Gartner Top Strategic Trends 2022

Die digitalen Trends von Gartner 2022 liefern Möglichkeiten für Unternehmen, die Digitalisierung für sich zu nutzen:

• Vertrauenswürdige digitale Zusammenarbeit der Mitarbeiter und Gerätevernetzung von überall
• Lösungen zur globalen und kosteneffizienten Skalierung
• Innovative Fähigkeiten wie Total Experience, AI und Autonome Systeme für ein Wachstum des Geschäfts für morgen

Das Wachstum des Geschäfts kann via Portfolio-Erweiterung oder auch ganz neuen Business-Modellen vorangetrieben werden:

• Total Experience für Portfolio-Erweiterung: Touchpoints entlang der Journey personenzentrisch für Kunden, Mitarbeiter und Partner mit einem Design Thinking Ansatz gestalten
• Business Transformation für neue Geschäftsmodelle: Neue cross-Industry Angebote und Subscription-Modelle

Gartner teilt die digitalen Trends 2022 in folgende 3 Kategorien, welche aufeinander aufbauen und sich gegenseitig verstärken:

1. Skalierung: Vertrauen in Infrastruktur
2. Anpassung: Veränderung gestalten
3. Wachstum: Geschäftsmodelle

Quelle: Gartner Tech-Trends 2022

Die Trends im Detail:

Skalierung

Datenfabrik – Data Fabric

• Integrierte und plattformüberreifende Datennutzung
• Analyse, Meta-daten, Verfügbarkeit
• Datenverwaltung

Cybersecurity Mesh

• Assets von Digital Business sind über Clouds und Rechenzentren verteilt.
• identitätsbasierte Sicherheit, integrierten von mehreren Datenfeeds und Sicherheitsprodukten mit dem Ziel:
  • Cybersecurity unabhängig vom Standort zu ermöglichen
  • Vorfälle besser zu erkennen
  • schneller darauf zu reagieren
• In der Umsetzung beachten:
  • Auf Composability und Interoperabilität bei Auswahl von Sicherheitslösungen
  • Aufbau eines gemeinsamen Frameworks, um Lösungen zu integrieren

Privacy-Enhancing-Computation

• Wert von Daten liegt in deren Nutzung durch AI-Modelle, Analysen und Erkenntnissen (Insights)
• Privacy-Enhancing-Computation-Konzepte (PEC) ermöglichen die gemeinsame Nutzung von Daten in verschiedenen Ökosystemen und erzeugen so einen Mehrwert, ohne die Privatsphäre zu verletzen in den Bereichen:
  • Bereichen Analytik
  • Business Intelligence
  • Cloud Computing
• Die Abfrage als auch die Ergebnisse sind verschlüsselt.
• Implementierung:
  • Anwendungsfälle mit Bedürfnis, personenbezogene Daten in nicht vertrauenswürdigen Umgebungen zu nutzen

Cloud-native Plattformen

• Cloud-native Plattformen sind für die Cloud konzipiert und nutzen deren Elastizität und Skalierbarkeit (nicht «Lift-and-Shift-Migrationen» von Legacy-Systemen wegen hohem Wartungsaufwand)
• Beispiel: Der Einsatz einer neuen Microservices-Architektur ermöglichte die Integration von Spar-, virtuellen Debitkarten- und Kreditkartendiensten in kürzester Zeit.
• In 3 Jahren werden 95% Cloud-native Plattformen für Digitalisierungsinitiativen eingesetzt von CAD bis ERP.
• Implementierung:
  • Investieren Sie in Cloud-native Plattformen und moderne Architekturen

Anpassung

Composable Applications

• Packaged Business Capabilities (PBCs): Modulare Anwendungen, welche von der IT zusammen mit dem Business in kurzer Zeit umgesetzt werden können
• Low-Code-Umgebungen ermöglichen es den Key Usern, die Applikationen zu konfigurieren und Schnittstellen zu managen (z.B. Betrugswarnungen in einer Bank)
• Design-Mantra: SaaS mit API-first/only (Schnittstelle über Programm wie auch über User Interface) à keine proprietären Software-Applikationen
• Implementierung:
  • PBCs bei der Modernisierung von Anwendungen strategisch mit einplanen
  • neuer Dienste von Anbietern. Kaufen Sie Standard-PBCs auf Anwendungsmarktplätzen.

Decision Intelligence

• In einer Welt des schnellen Wandels müssen Unternehmen schnellere und bessere Entscheidungen treffen
• Decision Intelligence verbessert die Entscheidungsfindung durch die Modellierung von Entscheidungen mittels Integration von Daten, Analysen und AI.
• Umsetzung:
  • Mit geschäftskritischen Entscheiden wie z.B. bei Produktentscheidungen beginnen

Hyperautomatisierung

• Prozesse automatisieren.
• Technologien wie RPA, Low-Code-
  Plattformen und Prozess-Mining-Tools.
• Ziel: synergetische und koordinierte Geschäftsergebnisse bis zur Modellierung des Geschäftsmodells
• Umsetzung:
  • Priorisierung nach Einfluss aufs Geschäftsmodell in Bezug auf Qualität, Markteinführungszeit, geschäftliche Agilität oder Innovation.

AI-Engineering

• Operationalisierung der Aktualisierungen von AI-Modellen
• Verwendung integrierter Daten, AI-Governance sowie Modell- und Entwicklungspipelines, um einen konsistenten Geschäftswert aus AI zu erzielen.
• Akzeptanz, Zuverlässigkeit und Vertrauen im laufenden Betrieb z.B. bei Artzt-Entscheiden basierend auf AI sehr wichtig
• Implementierung:
  • AI-Engineering als strategisches Unterscheidungsmerkmal einsetzen
  • Best Practices aus DataOps, ModelOps und DevOps

Wachstum

Distributed Enterprise

• Architekturansatz für eine Digital First Customer Journey (Digitalisierung Touch Points)
• Umstellung von Geschäftsmodellen nach dem Architekturprinzip „Digital First, Virtual first, remote first“,
  um Marktanteile zu gewinnen
• «Anywhere Operations» für Tätigkeiten in physisch entfernten Umgebungen (Kunden, Arbeitgeber und Geschäftspartner).
• Implementierung:
  • Digital first Prozesse, welche dann auch in der analogen Welt gelebt werden können z.B. Umkleidekabinen
  • Einsatz neuer Technologien wie Drohnen zur Digitalisierung von Operations

Total Experience

• Total Experience = Kundenzufriedenheit (Customer Experience) + Benutzerzufriedenheit (User Experience) + Mitarbeiterzufriedenheit + Multiexperience
• Einzigartige Mehrwerte für Kunden: Analytik und AI lernen das Kundenverhalten, um aktiv auf die nächste Aktion eines Kunden zu reagieren und realistische Trainingssimulationen für Mitarbeiter zu erzeugen
• Einheitliche Identitätsdienste sorgen für durchgängige Touchpoints
• Implementierung:
  • Alle  Führungskräfte von erfahrungsbezogenen Initiativen sollten gleichermaßen für die Lösung der kombinierten Bedürfnisse von Kunden und Mitarbeitern verantwortlich sein

Autonome Systeme

• Selbstverwaltende physische oder Software-Systeme, die von ihrer Umgebung lernen d.h. Algorithmen dynamisch und ohne Software-Updates ändern
• Beispiel: Ericsson Mobilfunkmasten optimieren mit Reinforcement Learning und digitalen Zwillinge die Leistung von 5G-Netzwerken dynamisch.

Generative AI

• Technologien, die Innovationen von selbst hervorbringen
• Eine Form der AI, die eine digitale Repräsentation von Objekten aus Beispieldaten erlernt und diese verwendet, um neue, originale, realistische Objekte zu erzeugen, die den Trainingsdaten ähneln, diese aber nicht wiederholen
• Beispiel: Die britische Finanzaufsichtsbehörde Financial Conduct Authority hat mithilfe generativer AI synthetische Zahlungsdaten aus 5 Millionen Datensätzen mit realen Zahlungsdaten erzeugt. Der synthetische Datensatz wird verwendet, um neue Betrugsmodelle zu erzeugen, ohne dass die Daten von Einzelpersonen preisgegeben werden.
• Generative AI erzeugt heute 1% und in 3 Jahren 10 % aller produzierten Daten
• Implementierung:
  • Erstellung neuer Produkte zu beschleunigen
  • Personalisierung von Produkten zu verbessern