K\u00fcrzlich hatte BARC wieder einmal die Gelegenheit zu einem Briefing bez\u00fcglich IBMs Research Aktivit\u00e4ten. Hier hat es \u2013 insbesondere auch nach dem CEO-Wechsel \u2013 signifikante Schwerpunktverschiebungen gegeben, die sich bis in das aktuelle Produktportfolio auswirken.<\/p>\n\n\n\n
Bekanntlich unterscheidet IBM wie kaum kein anderer gro\u00dfer Hersteller zwischen Research Labs, die sich selbst als Pendant zur universit\u00e4ren Forschung verstehen, und Product Labs, die f\u00fcr die Entwicklung der am Markt angebotenen Produkte verantwortlich sind.<\/p>\n\n\n\n
Derzeit konzentriert sich IBM Research auf vier Kernbereiche, die die mittel bis langfristige IBM Unternehmensstrategie unterst\u00fctzen: (1) Foundation Modells, (2) Multi-Cloud Technologies, (3) Semiconductor Technologies und (iv) Quantum Computing. Auf diese Weise kann IBM Research seine Mission \u201eBe the organic growth engine for IBM\u201c und \u201eCreate what\u2019s next in computing\u201d erf\u00fcllen. Diese Ausrichtung der Mission von IBM Research an der mittel- bis langfristigen Unternehmensstrategie war bei weitem nicht immer so pr\u00e4gnant und ausgepr\u00e4gt. Vielmehr genoss IBM Research in vergangenen Unternehmensepochen einen deutlich gr\u00f6\u00dferen Forschungsfreiraum als dies heute der Fall ist. Dies ist sicherlich auch eine Folge der vom Markt erzwungenen Repositionierung von IBM im Kontext des Aufstiegs der gro\u00dfen Plattformanbieter wie Amazon, Microsoft, Alphabet\/Google, Meta und auch Apple, die nicht alle zwangl\u00e4ufig aus der reinen IT kommen, sondern ihre herausragende Marktbedeutung allesamt \u00fcber den Consumer-Markt erreichen konnten.<\/p>\n\n\n\n
Grunds\u00e4tzlich kann festgehalten werden, dass die neue Ausrichtung von IBM Research wesentlich dazu beigetragen hat, neue technologische Entwicklungen schneller aufzugreifen und den \u00dcbergang von R&D zu marktf\u00e4higen L\u00f6sungen deutlich zu verk\u00fcrzen. Dies zeigt sich insbesondere auch im Bereich von AI (Artifical Intelligence) und Large Language Models (LLM).<\/p>\n\n\n\n
Dieser verk\u00fcrzte \u201eResearch to Commercial Reality\u201c-Zyklus wird insbesondere auch durch eine 3-Horizonte-Strategie unterst\u00fctzt. Im ersten Horizont, der etwa einem Zeitraum von 6 bis 12 Monaten umfasst, geht es tats\u00e4chlich um Entwicklungen, die produkt\u00e4hnliche Ergebnisse hervorbringen, die dann in den Product Labs zu kommerziellen Angeboten verfeinert werden. Der zweite Horizont umfasst die n\u00e4chsten Jahre. Hier geht es nicht um konkrete Produktentwicklungen sondern vielmehr um das Ausloten von M\u00f6glichkeiten f\u00fcr zuk\u00fcnftige Entwicklungen. Der dritte Horizont betrifft den Zeitraum von 5+ Jahren und adressiert in erster Linie \u00e4hnliche Projekte, wie sie auch in der rein universit\u00e4ren Forschung \u00fcblich sind. In diesem Bereich werden vor allem solche Projekte adressiert, f\u00fcr deren erfolgreiche Umsetzung massive technische H\u00fcrden bestehen, f\u00fcr die zun\u00e4chst wissenschaftliche L\u00f6sungen gefunden werden m\u00fcssen. Beispielsweise waren alle Aktivit\u00e4ten zu Quanten-Computing f\u00fcr relativ lange Zeit in diesem dritten Horizont angesiedelt. Die Gewichtung dieser drei Horizonte liegt gesch\u00e4tzt bei 40\/30\/30 Prozent.<\/p>\n\n\n\n
In der Vergangenheit war IBM mit seinem AI-Angebot Watson sehr fr\u00fch \u2013 wahrscheinlich zu fr\u00fch \u2013 am Markt, konnte aber trotz einer sehr eindrucksvollen Demonstration in der US-Fernsehshow Jeopardy nicht das f\u00fcr einen nachhaltigen Erfolg notwendige Momentum im Markt umsetzen. Die Voraussetzungen waren im Prinzip gegeben, n\u00e4mlich einerseits die sehr lange Erfahrung von IBM im Data Management und andererseits die F\u00e4higkeit, Hochleistungscomputersysteme zu entwickeln und herzustellen. Dennoch gelang es zuerst anderen, an IBM vorbeizuziehen und schlie\u00dflich mit OpenAIs ChatGPT den Markt komplett aufzumischen. Allerdings war auch hier wieder der Consumer-Bereich, der nach dem Verkauf der PC-Sparte aus dem Fokus von IBM verschwunden ist, der entscheidende Katalysator.<\/p>\n\n\n\n
Trotzdem hat sich ein neues, sehr interessantes Feld aufgetan, das von gleich zwei der strategischen S\u00e4ulen von IBM Research getragen wird, n\u00e4mlich zum einen vom langj\u00e4hrigen Forschungsschwerpunkt auf AI und zum anderen von Multi-Cloud Computing, also im Wesentlichen Hybrid-Cloud-Ans\u00e4tzen, die Kundendaten nicht in Public-Cloud-Umgebungen exponieren. Dies adressiert die W\u00fcnsche und Bedenken von Kunden in mehrfacher Hinsicht: Einerseits die M\u00f6glichkeiten des Einsatzes von AI-Systemen nicht zu verpassen und andererseits aber die notwendigen Daten \u2013 und das damit verbundene Know-how \u2013 im eigenen Unternehmen zu halten. Als dritter Aspekt kommt hinzu, dass IBM auch im Bereich der Datensicherheit sehr engagiert ist und damit eine weitere Anforderung vieler Unternehmen im gleichen Kontext abdeckt.<\/p>\n\n\n\n
Um die M\u00f6glichkeiten zu verstehen, die sich aus dem verst\u00e4rkten Fokus auf den Zyklus \u201eResearch to Commercial Reality\u201c ergeben, lohnt es sich einen Blick auf die Aktivit\u00e4ten im Rahmen von Watsonx zu werfen. Watsonx ist eine klare Weiterentwicklung des urspr\u00fcnglichen Watson-Produktes, das im Mai 2023 eingef\u00fchrt wurde, um dann mit watsonx.ai, watsonx.data und watsonx.governance im Juli und Dezember 2023 \u2013 also in erstaunlich kurzer Zeit \u2013 erg\u00e4nzt zu werden. Alle diese Systeme sind f\u00fcr den Einsatz in der privaten Umgebung von Kunden-Rechenzentren geeignet (in Private-Cloud-, Hybrid-Cloud- oder no-Cloud-IT-Umgebungen). IBM hat hierf\u00fcr Foundation Models f\u00fcr verschiedene Anwendungsbereiche entwickelt und quasi als Produkt auf den Markt gebracht. Diese Modelle k\u00f6nnen in den privaten IT-Umgebungen der Unternehmen betrieben und durch Transfer-Learning an die individuellen Bed\u00fcrfnisse der einzelnen Unternehmen und unternehmensspezifischen Daten auf ganz konkrete Unternehmenssituationen und Aufgabenspektren angepasst werden. Hieraus ergeben sich gleich mehrere Vorteile. Zum einen k\u00f6nnen Kunden in sehr kurzer Zeit und ohne allzu tiefes Wissen unternehmensspezifische AI-L\u00f6sungen implementieren und in ihrer sicheren IT-Umgebungen betreiben, und zum anderen kann IBM seine Foundation Models in gro\u00dfer Zahl an unterschiedliche Unternehmen verkaufen. Auf diese Weise gelingt es \u2013 ohne den Umweg \u00fcber Public Clouds und die damit verbundenen Unsicherheiten hinsichtlich der Unternehmensdaten \u2013 das vorhandene AI-Know-How in die Fl\u00e4che zu tragen und gleichzeitig das branchenspezifische Wissen \u00fcber IBM Consulting parallel zu vermarkten.<\/p>\n\n\n\n
Es besteht also eine echte Abgrenzung gegen\u00fcber den klassischen AI-Szenarien, die weitgehend auf den Large Language Modellen der verschiedenen anderen Anbieter basieren, und die gleichzeitig die St\u00e4rken von IBM hervorheben und spezifische W\u00fcnsche der Kunden in Bezug auf Datensicherheit und \u00f6ffentlichen Zugang entsprechen. Wie es scheint hat IBM damit nach dem anf\u00e4nglichen Watson-Strohfeuer den nachfolgenden Realit\u00e4tsschock \u00fcberwunden und seine eigentliche Rolle mit diesen Technologien im Markt gefunden.<\/p>\n","protected":false},"excerpt":{"rendered":"
Die Neuausrichtung von IBM Research hat Auswirkungen auf das aktuelle Produktportfolio, insbesondere auch im Bereich AI. BARC hatte Gelegenheit, in einem Briefing mehr dar\u00fcber zu erfahren.<\/p>\n","protected":false},"author":109,"featured_media":47255,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[49,47,48],"tags":[],"plus":[],"content_typ":[209],"layoutvorlage":[],"class_list":["post-103151","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-science","category-business-intelligence","category-datenmanagement","content_typ-artikel"],"acf":[],"_links":{"self":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/103151","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/users\/109"}],"replies":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/comments?post=103151"}],"version-history":[{"count":3,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/103151\/revisions"}],"predecessor-version":[{"id":103155,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/103151\/revisions\/103155"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media\/47255"}],"wp:attachment":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media?parent=103151"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/categories?post=103151"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/tags?post=103151"},{"taxonomy":"plus","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/plus?post=103151"},{"taxonomy":"content_typ","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/content_typ?post=103151"},{"taxonomy":"layoutvorlage","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/layoutvorlage?post=103151"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}