai üzleti ügyfelek számára. Ennek célja a modellfejlesztés, a vállalati szoftverek és az irányítható működési környezetek konszolidációja.

Gazdasági szempontból ez az összefüggés logikus. Egy hatékony modell önmagában nem old meg egy üzleti problémát. Hozzáférést igényel a releváns adatokhoz, integrációt a meglévő szoftverekkel, valamint egyértelmű szabályokat az engedélyekre, a naplózásra és a felelősségre vonatkozóan. Egy elismert vállalati szoftverszolgáltató jelentősen jobb piaci hozzáférést tud biztosítani e tekintetben, mint egy elszigetelt modellszolgáltató.

Mindazonáltal kockázatos lenne az európai mesterséges intelligencia szuverenitása és egyetlen vállalat sikere között egyenlőségjelet tenni. Egy nemzeti vagy európai szinten előnyben részesített szolgáltató stratégiailag fontos lehet, de továbbra is egy olyan vállalat marad, amelynek megvannak a saját gazdasági érdekei, technológiai korlátai és pénzügyi kockázatai.

Továbbá egy mesterséges intelligenciarendszer több rétegből áll. Még egy európai modell is betanítható nem európai hardveren, specifikus gyorsítóchipekre támaszkodhat, vagy olyan infrastruktúrán keresztül működhet, amelynek alapvető összetevőit Európán kívül irányítják. A szuverenitás tehát nem bináris tulajdonság.

Inkább a meglévő függőségek alapján kellene mérni, hogy ezek közül melyek gazdaságilag elfogadhatók, és mely kritikus funkciók esetében állnak rendelkezésre alternatívák. Egy európai modell növeli a választási lehetőségeket. Azonban nem szünteti meg automatikusan az összes többi függőséget.

Az objektíven indokolt álláspont tehát a következő: Európának olyan nagy teljesítményű szolgáltatókat kellene fejlesztenie és alkalmaznia, mint a Mistral, valódi versenyképes opcióként. Ugyanakkor több szolgáltatóra, nyílt üzemeltetési opciókra és technikai váltási lehetőségekre van szükség. A jogos iparpolitikai érdek nem vezethet egy új, egyetlen szolgáltatóra épülő stratégiához.

Az ipari mesterséges intelligencia ott nyeri el a tetszését, ahol konkrét folyamatokkal kapcsolatos problémákat old meg

Németország ipari bázisa kulcsfontosságú kiindulópontot kínál a gazdaságilag releváns mesterséges intelligencia számára. Az előny azonban nem csupán a gépek bőségében rejlik, hanem a szakértelem, a folyamatok megértése, az ügyfélkapcsolatok, a műszaki adatok és a komplex rendszerekkel szerzett sokéves tapasztalat kölcsönhatásában is.

Az Airbus és a Mistral együttműködése jól szemlélteti ezt a logikát. Az azonosított alkalmazási területek közé tartoznak az ipari folyamatok, a műszaki dokumentáció, a mérnöki munka, a tervezés, valamint a mesterséges intelligencia által támogatott segítségnyújtás a fejlesztési, tesztelési és tanúsítási fázisokban. Ez nem egyetlen, általános alkalmazás, hanem inkább egy sor különálló feladat, amelyek mindegyikének megvannak a saját, specifikus minőségi és biztonsági követelményei.

Különösen érdekesek azok a feladatok, ahol a szakemberek sok időt töltenek információk keresésével, összeállításával és ellenőrzésével. Bár a műszaki dokumentumok gyorsabb értékelése nem vezet automatikusan új termékhez, felgyorsíthatja a fejlesztési munkát, és felszabadíthatja a szűkös szakértői kapacitást az igényesebb feladatokra.

Ugyanez vonatkozik az intralogisztikára is. Egy mesterséges intelligencia alapú alkalmazás strukturálhatja a hibajelentéseket, konszolidálhatja a karbantartási információkat, vagy támogathatja az ismétlődő üzemi problémák elemzését. Az előny így kevésbé függ a lenyűgöző beszédfeldolgozási képességektől, mint inkább a valós üzemi és folyamatadatokhoz való kapcsolat minőségétől.

A különböző technikai feladatokat külön kell kezelni. Egy nyelvi modell hasznos lehet a dokumentációhoz és a tudáshoz való hozzáféréshez. Egy gép közvetlen vezérléséhez vagy egy biztonságkritikus döntés meghozatalához különböző követelményeknek kell megfelelni. Nem minden ipari MI-alkalmazás generatív nyelvi rendszer.

Az ipari vállalatok, szoftverszolgáltatók és modellfejlesztők közötti meglévő partnerségek ezért értékesebbek lehetnek, mint egy további, elvont finanszírozási program. Hatékonyságukat azonban konkrét eredményekkel kell mérni. Egy jól ismert vállalatcsoport önmagában nem bizonyítja egy működő megoldás létezését.

Továbbá egy sikeres ipari ökoszisztémának nem csak a nagyvállalatokat kell magában foglalnia. A specializált középvállalkozásoknak, integrátoroknak és kisebb szoftvercégeknek is hozzáféréssel kell rendelkezniük az interfészekhez és a piacokhoz. Ellenkező esetben zárt platformok jönnek létre, amelyek előnyei csak korlátozott mértékben lesznek érvényesülve a gazdaság egészében.

EU-s és német szakértelmünk az üzletfejlesztés, az értékesítés és a marketing területén - Kép: Xpert.Digital

Iparági fókuszterületek: B2B, digitalizáció (AI-tól XR-ig), gépészet, logisztika, megújuló energiák és ipar

További információ itt:

• Szakértői Üzleti Központ

Tematikus központ, amely betekintést és szakértelmet kínál:

• Tudásplatform, amely a globális és regionális gazdaságokat, az innovációt és az iparágspecifikus trendeket fedi le
• Elemzések, betekintések és háttérinformációk gyűjteménye a legfontosabb fókuszterületeinkről
• Szakértelem és információk helye az üzleti és technológiai fejleményekről
• Egy központ a piacokkal, a digitalizációval és az iparági innovációkkal kapcsolatos információkat kereső vállalatok számára

A termelékenységnövekedés csak az összes többletköltség levonása után jelentkezik

Sok mesterséges intelligenciával kapcsolatos vita kizárólag a feldolgozás során megtakarított időre összpontosít. Ez nem elegendő a gazdasági értékeléshez. A kulcsfontosságú kérdés az, hogy milyen előny marad fenn az összes további költség és kockázat figyelembevétele után.

Egy leegyszerűsített példa szemlélteti a különbséget. Egy 100 alkalmazottat foglalkoztató vállalat naponta tíz percet takarít meg fejenként az alkalmazás használatával. 220 munkanappal számolva ez körülbelül évi 3667 órát jelent. Óránként 50 eurós összköltséget feltételezve ez körülbelül 183 000 eurós potenciális időértéket eredményez évente.

Ez az időmennyiség azonban nem jelent automatikusan többletprofitot vagy a fizetési tranzakciókban elért megtakarítást. Ha a felszabaduló perceket sok feladat között szétszórják, előfordulhat, hogy csak részben használják fel produktívan. Ezenkívül licencköltségek, bevezetési költségek, támogatási és monitorozási költségek is felmerülnek.

Feltételezve, hogy az éves üzemeltetési költségek 60 000 eurót tesznek ki, és a számított időbeli potenciálnak csak a fele valósul meg, az éves haszon a kezdeti megvalósítási költségek figyelembevétele előtt körülbelül 31 500 euró lenne. Ez a példa szándékosan hipotetikus, hogy bemutassa, egy kezdetben lenyűgöző bruttó összeg milyen jelentősen változhat közelebbről megvizsgálva.

A minőségkritikus feladatoknál a hibák nemcsak időigényesek. A pontatlan műszaki információk átdolgozást, késedelmeket vagy felelősségi kockázatokat okozhatnak. Ezzel szemben a jobb hibaészlelés jelentős előnyöket teremthet, amelyek nem számszerűsíthetők percek alatt.

A vállalatoknak ezért olyan értékelésre van szükségük, amely ötvözi az időt, a minőséget, a sebességet és a kockázatot. Az értelmes mérőszámok közé tartozik például egy folyamat feldolgozási ideje, a szükséges korrekciók száma, a szűkös szakképzett munkaerő kihasználtsága vagy a feldolgozott esetenkénti költség.

A politikai programoknak ezt a nézőpontot kellene támogatniuk a lehető legmagasabb elméleti megtakarítási potenciál jutalmazása helyett. Gazdaságilag nem az a döntő, hogy egy mesterséges intelligencia milyen gyorsan generál egy tervet, hanem az, hogy mennyire válik hatékonnyá a teljes folyamat, ami használható eredményhez vezet.

Az európai együttműködés méretkérdés, nem diplomáciai verseny

A Franciaország felé irányuló erősebb orientáció és a Kanadával való együttműködés szembeállítása túlságosan leegyszerűsítő, ha egyetlen lehetőségként értelmezzük. A német kormány mind az európai képességeket, mind a nemzetközi partnerségeket a megközelítésének elemeiként említi. Ebben az összefüggésben többek között kiemelik a Kanadával való együttműködést és a LawZero támogatását a biztonságorientált mesterséges intelligencia fejlesztésében.

Gazdasági szempontból minden partnerséget a konkrét hozzájárulása alapján kell értékelni. Franciaország természetes partner Németország számára egy nagyobb európai piac kiépítésében és az európai modellszolgáltatókkal való együttműködésben. Kanada további szakértelemmel járulhat hozzá bizonyos kutatási és technológiai területeken.

A lényeges kérdés tehát nem az, hogy melyik ország kap több politikai figyelmet. Az, hogy az együttműködés vajon hozzáférést biztosít-e a technológiához, a szakképzett munkaerőhöz, az ügyfelekhez vagy a kiegészítő tudáshoz. Az operatív kapcsolatok nélküli partnerség szimbolikus marad. Egy kisebb, de produktív együttműködés viszont mérhető előnyöket generálhat.

Ugyanakkor a nemzetközi együttműködés nem fedheti el azt a tényt, hogy Európának saját méretével kapcsolatos problémáit kell megoldania. Az eltérő műszaki követelmények és az elkülönült nemzeti piacok azt jelenthetik, hogy egy európai beszállítónak jelentős alkalmazkodást kell tennie minden új ügyfélcsoport esetében.

Egy növekvő mesterséges intelligencia alapú vállalat számára ezért gyakran fontosabb egy valóban használható európai piac, mint egy újabb politikai együttműködési keretrendszer. A közös követelmények, az átruházható bizonyítékok és a kompatibilis infrastruktúrák lehetővé tehetik a skálázást anélkül, hogy teljesen kiküszöbölnék a nemzeti sajátosságokat.

Egy intelligens stratégia tehát két szintet ötvöz: Egyesíti az európai keresletet és képességeket ott, ahol a méret kulcsfontosságú, miközben nyitott marad a konkrét technológiai kiegészítéseket kínáló nemzetközi partnerek felé. A nyitottság és a stratégiai függetlenség nem zárja ki egymást, amennyiben a függőségeket tudatosan felmérik.

A chipekkel kapcsolatos szakértelem speciális infrastruktúrát és egyértelmű munkamegosztást igényel

Érthető a mesterséges intelligencia chipek nagyobb függetlenségére irányuló vágy. Azonban pontatlanná válik, amint a chiptervezést, a félvezető-kutatást, a gyártást és a mesterséges intelligencia adatközpontok üzemeltetését egyetlen feladatként kezelik.

Egy chipet meg kell tervezni. A tervezéshez megfelelő eszközökre és technológiai alapokra van szükség. A gyártáshoz viszont speciális berendezésekre, anyagokra és eljárásokra van szükség. Ehhez jönnek még a tárolási, csomagolási technológiák és a teljes számítógépes rendszerekbe való integráció. Az egyik szinten elért előrelépések nem kompenzálják automatikusan a hiányzó képességeket más területeken.

A belga imec kutatóközpont kulcsfontosságú európai központ ebben az összefüggésben. A NanoIC kísérleti gyártósor egy tervezett 2,5 milliárd eurós közös beruházáshoz kapcsolódik, és többek között célja, hogy hozzáférést biztosítson a vállalatoknak, startupoknak, egyetemeknek, valamint a tervező és rendszerszolgáltatóknak a fejlett technológiához és prototípusokhoz.

2026 februárjában az imec további 2000 négyzetméternyi tisztateret nyitott a bővítés részeként. A projektet kifejezetten európai szinten szervezik, és partnertelephelyeket foglal magában, köztük a németországi Fraunhofert. Németország is az egyik részt vevő finanszírozó állam. Ezért az a felfogás, hogy a nemzeti kutatás és az imec fokozott használata alapvetően alternatív megközelítések, nem tükrözi megfelelően ezt az összekapcsolódást.

Gazdaságilag ésszerű megközelítés a munkamegosztás, amelyben a specializált, nagyméretű infrastruktúrát koncentráltan használják, miközben egyidejűleg széles körű hozzáférést biztosítanak a kutatás és a vállalkozások számára. A drága létesítmények párhuzamos, több helyszínen történő kiépítése nem hatékony. Ezzel szemben a legmodernebb infrastruktúra kevéssé hasznos, ha a kisebb vállalatok a gyakorlatban nem férnek hozzá.

A helyes kérdések tehát a következők: Milyen készségek hiányoznak valójában? Hol vannak már nemzetközileg releváns erősségek? Hogyan férhetnek hozzá a fiatal vállalatok tervezőeszközökhöz, tesztelő létesítményekhez és gyártópartnerekhez? És mely alkalmazások indokolják hosszú távon a jelentős fejlesztési költségeket?

Egy ígéretes félvezető stratégiának prioritásokat kell meghatároznia. Nem kell az értéklánc minden szakaszát teljes egészében országosan képviselnie, hanem inkább biztosítania kell a kritikus kompetenciákat, és megbízható hozzáférést kell teremtenie a kiegészítő készségekhez.

A kutatás elengedhetetlen, de finanszírozása más sikermutatókat igényel

A hosszadalmas kutatási projektek kritikája jogos megállapítást tartalmaz, amikor a közpénzek relevanciájának hiányára és nem egyértelmű felhasználására összpontosít. Helytelen lenne azonban azt a következtetést levonni, hogy a tudományos képzés eredendően kevésbé értékes, mint a közvetlen vállalati finanszírozás.

A kutatás és a vállalkozásfejlesztés különböző funkciókat tölt be. Az alapkutatás olyan tudást hozhat létre, amelynek gazdasági alkalmazása kezdetben nyitott. Ezzel szemben egy piacorientált fejlesztési projektnek sokkal pontosabban kell tudnia elmagyarázni, hogy melyik problémát oldják meg, és hogyan nézhet ki a későbbi felhasználás.

Hiba lenne mindkettőt ugyanazon mérőszám alapján értékelni. Ha minden kutatási projektet kizárólag a rövid távú bevétel alapján ítélnének meg, a tudás hosszú távú lehetőségei vesznének el. Fordítva, ha minden alkalmazásorientált projektet kizárólag a tudományos publikációk alapján értékelnének, a gazdasági megvalósíthatóság másodlagos maradna.

Egy személy vagy egy projekt minőségét nem lehet megbízhatóan levezetni a látogatott egyetem típusából vagy egyetlen osztályzatból. Az ipari mesterséges intelligencia esetében a gyakorlati tapasztalat, a szisztematikus tesztelés és az alkalmazási terület jó ismerete ugyanolyan fontos lehet, mint a magas szintű elméleti tudás.

Az igazi probléma gyakran az átmenetekben rejlik. A kutatási eredményeket technikailag meg kell stabilizálni, termékekké kell alakítani, és a valós vevői igényekhez kell kapcsolni. Ez a munka se nem klasszikus alapkutatás, se nem rutinszerű értékesítés. Más készségeket és gyakran más finanszírozást is igényel.

Egy kiegyensúlyozott politikának ezért védenie kell a tudományos minőséget, miközben komolyan veszi a tudásátadást. A világos felelősségi körökkel rendelkező közös projektek, a kutatás és az ipar közötti ideiglenes személyzetcsere, valamint a felhasználási jogok átlátható kezelése fontosabb lehet, mint egy másik szervezeti finanszírozási szint.

Egy mesterséges intelligencia biztonsági intézetnek a közkockázatokkal kell foglalkoznia, nem pedig kiszorítania a meglévő piacokat

A német kormány elemző és operatív feladatokat bízott a Német MI Biztonsági Intézetre (AISI). Nem szabályozó hatóságként, hanem inkább a technológiai elemzés, a kockázatértékelés és a stratégiai tanácsadás kiválósági központjaként kíván működni. Ez magában foglalja a helyzetfelismerést és a korai figyelmeztető információkat a társadalom, a gazdaság és a nemzetbiztonság tekintetében.

Ez a felelősségi körök meghatározása kulcsfontosságú a gazdasági értékeléshez. A közbiztonsági megbízás különbözik egy adott vállalati termék tesztelésétől. A rendszerszintű kockázatok, az új támadási vektorok vagy a biztonsággal kapcsolatos fejlemények olyan ismereteket igényelhetnek, amelyeket egyetlen magánügyfél sem finanszírozna teljes mértékben.

Van itt indokolt indok a kormányzati beavatkozásra. Ha sok érdekelt fél profitál a jobb kockázatértékelésből, de senki sem akarja viselni a teljes költséget, egy állami intézmény betöltheti a szolgáltatások hiányát.

Más a helyzet a szabványosított, egyértelműen meghatározott ügyféligényekhez igazított tesztelési szolgáltatások esetében. Ezekben az esetekben a magánszektorbeli tesztelési és tanácsadási szolgáltatások előnyösek lehetnek. Egy kormányzati intézménynek nem szabad megkettőznie ezeket a tevékenységeket kimutatható hozzáadott érték nélkül.

A gyakorlati kihívás tehát a pontos munkamegosztásban rejlik. A hatóságok kivizsgálhatnák az átfogó kockázatokat, továbbfejleszthetnék a vizsgálati módszereket, és hozzáférhetővé tehetnék az eredményeket. A magánszolgáltatók ezután erre az alapra építve konkrét auditokat, megvalósítási támogatást és rendszeres ellenőrzéseket kínálhatnának.

Fontos elkerülni az erőfeszítések megkettőzését is. Ha a vállalatoknak ismételten közel azonos dokumentációt kell készíteniük különböző ügyfelek és intézmények számára, az további költségekkel jár a biztonság megfelelő növekedése nélkül. Az elismert és átadható eredmények gazdaságilag értékesebbek lennének, mint a növekvő számú különálló tesztelési folyamat.

Egy biztonsági intézet tehát nem automatikusan szükséges és nem is automatikusan felesleges. Hasznossága attól függ, hogy betölt-e egy világosan meghatározott hiányosságot, hogy eredményei a gyakorlatban alkalmazhatók-e, és hogy feladatai továbbra is elkülönülnek-e a meglévő piaci kínálattól.

Több számítási teljesítményre van szükség, de még nem egy üzleti modellre

A német kormány célja, hogy 2030-ra legalább megduplázza a németországi adatközpontok teljes kapacitását, és megnégyszerezze a mesterséges intelligencia és a nagy teljesítményű számítástechnika kapacitását. Ez egy kulcsfontosságú infrastrukturális szűk keresztmetszetet kezel. A további kapacitás azonban kezdetben kínálatot jelent, és még nem garantálja a gazdasági sikert.

A felhasználók számára az számít, hogy a számítási teljesítmény elérhető-e elfogadható áron, megfelelő eszközökkel és a szükséges üzemeltetési feltételek mellett. Egy közepes méretű gépgyártónak nem feltétlenül van szüksége közvetlen hozzáférésre egy nagyméretű képzési rendszerhez. Szükségük lehet egy megbízható, megfizethető környezetre egy speciális alkalmazáshoz.

A képzést és a folyamatos üzemeltetést is meg kell különböztetni. Egy nagy modell fejlesztése hatalmas számítási erőforrásokat igényelhet. Ezzel szemben egy szűken definiált üzleti alkalmazás néha kisebb modellel is futtatható. Az, hogy melyik architektúra gazdaságosan megvalósítható, a feladattól, a munkaterheléstől és a minőségi követelményektől függ.

Ezért a kapacitástervezést reális igényfelmérésekhez kell kapcsolni. A figyelembe veendő tényezők közé tartozik az energiaellátás, a hálózati csatlakozások, a hűtés, a rendelkezésre álló szakképzett személyzet és a technológiai változások üteme. Egy üzem lehet műszakilag hatékony, mégis nem hatékonyan működhet, ha a kihasználtsága túl alacsony marad.

Fordítva, ugyanilyen problémás lenne a befektetéssel addig várni, amíg minden jövőbeli alkalmazás biztos nem lesz. Az infrastruktúrát gyakran a teljes kereslet kielégítése előtt ki kell építeni. Ezért kulcsfontosságúak a rugalmas koncepciók, a változatos felhasználási modellek és a befektetési kockázat átlátható elosztása.

A gazdasági viszonyítási alap nem lehet kizárólag a telepített kapacitás. Ugyanilyen fontosak a tényleges használat, az érdemi számítási feladat költsége, a rendelkezésre állás és a hozzáférés a kisebb vállalkozások számára. Az infrastruktúra csak akkor válik versenyelőnyössé, ha lehetővé teszi olyan produktív tevékenységeket, amelyek egyébként nem történnének meg, vagy jelentősen károsodnának.

A jó mesterséges intelligencia politikához kevesebb szimbolikus számra és jobb hatásadatokra van szükség

A bejelentett célok alapot teremtenek a politikai kontrollhoz. Ugyanakkor azzal a kockázattal járnak, hogy a könnyen mérhető tevékenységeket összetévesztik a tényleges eredményekkel.

A használati arány kezdetben azt jelzi, hogy mennyire elterjedt egy technológia. Nem magyarázza meg, hogy milyen intenzíven használják, vagy hogy megtérül-e a befektetés. A finanszírozott vállalatok száma leírja egy program hatókörét. Még nem bizonyítja, hogy ezek a vállalatok rosszabbul jártak volna finanszírozás nélkül.

Ez a többlethatás kulcsfontosságú. Ha egy vállalat egy már tervezett beruházást kizárólag közpénzekből finanszíroz, az eredmény csupán váratlan nyereség lehet. Ha azonban a támogatás lehetővé tesz egy gazdaságilag életképes megvalósítást, amely egyébként egyértelmű szűk keresztmetszet miatt meghiúsult volna, valódi hozzáadott értéket teremthet.

Egy megbízható értékeléshez ezért még egy program megkezdése előtt meg kell határozni a várható változásokat. Egy kezdeti program esetében ez lehet a későbbi önfinanszírozott felhasználás. Ipari alkalmazások esetében a hangsúly az átfutási időkre, a minőség javítására vagy az alacsonyabb hibaszázalékra helyeződhet. Az infrastruktúra esetében a hozzáférhetőség és a kihasználtság kulcsfontosságú tényezők lennének.

A mesterséges intelligencia alapú gazdasági kibocsátás több mint tíz százalékának célértéke szintén átlátható meghatározást igényel. Ha minden mesterséges intelligencia által támogatott tevékenységet teljes mértékben figyelembe veszünk, az eredmény eltér attól, mintha csak a létrehozott többletértéket vennénk figyelembe. Egyértelmű meghatározás nélkül a mérőszám politikailag lenyűgöző, de analitikailag gyenge lenne.

Egy jó jelentéstételi rendszernek ezért néhány, értelmes kulcsfontosságú teljesítménymutatót (KPI) kell ötvöznie átlátható módszertanokkal. Ez magában foglalja a sikertelen projekteket és a befejezett kezdeményezéseket is. Az a stratégia, amelyben minden program az eredménytől függetlenül folytatódik, nem tanul a saját tapasztalataiból.

A politikai felelősségvállalás a végrehajtási kompetencián és az egyértelmű felelősségi körökön keresztül nyilvánul meg

A generációk általános kritikája nem elegendő a mesterséges intelligencia politikájának problémáinak magyarázatához. A technológiai kompetenciát nem lehet megbízhatóan meghatározni az életkor alapján. A fiatal döntéshozók felületesen érvelhetnek, míg a tapasztalt vezetők hatékonyan tudják kezelni a változásokat.

A fontosabb kérdés az, hogy mely kompetenciák befolyásolják a politikai döntéseket, és ki felelős az eredményekért. A mesterséges intelligenciával kapcsolatos politika technikai ismereteket, a működési folyamatok megértését és a bizonytalanság idején a priorizálás képességét igényli.

A gazdaságot nem szabad monolitikus egységként kezelni. A modellszolgáltatóknak, a felhőszolgáltató vállalatoknak, az integrátoroknak, az ipari konglomerátumoknak és a kisfelhasználóknak mind eltérő érdekeik vannak. Egy olyan program, amely vonzó az egyik szolgáltató számára, nem feltétlenül előnyös az egész gazdaság számára.

Ezért a vállalatok szoros bevonása szükséges, de ez nem helyettesíti a független értékelést. Ellenkező esetben fennáll annak a veszélye, hogy olyan politikák születnek, amelyek a verseny és a termelékenység erősítése helyett a meglévő üzleti modelleket védik.

A német kormány elképzelése szerint a mesterséges intelligencia munkacsoportja továbbra is az intézkedések végrehajtását fogja irányítani, legalább negyedévente államtitkári szinten ülésezve. Az, hogy ez hatékony irányítást eredményez-e, nem az ülések gyakoriságától, hanem a döntéshozatali hatásköröktől, a kötelező érvényű felelősségektől és az akadályok tényleges elhárításának képességétől függ.

Ebben az összefüggésben a felelősség azt is jelenti, hogy az ellenállás ellenére is érvényesíteni kell a prioritásokat. Nem minden jó ötlet finanszírozható egyszerre. Nem minden meglévő intézménynek van szüksége új MI-feladatra. És nem minden elindított program érdemli meg, hogy a végtelenségig folytassuk.

Egy életképes stratégia ötvözi a piacnyitást, a specializációt és az állandó szelekciót

Gazdasági szempontból Németország mesterséges intelligencia politikájának három különböző feladatot kellene ötvöznie.

Először is, meg kell könnyítenie a széles körű elterjedést. Ehhez érthető ajánlatokra, megfelelő képzésre, könnyen hozzáférhető működési modellekre, valamint az adat- és integrációs problémák támogatására van szükség. Különösen a kisebb vállalatok profitálnak abból, ha a bevált megoldásokat nem kell minden alkalommal a nulláról fejleszteni.

Ezenkívül támogatnia kell azokat a vállalatokat, amelyek nemzetközileg skálázható termékeket és alapvető technológiákat fejlesztenek. Ez a feladat nagyobb pénzügyi volument, hosszabb időhorizontot és nagyobb technológiai kockázatvállalási hajlandóságot igényel. Nem szabad összekeverni a részletekben történő digitalizációs finanszírozással.

Végső soron az államnak kell biztosítania azt a közinfrastruktúrát, amelyet az egyes vállalatok nem tudnak megfelelően finanszírozni. Ez magában foglalja a speciális kutatási infrastruktúrákat, az átfogó biztonsági elemzéseket és a közös műszaki szabványokat.

Ezek a feladatok más eszközöket igényelnek. Egy kisvállalatnak, amely egy adott automatizálási problémával küzd, nincs szüksége országos modellstratégiára. Ezzel szemben egy európai modellfejlesztő nem válhat nemzetközileg versenyképessé pusztán néhány tanácsadói utalvány megszerzésével. És egy biztonsági intézetet sem szabad kizárólag a rövid távú szoftverbevételei alapján megítélni.

A világos perspektíva tehát az, hogy Németországnak kevésbé kellene arra törekednie, hogy minden tevékenységet egy közös MI-címke alá szervezzen, és egyértelműbben kellene különbséget tennie a piacfejlesztés, a technológiafejlesztés és a közfeladatok között. A meglévő, nagy teljesítményű együttműködések támogatást érdemelnek, feltéve, hogy kellően nyitottak maradnak más vállalatok felé, és mérhető eredményeket hoznak.

Az államnak megbízhatóan kell fellépnie ott, ahol maga teremt keresletet, és visszafogottságot kell tanúsítania ott, ahol a további struktúrák csupán a meglévő kínálatot duplikálják. Az európai specializáció gyakran ésszerűbb, mint minden képesség nemzeti szintű lemásolására törekedni.

Az, hogy Németország 2030-ra erős mesterséges intelligencia-nemzetté válik-e, végső soron nem az intézkedések listájának teljességétől függ. Az számít, hogy a vállalatok tartós megtérülést generálnak-e az alkalmazásokból, az alkalmazottak produktívabban dolgoznak-e, és a közintézmények észrevehetően javítják-e szolgáltatásaikat. Egy stratégia akkor sikeres, ha lehetővé teszi ezeket az eredményeket, és kiküszöböli a felesleges tevékenységeket – nem akkor, ha egyszerűen csak egyre többet és többet ad hozzá.

A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Okos, tartalomvezérelt üzlet - Kép: Xpert.Digital

Az Xpert.Digital egy adatvezérelt B2B iparági központ, amelyet Konrad Wolfenstein vezet. A vállalat külső, kvázi házon belüli megoldásként működik az ipari partnerek számára, áthidalva a marketing, a tartalom és az értékesítés működési hiányosságait – anélkül, hogy további erőforrásokat igényelne az ügyféloldalon.

További információ itt:

• A kvázi házon belüli megoldás: Hogyan hidalja át az Xpert.Digital a B2B marketing és értékesítés működési réseit – Smart Content-Driven Business

☑️ Üzleti nyelvünk az angol vagy a német

☑️ ÚJ: Levelezés az anyanyelveden!

Konrad Wolfenstein

Én és a csapatom örömmel állunk rendelkezésére személyes tanácsadóként.

Kapcsolatba léphetsz velem a kapcsolatfelvételi űrlap kitöltésével itt [email protected]:, vagy egyszerűen hívj a +49 7348 4088 965 telefonszámon. Az e-mail címem

Alig várom a közös projektünket.

☑️ KKV-támogatás a stratégiában, tanácsadásban, tervezésben és megvalósításban

☑️ Digitális stratégia létrehozása vagy átalakítása és digitalizáció

☑️ Nemzetközi értékesítési folyamatok bővítése és optimalizálása

☑️ Globális és digitális B2B kereskedési platformok

☑️ Pioneer Üzletfejlesztés / Marketing / PR / Vásárok