Leseprobe
Inhaltsverzeichnis
Abstract
Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Forschungsfrage und Zielsetzung
1.3 Methodik und Forschungsdesign
1.4 Aufbau der Arbeit
2 Theoretische Grundlagen
2.1 Emerging Technologies – Begriffsdefinition
2.2 Modelle der Technologieentwicklung
2.3 Indikatoren zur Abbildung einer Technologieentwicklung
3 Hype-Zyklus
3.1 Hype – Begriffsdefinition und wissenschaftlicher Rahmen
3.2 Das Gartner Hype Cycle Modell
3.3 Diskussion und Ergebnisse
3.4 Forschungsergebnisse um Hype-Zyklen
4 Fallstudien – Augmented und Virtual Reality
4.1 Methodik und Datengrundlage
4.2 Fallstudien der Technologie Virtual und Augmented Reality
4.3 Diskussion und Ergebnisse
5 Zusammenfassung
Anhang
Literaturverzeichnis
Danksagung
Abstract
Der Einfluss von Hypes auf die technologische Entwicklungsgeschwindigkeit von Emerging Technologies ist zentrale Fragestellung dieser Arbeit. Die Grundlage hierzu bildet das Gartner Hype Cycle Modell. Im Rahmen einer detaillierten theoretischen Analyse des Modells, sowie einer Literaturrecherche empirischer Anwendungen, konnten vielschichtige Modellschwächen festgestellt werden. Auf Basis eines weiterentwickelten theoretischen Ansatzes wurden daher zwei Fallstudien für die beiden Technologien Virtual und Augmented Reality durchgeführt. Hierbei wurden die Zusammenhänge zwischen Hypes und der jeweiligen Technologieentwicklung untersucht. Dabei konnte ein positiver Einfluss von Hypes auf die Technologieentwicklung festgestellt werden und Erkenntnisse zur Entwicklung eines ganzheitlichen Modells zur Analyse von Hypes und Technologieentwicklung gewonnen werden.
Abbildungsverzeichnis
Abb. 1: Themengebiete der Arbeit und Einordnung der Forschungsfragen
Abb. 2: Prozess einer Fallstudienanalyse nach Yin (2009)
Abb. 3: Grundarten von Designs einer Fallstudie nach Yin (2009)
Abb. 4: Darstellung der hierarchischen Abfolge der Arbeit
Abb. 5: Verlauf eines Produktlebenszyklus
Abb. 6: Technologielebenszyklus-Phasen nach Arthur D. Little Int. (1985)
Abb. 7: Technologielebenszyklus-Phasen nach Ford und Ryan (1981)
Abb. 8: s-Kurven – Wachstum der Leistung von Produkten über die Zeit
Abb. 9: Adoptions-Prozess nach Rogers (2003)
Abb. 10: Adopter-Kategorisierung nach Rogers (2003)
Abb. 11: GHC-Modell – 5 Phasen Modell eines Hype-Zyklus
Abb. 12: GHC-Modell – Beispiel eines GHC für Emerging Technologies 2017
Abb. 13: GHC-Modell – Beschreibung der Herkunft des Kurvenverlaufs
Abb. 14: GHC-Modell – Interesse an dem Suchbegriff „gartner hype cycle"
Abb. 15: GHC-Modell – Häufigkeit des Begriffs „gartner hype cycle“ in wissenschaftlichen Zeitschriften
Abb. 16: Ablauf der Analyse der Technologien VR und AR in der Fallstudie
Abb. 17: Betrachtungsrahmen innerhalb der Fallstudie
Abb. 18: Verlauf der VR und AR Technologie im GHC
Abb. 19: Medien // Aufmerksamkeit von VR bzw. AR in Mainstream-Medien 1995-2017
Abb. 20: Medien // Hype-Dynamik der Aufmerksamkeit von VR bzw. AR in Mainstream-Medien 2014/15-2017
Abb. 21: Medien // Aufmerksamkeit von VR in Wissenschaftlichen-Medien 1995-2017
Abb. 22: Medien // Aufmerksamkeit von AR in Wissenschaftlichen-Medien 1995-2017
Abb. 23: Medien // Hype-Dynamik der Aufmerksamkeit von AR bzw. VR in Wissenschaftlichen-Medien 2012/13-2017
Abb. 24: Soziales System // relatives Suchanfragen-Interesse für VR von 2004-2017
Abb. 25: Soziales System // relatives Suchanfragen-Interesse für AR von 2004-2017
Abb. 26: Soziales System // Hype-Dynamik für VR in Bezug auf das relative Suchanfragen-Interesse von 2014-2017
Abb. 27: Soziales System // Hype-Dynamik für AR in Bezug auf das relative Suchanfragen-Interesse 2009, 2015-2017
Abb. 28: Technologieentwicklung // Patent-Anzahl VR von 1993-2017
Abb. 29: Technologieentwicklung // Patent-Anzahl AR von 1995-2017
Abb. 30: Technologieentwicklung // Investitionsaufwendungen VR und AR quartalsgenau von 2011-2017
Abb. 31: Technologieentwicklung // Investitionsaufwendungen VR und AR von 2011-2017
Abb. 32: Technologieentwicklung // Anzahl Investitionen VR bzw. AR von 2013-2016
Abb. 33: Technologieentwicklung // Preisentwicklung marktführender VR HMD’s
Abb. 34: Hype-Zyklen – Modell der Interdependenzen
Tabellenverzeichnis
Tab. 1: Faktoren zur Auswahl einer geeigneten Forschungsmethode
Tab. 2: Technologielebenszyklus
Tab. 3: Technologielebenszyklus Indikatoren nach Watts und Porter (1997)
Tab. 4: GHC-Modell – Qualitative Merkmale der Phasen
Tab. 5: Hype-Zyklen – Ergebnis-Übersicht empirischer Untersuchungen
Tab. 6: GHC-Modell – Zeithorizont der einzelnen Phasen
Tab. 7: GHC-Modell – Ergebnis-Übersicht der Anwendung des Modells durch Gartner
Tab. 8: Untersuchungsmethodik von Hype-Zyklen nach Dedehayir und Steinert (2016)
Tab. 9: Übersicht der gewählten Datengrundlage – Quelle, Maßeinheit, Verfügbarkeit
Tab. 10: Technologieentwicklung // Prognosen zur Marktgröße des VR und AR Marktes
Tab. 11: Korrelationskoeffizienten // VR – gesamter Zeitraum
Tab. 12: Korrelationskoeffizienten // VR – Zeitraum der Hype-Dynamik
Tab. 13: Korrelationskoeffizienten // AR – gesamter Zeitraum
Tab. 14: Korrelationskoeffizienten // AR – Zeitraum der Hype-Dynamik
Tab. 15: Zusammenhänge Hype- und Technologieentwicklungsfaktoren // VR, AR spezifisch (eine dunklerer Farbton weist auf signifikante Korrelationskoeffizienten hin, helle lediglich auf die Ausprägung der Korrelation - positive/negative)
Abkürzungsverzeichnis
Abbildung in dieser Leseprobe nicht enthalten
1 Einleitung
Emerging Technologies nehmen zentralen Einfluss auf die Wettbewerbsfähigkeit eines Unternehmens. Entscheidungen zur Annahme oder Ablehnung dieser Technologien sind somit eine bedeutende Aufgabe des Managements. Hierfür ist es notwendig, möglichst eindeutig den aktuellen Entwicklungsstand einer Technologie zu bestimmen. Modelle wie der Gartner Hype Cycle (GHC) haben genau dies zum Ziel und helfen mit der Einordnung von Emerging Technologies auf einer von Gartner entwickelten idealtypischen Verlaufskurve. Aufgrund der weiten Verbreitung des Modells und des damit verbundenen hohen Einflusses auf die Wirtschaft stellt sich die Frage nach dessen wissenschaftlicher Fundierung. Hierbei gilt es insbesondere, den Zusammenhang zwischen Hypes und technologischer Entwicklung zu erforschen, der innerhalb des Modells abgebildet wird. Vielzählige Untersuchungen zum Thema des GHC-Modells und dessen Hintergründe wurden bereits unternommen. Deren Ergebnisse dienen als Grundlage dieser Arbeit und werden anschließend erweitert.
Die Thematik der Hype-Zyklen, die sich mit dem Verlauf von Erwartungen und Aufmerksamkeit einer Emerging Technology befasst, entstand aus dem Modell des GHC und ist neben den Modellen zur Abbildung von Technologieentwicklungen die bedeutendste Theorie zu dieser Arbeit. Bis dato bezogen nur wenige Autoren beide Themengebiete in ihre Untersuchungen mit ein. Hieraus ergibt sich die Fragestellung hinsichtlich des Zusammenhangs zwischen Hypes und der Technologieentwicklung, das zentrale Thema dieser Arbeit. Im Fokus stehen dabei drei Forschungsfragen: 1) Welche Entwicklung nehmen Hypes bei Emerging Technologies?, 2) Welchen Einfluss nehmen Hypes auf die Technologieentwicklung? und 3) Was bedeutet dieses Wissen um die Zusammenhänge für das Management von Unternehmen?. Rückführend soll dadurch das Modell des GHC hinterfragt und bei Bedarf weiterentwickelt werden.
Aufgebaut ist diese Arbeit in drei Teile. Zu Beginn wird in Kapitel 2 ein Überblick über Modelle zur Darstellung von Technologieentwicklung gegeben. Neben diesen ist die Theorie hinter Hype-Zyklen in Kapitel 3 zweiter Bestandteil und soll bereits Antworten zur ersten Forschungsfrage liefern. Dies ist unter anderem die Grundlage für Kapitel 4, die Ausarbeitung zweier Fallstudien zur Beantwortung der zweiten und dritten Forschungsfrage. Der Abschluss der Arbeit ist eine Diskussion der Ergebnisse aus der Fallstudie, sowie eine Rückführung zum Modell des GHC bzw. dessen Weiterentwicklung.
1.1 Problemstellung
Die Entscheidung eines Unternehmens für eine Emerging Technology birgt große Unsicherheiten. Informationen zum Potenzial der aktuellen technologischen Leistungsfähigkeit oder auch die Breite der Anwendungsmöglichkeiten sind nur in geringem Maße vorhanden. Es ist für Wirtschaftsteilnehmer Herausforderung und Risiko zugleich, die vorteilhaftesten Technologien zu wählen und in diese zu investieren. Die größte Schwierigkeit dabei ist häufig, die Aufmerksamkeit und Erwartungen um neue technologische Themen im Vergleich zum Leistungspotenzial abzuwägen. Dabei laufen Entscheidungsträger Gefahr, Fehlentscheidungen zu treffen, also zu früh oder zu spät eine Technologie anzunehmen. Damit ist die Effizienz des Ressourceneinsatzes nicht nur individuell, sondern auch gesamtwirtschaftlich gefährdet. Als Konsequenz daraus besteht eine große Nachfrage nach Methoden, die eine bessere Einschätzung von Emerging Technologies ermöglichen und damit eine Entscheidungshilfe liefern. Sie wird von Modellen wie dem GHC bedient. Es stellt sich die Frage, inwieweit sie die komplexen Zusammenhänge der Technologieentwicklung und deren Einflussgrößen abbilden können. Die vorliegende Arbeit basiert auf der Grundlage eben dieser Problematik und versucht Zusammenhänge von Hypes und technologischer Entwicklung zu ergründen und damit das bestehende Modell des GHC zur Analyse von Emerging Technologies im Rahmen von Hypes zu hinterfragen und weiterzuentwickeln.
1.2 Forschungsfrage und Zielsetzung
Das Thema dieser Arbeit kann in drei voneinander abzugrenzende Bereiche unterteilt werden: Hypes, Technologieentwicklung und Managemententscheidungen (siehe Abb. 1). Jeder dieser Bereiche stellt ein weitläufiges Forschungsgebiet dar und umfasst ein breites Spektrum an Theorien. Um eine zielgerichtete Untersuchung sicherzustellen, beschäftigt sich diese Arbeit mit einer spezifischen Leitfrage, wodurch das Thema eingegrenzt werden kann:
Welche Bedeutung haben Hypes für die Entwicklung von neuen Technologien?
Übergeordnetes Ziel ist die Bedeutung von Hypes und damit die Entwicklung der Aufmerksamkeit auf die Entwicklungsverläufe von Emerging Technologies zu untersuchen. Dabei wird insbesondere betrachtet, inwieweit sich Messfaktoren der Technologieentwicklung und Hypes im Zeitverlauf bedingen. Um eine gehaltvolle Aussage treffen zu können, sind dabei im Vorfeld Modelle zur Darstellung von Technologieentwicklungen, sowie zur Entwicklung von Hypes aufzuarbeiten. Die damit getroffenen Schlussfolgerungen sollen die Grundlage zur Diskussion um die Relevanz von Hypes für strategische Entscheidungsträger liefern.
Abbildung in dieser Leseprobe nicht enthalten
Abb. 1: Themengebiete der Arbeit und Einordnung der Forschungsfragen1
Die Beantwortung der Leitfrage ist in drei untergeordnete Forschungsfragen gegliedert. Um eine grundlegende Wissensbasis zu schaffen, ist zuerst die isolierte Betrachtung der Thematik von Hypes notwendig. Beantwortet werden soll dabei die Frage:
Forschungsfrage 1
Wie verläuft die Entwicklung der Aufmerksamkeit hinsichtlich Emerging Technologies?
Ziel dabei ist es, die Begrifflichkeit des Hypes zu erarbeiten, Modelle zur Abbildung von Hypes zu erörtern, mögliche Verlaufsmuster herauszuarbeiten und den aktuellen wissenschaftlichen Stand in diesem Themengebiet zusammenzufassen.
Weiterführend werden die Zusammenhänge zwischen Hypes und Technologieentwicklung erarbeitet. Aus Gründen des Umfangs wird dabei eine einseitige Betrachtung des Zusammenhangs gewählt. Der Einfluss von Hypes auf die Technologieentwicklung steht dabei im Vordergrund. Die Grundlage dafür sollen die Ergebnisse aus der Beantwortung der ersten Forschungsfrage liefern. Das Ziel soll dabei sein, Einflüsse von Hypes auf die Technologieentwicklung feststellen zu können und anhand einer Fallstudienanalyse zu überprüfen. Es ergibt sich folgende Forschungsfrage:
Forschungsfrage 2
Wie beeinflussen Hypes die Entwicklung von Emerging Technologies?
Das Wissen um den Einfluss von Hypes auf Technologieentwicklungen kann für das Management von großer Bedeutung sein, da hiervon Managemententscheidungen für oder gegen eine Emerging Technology abhängen können. Um die Bearbeitung der Leitfrage abzurunden, ist demnach der Bezug zur Thematik des Managements sinnvoll. Somit stellt sich abschließend die Frage:
Forschungsfrage 3
Wie wirkt sich das Wissen um Hypes und den Entwicklungsverlauf von Emerging Technologies auf Managemententscheidungen aus?
1.3 Methodik und Forschungsdesign
Die Herleitung des Forschungsdesigns basiert auf den von YIN (2009) entwickelten Prozess (siehe Abb. 2). Dabei ist in der Planungs-Phase die Forschungsfrage herauszuarbeiten und welche Methodik sich für die Beantwortung dieser am besten eignet. Im Fall dieser Arbeit kommt der Forschungsfrage 2 eine zentrale Rolle zu. Die Wahl der geeigneten Methodik bezieht sich demnach auf die Beantwortung der zweiten Forschungsfrage.2
Abbildung in dieser Leseprobe nicht enthalten
Abb. 2: Prozess einer Fallstudienanalyse nach Yin (2009)3
Abbildung in dieser Leseprobe nicht enthalten
Tab. 1: Faktoren zur Auswahl einer geeigneten Forschungsmethode Grundarten von Designs einer Fallstudie4
Drei Faktoren sind entscheidend, um die passende Methodik ausfindig zu machen (siehe Tab. 1): 1) Die Art der Forschungsfrage, 2) die Kontrolle des Forschers über betrachtete Ereignisse und 3) der Fokus auf gegenwartsnahe Ereignisse. Die Fragestellung (siehe Kapitel 1.2) zeichnet sich durch ein „Wie“ aus. Da die betrachteten Ereignisse nicht vom Forscher beeinflusst werden können, sowie eine gegenwartsnahe Betrachtung stattfindet, weist dies auf die Möglichkeit einer Fallstudienanalyse hin.5 Der Kriterien zu Folge können ebenso eine Umfrage oder Archivanalysen in Betracht gezogen werden. Aus Gründen zu geringer Datenqualität bzw. -verfügbarkeit, sowie die von Yin (2009) beschriebenen Vorteile der Methodik einer Fallstudie, können diese abgelehnt werden. Fallstudien eignen sich hingegen sehr gut, da sie Zusammenhänge über Zeiträume hinweg betrachten und verschiedenartige Quellen quantitativer und qualitativer Natur erlauben.6
In der Design-Phase zur Entwicklung des Forschungsdesigns beschreibt Yin (2009) fünf essenzielle Komponenten:
1. Forschungsfrage(n)
2. Propositionen
3. Analyseeinheiten
4. Die Logik zur Verknüpfung von Daten und Propositionen
5. Kriterien zur Interpretation der Erkenntnisse7
1. Die bereits vorgestellten Forschungsfragen bilden den Ausgangspunkt für die weitere Ausarbeitung des Forschungsdesigns. Wie bereits erwähnt, ist der Fragestellung 2 eine zentrale Rolle zugeschrieben. Die Fragestellung 1 wird als Hilfestellung dafür betrachtet, eine sinnvolle Methodik der Fallstudie herzuleiten. Die Fragestellung 3 soll als Abrundung und zur Rückführung des Themas auf die Problemstellung der Entscheidungen im Management unter Unsicherheit dienen und nimmt damit nur indirekt Einfluss auf die Gestaltung der Fallstudie.
2. Für die eindeutige Formulierung der Propositionen dienen die Kapitel 2 und 3, welche anhand von bestehenden Modellen die theoretische Grundlage zur Abbildung von Hypes und der Technologieentwicklung liefern (siehe Kap. 4.1.2).
3. Die Analyseeinheiten bilden der Hype und die Technologieentwicklung. Diese werden zunächst separat untersucht, bevor die beiden Analyseeinheiten zusammengeführt werden und deren Einfluss aufeinander herausgearbeitet werden. Im Zuge der Fallstudie bietet sich die Untersuchung zweier Technologien an, um zusätzliche Aussagekraft zu generieren und eine Vergleichsmöglichkeit zu erhalten. Folglich ist das Forschungsdesign als Multiple-CaseStudy mit jeweils zwei Analyseeinheiten (Embedded Design) einzuordnen (siehe Abb. 3).
4. & 5. Die Verknüpfung von Daten und Propositionen sowie die Interpretation der Ergebnisse ergibt sich nach Konkretisierung der Propositionen und damit im Anschluss an die Kapitel 2 und 3.8
Abbildung in dieser Leseprobe nicht enthalten
Abb. 3: Grundarten von Designs einer Fallstudie nach Yin (2009)9
Laut Yin (2009) ist innerhalb der Planungs-Phase die Theorie Entwicklung wesentlich. Die Theorien innerhalb des Forschungsgebietes bilden den Grundstein und sollen mit Hilfe der Fallstudie entwickelt bzw. geprüft werden.10 Yin empfiehlt zudem, sich im Zuge des Prozessschrittes der Theorie Entwicklung drei Fragen zu stellen:
- Was erforsche/analysiere ich?
In dieser Arbeit bildet das GHC-Modell zur Einschätzung von neuen Technologien die Ausgangsbasis und soll anhand detaillierter Betrachtung der Bedeutung von Hypes auf die Technologieentwicklung analysiert werden. Unter anderem soll die Frage beantwortet werden, inwieweit das Modell als solide Entscheidungsgrundlage für oder gegen eine Emerging Technology dienen kann. Erarbeitet wird dies durch die Zusammenführung der Erkenntnisse aus dem Forschungsgebiet der Hype-Zyklen und der Erforschung von Zusammenhängen zwischen Hypes und der Technologieentwicklung.
- Warum mache ich diese Studie?
Das Wissen um die Bedeutung des Einflusses von Hypes könnte für möglichst effiziente Managemententscheidungen von Gewicht sein. Die Untersuchung des GHC-Modells auf Schwachstellen kann zu einer Weiterentwicklung desselben durch neue Methoden führen.
- Welche Schlüsse erhoffe ich mir daraus ziehen zu können?
Mit dem Wissen um den Einfluss von Hypes auf die Technologieentwicklung soll dem Management ein besseres Verständnis von Marktdynamiken zur Verfügung stehen. In Verbindung mit einer geeigneten Untersuchungsmethodik sollen Entscheidungsträger Hypes von Emerging Technologies gesamtheitlich betrachten können und somit den Ressourceneinsatz auf die Technologien mit dem größten Potenzial konzentrieren. So soll gesamtwirtschaftlich gesehen ein effizienterer Ressourceneinsatz erzielt werden können.11
Das gewünschte Ergebnis der Fallstudie soll sein, die aufgestellten Propositionen bestätigen oder ablehnen zu können, um daraus die Bedeutung von Hypes auf die Technologieentwicklung beantworten und damit das Modell des GHC hinterfragen zu können (siehe Abb. 4).
Abbildung in dieser Leseprobe nicht enthalten
Abb. 4: Darstellung der hierarchischen Abfolge der Arbeit12
1.4 Aufbau der Arbeit
Die Arbeit befasst sich zu Beginn mit der Definition des Begriffs der Emerging Technologies und einer soliden Ausarbeitung der wichtigsten theoretischen Grundlagen der Technologieentwicklung. Daraufhin wird näher auf den Begriff Hype und das damit eng verbundene Forschungsgebiet der Hype-Zyklen eingegangen. Im Speziellen wird dabei von den theoretischen Aussagen und praktischen Anwendungen aus den Arbeiten von der Firma Gartner mit dem Modell des GHC ausgegangen.13 Dies soll den Ausgangspunkt für eine nähere Untersuchung des Forschungsgebiets um Hype-Zyklen darstellen, um unter anderem die erste Forschungsfrage dieser Arbeit zu beantworten. Notwendig sind diese Erkenntnisse, um eine sinnvolle Gestaltung der Fallstudien seitens der Darstellung von Hype-Dynamiken zu klären. Nach Konkretisierung der dafür eingesetzten Methodik und der Wahl der geeigneten Technologien und Daten, wird näher auf die Durchführung der Fallstudien eingegangen. Ziel ist es dabei, eine Grundlage zu erhalten, mithilfe derer die Frage des Einflusses von Hypes auf die Technologieentwicklung beantwortet werden kann. Die Ergebnisse sollen zudem Aufschluss geben, inwiefern das Wissen um Hypes und Technologieentwicklung für Managemententscheidungen hinsichtlich der Annahme von Emerging Technologies von Bedeutung ist. Zudem soll rückschließend die Logik hinter dem Modell des GHC hinterfragt und bei Bedarf modifiziert werden.
2 Theoretische Grundlagen
2.1 Emerging Technologies – Begriffsdefinition
Dem Begriff der Emerging Technology kommt eine zentrale Rolle in dieser Arbeit zu. Umso bedeutender für ein eindeutiges Verständnis ist dessen Definition. In der Fachliteratur ist dieser bis dato nicht eindeutig definiert, obwohl das Interesse daran in der Öffentlichkeit ansteigt.14 Im Folgenden sollen verschiedene Sichtweisen der Begriffsdefinition vorgestellt und eine für diese Arbeit gültige Definition festgelegt werden.
2.1.1 Begriff der Emerging Technology
Betrachtet man die einzelnen Bestandteile des Begriffs, so ist zuerst die Bedeutung von „emerging“ zu klären. Laut dem Oxford Dictionary ist damit: „[...] the process of coming into being or becoming prominent.“ gemeint.15 Demnach ist dies kein statischer Zustand sondern mehr ein Zustand, der eine Technologie über eine gewisse Entwicklungsdauer hinweg begleitet und die Phase des Aufstiegs zur Bekanntheit beschreibt bzw. bis die Technologie bis zu einem gewissen Grad angenommen wurde.16 Zweiter Bestandteil ist der Begriff der Technologie, welcher in der wissenschaftlichen Literatur verschiedene Gestalten annimmt.17 Problematisch ist durch die meist synonyme Verwendungsweise im nicht wissenschaftlichen Bereich darüber hinaus die klare Abgrenzung der Begriffe Technologie und Innovation. Im Folgenden soll diese Abgrenzung in einfacher Form vorgenommen werden.
2.1.1.1 Begriff der Innovation
Häufig wird im alltäglichen Sprachgebrauch der Begriff der Innovation mit dem der Technologie gleichgesetzt. Zwischen Beiden muss jedoch klar differenziert werden. Nach Rogers (2003) ist eine Innovation definiert als: „[...] an idea, practice, or object that is perceived as new by an individual or other unit of adoption.“.18 Vereinfacht ausgedrückt ist eine Innovation somit eine Idee, Methode oder Gegenstand, welche bzw. welcher vom Betrachter als neu definiert wird.19
2.1.1.2 Begriff der Technologie
Eine Technologie hingegen kann definiert werden als: “[…] a design for instrumental action that reduces the uncertainty in the cause-effect relationships involved in achieving a desired outcome. A technology usually hast two components: (1) a hardware aspect, consisting of the tool that embodies the technology as a material or physical object, and (2) a software aspect, consisting of the information base for the tool.”.20 Folglich kann eine Technologie als das Wissen angesehen werden, das zu einem gewünschten Ergebnis führt, egal ob auf die Hardware oder Software bezogen.
Zurück zum Begriff der Emerging Technology. Rotolo, Hicks und Martin (2015) stellten ein steigendes Interesse an Emerging Technologies fest. Nicht nur in der wissenschaftlichen Forschung, sondern auch im politischen Umfeld wird der Begriff immer häufiger zentraler Diskussionspunkt. Um eine Definition ableiten zu können, analysierten Rotolo, Hicks und Martin Arbeiten verschiedener Untersuchungsmethoden (siehe Anhang 1). Sie stellten dabei fünf entscheidende Eigenschaften fest, die eine Emerging Technology aufweist: (1) radikale Neuheit, (2) relativ schnelles Wachstum, (3) Zusammenhalt, (4) bedeutende Wirkung und (5) Unsicherheit und Unklarheit über das Maß des Einflusses. Demnach wird für diese Arbeit die Definition einer Emerging Technology wie folgt übernommen:21
”[…] a relatively fast growing and radically novel technology characterised by a certain degree of coherence persisting over time and with the potential to exert a considerable impact on the socio-economic domain(s) which is observed in terms of the composition of actors, institutions and the patterns of interactions among those, along with the associated knowledge production processes. Its most prominent impact, however, lies in the future and so in the emergence phase is still somewhat uncertain and ambiguous.”22
Der Tatsache, dass diese Eigenschaften (vor allem (1) radikale Neuheit und (2) relativ schnelles Wachstum) stark differenzierte Werte annehmen können und damit weiter heruntergebrochen werden können, begegnen die Autoren mit der Begründung der Notwendigkeit eines Bezugsrahmens, in dem die Eigenschaftsausprägungen immer miteinander verglichen werden sollten. Demnach kann eine Technologie nur dahingehend als Emerging bestimmt werden, wenn die Betrachtung der Eigenschaften innerhalb des Bereiches liegt, in der die Technologie entsteht.23
2.2 Modelle der Technologieentwicklung
Die Erläuterung von Technologie-Entwicklungsverläufen erfolgt in der Literatur von diversen Blickwinkeln aus. Im Mittelpunkt steht dabei die Entwicklung eines idealtypischen Verlaufes, in welchen sich Technologien je nach Ausprägung verschiedener Charakteristika einordnen lassen. Grundlage dafür bilden die Adoptions-, Diffusions- und Lebenszyklusmodelle. Die Adoptionsmodelle betrachten dabei den Entscheidungsprozess bei der Einführung von Innovationen, den die Adopter durchlaufen. Die zentrale Frage dabei ist, ob bzw. wann eine Technologie angenommen wird. Diffusionsmodelle befassen sich hingegen mit der Ausbreitung von Innovationen innerhalb von Sozialen Systemen im zeitlichen Verlauf. Ebenso befassen sich Lebenszyklusmodelle mit der zeitlichen Ausbreitung von Innovationen. Unterschied ist, dass Diffusionsmodelle nur Erstkäufer betrachten und keine Einteilung in Phasen vornehmen, wie es bei Lebenszyklusmodellen der Fall ist.24 Erkenntnisse aus diesen Theorie-Feldern helfen dabei, den Entwicklungsverlauf von Innovationen und Technologien besser zu verstehen und Erklärungsansätze zu schaffen. Im Folgenden werden einige zentrale Modelle näher vorgestellt.
2.2.1 Lebenszyklusmodelle
Lebenszyklusmodelle können unterschieden werden in 1) Produktlebenszyklen, 2) Technologielebenszyklen, 3) Organisationslebenszyklen und 4) Branchen-/Industrielebenszyklen. Durch die geringere Bedeutung der Zyklusmodelle 3) und 4) für die Technologieentwicklung wird im Folgenden lediglich auf 1) und 2) näher eingegangen.25
2.2.1.1 Produktlebenszyklus (PLZ)
Bei der Theorie der PLZ wird davon ausgegangen, dass Produkte mehrere Phasen in ihrem Leben durchlaufen. Die Anzahl und Bezeichnung der Phasen differiert dabei, kann aber allgemein in einem 4-phasigen Modell als Einführung, Wachstum, Reife und Rückgang beschrieben werden, oder in einem 5-phasigen Modell mit Einführung, Wachstum, Reife, Sättigung und Degeneration. Entscheidend dabei ist die Zuordnung zu den einzelnen Phasen, was durch qualitative und/oder quantitative Charakteristika möglich ist. Dadurch sollen die Lebensdauer und der Entwicklungsverlauf eines Produktes ersichtlich werden. Idealtypisch werden diese in Form einer Glockenkurve dargestellt (siehe Abb. 5).26
Abbildung in dieser Leseprobe nicht enthalten
Abb. 5: Verlauf eines Produktlebenszyklus27
Das PLZ-Modell steht unter anderem durch seinen idealtypischen Entwicklungsverlauf von Produkten in der Kritik, welcher vielfach in der Realität nicht bestätigt werden kann. Umsatz und Gewinn werden dabei nur innerhalb der Variable Zeit betrachtet, andere Einflussgrößen (Wettbewerbsaktivität, Entstehung neuer Technologien, Veränderung von Kundenbedürfnissen, etc.) werden nicht miteinbezogen. Ebenso ist die Abgrenzung der Phasen voneinander lediglich ex post möglich, ex ante ist dies qualitativ nur bedingt möglich. Das Modell ist somit zur Prognose nur eingeschränkt geeignet. Allerdings trägt es zu einem elementaren Verständnis hinsichtlich der Produktentwicklung bei und kann Rückschlüsse auf Entwicklungen neuer Produkte liefern. Die Hauptaussage von Produktlebenszyklen ist, dass Produkte eine begrenzte Lebensdauer aufweisen und sie währenddessen bestimmte Phasen durchlaufen.28
2.2.1.2 Technologielebenszyklus (TLZ)
Generell gelten Technologien als dynamisch und unterliegen komplexen Veränderungen. Man nimmt an, innerhalb von Technologieentwicklungen Regelmäßigkeiten im Verlauf vorzufinden, ähnlich natürlicher Prozesse von Entstehung, Wachstum und Degeneration.29 Bei der Betrachtung bestehender TLZ-Modelle ist vorab eine klare Abtrennung der Begriffe Technologie und Innovation, wie im Kapitel 2.1 aufgeführt, notwendig. Häufig werden diese Begriffe in der Literatur als Synonym verwendet und führen dabei zu Missverständnissen, um welchen Bezugsrahmen es sich bei dem TLZ handelt. Innerhalb der TLZ werden keine konkreten Produkte oder Innovationen, sondern Technologien betrachtet. Ziel ist es, den Entwicklungsverlauf einer Technologie abzubilden und dabei möglichst trennscharf Phasen abzugrenzen.30 Im Folgenden werden zwei Modelle vorgestellt, welche zu den einflussreichsten Arbeiten in diesem Bereich gehören.
Arthur D. Little Int. (1985) entwickelte ein Modell zur Beschreibung von TLZ. Den dabei definierten idealtypischen Verlauf einer Technologieentwicklung beschreibt er in vier Phasen: Entstehung, Wachstum, Reife und Alter (siehe Abb. 6). Die einzelnen Phasen werden mithilfe von acht qualitativen Kriterien voneinander abgegrenzt (siehe Tab. 2).
Abbildung in dieser Leseprobe nicht enthalten
Abb. 6: Technologielebenszyklus-Phasen nach Arthur D. Little Int. (1985)31
Abbildung in dieser Leseprobe nicht enthalten
Tab. 2: Technologielebenszyklus
Qualitative Unterscheidungsmerkmale der Phasen nach Arthur D. Little Int. (1985)32
Je nach Ausprägung der Kriterien (siehe Anhang 2) kann eine Technologie den einzelnen Phasen zugeordnet und auf der Verlaufskurve eingezeichnet werden. Diese ist Abhängig von der Zeit und wird auf der y-Achse mit dem „Grad der Erreichung des Wettbewerbspotenzials“ angegeben. Dem liegt die Aussage zugrunde, dass Technologien dynamischer Natur sind und sich ihre strategische Bedeutung mit der Zeit verändert. Dies spiegelt sich im Einsatzpotenzial der Technologie wieder. Durch Fortschritte kann sich dieses Potenzial ausweiten oder durch Umweltfaktoren (neue Technologien, Marktveränderungen, Kundenverhalten, etc.) verringern und damit für ein Ausscheiden der Technologie aus dem Lebenszyklus sorgen.33
Ein Vorteil des TLZ-Modells nach Arthur D. Little Int. (1985) ist die Möglichkeit zur Bestimmung der Phasen durch qualitative Kriterien. Es wird betont, dass Technologien nicht immer alle vier Phasen des Lebenszyklus durchlaufen müssen.34 Kritisch zu sehen ist demgegenüber die fehlende Erklärung des Verlaufsmusters. So wird der steile Anstieg bereits in der Entstehungsphase nicht näher erläutert. Zudem wird der Zeitraum vor der Entstehungsphase nicht berücksichtigt. Ebenfalls ist nicht beschrieben, wann die Entstehungsphase einsetzt. Auf der y-Achse wird der „Grad der Erreichung des Wettbewerbspotenzials“ angezeichnet, der den Verlauf der Entwicklung angibt. Dessen Wert oder Maßeinheit ist aber nicht näher definiert.35
Ein weiteres Technologielebenszyklusmodell wurde von Ford und Ryan (1981) entwickelt, um im Rahmen der Technologieverwertung als Diskussionsgrundlage zu dienen. Das Modell ist für „major technologies“ ausgelegt, welche sechs verschiedene Phasen durchlaufen (siehe Abb. 7). Die Phasen der Technologieentwicklung sowie der Entwicklung zur Anwendungsreife beschreiben die Prozesse innerhalb eines Technologielebenszyklus vor dem Zeitpunkt des Markteintritts. Die darauffolgenden Phasen Anwendungsbeginn, Anwendungswachstum, Technologiereife und Technologiedegeneration sind angelehnt an das PLZ-Modell. Der Grad der Technologieausbreitung ist dabei der Wert, über den die Entwicklung aufgezeigt wird. Betrachtet werden dabei die Technologieanwendung in der Branche, die Technologieverkäufe des Unternehmens und die Produktverkäufe des Unternehmens.36
Abbildung in dieser Leseprobe nicht enthalten
Abb. 7: Technologielebenszyklus-Phasen nach Ford und Ryan (1981)37
Kritisch zu sehen ist die fehlende Definition der Bezeichnung „major technologies“, sowie die fehlende Dimensionsangabe der y-Achsen Beschriftung (Grad der Technologieausbreitung). Ebenso fehlen qualitative oder quantitative Kriterien zur Abgrenzung der einzelnen Phasen, Angaben zu ihrer zeitlichen Länge und eine detaillierte Erläuterung des idealtypischen Verlaufsmusters. Der praktische Nutzen des Modells ist in Folge dessen in Frage zu stellen. Die Betrachtung der Entwicklung einer Technologie vor einer ersten Anwendung ist hingegen als sinnvolle Erweiterung eines Technologielebenszyklus zu sehen.38
2.2.2 Das s-Kurven Konzept
Das s-Kurven Konzept bedient sich eines Verständnisses von Sättigungsgrenzen, wohingegen Lebenszyklusmodelle sich einer Betrachtung abhängiger Variablen innerhalb von Zeiträumen bedienen. Bedeutende Arbeit schafft des Beratungsunternehmen McKinsey durch ihr s-Kurven Konzept. Dabei wird die Technologieentwicklung mithilfe der Leistungsfähigkeit abgebildet, die sich aus einem Kosten/Nutzen Verhältnis zusammensetzt. Diese wird indirekt mit dem Faktor Zeit verbunden, welcher im Zeitverlauf der kumulierten F&E Aufwendungen enthalten ist und die x-Achse beschreibt (siehe Abb. 8). Einsatz findet dieses Konzept vor allem bei der Entscheidung, welche Technologie verfolgt werden sollen, bzw. wann ein technologischer Wechsel vorzubereiten ist.39
Abbildung in dieser Leseprobe nicht enthalten
Abb. 8: s-Kurven – Wachstum der Leistung von Produkten über die Zeit40
Der Verlauf der Technologieentwicklung kann in drei Phasen (Frühphase, Boomphase, Reifephase) eingeteilt werden. Die Frühphase zeichnet sich durch hohe Investitionen aus, die geringe, aber zugleich steigende Wachstumsraten der F&E Produktivität aufweisen. Der Wechsel zur nächsten Phase zeichnet sich durch Durchbrüche in der Leistungsfähigkeit der Technologie aus, die durch die Aneignung von Schlüsselwissen ausgelöst wurden. Damit befindet sich die Technologieentwicklung in der Boomphase und steigt in der Leistungsfähigkeit relativ stark an. Die F&E Produktivität ist hier am höchsten. Nachdem die Leistungskurve abgeflacht ist, beginnt die Reifephase und die F&E Aufwendungen führen nur zu geringen Leistungsanstiegen. Die Leistungsfähigkeit nähert sich dann der Leistungsgrenze der Technologie langsam an. Demnach ist das Potenzial einer Technologie durch den Abstand zwischen Leistungsgrenze und der Leistungsfähigkeit zu einem bestimmten Zeitpunkt zu bestimmen.41
Kritisch ist das s-Kurven Konzept in mehreren Punkten zu sehen. Die Skalierung und Dimensionsangabe der y-Achse sind nicht gegeben. Ebenso kann die Variable der kumulierten F&E Aufwendungen häufig nicht als Verursacher von Leistungskriterien identifiziert werden und ist somit nur bedingt als x-Achsen Wert geeignet. Die Eignung als Anwendungsmodell ist auch durch die Komplexität der Berechnung von F&E Aufwendungen einzelner Technologien nicht gegeben. So sind F&E Aufwendungen Dritter kaum zu ermitteln und auch intern ist die technologiespezifische Zuweisung von Aufwendungen nur selten möglich. Die obere Leistungsgrenze kann sich im Zeitverlauf verändern und ist demnach nicht fest bestimmbar. Gründe dafür können anfängliche Fehleinschätzungen, neue technologische Fortschritte, etc. sein. Die Bestimmung der Position einer Technologie auf der Entwicklungskurve ist durch fehlende qualitative und quantitative Kriterien ebenso nicht ohne weiteres möglich. So ist keine Regel gegeben, die die Berechnung eines Leistungsindexes bei Vorhandensein mehrerer Leistungskriterien ermöglicht. Ebenso können die Phasen nicht eindeutig mit den gegebenen Kriterien voneinander abgegrenzt werden.42 Das s-Kurven Konzept eignet sich demnach vor allem für das übergeordnete Verständnis der begrenzten Leistungsfähigkeit von Technologien, der Gefahr von Technologiesprüngen und der Erkenntnis der sinkenden Effizienz von F&E Aufwendungen bei Annäherung an die Leistungsgrenze einer Technologie.43
2.2.3 Adoptions und Diffusions Theorie
In der Marketing Theorie wird unter dem Begriff der Adoption “[...] an individual’s decision to become a regular user of a product […]” verstanden.44 Innerhalb der Innovations-Theorien wird hingegen die Adoption als letzter Schritt im Innovationsentwicklungs-Prozess verstanden, innerhalb dessen sich entscheidet, ob eine Innovation von einer Person angenommen oder abgelehnt wird.45 Grundlage für das Verständnis zum Adoptionsprozess liefert die Arbeit von Rogers (2003). Danach können die Phasen in Erkennen, Interesse, Bewertung, Versuch und Annahme eingeteilt werden (siehe Abb. 9). Diese Beschreiben den Prozess einer Person vom erstmaligen Kontakt mit der Innovation bis hin zu Annahme oder Ablehnung derselben. Die Phase des Erkennens umfasst die erste Wahrnehmung der Innovation durch eine Person, allerdings mangelt es hier noch an Informationen zu dieser. Die Phase Interesse beschreibt den Prozess, in der eine Person Informationen zur Innovation sucht. Die dritte Phase, Bewertung, beinhaltet das Abwägen einer Person, ob eine Innovation „ausprobiert“ werden soll. Die Versuchs-Phase beschreibt die konkrete Probe der Innovation und mit der Phase der Annahme entscheidet sich eine Person hinsichtlich der Annahme der Innovation.46
Abbildung in dieser Leseprobe nicht enthalten
Abb. 9: Adoptions-Prozess nach Rogers (2003)47
Weiterführend untersuchte Rogers die Diffusion von Innovationen und stellte dabei eine Unterscheidungsmöglichkeit verschiedener Adopter-Gruppen fest. Diffusion definiert er als den „[...] process by which an innovation is communicated through certain channels over time among members of the social system.“48 Ausgangspunkt ist die s-förmige bzw. glocken-förmige Annahmekurve (kumulierte Anzahl Adopter) von Technologien über die Zeit. So können Adopter-Gruppen kategorisiert werden in Innovators, Early Adopters, Early Majority, Late Majority und Laggards (siehe Abb. 10). Der Zeitpunkt der Annahme, hängt von der Innovativität des Adopters ab. Dies beschreibt den Grad, wie früh ein Adopter eine neue Idee in Relation zu den restlichen Mitgliedern des Systems annimmt.49
Abbildung in dieser Leseprobe nicht enthalten
Abb. 10: Adopter-Kategorisierung nach Rogers (2003)50
Moore (2014) greift dieses Verständnis der Adopter-Kategorisierung auf und weist auf ein „Chasm“ (Kluft) zwischen den Early Adopters und der Early Majority für Hight-Tech Technologien hin. Moore stellte dabei eine Überwindungsschwierigkeit bei der Diffusion von Technologien zwischen den Adopter-Gruppen fest. Besonders ausgeprägt ist dabei die Kluft zwischen Early Adopters und Early Majority. Der große Unterschied der Gruppen hinsichtlich der Gründe für die Annahme oder Ablehnung einer Technologie führt zu diversen Problemen der weiteren Diffusion. So kaufen Early Adopter vor allem aus dem Grund, maßgebliche Wettbewerbsvorteile zu generieren, und nehmen dafür ein höheres Risiko auf sich. Hingegen ist der Anreiz der Early Majority die Produktivitätssteigerung bereits bestehender Prozesse durch die Annahme einer neuen Technologie. Die Absicht einer radikalen Änderung von Geschäftsmodellen besteht dabei nicht. Somit sind die Anforderungen an die Technologie für beide Adopter-Gruppen sehr verschieden und führen zu einem Interessenskonflikt innerhalb des Diffusionsprozesses. Zur Überwindung des Chasm, schlägt Moore eine Kegel-Strategie vor. Dabei wird aus einer Adopter-Gruppe eine spezifische Zielgruppe gewählt, die eine weitere Ausbreitung der Technologie innerhalb der Early Majority in Gang bringen soll.51
2.3 Indikatoren zur Abbildung einer Technologieentwicklung
Für diese Arbeit sind die Möglichkeiten zur Abbildung der Entwicklung einer Technologie bedeutend. Verschiedenste Modelle der TLZ, der Diffusionsmodelle oder der s-Kurven Theorie bedienen sich differenzierter Indikatoren. Ford und Ryan (1981) stellen den Technologielebenszyklus anhand des Grads der Technologieausbreitung dar.52 Innerhalb der s-Kurven Theorie werden kumulierte F&E Aufwendungen und der Leistungsgrad von Produkten herangezogen.53 Im Diffusions-Modell nach Rogers (2003) wird wiederum die Anzahl der Adopter einer Technologie verwendet.54 Auch wenn diese Indikatoren sich in den anerkannten Modellen etabliert haben, bleibt die Problematik bestehen, dass sich während der Entwicklung einer Technologie die besten Quellen zur Messung ändern können. Watts und Porter (1997) stellten deshalb für die Abbildung eines Lebenszyklus einer Technologie eine Reihe an Indikatoren auf, die sie als geeignet ansehen, Technologieentwicklung über mehrere Indikatoren messbar zu machen (siehe Tab. 3).55
Abbildung in dieser Leseprobe nicht enthalten
Tab. 3: Technologielebenszyklus Indikatoren nach Watts und Porter (1997)56
All dies liefert die Grundlage für das Abbilden der Entwicklung spezifischer Technologien im weiteren Verlauf der Arbeit. Die Wahl der Indikatoren wird im Zuge der methodischen Ausarbeitung der Fallstudie näher erörtert.
3 Hype-Zyklus
Dieses Kapitel befasst sich mit der ersten Forschungsfrage dieser Arbeit. Ziel ist es den aktuellen theoretischen Rahmen und empirische Untersuchungen von Hype-Zyklen aufzuarbeiten, um eine Aussage hinsichtlich des Verlaufes von Hypes treffen zu können und eine Möglichkeit zu finden, diese abzubilden. Dabei wird zuerst eine für diese Arbeit gültige Definition des Hype Begriffs ausgearbeitet. Mit Hilfe der Theorie hinter dem GHC-Modell soll dann eine Basis geschaffen werden, von der aus ein tiefgreifendes Verständnis um Hype-Zyklen aufgebaut werden kann. Dabei soll dieses, angelehnt an die konkrete Anwendung des Modells von Gartner, untersucht werden. Darauffolgend werden empirische Untersuchungen von Hype-Zyklen herangezogen und kritisch mit dem Modell verglichen. Dies ist die Grundlage für das weitere Vorgehen hinsichtlich der Methodik bei der Untersuchung des Einflusses von Hypes auf die Technologieentwicklung und damit der Beantwortung der zweiten Forschungsfrage.
3.1 Hype – Begriffsdefinition und wissenschaftlicher Rahmen
Der Begriff Hype beinhaltet verschiedene Bedeutungen. So wird im deutschen Duden, Hype als „besonders spektakuläre, mitreißende Werbung (die eine euphorische Begeisterung für ein Produkt bewirkt)“, oder eine „Welle oberflächlicher Begeisterung [...]“ definiert.57 Dies zeigt bereits einen engen Bezug zum Marketing und eine negative Konnotation. Wind und Majahan (1987) befassten sich im speziellen mit Marketing Hypes und stellten deren Notwendigkeit zur Erzeugung von Akzeptanz seitens der Stakeholder für Innovationen fest. Dabei ist der häufig starke Fokus auf kleine Zielgruppen Auslöser für Enthusiasmus, der dann zu steigenden Erwartungen hinsichtlich der Leistungspotenziale außerhalb dieser Gruppen führen kann.58 Diese Erwartungen spielen eine wichtige Rolle in der frühen Phase von Technologien, wobei sie den Anreiz für vermehrte Forschungsaktivität, Ressourcenbindung und steigende Akzeptanz liefern. Grund dafür wird in der Fähigkeit von Erwartungen gesehen, koordinierend und motivierend zu wirken und so Wissenschaft und Technologie zu leiten.59 Erwartungen können nach Borup (2006) als „[...] real-time representations of future technological situations and capabilities.“ definiert werden.60 Somit beschreiben Erwartungen die zukünftigen Möglichkeiten einer Technologie.61 Steigen nun diese Erwartungen an, können sie sich zu einem Hype ausweiten. Ursache kann sein, dass Marktteilnehmer aus strategischen Gesichtspunkten Erwartungen an die Technologie hochtreiben, um Aufmerksamkeit oder Ressourcen zu generieren. Ebenso kann durch den starken Fokus auf Zielgruppen das Interesse innerhalb dieser schnell steigen und mit Aufgreifen des Themas durch die Medien können Erwartungen exponentiell nach oben schnellen.62 Im Folgenden wird der Begriff Hype als eine Phase angesehen, in der ein besonders starker Anstieg von Aufmerksamkeit hinsichtlich einer Technologie zu erkennen ist.63
3.2 Das Gartner Hype Cycle Modell
Die Beratungsfirma Gartner Inc. begründete das GHC-Modell. Es soll den Entwicklungsverlauf von Emerging Technologies oder Innovationen anhand der ihnen entgegengebrachten Erwartungen beschreiben. Ziel ist es, Reifegrad und Potenzial einer aufkommenden Technologie verfolgen zu können und die Risiken einer Annahme besser einzuschätzen. Somit sind vor allem unternehmensinterne Entscheidungsträger, aber auch unternehmensexterne Personen (Berater, Medien, Investoren, etc.), Zielgruppe des Modells. Die Vorhersage der Entwicklung von Technologien ist somit Hauptthema des Modells.64 Sie nimmt dabei eine spezielle Rolle ein, da ihr in der Wissenschaft noch relativ wenig Aufmerksamkeit entgegengebracht wird. Grundlegend für die Wahl des GHC-Modells zum zentralen Ausgangspunkt der weiterführenden Arbeit ist die große Bedeutung des Modells in der Wirtschaft, sowie des Einflusses der Firma Gartner (siehe Kapitel 3.2.3). Als Basis für das Verständnis des Modells wird zunächst die Funktionsweise und das Ziel des GHC vorgestellt. Daraufhin wird näher auf die von Fenn und Raskino (2008) gebildeten theoretischen Grundlagen eingegangen, sowie auf die aktuelle Stellung des Modells und Gartner in der Wirtschaft.65 Anschließend wird durch die Analyse bestehender empirischer Untersuchungen das Modell kritisch analysiert, dessen Vor- und Nachteile erörtert und ein Ausblick für eine Umstrukturierung des methodischen Vorgehens gegeben.
3.2.1 Zielsetzung und Funktionsweise des Gartner Hype Cycle Modells
Wie bereits angeschnitten, ist das Ziel des Modells im Bereich des Technologiemanagements als Entscheidungshilfe und Vorhersagemodell zu fungieren. Gartner selbst bezeichnet es als Instrument zur Forschung. Es soll die Darstellung von Technologieentwicklungen in Abhängigkeit von der Zeit möglich sein, so dass daraus Reifegrad und Potenziale geschlossen werden können. Nach Gartner werden im Zuge dessen nicht nur Technologien im Zyklus aufgezeichnet, sondern auch Elemente, die allgemeingültige Trendentwicklungen oder Ideen darstellen, wie beispielsweise Strategien, Standards, Management-Konzepte, Kompetenzen oder Fähigkeiten. Dadurch soll Wissen geschaffen werden, das es Entscheidungsträgern ermöglicht, die Adoption einer Technologie zeitlich zu koordinieren. Sowohl die Gefahr für zu frühe oder zu späte Investitionsentscheidungen, als auch die zu lange oder zu kurze Anwendung einer Technologie sollen damit reduziert werden.66
Die Darstellung der Erwartungsentwicklung erfolgt durch einen idealtypischen Kurvenverlauf (siehe Abb. 11), welcher sich aus zwei Komponenten zusammensetzt: einen starken Anstieg mit einem direkt darauffolgenden rapiden Rückgang der Erwartungen innerhalb kurzer Zeit (Glockenform), sowie eine darauffolgende s-förmige Entwicklung der Erwartungen.67
Die Achsenbeschriftungen des Hype-Zyklen sind mit der Zeit auf der x-Achse sowie den Erwartungen auf der y-Achse fixiert. Die Achsenbeschriftung der y-Achse wurde 2009 von Sichtbarkeit auf Erwartungen geändert. Als Grund hierfür wurde genannt, dass die mediale Präsenz nur einen indirekten Effekt darstelle und die Technologieentwicklung nicht eindeutig abbilde. Deshalb soll das Maß der Erwartungen die Meinung des Marktes zum zukünftigen Marktwert abbilden.68
Abbildung in dieser Leseprobe nicht enthalten
Abb. 11: GHC-Modell – 5 Phasen Modell eines Hype-Zyklus69
3.2.1.1 Die fünf Phasen des GHC
In fünf Phasen erfolgt nach Gartner die Technologieentwicklung. Die Kurve kann demnach in mehrere Bereiche unterteilt werden.
Innovations Auslöser: Zu Beginn einer Hype-Zyklus-Kurve findet sich der Durchbruch einer Technologie, beispielsweise durch eine öffentliche Bekanntmachung, Produkteinführung oder ein anderes Ereignis, welches Interesse an der Technologie generiert. Dabei kann die Technologie schon länger in Entwicklung sein, ohne dass dies jemanden außer den Erfindern oder Entwicklern bekannt gewesen ist.
Spitze der überhöhten Erwartungen: Die Spitze der Kurve wird erreicht durch das Eintreten einer Welle an Begeisterung, die die Erwartungen an die Technologie über die bestehenden Leistungsgrenzen trägt. In gewissen Fällen kann ein Mitläufereffekt eintreten bzw. sich eine Investitionsblase rund um den Technologiemarkt bilden.
Tal der Ernüchterung: Die anfängliche Begeisterung weicht der ungeduldigen Erwartung von Ergebnissen und Entstehung konkreten Nutzens. Ernüchterung tritt ein, da Performance-Ansprüche, Verbreitungsgeschwindigkeiten oder Gewinnannahmen nicht wie erwartet eintreten.
Anstieg: Einige der ersten Anwender zeigen auf, inwieweit Nutzen durch die Technologie generiert werden kann. Aus diesen Erfahrungen entwickelt sich die Technologie weiter und steigt aus dem Tal der Ernüchterung auf.
Plateau der Produktivität: Mit den nun bestätigten Vorteilen der Technologie und damit sinkenden Risiken, steigt die Zahl der annehmenden Organisationen. Grund hierfür sind der steigende Nutzen und die zunehmende Leistungsfähigkeit.70
Zur Veranschaulichung des Modells ist in der folgenden Abbildung der von Gartner ausgearbeitete Hype-Zyklus des Jahres 2017 für „Emerging Technologies“ aufgeführt (siehe Abb. 12).
Abbildung in dieser Leseprobe nicht enthalten
Abb. 12: GHC-Modell – Beispiel eines GHC für Emerging Technologies 201771
Durch die hohe Anzahl an Technologien ergeben sich stark differenzierende Charakteristiken. Beispielsweise variieren die Hype-Kurven in ihrer Ausprägung zwischen den Technologien und werden deshalb normalisiert dargestellt. Gründe hierfür sind die unterschiedlich großen Einflussbereiche von Technologien. Dabei ist die Höhe der allgemeinen Erwartungen abhängig von der Zahl der angesprochenen Endkunden und Unternehmen. Gartner weist ebenso auf die verschiedenen Geschwindigkeiten hin, mit denen Technologien die einzelnen Phasen des Hype-Zyklus durchlaufen können. Um dies zu visualisieren, ist jedes Element einer Geschwindigkeits-Kategorie zugeordnet, die beschreibt, bis wann eine Technologie die Phase des Plateaus der Produktivität erreichen wird. Damit wird die Zeitspanne des zu erwartenden Eintritts in den Massenmarkt festgelegt. Dies wird eingeteilt in < 2 Jahre, 2-5 Jahre, 5-10 Jahre, > 10 Jahre und obsolet vor Erreichen des Plateaus.72
3.2.1.2 Unternehmenstypen und Fehlentscheidungen
Die Einschätzung einer Technologie hinsichtlich ihres Fortschritts innerhalb des Hype-Zyklus ist strategisch relevant, um den richtigen Zeitpunkt der Annahme der Technologie zu wählen. Gartner sieht hier vier Fälle eines falschen Schlusses für oder gegen eine Technologie. Wenn diese zu früh oder zu spät angenommen wird, zu früh aufgegeben oder die Technologie zu lang nicht aufgegeben wird. Wichtige Faktoren dabei sind die strategische Orientierung des Unternehmens hinsichtlich Risikobereitschaft und die Fähigkeit Risiken tragen zu können. Je früher eine Technologie angenommen wird, desto höher sind die Risiken, aber auch der potenzielle Nutzen.73
Gartner bezeichnet Unternehmen, die eine Vorreiterrolle im Markt einnehmen und damit eine hohe Risikobereitschaft in der strategischen Orientierung aufweisen, als Typ A Unternehmen. Ziel ist es, hohe Potenziale auszuschöpfen und Wettbewerbsvorteile zu generieren. Damit solche Risiken eingegangen werden können, haben solche Unternehmen Prozesse, Werte, Kultur, Methoden und Managementfähigkeiten aufgebaut, um unvermeidbare Fehler zu beherrschen. Typ B Unternehmen verfolgen eine moderate Risikobereitschaft in der Annahme von Technologien. Sie weisen notwendige Unternehmensfähigkeiten zur Unterstützung solcher Initiativen auf. Unternehmen, die bei der Annahme von Technologien vorsichtiger agieren, werden als Typ C bezeichnet. Sie besitzen weder die Bereitschaft zur Annahme, noch die Fähigkeiten zur Beherrschung hoher Risiken. Gartner weist auf die Oberflächlichkeit dieser Einteilung hin, schreibt ihr aber große Bedeutung zu, da das Verständnis zur übergeordneten Strategie hinsichtlich der Risikobereitschaft in Unternehmen entscheidend ist. Eine Kategorisierung wird dann hilfreich, wenn es um den Zeitpunkt der Annahme einer Technologie geht. So versucht ein Typ A Unternehmen, möglichst früh im Hype-Zyklus einzusteigen, ein Typ B Unternehmen in der Mitte und ein Typ C Unternehmen möglichst spät. Grund für den späten Einstieg der Letztgenannten sind die Lerneffekte, die bei einer späteren Annahme der Technologie von Marktvorgängern kopiert werden können, so dass damit Risiken sinken.74
In der Arbeit von Fenn, Raskino und Burton (2017) wird genauer darauf eingegangen, wie die Phasen qualitativ voneinander abgegrenzt und Technologien auf der Hype-Zyklus-Kurve angetragen werden können. Grundsätzlich sind dafür die beiden Faktoren Hype-Level und Reifegrad einer Technologie zu bestimmen. Bei der Bestimmung des Hype-Levels werden hauptsächlich qualitative Marktsignale und approximierte Indikatoren verwendet. Darunter befinden sich auch quantitative Faktoren, die aber in der Minderheit sind. Somit kann der GHC als ein qualitatives Forschungsinstrument angesehen werden. Im Detail gehen die jeweiligen Kriterien unterschiedlich in die Bestimmung ein, je nach Stadium des Zyklus. In den frühen Phasen wird überwiegend mit den Erwartungen des Marktes die Position auf dem Hype-Zyklus bestimmt. In späteren Phasen werden vermehrt Kriterien zur Bestimmung des Reifegrades herangezogen. Dies liegt vor allem an der besseren Verfügbarkeit von Performancezahlen und Marktdaten. Die Kriterien gestalten sich wie folgt (siehe Tab. 4).75
Abbildung in dieser Leseprobe nicht enthalten
Tab. 4: GHC-Modell – Qualitative Merkmale der Phasen76
3.2.2 Theoretische Basis des Gartner Hype Cycle Modells
Den Hintergrund des GHC-Modells erläuterten erstmals Fenn und Raskino (2008) in ihrem Buch „Mastering the Hype Cycle“. Dabei wird der Kurvenverlauf anhand zweier Erklärungsansätze beschrieben: dem natürlichen menschlichen Verhalten und dem Entwicklungsverlauf von Technologien. Abgebildet werden diese in zwei voneinander unterschiedlichen Kurven (siehe Abb. 13). Erstere zeigt die Entwicklung von Hypes und damit den Anstieg bis hin zu überhöhten Erwartungen, gefolgt von einem Fall der Erwartungen durch fehlende Erfüllung. Grund dafür ist laut Fenn und Raskino in drei Aspekten der Natur des Menschen zu finden. 1) Der Mensch begeistert sich für Neues, 2) er ist ein soziales Wesen und 3) besitzt die Tendenz zur Vereinfachung und Heuristik in der Entscheidungsfindung. 1) Hintergrund soll dabei sein, dass neue Dinge nicht nur einen natürlichen Reiz auf Menschen haben, sie werden zugleich mit eigenen Vorstellungen angereichert und können so die Erwartungen an neue Technologien befeuern. 2) Die Kommunikation und der Austausch von Wissen und Erwartungen ist wesentlicher Bestandteil unseres sozialen Systems. Dies ist Ausgangspunkt des sogenannten Bandwagon-Effekts, welcher die Annahme von Technologien durch eine Grundgesamtheit beschreibt.77 Von zentraler Bedeutung für das Verständnis des Effekts ist dabei der Einfluss von Organisationen, die eine Technologie angenommen haben, auf die übrigen Organisationen. Der Druck der Masse verleitet dabei die Organisationen zur Annahme der Technologie, was zu einem schnellen Anstieg der Anzahl an Organisationen, die die Technologie angenommen haben, führen kann.78 3) Ebenfalls wird die Tendenz des Menschen alternative Entscheidungsmöglichkeiten mit ungewissem Ausgang mit Hilfe von Vereinfachung und Heuristiken abzuwägen als Einflussfaktor für die Beschreibung des Hype-Zyklus von Gartner verwendet. Diese Aspekte bilden die Grundlage für weniger rationale Entscheidungen und können zur Entstehung überhöhter Erwartungen führen. Bei ausbleibenden technologischen Leistungen können die Erwartungen wieder abfallen und eine Hype-Enttäuschungsdynamik abbilden.79
[...]
1 Eigene Darstellung.
2 vgl. Yin (2009) S. 1 u. 3 ff.
3 vgl. Yin (2009) S. 1.
4 vgl. Yin (2009) S. 8.
5 vgl. Yin (2009) S. 8 ff.
6 vgl. Yin (2009) S. 9 und 11.
7 vgl. Yin (2009) S. 27.
8 vgl. Yin (2009) S. 46.
9 vgl. Yin (2009) S. 46.
10 vgl. Yin (2009) S. 35.
11 vgl. Yin (2009) S. 37.
12 Eigene Darstellung.
13 vgl. Fenn / Raskino / Burton (2017) S. 3 ff.; Fenn / Raskino (2008) S. 3 ff.
14 vgl. Rotolo / Hicks / Martin (2015) S. 2 ff.
15 Oxford Dictionaries (2017).
16 vgl. Rotolo / Hicks / Martin (2015) S. 5.
17 vgl. Rogers (2003) S. 13; Arthur D. Little Int. (1985) S. 48; OECD (2001) S. 11.
18 Rogers (2003) S. 12.
19 vgl. Rogers (2003) S. 12.
20 Rogers (2003) S. 13.
21 vgl. Rotolo / Hicks / Martin (2015) S. 4.
22 Rotolo / Hicks / Martin (2015) S. 13.
23 vgl. Rotolo / Hicks / Martin (2015) S. 14.
24 vgl. Höft (1992) S. 47; Rogers (2003) S. 35.
25 vgl. Höft (1992) S. 15.
26 vgl. Homburg / Kuester / Krohmer (2009) S. 25 ff.; Höft (1992) S. 17 ff.; Walsh / Deseniss / Kilian (2013) S. 273.
27 vgl. Höft (1992) S. 22.
28 vgl. Homburg / Kuester / Krohmer (2009) S. 25 ff.; Walsh / Deseniss / Kilian (2013) S. 274 f.; Meffert / Burmann / Kirchgeorg (2012) S. 849.
29 vgl. Specht / Beckmann / Amelingmeyer (2002) S. 63.
30 vgl. Höft (1992) S. 74; Arthur D. Little Int. (1985) S. 48.
31 vgl. Arthur D. Little Int. (1985) S. 52.
32 vgl. Arthur D. Little Int. (1985) S. 52.
33 vgl. Arthur D. Little Int. (1985) S. 52 ff.
34 vgl. Höft (1992) S. 79 ff.
35 vgl. Höft (1992) S. 79 ff.; Tiefel (2007) S. 45.
36 vgl. Ford / Ryan (1981) S. 118 ff.; Höft (1992) S. 74 ff.; Tiefel (2007) S. 30 ff.
37 vgl. Ford / Ryan (1981) S. 120; Höft (1992) S. 75.
38 vgl. Höft (1992) S. 76; Tiefel (2007) S. 32 f.
39 vgl. Höft (1992) S. 113 ff.
40 vgl. Burgelman / Christensen / Wheelwright (2009) S. 260 u. 264.
41 vgl. Tiefel (2007) S. 42.
42 vgl. Höft (1992) S. 116; Tiefel (2007) S. 42.
43 vgl. Höft (1992) S. 116; Tiefel (2007) S. 42 f.
44 Kotler / Keller (2016) S. 476.
45 vgl. Rogers (2003) S. 157; Jun / Yeom / Son (2014) S. 83 f.; Albers / Gassmann (2011) S. 202 f.
46 vgl. Meffert / Burmann / Kirchgeorg (2012) S. 438; Rogers (2003) S. 168 ff.; Kotler / Keller (2016) S. 476 ff.; Albers / Gassmann (2011) S. 202 f.
47 vgl. Rogers (2003) S. 170; Meffert / Burmann / Kirchgeorg (2012) S. 438.
48 Rogers (2003) S.35.
49 vgl. Kotler / Keller (2016) S. 476 f.; Rogers (2003) S.23 u. 279 ff.; Meffert / Burmann / Kirchgeorg (2012) S. 439 f.
50 vgl. Rogers (2003) S. 281.
51 vgl. Moore (2014) S. 16ff. u. 38ff. u. 63ff.
52 vgl. Ford / Ryan (1981)S. 120ff.
53 vgl. Höft (1992) S. 113ff.
54 vgl. Rogers (2003) S. 23 u. 279 ff.
55 vgl. Watts / Porter (1997) S. 28 ff.
56 vgl. Watts / Porter (1997) S. 29.
57 Duden (2018).
58 vgl. Wind / Mahajan (1987) S. 43 u. 49; Steinert / Leifer (2010) S. 256 f.
59 vgl. Borup et al. (2006) S. 285 f.; van Lente / Bakker (2010) S. 694 ff.; Budde / Alkemade / Hekkert (2015) S. 57.
60 Borup et al. (2006) S. 286.
61 vgl. Borup et al. (2006) S. 286; van Lente / Bakker (2010) S. 694.
62 vgl. Geels / Raven (2006) S. 376; Ruef / Markard (2010) S. 318.
63 vgl. Ruef / Markard (2010) S. 319.
64 vgl. Fenn / Raskino / Burton (2017) S. 3; Fenn / Raskino (2008) S. 15 ff.
65 vgl. Fenn / Raskino (2008) S. 27 ff.; Fenn / Raskino / Burton (2017) S. 6 ff.
66 vgl. Fenn / Raskino / Burton (2017) S. 3 u. 8; Fenn / Raskino (2008) S. 49.
67 vgl. Fenn / Raskino (2008) S. 7.
68 vgl. Fenn / Raskino / Burton (2017) S. 7.
69 vgl. Fenn / Raskino (2008) S. 9.
70 vgl. Fenn / Raskino / Burton (2017) S. 4; Fenn / Raskino (2008) S. 8 ff.
71 Panetta (2017).
72 vgl. Fenn / Raskino / Burton (2017) S. 7 f.
73 vgl. Fenn / Raskino (2008) S. 49 f.; Fenn / Raskino / Burton (2017) S. 16 ff.
74 vgl. Fenn / Raskino (2008) S. 49 f.
75 vgl. Fenn / Raskino / Burton (2017) S. 9 ff.
76 vgl. Fenn / Raskino / Burton (2017) S. 9 ff.
77 vgl. Fenn / Raskino (2008) S. 25 ff.; Fenn / Raskino / Burton (2017) S. 7 f.
78 vgl. Abrahamson / Rosenkopf (1993) S. 489 ff.
79 vgl. Fenn / Raskino (2008) S. 27 ff.