Gartner hat ihr Radar in vier Sektoren unterteilt und in diesen die wichtigsten Entwicklungen kartiert <Zitat, übersetzt mit Deepl.com>:

1. Die intelligente Welt (Smart World) erweitert sich durch die zunehmende Verschmelzung von physischen und digitalen Erfahrungen.
2. Die Produktivitätsrevolution (Productivity Revolution) beschleunigt sich mit den Fortschritten bei Tools und Technologien der künstlichen Intelligenz (KI).
3. Transparenz und Datenschutz (Transparency and Privacy) werden angesichts der exponentiellen Zunahme der Sammlung von Unternehmens- und personenbezogenen Daten immer mehr in den Blickpunkt gerückt.
4. Neue wichtige Technologien (New critical technology enablers) schaffen neue Geschäfts- und Monetarisierungs-möglichkeiten. </Zitat>

Gartner sieht besonders vier relevante, disruptive Trends für die kommenden acht Jahre <Zitat, übersetzt mit Deepl.com>:

1. Neuromorphic computing

• Die neuromorphe Datenverarbeitung ist ein entscheidender Wegbereiter, um die Funktionsweise eines biologischen Gehirns mit digitalen oder analogen Verarbeitungstechniken genauer zu modellieren.
• Es wird drei bis sechs Jahre dauern, bis der Status eines „Early Adopter“ erreicht ist und die Mehrheit der Bevölkerung sich dafür entscheidet.
• Neuromorphes Rechnen wird erhebliche Auswirkungen auf bestehende Produkte und Märkte haben.

Neuromorphe Rechnersysteme vereinfachen die Produktentwicklung und ermöglichen es Produktverantwortlichen, KI-Systeme zu entwickeln, die besser auf die Unvorhersehbarkeit der realen Welt reagieren können. Ihre autonomen Fähigkeiten reagieren schnell auf Echtzeit-Ereignisse und -Informationen und werden die Grundlage für eine breite Palette künftiger KI-basierter Produkte bilden. Zu den ersten Anwendungsfällen gehören die Erkennung von Ereignissen, die Mustererkennung und das Training mit kleinen Datensätzen.
Wir erwarten den Durchbruch neuromorpher Geräte bis Ende 2023, aber es wird wahrscheinlich fünf Jahre dauern, bis diese Geräte die erste Mehrheit erreichen.
Die Auswirkungen dürften jedoch beträchtlich sein, da neuromorphes Computing viele der aktuellen KI-Technologieentwicklungen durchbrechen und Energieeinsparungen und Leistungsvorteile bieten wird, die mit den aktuellen Generationen von KI-Chips nicht erreicht werden können.
Die neuromorphe Datenverarbeitung ist ein entscheidender Wegbereiter, um die Funktionsweise eines biologischen Gehirns mit digitalen oder analogen Verarbeitungstechniken genauer zu modellieren.
Es wird drei bis sechs Jahre dauern, bis der Status eines „Early Adopter“ erreicht ist und die Mehrheit der Bevölkerung sich dafür entscheidet.
Neuromorphes Rechnen wird erhebliche Auswirkungen auf bestehende Produkte und Märkte haben.
Neuromorphe Rechnersysteme vereinfachen die Produktentwicklung und ermöglichen es Produktverantwortlichen, KI-Systeme zu entwickeln, die besser auf die Unvorhersehbarkeit der realen Welt reagieren können. Ihre autonomen Fähigkeiten reagieren schnell auf Echtzeit-Ereignisse und -Informationen und werden die Grundlage für eine breite Palette künftiger KI-basierter Produkte bilden. Zu den ersten Anwendungsfällen gehören die Erkennung von Ereignissen, die Mustererkennung und das Training mit kleinen Datensätzen.
Gartner erwartet den Durchbruch neuromorpher Geräte bis Ende 2023, aber es wird wahrscheinlich fünf Jahre dauern, bis diese Geräte die erste Mehrheit erreichen.
Die Auswirkungen dürften jedoch beträchtlich sein, da neuromorphes Computing viele der aktuellen KI-Technologieentwicklungen durchbrechen und Energieeinsparungen und Leistungsvorteile bieten wird, die mit den aktuellen Generationen von KI-Chips nicht erreicht werden können.

2. Self-supervised learning

• Selbstüberwachtes Lernen beschleunigt die Produktivität durch einen automatisierten Ansatz für die Kommentierung und Kennzeichnung von Daten.
• Es wird sechs bis acht Jahre dauern, bis der Status eines Early-Adopter-Status erreicht ist und die Mehrheit der Nutzer diese Technologie einsetzt.
• Selbstüberwachtes Lernen wird einen erheblichen Einfluss auf bestehende Produkte und Märkte haben.

Selbstüberwachte Modelle lernen, wie Informationen mit anderen Informationen zusammenhängen, z. B. welche Situationen typischerweise einer anderen vorausgehen oder folgen und welche Wörter häufig zusammengehören.
Selbstüberwachtes Lernen ist erst kürzlich aus dem akademischen Bereich hervorgegangen und wird derzeit von einer begrenzten Anzahl von KI-Unternehmen praktiziert. Einige Unternehmen, die sich auf Computer-Vision- und NLP-Produkte spezialisiert haben, haben jedoch kürzlich selbstüberwachtes Lernen in ihre Produktpläne aufgenommen.
Die potenziellen Auswirkungen und Vorteile des selbstüberwachten Lernens sind weitreichend, da es die Anwendbarkeit des maschinellen Lernens auf Unternehmen mit begrenztem Zugang zu großen Datensätzen ausdehnen wird. Seine Relevanz ist am deutlichsten bei KI-Anwendungen, die sich in der Regel auf markierte Daten stützen, vor allem bei der Computer Vision selbstüberwachtes Lernen beschleunigt die Produktivität durch einen automatisierten Ansatz für die Kommentierung und Kennzeichnung von Daten.
Es wird sechs bis acht Jahre dauern, bis der Status eines Early-Adopter-Status erreicht ist und die Mehrheit der Nutzer diese Technologie einsetzt.
Selbstüberwachtes Lernen wird einen erheblichen Einfluss auf bestehende Produkte und Märkte haben.
Selbstüberwachte Modelle lernen, wie Informationen mit anderen Informationen zusammenhängen, z. B. welche Situationen typischerweise einer anderen vorausgehen oder folgen und welche Wörter häufig zusammengehören.
Selbstüberwachtes Lernen ist erst kürzlich aus dem akademischen Bereich hervorgegangen und wird derzeit von einer begrenzten Anzahl von KI-Unternehmen praktiziert. Einige Unternehmen, die sich auf Computer-Vision- und NLP-Produkte spezialisiert haben, haben jedoch kürzlich selbstüberwachtes Lernen in ihre Produktpläne aufgenommen.
Die potenziellen Auswirkungen und Vorteile des selbstüberwachten Lernens sind weitreichend, da es die Anwendbarkeit des maschinellen Lernens auf Unternehmen mit begrenztem Zugang zu großen Datensätzen ausdehnen wird. Seine Relevanz ist am deutlichsten bei KI-Anwendungen, die sich in der Regel auf markierte Daten stützen, vor allem bei der Computer Vision and NLP Natural Language Processing.

3. Metaverse

• Das Metaversum treibt die intelligente Welt voran, indem es eine immersive digitale Umgebung bietet.
• Es wird mehr als acht Jahre dauern, bis aus dem Status eines frühen Anwenders eine frühe Mehrheit geworden ist.
• Das Metaverse wird erhebliche Auswirkungen auf bestehende Produkte und Märkte haben.

Das Metaversum ermöglicht persistente, dezentralisierte, kollaborative, interoperable digitale Inhalte, die sich mit den räumlich organisierten und indizierten Echtzeit-Inhalten der physischen Welt überschneiden, und ist ein Beispiel für einen kombinatorischen Trend, bei dem eine Reihe von individuell wichtigen, diskreten und sich unabhängig voneinander entwickelnden Trends und Technologien miteinander interagieren und einen weiteren Trend hervorbringen. Zu den sich abzeichnenden, unterstützenden Technologien und Trends gehören u. a. räumliche Datenverarbeitung und das räumliche Web, digitale Persistenz, Umgebungen mit mehreren Einheiten, Dezentralisierungstechnologien, Hochgeschwindigkeitsnetze mit geringer Latenz, Sensortechnologien und KI-Anwendungen.
Die Merkmale und Funktionen, die diese ETT in das Metaverse einbringen, müssen eine frühe Mehrheit erreichen, damit das Metaverse die Kluft überwinden kann. Wir betrachten alle aktuellen Beispiele als Vorläufer oder Pre-Metaverse-Angebote, da sie potenziell fähig und kompatibel sind, aber noch nicht der Definition des Metaversums entsprechen.
Während die Vorteile und Möglichkeiten des Metaversums nicht sofort realisierbar sind, geben aufkommende Metaverselösungen einen Hinweis auf mögliche Anwendungsfälle. Gartner geht davon aus, dass der Übergang zum Metaverse genauso bedeutend sein wird wie der Übergang von der analogen zur digitalen Technologie.

4. Human-centered AI

• Menschenzentrierte KI (Human-centered AI, HCAI) ist ein allgemeiner KI-Grundsatz, der fordert, dass KI den Menschen und der Gesellschaft zugute kommt, was die Transparenz und den Datenschutz verbessern könnte.
• Es wird drei bis sechs Jahre dauern, bis sich die KI mehrheitlich durchsetzt.
• HCAI wird erhebliche Auswirkungen auf bestehende Produkte und Märkte haben.

HCAI geht von einem Partnerschaftsmodell aus, bei dem Menschen und KI zusammenarbeiten, um die kognitive Leistung zu verbessern, einschließlich Lernen, Entscheidungsfindung und neue Erfahrungen. HCAI wird manchmal als „erweiterte Intelligenz“, „Zentauren-Intelligenz“ oder „Human in the Loop“ bezeichnet, aber im weiteren Sinne muss auch ein vollautomatisiertes System den Nutzen für den Menschen zum Ziel haben.
HCAI ermöglicht es Anbietern, KI-Risiken zu managen, ethisch und verantwortungsbewusst zu handeln und die Automatisierung effizienter zu gestalten, während sie die KI mit einer menschlichen Note und mit gesundem Menschenverstand ergänzen. Viele KI-Anbieter haben sich bereits auf den wirkungsvolleren und verantwortungsvolleren HCAI-Ansatz umgestellt. Der technologiezentrierte Ansatz bei der Entwicklung von KI-Produkten hat zu zahlreichen negativen Auswirkungen geführt, die die Anbieter dazu veranlassen, ihre KI-Produktstrategien zu überdenken: Die potenzielle Wirkung von HCAI ist groß, da sie menschliche Fähigkeiten nutzt, um Menschen produktiver zu machen und vermeidbare Einschränkungen, Voreingenommenheiten und blinde Flecken zu beseitigen. </Zitat>

Hierzu gibt es auch eine „Time Line“, wann mit welchen Entwicklungen zu rechnen ist:

Eine andere Sicht

Gartner hat natürlich gleich neue Begriffe für die sich abzeichnenden Entwicklungen geprägt. Ein Großteil der Aussagen ist sicherlich richtig und PROJECT CONSULT sieht die ähnlich. Hier werden AI Artificial Intelligence auf der einen Seite und Sicherheits- und „Privacy“-Bedenken auf der anderen Seite im Wettstreit stehen. Allgemeine Bedenken gegen AI ind er Öffentlichkeit werden aktuell von ChatGPT beseitigt. Neben den öffentlich zugänglichen KI-Lösungen wie ChatGPT und Nachfolger adressieren große Massen von Nutzern. Bedeutsam wird aber die Entwicklung in den Unternehmen werden, die interne AI-Lösungen benötigen. Diese werden auch andere Architekturen und Modelle als das derzeit weitverbreitete LLM Large Linguistic Model benötigen. Den Trend 3. rund um Metas Vision (Facebook) vom Metaverse teilen wir nicht. Dies wird in den nächsten Jahren eher eine Randerscheinung bleiben. Die Integration visueller Techniken, Automatisierung mittels KI Künstlicher Intelligenz und selbstlernendem Maschinenlernen werden eher die Zukunft von Software, Hardware, Systemen und Kommunikationstechnik bestimmen. Organisationen, Behörden und Unternehmen werden sich nur zögerlich auf virtuelle Welten wie das Metaverse einlassen. Aktuell fehlt es eher an Knowhow, Menschen und Lösungen, die in die vorhandenen Legacy-Systeme passen, zum Thema AI Artificial Intelligence. Dieser notwendige Umstellungsprozess wird sich noch einige Jahre hinziehen.

---

Translation & Citation from the Gartner Website

---

Gartner published their study „2023 Gartner Emerging Technologies and Trends Impact Radar“ this year in a different graphical format than „radar“: https://gtnr.it/3YkxqLT.

In his summary, the primary author Tuong Ngyen writes <quote>:

• The Gartner Emerging Tech Impact Radar highlights the technologies and trends that have the most potential to disrupt a broad cross section of markets.
• The trends are organized around four key themes, which are critical for product leaders to evaluate as part of their competitive strategy.
• Product leaders must explore these technologies now to capitalize on market opportunities. </quote>

Gartner has organized its radar into four sectors and mapped the most important developments in each of them <quote>:

1. Smart world expands with increased fusion of physical-digital experiences.
2. Productivity revolution accelerates with advances in artificial intelligence (AI) tools and tech.
3. Transparency and privacy get more scrutiny amid exponential growth in corporate and personal data collection.
4. New critical technology enablers create new business and monetization opportunities. </quote>

Gartner foresees four relevant disruptive trends in particular for the next eight years <quote>:

No. 1: Neuromorphic computing

• A critical enabler, neuromorphic computing provides a mechanism to more accurately model the operation of a biological brain using digital or analog processing techniques.
• It will take three to six years to cross over from early-adopter status to early majority adoption.
• Neuromorphic computing will have a substantial impact on existing products and markets.

Neuromorphic computing systems simplify product development, enabling product leaders to develop AI systems that can better respond to the unpredictability of the real world. Their autonomous capabilities quickly react to real-time events and information, and will form the basis of a wide range of future AI-based products. Early use cases include event detection, pattern recognition and small dataset training.

We expect breakthrough neuromorphic devices by the end of 2023, but it will likely take five years for these devices to reach early majority adoption.

The impact is likely to be significant, though, as neuromorphic computing is expected to disrupt many of the current AI technology developments, delivering power savings and performance benefits not achievable with current generations of AI chips.

No. 2: Self-supervised learning

• Self-supervised learning accelerates productivity by using an automated approach to annotating and labeling data.
• It will take six to eight years to cross over from early-adopter status to early majority adoption.
• Self-supervised learning will have a significant impact on existing products and markets.

Self-supervised models learn how information relates to other information; for example, which situations typically precede or follow another, and which words often go together.

Self-supervised learning has only recently emerged from academia and is currently practiced by a limited number of AI companies. A few companies focused on computer vision and NLP products have recently added self-supervised learning to their product roadmaps, however.

The potential impact and benefits of self-supervised learning are extensive, as it will extend the applicability of machine learning to organizations with limited access to large datasets. Its relevance is most prominent in AI applications that typically rely on labeled data, primarily computer vision and NLP.

No. 3: Metaverse

• The metaverse fuels the smart world by providing an immersive digital environment.
• It will take eight-plus years to cross over from early-adopter status to early majority adoption.
• The metaverse will have a very substantial impact on existing products and markets.

The metaverse enables persistent, decentralized, collaborative, interoperable digital content that intersects with the physical world’s real-time, spatially organized and indexed content.

It is an example of a combinatorial trend in which a number of individually important, discrete and independently evolving trends and technologies interact with one another to give rise to another trend. The emerging, supporting technologies and trends include (but are not limited to) spatial computing and the spatial web; digital persistence; multientity environments; decentralization tech; high-speed, low-latency networking; sensing technologies; and AI applications. 

The features and functionality these ETT bring to the metaverse will need to reach an early majority in order for the metaverse to cross the chasm. We consider all current examples to be precursors or premetaverse offerings because they are potentially capable and compatible but do not yet meet the definition of the metaverse.

While the benefits and opportunities from the metaverse are not immediately viable, emerging metaverse solutions give an indicator of potential use cases. We expect the transition toward the metaverse to be as significant as the one from analog to digital.

No. 4: Human-centered AI

• Human-centered AI (HCAI) is a common AI design principle calling for AI to benefit people and society, which could improve transparency and privacy.
• It will take three to six  years to reach early majority adoption.
• HCAI will have a substantial impact on existing products and markets.

HCAI assumes a partnership model of people and AI working together to enhance cognitive performance, including learning, decision making and new experiences. HCAI is sometimes referred to as “augmented intelligence,” “centaur intelligence” or “human in the loop,” but in a wider sense, even a fully automated system must have human benefits as a goal.

HCAI enables vendors to manage AI risks, and to be ethical, responsible and more efficient with automation, while complementing AI with a human touch and with common sense. Many AI vendors have already shifted their positions to the more impactful and responsible HCAI approach. The technology-centric approach of developing AI products has led to numerous negative impacts, urging vendors to rethink their AI product strategies.

The potential impact of HCAI is high because it leverages human abilities to make humans more productive and remove avoidable limitations, biases and blind spots. </quote>

There is also a „time line“ for when developments can be expected <see above>.

A different view

Gartner has coined of course equal new terms for the emerging developments. A large part of the statements is certainly correct and PROJECT CONSULT sees these similarly. Here AI Artificial Intelligence on the one side and security and „Privacy“ concerns on the other side will be in competition. General concerns against AI in the public are currently eliminated by ChatGPT. Besides the publicly available AI solutions like ChatGPT and its successors address large masses of users. However, the development in companies that require internal AI solutions will become significant. These will also require architectures and models other than the currently widespread LLM Large Linguistic Model. We do not share the trend 3. about the metaverse vision of Meta (Facebook). This will remain a marginal phenomenon in the next few years. The integration of visual techniques, automation by means of AI Artificial Intelligence and self-learning machine learning will rather determine the future of software, hardware, systems and communication technology. Organisations, authorities and companies will be reluctant to embrace virtual worlds like the Metaverse. Currently, there is rather a lack of know-how, people and solutions that fit into the existing legacy systems on the topic of AI Artificial Intelligence. This necessary conversion process will take several more years.