Digitalisierung Made in China: Wie China mit KI und Co. Wirtschaft, Handel und Marketing transformiert.

Literaturverzeichnis

1. Vorwort

Woran denken Sie, wenn Sie „Digitalisierung Made in China" lesen? Immer wenn wir mit unseren Freunden und Bekannten über China reden, erhalten wir Reaktionen wie:

„China ist ein guter Standort für Outsourcing, denn dort sitzen die billigen Arbeitskräfte."

„Made in China – das sind günstige Produkte von mäßiger Qualität."

„Die Chinesen kopieren alles aus dem Westen und sind überhaupt nicht innovativ."

Ertappen Sie sich vielleicht selbst manchmal dabei, wie Sie (bewusst oder unbewusst) solche Glaubenssätze haben?

Unser westliches Bild von China ist von eher negativen Schlagzeilen und Klischees geprägt und wir haben noch viel Halbwissen, wenn es um das Reich der Mitte geht. Wir bemerken oft nicht, wie dort mit großen Schritten die Zukunft der Digitalisierung entsteht: Mit dem Bezahlen über Gesichtserkennung, mit KI-basierten virtuellen ÄrztInnen in sogenannten „One-Minute-Clinics", mit Schnellladestationen für Smartphones in fast jedem Restaurant in den chinesischen Metropolen, mit QR-Codes im Supermarkt, über die zu jedem Produkt Zusatzinformationen (z.B. zur Lieferkette oder Herkunft der Ware) aufgerufen werden können – um nur einige Beispiele zu nennen.

Mit dem Ziel, mehr Verständnis für diese Digitalisierung „Made in China" zu schaffen, haben wir mit über 20 ExpertInnen aus den Bereichen Digitalisierung, Chinawissenschaften, Unternehmensberatung, PR- und Marketing, Start-up-Gründung und Innovationsforschung gesprochen, die in diesem Buch ihr Wissen, ihre Erfahrungen und ihre wertvollen Learnings aus Chinas Digitalwelt mit Ihnen teilen.

Unsere Absicht mit dem vorliegenden Buch ist nicht, China zu idealisieren, sondern aufzuzeigen, welche Entwicklungen sich dort in der Digitalisierung vollziehen. Entwicklungen, denen wir im Westen wenig Beachtung schenken, während China dabei ist, auch unsere digitale Zukunft mitzubestimmen und zu prägen. Es geht uns nicht darum, Angst vor China zu schüren. Vielmehr möchten wir unsere LeserInnen für das Thema chinesische Digitalisierung sensibilisieren und zum Nachdenken anregen.

China ist ein riesiges, facettenreiches Land mit einer Bevölkerung von 1,4 Milliarden Menschen, einer jahrtausendealten Geschichte und Kultur und einer wachsenden, starken Wirtschaft. Auf den folgenden Seiten wird es unmöglich sein, mehr als nur einen kleinen Teil dieser Aspekte abzudecken. Auch die chinesische Digitalisierung ist derart komplex, dass wir davon lediglich einige wichtige Themen aufgreifen und behandeln können. Wir fokussieren uns hier besonders auf die wirtschaftlichen Aspekte und hoffen, einen Beitrag dazu leisten zu können, Ihnen einen Einblick in die aktuellen Entwicklungen zu geben und Sie zu inspirieren, sich weiter mit den Fortschritten in China zu beschäftigen, um am Puls der Zeit zu bleiben und sich auf die digitale Zukunft vorzubereiten. Wir möchten Ihnen anhand von konkreten Beispielen und Praxistipps aus Wirtschaft, Handel und Marketing aufzeigen, was Sie von der Digitalisierung in China für sich, für Ihre Unternehmen und für die Märkte in Europa lernen können.

Alexandra Stefanov, Prof. Dr. Claudia Bünte, Till-Hendrik Schubert

April 2021

2. Die Digitalisierung bestimmt unsere

Wirtschaftswelt

Digitalisierung ist ein relevanter Wirtschaftsfaktor

Digitalisierung und digitale Transformation entwickeln sich weltweit zu einem relevanten Wirtschaftsfaktor. Besonders der aktuell neusten Technologie innerhalb der digitalen Werkzeuge, der Künstlichen Intelligenz, wird vorhergesagt, die Wirtschaft, das globale Mächteverhältnis, die Art und Weise, wie wir in Zukunft arbeiten werden und die Gesellschaft zu verändern.

Digitalisierung und KI sind richtige „Game Changer"

Das McKinsey Global Institute (MGI) berechnet global bis 2030 einen durchschnittlichen Anstieg des Bruttoinlandsprodukts (BIP) um 1,2 Prozentpunkte pro Jahr allein durch Künstliche Intelligenz - ein beeindruckender Einfluss einer einzigen Technologie auf das BIP: Die Dampfmaschine hatte einen Anstieg der Auswirkungen auf das BIP von 0,3 Prozentpunkte, Industrieroboter von 0,4 Prozentpunkte und Informations- und Kommunikationstechnologien von 0,6 Prozentpunkte (McKinsey & Company, 2018, S. 23). Bereits vor der Corona-Krise wurde geschätzt, dass der globale KI-Markt bis 2025 einen Wert von etwa 90 Milliarden US-Dollar haben wird, davon 43 Milliarden in den USA und weitere 20 Milliarden in Europa und im asiatischpazifischen Raum. Das wäre eine Verachtfachung von 2019 bis 2025, von 2016 bis 2025 sogar eine Verachtundzwanzigfachung (Brand, 2018). China schätzt den Umsatz bis 2025 in seinem aktuellen Fünfjahresplan allein für das eigene Land auf 52 Milliarden Euro (Webster, Creemers, Triolo, & Kania, Full Translation: China's 'New Generation Artificial Intelligence Development Plan', 2017). Diese Entwicklung wird auch in Nordeuropa und damit für Deutschland vorhergesagt: Laut einer Studie von PwC dürfte bis zum Jahr 2030 das deutsche BIP allein dank KI um 9,9 Prozent steigen (PwC, 2017, S. 7). Alle Quellen gehen also von einer hohen Wachstumsrate der Wirtschaft durch Künstliche Intelligenz aus.

Diese Digitalisierung verändert sogar bisher relevante Wirtschaftstreiber

Waren über weite Teile des 19. und 20. Jahrhunderts Öl und seine Derivate wie Kerosin und Benzin die Treibriemen der weltweiten Wirtschaft, sind es nun Daten: Die drei weltweit größten Unternehmen nach Marktkapitalisierung fußten noch im ersten Quartal 2008 ihre Angebote hauptsächlich auf Öl: Exxon Mobil (Platz 1) und Petrochina (Platz 2) fokussierten klar auf Öl, General Electrics (Platz 3) deckte Öl-basierte Segmente wie Energie, Öl und Gas, Luftfahrt, Gesundheit, Transport und Licht ab (Financial Times, 2018). Nur zehn Jahre später hatte sich das Bild komplett gewandelt. 2018 waren Apple, Alphabet (der Mutterkonzern von Google) und Microsoft die weltweiten Top-3-Unternehmen (Financial Times, 2018). Deren Portfolios fußten bereits fast ausschließlich auf Daten – Kundendaten, Bilddaten, Bewegungsdaten, Kaufdaten, Suchdaten, etc. Deshalb wird allgemein gesagt, dass Daten das neue Öl des 21. Jahrhunderts seien. Die folgende Abbildung zeigt denselben Trend mit noch aktuelleren Daten: Unter den acht größten Unternehmen 2020 findet sich mit Saudi Aramco nur noch ein Unternehmen, das nicht hauptsächlich von Software, Daten und Consumer Insights lebt (siehe Abbildung 1).

Abbildung 1: Unternehmen mit der größten Marktkapitalisierung 2005 vs. 2020 (Bocksch, 2020)

Neue Unternehmen und neue Geschäftsmodelle generieren also scheinbar plötzlich Mehrwert für KundInnen und alte Industrien verlieren an Bedeutung, wobei aber insgesamt der Wert der Unternehmen steigt. Dieser Trend zeigt sich in allen Regionen weltweit.

Nicht alle Branchen nutzen zeitgleich die Möglichkeiten der Digitalisierung

McKinsey untersuchte 2019 die Geschwindigkeit, mit der verschiedene Branchen eine Digitalisierung erfahren, ihr Fokus waren dabei USA, China und Europa und solche Industrien, die ICT-Technologie nutzen, also „Information and Communication Technologies" (siehe Abbildung 2 ).

Abbildung 2: Adaption von digitalen Werkzeugen nach Branchen (Eigene Darstellung in Anlehnung an (McKinsey Global Institut, 2019, S. 2))

Dabei definierten die Berater, welche Digitalisierungsleistungen eine Branche durchführen sollte, um 100 % zu erreichen. Bei den untersuchten Branchen lagen Reise und Handel weit vorne – allerdings erreichten sie mit 51 % und 46 % gerade mal die Hälfte des definierten Digitalisierungsoptimums - gefolgt von Automobil- und Telekommunikationsmontage, Finanzdienstleistungen, Fast Moving Consumer Goods (FMCG) und Medienangebote. Das Gesundheitswesen liegt dieser Analyse zufolge genau in der Mitte der Digitalisierungsfortschritte. Geschäftliche und professionelle Dienstleistungen sowie Arzneimittel und Medizinprodukte liegen dagegen weit unter dem Durchschnitt. Es lohnt sich also, gerade im Bereich der digital weiter fortgeschrittenen Branchen zu lernen, welche Vor- und Nachteile eine Digitalisierung haben kann und welche Elemente daraus „Best Practice für die eigenen Anwendungen sind. Außerdem sollte mit einberechnet werden, dass selbst weit fortgeschrittene Branchen immer noch „Luft nach oben haben.

MANAGEMENT SUMMARY

Digitalisierung ist ein relevanter Wirtschaftsfaktor

Digitalisierung und KI sind richtige „Game Changer", KI verändert die Wirtschaft stärker als seinerzeit die Dampfmaschine oder Industrieroboter

Diese Digitalisierung verändert sogar bisher relevante Wirtschaftstreiber, die Wichtigkeit von Öl wird durch Daten abgelöst

Aber nicht alle Branchen nutzen zeitgleich die Möglichkeiten der Digitalisierung und keine Branche nutzt bisher das volle Potenzial

3. Künstliche Intelligenz: Die nächste S-Kurve in der Digitalisierung

Die Digitalisierung hat verschiedene Entwicklungsstufen, die jüngste ist Künstliche Intelligenz

Blickt man mit der Linse „Industrialisierung auf die wirtschaftliche Entwicklung, gibt es vereinfacht gesagt vier große Entwicklungsphasen, einige nennen sie auch „vier industrielle Revolutionen ( Abbildung 3 ): Mit „Industrie 1.0 wird dabei die oben bereits erwähnte Phase bezeichnet, die durch die Dampfkraft ab 1750 einsetzte, mit „Industrie 2.0 ist die Nutzung und Verbreitung von elektrischer Energie ab ca. 1890 gemeint, die u.a. Massenproduktion an Montagebändern nach sich zog. „Industrie 3.0 meint die anschließende Entwicklung der Automatisierung über Roboter und den Einsatz von Computern (ab ca. 1970). In der „Industrie 4.0, in deren Phase wir uns heute befinden, steht die Digitalisierung im Vordergrund. Diese Phase wiederum spaltet sich auf in eine „frühe Phase", das Internet, und eine aktuelle Phase, die Künstliche Intelligenz. Im aktuellen Entwicklungsstadium hat die Künstliche Intelligenz einen Reifegrad erreicht, der es ermöglicht, aus unstrukturierten Daten Erkenntnisse, also Insights zu generieren und darauf aufbauend das eigene Angebot effektiver und effizienter zu gestalten. Aber was ist Künstliche Intelligenz eigentlich?

Abbildung 3: Industrie 4.0 (Eigene Darstellung in Anlehnung an (Inray Industrie Software, 2020))

Künstliche Intelligenz ist, wenn ein System Aufgaben erledigen kann, die normalerweise menschliche Intelligenz benötigen

Künstliche Intelligenz ist eine Teildisziplin der Informatik. In bisherigen Computerprogrammen wurden Daten durch einen vorher programmierten Rechenablauf analysiert - so entstand ein Ergebnis (siehe Abbildung 4 ). Da Computerprogramme diesen Rechenablauf deutlich schneller als Menschen absolvieren können, ergab sich seit den 1970er-Jahren ein deutlicher wirtschaftlicher Vorteil für Firmen, Computer anzuschaffen und zu nutzen.

Künstliche Intelligenz analysiert ebenfalls Daten, allerdings ist sie in der Lage, mit einer Hypothese für eine Verbesserung des eigenen Rechencodes die Daten mehrfach, wie in einer Schleife, zu analysieren. Statt statischem Code entsteht so ein Algorithmus, der über Zeit „lernt". Wenn beispielsweise in den Daten andere, zusätzliche Infos enthalten sind, die ein starrer Code nicht erkennen könnte, könnte eine KI über die Analyse dieser Informationen und einer selbstständigen Anpassung des Algorithmus zu einem ggf. besseren Ergebnis kommen als ein starrer Code, der sich nicht verändert. Vereinfacht gesagt hat man immer eine Künstliche Intelligenz vor sich, wenn diese selbstständig lernfähig ist (Bünte, Künstliche Intelligenz - die Zukunft des Marketing, 2018, S. 6), unabhängig davon, ob Menschen in diesem Lernprozess involviert sind oder nicht. Allerdings ist das vorherige Handeln von Menschen notwendig, damit die Software eigenständig lernen und Lösungen finden kann. Denn die Systeme müssen zunächst mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Außerdem sind Regeln für die Analyse des Datenbestands und das Erkennen der Muster aufzustellen. KI bezieht sich dabei insgesamt auf ein sehr großes Forschungsgebiet, das eine Reihe von Techniken umfasst, mit denen Computer lernen und Probleme lösen sollen.

Dieses selbstständige Lernen wiederum ist ein neuer Quantensprung für die Effektivität und Effizienz, denn einmal aufgesetzt, muss jetzt theoretisch nicht mal mehr ein Mensch dabeisitzen, wenn eine KI lernt und sich weiterentwickelt UND die Entwicklung kann ggf. besser sein als ein Mensch dies programmieren könnte. Das ist das große Potenzial, das in KI gesehen wird.

Abbildung 4: Traditionelles Computerprogramm vs. künstlich-intelligentes Lernen (eigene Abbildung in Anlehnung an (Hilse, 2019))

Der Begriff Künstliche Intelligenz wird mit vielen anderen fälschlicherweise gleichgesetzt

KI, AI, Machine Learning, Deep Learning … häufig werden diese Begriffe synonym verwendet, obwohl diese Gleichsetzung nicht ganz richtig ist. KI oder Künstliche Intelligenz ist dasselbe wie AI, also Artificial Intelligence.

Machine Learning (ML) dagegen ist NICHT dasselbe wie KI. Machine Learning ist ein Teilbereich von KI. Genauso wie jeder Dackel ein Hund ist, aber nicht jeder Hund ein Dackel, so ist jedes Machine Learning eine KI, aber nicht jede KI ist Machine Learning. Mithilfe von ML werden IT-Systeme befähigt, auf Basis vorhandener Daten und vorgegebenen ersten Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und eigenständig Lösungen zu entwickeln. Maschinelles Lernen beschäftigt sich mit dem selbstständigen Erschließen von Zusammenhängen auf Basis von Beispieldaten.

Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und auf neue Probleme oder für die Analyse bisher unbekannter Daten verwenden. Mit den passenden Daten und definierten Regeln können Systeme durch maschinelles Lernen u.a. folgendes tun:

Relevante Daten suchen, finden, aussortieren und zusammenfassen

Vorhersagen treffen auf Basis dieser Daten

Wahrscheinlichkeiten berechnen für bestimmte Ereignisse

Ihren Algorithmus selbständig an die Ergebnisse anpassen

Prozesse optimieren

Deep Lerning wiederum ist ein Teilbereich von maschinellem Lernen. Deep Learning ist eine Variante zu lernen, nämlich über künstliche neuronale Netze, ähnlich wie das menschliche Gehirn aufgebaut ist. Sehr vereinfacht gesagt besteht ein solches Netzwerk nicht aus linear miteinander verknüpften Annahmen, sondern aus Netzen von Annahmen. Mittels eines Probedatensatzes und eines vorher definierten Ergebnisses prüft nun die KI, ob die Verknüpfungen richtig gesetzt sind oder ob durch Anpassungen der Verknüpfungen ein besseres Ergebnis erzielt werden kann. Mithilfe dieser Anpassungen lernt das System. Es heißt deshalb „deep learning, also „tiefes Lernen, weil die Verbindungen der Daten stark, also „tief", verknüpft sind.

Künstliche Intelligenz erlaubt eine effektive und effiziente Analyse von Daten

KI ist gegenüber menschlichen Analyse- und Lernfähigkeiten deutlich effektiver und effizienter. Dort, wo ausreichend Daten vorhanden sind, kann ein KI-gestütztes System Prozesse optimieren, repetitive Aufgaben übernehmen, Ressourcen gezielter und nachhaltiger einsetzen, Zeit sparen und Verschwendung minimieren. Ein sehr typisches Beispiel ist die Analyse von Röntgenbildern. Eine Röntgenärztin sieht in ihrem Berufsleben vielleicht 10.000 Bilder – so wächst ihre Erfahrung im Erkennen von Krebszellen über Zeit und sie lernt aus ihrer Erfahrung, Krebszellen auch zu erkennen, wenn sich bestimmte Muster wiederholen. Eine KI kann über Computervision, eine Art von Künstlicher Intelligenz, die Deep Learning verwendet, ebenfalls visuelle Daten analysieren. Allerdings ist die Kapazität einer KI, Röntgenbilder zu erfassen, um ein Vielfaches größer als die eines Röntgenarztes. Außerdem ist die Geschwindigkeit, aus dem „gesehenen" Muster neue Krebsmuster zu erkennen, deutlich höher. In diesem Beispiel ist eine KI, die mit Röntgenbildern trainiert wurde, Krebs zu erkennen, also effektiver und effizienter als ein Mensch.

KI wird häufig in der Entwicklungsgeschwindigkeit unterschätzt

KI wird in vielen Bereichen, die Menschen beherrschen, entwickelt. Künstliche Intelligenz kann heute schon sehen, riechen, anfassen, schmecken, lesen, schreiben, rechnen, sprechen – die Liste ist lang. Anders als ein Mensch lernt Künstliche Intelligenz diese Teilfähigkeiten aber nicht gleichzeitig, sondern in getrennten Systemen. Computer Vision sieht z.B. in der Regel „nur, aber spricht nicht gleichzeitig. Diese Trennung ist zu Beginn der praktischen Anwendung von KI vor einigen Jahren nötig gewesen, damit ein Computer überhaupt in der Lage ist, EINE dieser menschlichen Fähigkeiten im Laufe der Zeit zu erlernen. Daher spricht man auch von „schwacher KI, also der Fähigkeit, eine Funktion menschlicher Leistungen nachzubilden. Die sogenannte „starke" KI, also eine KI, die mehrere Systeme gleichzeitig kombiniert, kann etwas sprechen, sehen und anfassen. Wann der Tag da ist, an dem eine Maschine alle Fähigkeiten, die ein Mensch hat, nachbilden kann, ist noch nicht klar, aber es gibt schon einen Begriff dafür – die sogenannte Singularität. Interessant ist nun, dass viele der o.g. Anwendungen erst in den 2000er-Jahren programmiert wurden und auch erst vor ein paar wenigen Jahren für eine breite Öffentlichkeit erste Erfolge sichtbar wurden. Diese Erfolge - etwa, dass ein Computer einen Hund von einem Muffin unterscheiden kann - wirkten zunächst noch sehr fehlerhaft und ungenau. Aber, anders als ein Mensch, lernt KI exponentiell. D.h. es beginnt gefühlt sehr langsam, die Lernerfahrung wird aber immer schneller, und zum Schluss überholt eine KI die menschlichen Fähigkeiten nicht nur rasant schnell (exponentiell), sondern schlägt sie auch um Längen. Menschen neigen dazu, exponentielles Wachstum zu unterschätzen. Der Tag der Singularität könnte also schneller kommen, als sich das der Eine oder Andere heute vorstellen kann (Siehe Abbildung 5 , Abbildung 6 ).

Abbildung 5: Gefühltes versus tatsächliches Wachstum von KI – Grafik 1 (Urban, 2015)

Abbildung 6: Gefühltes versus tatsächliches Wachstum von KI – Grafik 2 (Urban, 2015)

KI versucht heute schon, menschliche Fähigkeiten nachzubilden und ist erstaunlich weit

Wie oben bereits erwähnt, gibt es bereits Anstrengungen, alle Fähigkeiten des Menschen über KI nachzubilden. Das umfasst das Sprechen und Hören (kennt jeder von z.B. Siri und Alexa), das Schreiben und Lesen (z.B. DeepL oder Roboterjournalismus-Angebote wie z.B. von Retresco), das Sehen und Bilder verarbeiten (z.B. von Intel), sich bewegen und das Umfeld verstehen (autonome Fahrversuche von z.B. Google) und das Lernen (jede KI). Auch riechen können KI-gestützte Anwendungen, nur nicht über Riechzellen, wie die menschliche Nase. Vielmehr analysiert die KI von z.B. Symrise die Bestandteile z.B. eines Parfums, sie weiß, wie diese Kombination für Menschen riecht und trifft Annahmen darüber, wie eine andere Kombination der Inhaltsstoffe eines Duftes dann vermutlich riechen wird.

Abbildung 7: Menschliche Fähigkeiten und ihre Entsprechungen innerhalb der KI (Bünte, Die chinesische KI-Revolution: Konsumverhalten, Marketing und Handel; Wie China mit künstlicher Intelligenz die Wirtschaftswelt verändert, 2020, S. 57)

Alle Wirtschaftsnationen haben die Bedeutung und die Rolle der KI als nächste S-Kurve der Digitalisierung erkannt

Das enorme Potenzial von KI für die Wirtschaft wurde bereits weiter oben dargelegt. Daher hinterlegen alle großen Wirtschaftsländer ihre KIEntwicklung mit eigenen Zielen, Strategiepapieren und Budgets.

Bei KI handelt es sich noch um Grundlagenforschung, daher investieren Staaten viel

Gewisse rechtliche Rahmenbedingungen für KI müssen erst geschaffen werden – denken wir etwa an die zu ändernden Straßenverkehrsordnungen im Zuge des Autonomen Fahrens. Daher ist die intensive Unterstützung der jeweiligen Regierung eines Landes notwendig.

Das Bundeswirtschaftsministerium hat dazu eine inhaltliche „Strategie Künstliche Intelligenz" veröffentlicht (Bundesministerium für Wirtschaft, 2018), die als Handlungsrahmen und Prozess der Bundesregierung zu verstehen sei, deren Fortschritt regelmäßig auf der Internetseite www.ki-strategie-deutschland.de dokumentiert wird (Bundesministerium für Wirtschaft, 2018, S. 3). Darin steht folgende Absichtserklärung: „Wir wollen Deutschland und Europa zu einem führenden KI-Standort machen und so zur Sicherung der künftigen Wettbewerbsfähigkeit Deutschlands beitragen. (Bundesministerium für Wirtschaft, 2018, S. 8). „Artificial Intelligence (AI) made in Germany solle „zum weltweit anerkannten Gütesiegel werden" (Die Bundesregierung, 2020). Auf der genannten Internetseite werden rund 100 Initiativen genannt, die im ersten Jahr der Strategie initiiert worden sind und jetzt unterstützt werden. Im Vergleich zum chinesischen Fünf-Jahresplan zu Künstlicher Intelligenz (Webster, Creemers, Triolo, & Kani, Full Translation: China's 'New Generation Artificial Intelligence Development Plan', 2017) wirkt die deutsche Strategie zwar deutlich weniger detailliert ausgearbeitet – das ist vor dem Hintergrund der sich ständig und schnell wandelnden Materie „Künstliche Intelligenz" aber kein Nachteil, denn eine Strategie muss sich an die sich verändernden Rahmenbedingungen anpassen können. Aber es kommt auch auf die konsequente Umsetzung der Absichtserklärung in der Strategie an.

Die Einparteienregierung in China hat einen expliziten und sehr detaillierten KI-Fünf-Jahresplan ausgearbeitet mit dem Ziel, bis 2030 weltführend bei KI zu sein (Webster, Creemers, Triolo, & Kania, Full Translation: China's 'New Generation Artificial Intelligence Development Plan', 2017). Dieser Plan geht bis auf Stadtverordnetenebene und den Lehrplan von Schulen und Universitäten herunter ins Detail. Dass die Regierung auch in der Lage ist, den Plan in die Tat umzusetzen, sieht man am Beispiel von Shenzhen. In der 11 Millionen-Nachbarstadt von Hongkong bestimmte die Stadtverwaltung 2010, dass alle Stadtbusse und (privaten) Taxis auf E-Fahrzeuge umzurüsten seien. 2016 fuhren dann auch schon über 16.000 Busse elektrisch. Shenzhen belegt damit einen Weltrekord (Ingenieur.de, 2018). Eine Durchgriffskraft, die in einem europäischen demokratischen Staat kaum vorstellbar ist. Zum Vergleich: Die Bundesregierung setzte 2010 das Ziel, bis 2020 sollten auf deutschen Straßen 1 Million Elektroautos fahren (Bundesregierung, 2011, S. 10). Stand September 2020 sind es aber maximal 245.000 Fahrzeuge – und das auch nur, wenn man alle seit 2003 zugelassenen Fahrzeuge zusammenzählt (KBA, 2020).

Die KI-Entwicklung ist Grundlagenforschung und kostet Geld

Allein auf Unternehmensseite wurden daher in den USA z.B. im Jahr 2016 schätzungsweise 26 bis 39 Milliarden US-Dollar investiert, der Großteil davon durch Tech-Giganten (McKinsey Global Institute, 2017, S. 5). Die Stanford University hat ein jährliches KI-Budget von 6,3 Milliarden US-Dollar (Wolff & Yogeshwar, 2019) und China investiert 1,76 Milliarden US-Dollar in nur einen einzigen Technologiepark (Neuerer, 2018). Dem eigenen Ziel, bis 2030 weltführend bei