Globales Technologie-Monitoring: Bekannte und unbekannte Technologien sichtbar machen

Warum Technologie-Monitoring jetzt entscheidend ist

Die Welt sortiert sich neu. Geopolitische Verwerfungen und eine dekadenbestimmende Basistechnologie – künstliche Intelligenz – verändern gleichzeitig die Spielregeln. Und während sich die Welt noch an KI gewöhnt, zeichnen sich am Horizont bereits die nächsten transformativen Technologien ab.

Große Teile des Wirtschaftssystems werden sich neu sortieren müssen, was alle entscheidungstragenden Akteure – staatliche Institutionen, die Wirtschafts- und Technologiepolitik gestalten müssen, ebenso wie Privatunternehmen, die ihre Marktposition verteidigen und ausbauen wollen – vor große Herausforderungen stellt.

In diesem Umfeld ist aktuelle und verlässliche Marktintelligenz absolut unverzichtbar. Dabei sind insbesondere jene Technologien relevant, die disruptives Potenzial besitzen. Bereits ausgereifte Technologien sind implementiert, der Markt hat sich sortiert und ein Gleichgewicht gefunden. Wenn jedoch neue Technologien aufkommen, können damit neue Märkte erschlossen oder bestehende Märkte disruptiert werden – mit Auswirkungen auf einzelne Unternehmen, aber auch Regionen und ganze Volkswirtschaften. Für Entscheidungsträger ist es daher von zentraler Bedeutung, neuartige, transformative und emergente Technologien systematisch im Blick zu behalten.

Die Grenzen traditioneller Ansätze zur Technologiebeobachtung

Genau hier offenbaren sich jedoch erhebliche methodische Herausforderungen, die sich in zwei Kernprobleme gliedern lassen:

Problem 1: Bekannte Technologien, die in traditionellen Daten unsichtbar sind

Selbst wenn man weiß, nach welcher Technologie man sucht, stößt man auf das Problem, dass emergente Technologien in traditionellen Wirtschaftsdaten schlicht nicht abgebildet sind:

• Branchencodes bilden neuartige Technologiefelder nicht ab. Bestehende Klassifikationssysteme sind starr und auf etablierte Wirtschaftsstrukturen ausgelegt – nicht darauf, Neuartiges sichtbar zu machen. Sehen Sie hierzu unsere Studie zu KI-Unternehmen in Baden-Württemberg.

• Patentdaten können neuartige Technologien teilweise sichtbar machen, doch nicht alle Innovationen werden patentiert. Patentierung ist in bestimmten Branchen zwar sehr relevant, bildet aber nicht den gesamten Innovationsprozess ab. Insbesondere lässt sich anhand von Patentdaten kaum nachvollziehen, ob Technologien bereits in marktreife Produkte überführt wurden.

• Unternehmensbefragungen sind eine weitere Option, doch wenn die relevanten Akteure noch nicht bekannt sind, werden diese Befragungen zwangsläufig sehr ungezielt durchgeführt. Man ist darauf angewiesen, per Zufall einen relevanten Akteur zu erwischen, was gerade bei neu aufkommenden und somit „seltenen“ Technologien unwahrscheinlich ist.

Problem 2: Das Unbekannte finden

Das zweite Problem ist fundamentaler: Was tut man, wenn man gar nicht weiß, wonach man sucht, sondern explorativ arbeiten möchte?

Emergente Technologien entwickeln sich ständig weiter. Sie konvergieren, finden zueinander und lassen neue Anwendungsgebiete oder vollständig neue Forschungs- und Technologiefelder entstehen – Felder, die anfangs oft sehr klein und schwer zu identifizieren sind. Für explorative Analysen ist zudem eine zeitliche Komponente fast unerlässlich: Erst durch die Beobachtung von Veränderungen wird Dynamik sichtbar – und diese Dynamik kann der entscheidende Hinweis auf neuartige, disruptive Technologien sein.

Traditionelle Datensätze sind somit weder dafür ausgelegt, bekannte emergente Technologien zuverlässig abzubilden, noch ermöglichen sie die explorative Entdeckung des Unbekannten.

Globales Technologiemonitoring über den WebAI-Ansatz von ISTARI

Hier kommt der WebAI-Ansatz von ISTARI ins Spiel – eine neuartige Methodik, die öffentlich zugängliche Organisationswebdaten als Datenquelle für Markt- und Wirtschaftsintelligenz nutzt. Im Zentrum steht die tagesaktuelle, systematische Analyse öffentlich zugänglicher Webinhalte (Websites, Registerinformationen, Social Media, News, Geschäftsberichte usw.), die mit künstlicher Intelligenz ausgewertet werden. Die Vorteile lassen sich wie folgt zusammenfassen:

1. Umfang & Abdeckung: Analyse aller Organisationen mit digitalem Fußabdruck weltweit.

1. Inhaltliche Breite: Erfassung aller öffentlich kommunizierter Technologien, Produkte und Dienstleistungen usw.

1. Aktualität: Abbildung aktueller Entwicklungen in Echtzeit.

1. Dynamik: Wiederholte Analysen ermöglichen die Nachvollziehbarkeit von Veränderungen.

1. Relationale Informationen: Abbildung von Verbindungen, Netzwerken und Stakeholder-Beziehungen.

Dieser von ISTARI erstmals vorgeschlagene und maßgeblich vorangetriebene Ansatz findet nicht nur zunehmend Eingang in die Forschung, sondern auch in die Entscheidungsprozesse institutioneller Akteure. Zwei Beispiele aus der Praxis möchte ich im Folgenden kurz vorstellen.

Kartierung und internationaler Vergleich von Schlüsseltechnologien

Im aktuellen EFI-Gutachten 2026 – dem jährlichen Gutachten zu Forschung, Innovation und technologischer Leistungsfähigkeit Deutschlands, das von der Expertenkommission Forschung und Innovation an den Bundeskanzler bzw. die Bundeskanzlerin übergeben wird – findet sich ein Abschnitt mit Erkenntnissen, die mit dem ISTARI WebAI-Ansatz erzeugt wurden.

Die EFI-Kommission schlägt den webAI-Ansatz so auch vor, um die Diffusion von Schlüsseltechnologien zu messen – speziell im Kontext der Hightech-Agenda Deutschland. Diese seit 2025 von der Bundesregierung beschlossene Strategie zielt darauf ab, Deutschland durch gezielte Investitionen in Zukunftstechnologien voranzubringen. Bei den adressierten Schlüsseltechnologien handelt es sich exakt um jene zuvor beschriebenen emergenten, disruptiven Technologien, die das Potenzial haben, signifikante Teile des Wirtschaftssystems neu zu ordnen – darunter auch künstliche Intelligenz und klimaneutrale Mobilität.

In unserer Begleitstudie zum EFI-Bericht hat ISTARI die Themen KI und klimaneutrale Mobilität untersucht. Hierfür wurden alle Organisationen, die in diesen beiden Bereichen in Deutschland aktiv oder potenziell aktiv sind, identifiziert und somit die Diffusion dieser Schlüsseltechnologien in der deutschen Wirtschaft erstmals umfassend dargestellt. Der genutzte webAI-Ansatz ist schematisch in der folgenden Abbildung dargestellt.

Ausgangspunkt ist der ISTARI Global Organization Index (GOI), der insgesamt rund 500 Millionen Organisationen weltweit enthält.

1. Grundgesamtheit definieren: Ausgehend von ca. 9 Millionen aktiven Organisationen in den Fokusländern der Studie Deutschland, USA, UK, China und Frankreich *(Schritt 1 in der Abbildung)*.

1. Regelbasiertes Web-Crawling: Identifikation von Kandidaten, die eine signifikante Dichte relevanter Schlagworte auf ihrer Webseite aufweisen *(Schritte 2 und 3 in der Abbildung)*.

1. KI-gestützte Validierung: Die gefundenen Kandidaten werden durch spezialisierte KI-Agenten validiert *(Schritt 4 in der Abbildung)*. Diese Agenten durchsuchen das offene Web (Websites, Social Media, News-Artikel, Register und weitere Quellen), um für jede einzelne Organisation ein detailliertes Profil zu erstellen. Dadurch werden nicht nur irrelevante Organisationen entfernt, sondern relevante Organisationen auch detailliert analysiert und klassifiziert, beispielsweise durch Verortung entlang der Wertschöpfungskette, sowie der Identifikation relevanter Produkte oder Beziehungen.

Eine besondere Stärke des Ansatzes liegt darin, dass die Ergebnisse nicht nur detaillierte Einblicke auf der Ebene von Organisationen, Netzwerken und Regionen erlauben, sondern es auch ermöglichen, nationale Ergebnisse in den internationalen Kontext zu setzen. So lässt sich ein Peer-Group-Vergleich durchführen, der beispielsweise aufzeigt in welchen Technologien Deutschland im internationalen Vergleich führend ist und wo Nachholbedarf besteht.

Die Identifikation des Unbekannten über explorative Trend-Analyse

Während die EFI-Begleitstudie illustriert, wie der WebAI-Ansatz die gezielte Suche nach bekannten Schlüsseltechnologien ermöglicht, dient das folgende Beispiel der Veranschaulichung des zweiten, fundamentaleren Anwendungsfalls: der explorativen Identifikation von Unbekanntem.

Im Rahmen einer Studie für die Senatsverwaltung Berlin, die ISTARI gemeinsam mit dem ZEW Mannheim durchgeführt hat, wurde ein Workflow entwickelt, um ohne vorherige Festlegung auf bestimmte Themen Trends in der Berliner Wirtschaft über die letzten zehn Jahre zu identifizieren. Der erarbeitete Workflow ist hier schematisch vereinfacht dargestellt.

Der Ansatz gliedert sich in fünf Schritte:

1. Grundgesamtheit: Als Ausgangspunkt diente abermals der ISTARI Global Organization Index, aus dem circa 150.000 aktive Organisationen in Berlin ausgewählt wurden.

1. Historische Webdaten: Über ein Archiv mit historischen Website-Snapshots wurden für die Webseiten der Berliner Organisationen Snapshots für jedes der letzten zehn Jahre identifiziert. Dadurch entsteht nicht nur ein Querschnitt der aktuellen Organisationslandschaft, sondern ein longitudinaler Datensatz, der Veränderungen über die Zeit sichtbar macht.

1. Topic-Analyse: Sämtliche historischen Website-Snapshots wurden zu einem großen Textkorpus – einer umfassenden Sammlung von Dokumenten – zusammengeführt. Mittels einer Topic-Analyse wurden thematische Cluster über alle Dokumente hinweg identifiziert. Diese explorative Methode erkennt thematisch ähnliche Dokumente und damit Organisationen, die auf ihren Webseiten thematisch vergleichbar kommunizieren und dementsprechend ein ähnliches Organisationsprofil aufweisen – ohne dass die relevanten Themen vorab definiert werden müssen.

1. Rückzuordnung: Die identifizierten Topics wurden anschließend auf die einzelnen historischen Snapshots der jeweiligen Organisationswebseite rückzugeordnet. Als Resultat erhält jede Organisation für jedes Jahr relevante Topics zugewiesen.

1. Zeitreihenanalyse: Auf Basis dieses Datensatzes wurde eine Zeitreihenanalyse durchgeführt, bei der auf Jahresebene aggregiert betrachtet wird, wie häufig ein bestimmtes Topic in diesem Jahr auf den Webseiten der Organisationen vorkam. Über die Zeit betrachtet werden so Topics sichtbar, die zwischen den untersuchten Jahren in ihrer Häufigkeit fluktuieren. So lassen sich Topics identifizieren, die insgesamt anwachsen und in der Organisationspopulation Berlins zunehmend präsent wurden, ebenso wie Topics, die an Bedeutung verloren.

Dieser Ansatz erlaubt so einen Einblick in die Veränderungen der relevanten Themen innerhalb einer Organisationspopulation (bspw. einer Region oder einer bestimmten Branche) über einen definierten Zeitraum – und zwar ohne, dass vorher festgelegt wird, welche Themen überhaupt betrachtet werden sollen. Im obigen Beispiel konnte so beispielsweise identifiziert werden, dass die Entwickler von Community-orientierte Social-Media-Plattformen und Apps in den letzten zehn Jahren in Berlin stark an Bedeutung verloren haben, während beispielsweise die Anzahl von Consultingunternehmen mit Spezialisierung auf den KI-Bereich deutlich angewachsen sind.

Aus solchen Erkenntnissen ergeben sich unmittelbare Impulse für die Wirtschaftspolitik: Förderprogramme können entsprechend überarbeitet und an die tatsächlichen Strukturveränderungen der regionalen Wirtschaft angepasst werden – auf Basis empirischer Evidenz statt auf Basis von Annahmen. Das gleiche gilt für Unternehmen, die ihren Markt und ihre Konkurrenten im Blick behalten müssen und keinen potentiell disruptiven Trend verpassen möchten.