lautet: Nein. Wir stützen uns nicht auf Schlagworte. Ich werde es Ihnen erklären, möchte dazu aber ein komplexeres Beispiel verwenden. Stellen Sie sich einen Manager vor, der die Finanzierung eines Projekts beantragen will. Bevor Gelder fließen, werden die Entscheidungsträger eine Begründung für das Finanzierungsersuchen haben wollen. Wie kommt diese Investition der Firma zugute? Möglicherweise geht es um einen schnelleren Marktzugang oder darum, höhere Erträge zu erzielen. Vielleicht ist das Projekt auch knapp an Mitteln und läuft Gefahr, nicht fertig zu werden.«
David sah zustimmendes Nicken im Publikum und begann sich ein wenig zu entspannen. Er war froh, dass seine handverlesenen Beispiele bei den Führungskräften ankamen.
»ELOPe analysiert die Mail und erkennt, dass der Verfasser um eine Finanzierung bittet, weiß, dass sie von einer Begründung begleitet sein sollte, und bietet Beispiele an, wie so eine effektive Begründung aussehen könnte.«
David wechselte zu einer anderen Darstellung, um sein Beispiel zu veranschaulichen. Das Kurzvideo zeigte, wie ein Nutzer eine Finanzierungsanfrage verfasste, während Argumentationsvorschläge am rechten Bildschirmrand erschienen. Jedes der Beispiele beinhaltete bereits alle Daten aus der eigentlichen Mail, wie etwa den Projektnamen und den Zeitplan. David wartete schweigend die dreißig Sekunden ab, während das Video ablief. Er hörte leise Ausrufe aus dem Hintergrund. Diese Kurzdemo war unglaublich eindrucksvoll. Er lächelte innerlich. Es war Arthur C. Clarke gewesen, der einmal gesagt hatte: Jede Technologie, wenn sie nur ausreichend weit entwickelt ist, ist von Magie nicht mehr unterscheidbar. Nun, dies war Magie.
David machte eine Pause, damit das Video seine Wirkung entfalten konnte. »Es ist nicht genug, eine Reihe von standardisierten Vorschlägen anzubieten. Unterschiedliche Menschen werden auch durch unterschiedliche Sprachformen, Kommunikationsarten und Argumente motiviert. Lassen Sie mich ein weiteres Beispiel benutzen. Ein Angestellter will seinen Chef um die Verlängerung seines Urlaubs bitten. Er wird natürlich zwingende Gründe für seinen Wunsch vorbringen wollen. Womit kann er seinen Chef überzeugen? Sollte er erwähnen, dass er viele Überstunden gemacht hat? Dass er mehr Zeit mit seinen Kindern verbringen will? Oder dass er plant, den Grand Canyon zu besuchen, einen Ort, mit dem sein Chef zufällig positive Erinnerungen verbindet?«
»Die Antwort ist«, fuhr David fort, während er vorn in Raum auf und ab ging, »dass es auf die Person ankommt, die die Nachricht erhält. Deshalb basiert die Analyse von ELOPe nicht nur auf dem Wunsch des Verfassers, sondern auch auf der Motivation des Empfängers.«
David bemerkte, dass Rebecca Smith in der Tür stand und der Präsentation lauschte. In ihrem streng geschnittenen Kostüm und mit ihrem legendären Ruf, der sie wie eine unsichtbare Aura umgab, war die Leiterin von Avogadro eine imposante Erscheinung. Nur ihr warmes Lächeln erschuf eine schützende Nische, in der ein Normalsterblicher wie David mit ihr koexistieren konnte.
Sie nickte David zu, als sie hereinkam und ihren Platz am Kopf des Tisches einnahm.
»Was Sie da beschreiben«, fragte Kenneth, »wie funktioniert das eigentlich? Die maschinelle Sprachverarbeitung ist nicht einmal annähernd in der Lage, die Bedeutung von Worten zu verstehen. Hatten Sie irgendeinen spektakulären Durchbruch?«
»Im Grunde genommen sind wir hier noch im Bereich der Referenzalgorithmen«, antwortete David. »Sean hat mich nicht eingestellt, weil ich mich mit Sprachanalyse auskenne, sondern weil ich einer der führenden Mitbewerber um den Netflix-Preis war. Netflix empfiehlt Filme, die Ihnen gefallen könnten. Und je effektiver sie das tun können, umso besser ist der Service für Sie als Kunden. Vor einigen Jahren bot Netflix jedermann einen Preis in Höhe von einer Million Dollar an, der ihren eigenen Algorithmus um zehn Prozent übertreffen konnte.«
»Was das erstaunliche und sogar unlogische an solchen Referenzalgorithmen ist, ist der Umstand, dass sie nicht auf dem Verständnis der Filme basieren. Netflix hat keinen großen Personalstab, der Filme anschaut, bewertet und kategorisiert, nur um mir dann den neuesten Sci-Fi-Actionthriller empfehlen zu können. Stattdessen verlassen sie sich auf eine Methode, die man als kollaborative Filterung bezeichnet. Dabei finden sie mir vergleichbare Konsumenten und beobachten, wie diese einen bestimmten Film bewerten, um dann vorherzusagen, wie er mir gefallen könnte. Seans Gedanke war, da maschinelle Sprachanalyse nach wie vor mit der Wortbedeutung zu kämpfen hat, dass es besser sei einen Ansatz zu wählen, der nicht auf Verständnis, sondern auf der Nutzung von Sprachmustern basiert.«
David fuhr fort, als er zustimmendes Nicken aus dem Publikum erhielt. »Genau das tut ELOPe. Es wertet Milliarden von E-Mails aus und vergleicht die Sprachnutzung mit der Reaktion des Empfängers. War sie positiv oder negativ? Zusammengefügt aus tausenden von E-Mails pro Person und Millionen von Menschen, können wir die Gruppe von Nutzern, die dem gewünschten Adressaten ähnlich sind, finden und beobachten, wie sie auf Sprachvarianten und Ideen reagieren, um den besten Weg zu finden, die gewünschte Information zu präsentieren und schlüssig zu argumentieren.«
Nun gab es einige erstaunte Blicke und halb erhobene Hände als eine Reihe von Leuten im Raum Fragen zu stellen versuchten. David beschwichtigte sie mit erhobener Hand und fuhr fort. »Behalten Sie ihre Fragen im Hinterkopf und lassen Sie mich Ihnen ein weiteres Beispiel geben. Stellen wir uns jemanden namens Abe vor, der immer, wenn in einer E-Mail Kinder erwähnt werden, negativ reagiert.«
David gestikulierte, während er sich in das Beispiel hineinversetzte. »Nun stellen wir uns vor, ELOPe müsste vorhersagen, ob die zu verschickende E-Mail von Abe positiv oder negativ aufgenommen würde. Sollte diese E-Mail Kinder erwähnen, besteht eine reale Chance, dass sie negativ aufgenommen würde. Wäre Abe nun Ihr Boss, den Sie um Urlaub bitten wollten, wäre es wahrscheinlich keine gute Idee, wenn Sie schreiben, dass Sie mehr Zeit mit Ihren Kindern verbringen wollen.«
Er hörte ein paar Lacher.
»Wenn es also keine semantische Analyse gibt«, fragte Rebecca, »dann wissen wir gar nicht, warum Abe keine Kinder mag?«
»Nein, wir haben keine Ahnung, warum er so denkt«, antwortete David mit einem Lächeln. »Wir beobachten nur das Verhaltensmuster.«
»Was wäre, wenn mein Chef noch nie Mails erhalten hätte, die von Kindern handeln?«
Sean stellte die Frage. »Wie können wir vorhersagen, wie er reagieren würde?«
David grinste, denn er wusste, dass Sean die Antwort bereits kannte und ihm nur auf die Sprünge helfen wollte. »Sagen wir, es gäbe da noch einen anderen Nutzer namens Bob. Bob hat noch nie E-Mails zum Thema Kinder erhalten. Allerdings hat ELOPe erkannt, dass Bob, Abe und etwa hundert andere Personen auf vergleichbare Themen ähnlich reagiert haben. Also was sie an ihren Wochenenden machen, wo sie ihren Urlaub verbringen und wie sie sich sonst die Zeit vertreiben. Nehmen wir an, die Gruppe verhielte sich zu 95% identisch. Sie haben also, bezogen auf alle Themen, zu denen sie Stellung genommen haben, eine Wahrscheinlichkeit von 95%, ähnlich zu reagieren, sowohl in positiver als auch in negativer Hinsicht. Das nennen wir einen Nutzercluster.«
Die Führungskräfte signalisierten ihr Verstehen und David konnte fortfahren.
»Wenn also andere Mitglieder des Nutzerclusters E-Mails zum Thema Kinder erhielten«, erklärte David, »und sie alle negativ reagiert haben, dann kann ELOPe zu 95% sicher sein, dass auch Bob negativ reagieren wird. Natürlich wird es nicht immer so klar und offensichtlich sein, es bleibt eine statistische Vorhersage. Das bedeutet, dass ELOPe in 5% der Fälle daneben liegt, aber eben auch meistens richtig. Also Sean, wäre Bob Ihr Boss, würde ich empfehlen, nicht Ihre Kinder zu erwähnen, wenn Sie ihn um Urlaub bitten.«
David sprach weiter. »Spaß beiseite, ELOPe funktioniert und wir haben es bereits mit Anwendern getestet. Die positive Reaktion bei Antwortmails stieg um 23% gegenüber dem Durchschnitt, wenn ELOPe aktiviert war. Das bedeutet 23% mehr
