Genaue Auswirkungen können Ihren Enterprise Case vornehmen oder brechen.

Trotz seiner Bedeutung verwenden die meisten Groups zu vereinfachte Berechnungen, die zu aufgeblasenen Prognosen führen können. Diese Schuss-in-the-Darkish-Zahlen zerstören nicht nur die Glaubwürdigkeit bei den Stakeholdern, sondern können auch zu einer Fehlallokation von Ressourcen und fehlgeschlagenen Initiativen führen. Es gibt jedoch einen besseren Weg, um die Auswirkungen der allmählichen Kundenerfassung zu prognostizieren, ohne unordentliche Excel -Tabellen und -Formen zu erfordern.

Am Ende dieses Artikels können Sie genaue jährliche Prognosen berechnen und eine skalierbare Implementierung implementieren Python Lösung für die Prognose von Dreiecks.

Die verborgenen Kosten ungenauer Prognosen

Auf die Frage nach jährlichen Auswirkungen schätzt, dass Produktteams die Auswirkungen routinemäßig überschätzen, indem sie einen einheitlichen Ansatz für Kundenkohorten anwenden. Groups entscheiden sich häufig für einen simplen Ansatz:

Multiplizieren Sie den monatlichen Umsatz (oder eine andere relevante Metrik) mit zwölf, um die jährlichen Auswirkungen abzuschätzen.

Während die Berechnung einfach ist, ignoriert diese Formel eine grundlegende Prämisse, die für die meisten Unternehmen gilt:

Die Kundenakquisition erfolgt das ganze Jahr über schrittweise.

Der Beitrag aller Kunden zu jährlichen Schätzungen ist nicht gleich, da spätere Kohorten weniger Monate Einnahmen beitragen.

Die Prognose der Dreiecks kann Projektionsfehler senken, indem die Auswirkungen von Zeitplänen des Kundenerwerbs berücksichtigt werden.

Lassen Sie uns dieses Konzept mit einem grundlegenden Beispiel untersuchen. Angenommen, Sie starten einen neuen Abonnementdienst:

• Monatliche Abonnementgebühr: 100 USD professional Kunde
• Monatliches Kundenakquisitionsziel: 100 neue Kunden
• Ziel: Berechnen Sie den Gesamtumsatz für das Jahr

Eine nicht vereinfachte Multiplikation deutet auf einen Umsatz von 1.440.000 USD im ersten Jahr (= 100 neue Kunden / Monat * 12 Monate * 100 USD ausgegeben / Monat * 12 Monate).

Die tatsächliche Zahl beträgt nur 780.000 US -Greenback!

Diese Überschätzung von 46% besteht darin, warum Auswirkungschätzungen häufig nicht durch die Stakeholder -Schnüffeltest bestehen.

Bei genauem Vorhersage geht es nicht nur um Mathematik –

Es ist ein Software, das Ihnen hilft, Vertrauen aufzubauen und Ihre Initiativen schneller zu genehmigen, ohne dass das Risiko von Überversprechen und Unterlieferungen unterliegt.

Darüber hinaus verbringen Datenfachleute Stunden damit, manuelle prognostizierende Prognosen in Excel zu erstellen, die volatil sind, zu Formelfehlern führen und eine Herausforderung für die Iterate führen können.

Eine standardisierte, erklärbare Methodik kann dazu beitragen, diesen Prozess zu vereinfachen.

Einführung von Dreiecksvorhersagen

Die Prognose der Dreiecks ist ein systematischer, mathematischer Ansatz, um die jährlichen Auswirkungen zu schätzen, wenn Kunden allmählich erworben werden. Es macht die Tatsache aus, dass eingehende Kunden unterschiedlich zur jährlichen Auswirkungen beitragen, je nachdem, wann sie an Bord Ihres Produkts an Bord sind.

Diese Methode ist besonders praktisch für:

• Neue Produkteinführungen: Wenn die Kundenakquise im Laufe der Zeit erfolgt
• Abonnementumsatzprognosen: Für genaue Umsatzprojektionen für abonnementbasierte Produkte
• Phased Rollouts: Zur Schätzung der kumulativen Auswirkungen allmählicher Rollouts
• Akquisitionsplanung: Um realistische monatliche Akquisitionsziele festzulegen, um jährliche Ziele zu erreichen

Das „Dreieck“ der Dreiecksvorhersage bezieht sich auf die Artwork und Weise, wie einzelne Kohortenbeiträge sichtbar gemacht werden. Eine Kohorte bezieht sich auf den Monat, in dem die Kunden übernommen wurden. Jeder Balken im Dreieck stellt den Beitrag einer Kohorte zur jährlichen Auswirkungen dar. Frühere Kohorten haben längere Balken, weil sie über einen längeren Zeitraum beigetragen haben.

Berechnung der Auswirkungen einer neuen Initiative, eines Modells oder einer neuen Funktion im ersten Jahr:

1. Für jeden Monat (m) des Jahres:

• Berechnen Sie die Anzahl der gewonnenen Kunden (AM)
• Berechnen Sie die durchschnittlichen monatlichen Ausgaben/Auswirkungen professional Kunden (en)
• Berechnen Sie die verbleibenden Monate im Jahr (RM = 13-m)
• Monatliche Kohortenaufprall = Am × S × RM

2. Gesamt jährliche Auswirkungen = Summe aller monatlichen Kohortenauswirkungen

Erstellen Sie Ihre erste Dreiecksvorhersage

Berechnen wir die tatsächlichen Einnahmen für unseren Abonnementdienst:

• Januar: 100 Kunden × 100 × 12 Monate = 120.000 USD
• Februar: 100 Kunden × 100 × 11 Monate = 110.000 USD
• März: 100 Kunden × 100 × 10 Monate = 100.000 USD
• Und so weiter…

Berechnen in Excel bekommen wir:

Der jährliche Gesamtumsatz entspricht 780.000 US -Greenback– 46% niedriger als die nicht vereinfachte Schätzung!

Profi -Tipp: Speichern Sie die Tabellenkalkulationsberechnungen als Vorlage, um für verschiedene Szenarien wiederzuverwenden.

Müssen Sie Schätzungen ohne perfekte Daten erstellen? Lesen Sie meinen Leitfaden zum „Erstellen von schätzbaren Auswirkungen auf die Erstellung von Schätzungen, wenn die Daten unvollkommen sind“.

Theorie in die Praxis umsetzen: Ein Implementierungshandbuch

Während wir mithilfe der obigen Methode Dreiecksvorhersagen in Excel implementieren können, können diese Tabellen nicht schnell gewartet oder geändert werden. Produktbesitzer haben auch Schwierigkeiten, Prognosen schnell zu aktualisieren, wenn sich die Annahmen oder Zeitpläne ändern.

So können wir in wenigen Minuten die gleiche Prognose in Python durchführen:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def triangle_forecast(monthly_acquisition_rate, monthly_spend_per_customer):
    """
    Calculate yearly impression utilizing triangle forecasting technique.
    """
    # Create a DataFrame for calculations
    months = vary(1, 13)
    df = pd.DataFrame(index=months, 
                     columns=('month', 'new_customers', 
                             'months_contributing', 'total_impact'))

    # Convert to record if single quantity, else use offered record
    acquisitions = (monthly_acquisitions) * 12 if sort(monthly_acquisitions) in (int, float) else monthly_acquisitions
    
    # Calculate impression for every cohort
    for month in months:
        df.loc(month, 'month') = f'Month {month}'
        df.loc(month, 'new_customers') = acquisitions(month-1)
        df.loc(month, 'months_contributing') = 13 - month
        df.loc(month, 'total_impact') = (
            acquisitions(month-1) * 
            monthly_spend_per_customer * 
            (13 - month)
        )
    
    total_yearly_impact = df('total_impact').sum()
    
    return df, total_yearly_impact

In unserem vorherigen Beispiel für Abonnement -Service kann die Einnahmen aus jeder monatlichen Kohorte wie folgt sichtbar gemacht werden:

# Instance
monthly_acquisitions = 100  # 100 new clients every month
monthly_spend = 100        # $100 per buyer per 30 days

# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions, monthly_spend)

# Print outcomes
print("Month-to-month Breakdown:")
print(df)
print(f"nTotal Yearly Impression: ${total_impact:,.2f}")

Wir können Python auch nutzen, um die Kohortenbeiträge als Balkendiagramm zu visualisieren. Beachten Sie, wie der Einfluss linear abnimmt, wenn wir uns durch die Monate bewegen.

Mit diesem Python -Code können Sie jetzt schnell und effizient die jährlichen Auswirkungen schätzt und iterieren, ohne die Versionskontrolle für Absturz von Tabellenkalkulationen manuell ausführen zu müssen.

Über grundlegende Prognosen hinaus

Während das obige Beispiel unkompliziert ist, sind die monatlichen Akquisitionen und Ausgaben in allen Monaten konstant, aber dies muss nicht unbedingt wahr sein. Die Dreiecksvorhersage kann leicht angepasst und skaliert werden, um zu berücksichtigen:

Für unterschiedliche monatliche Ausgaben auf der Grundlage von Ausgabenstufen erstellen Sie für jede Kohorte eine bestimmte Dreiecksprognose und aggregieren dann die Auswirkungen der einzelnen Kohorte, um die jährlichen Gesamtauswirkungen zu berechnen.

• Unterschiedliche Erwerbsraten

In der Regel erwerben Unternehmen das ganze Jahr über nicht zu einem konstanten Preis. Die Akquisition kann langsam beginnen und sich als Advertising and marketing einteilen, oder wir könnten einen Ausbruch von frühen Anwendern haben, gefolgt von einem langsameren Wachstum. Um unterschiedliche Preise zu verarbeiten, geben Sie eine Liste monatlicher Ziele anstelle einer einzelnen Fee weiter:

# Instance: Gradual ramp-up in acquisitions
varying_acquisitions = (50, 75, 100, 150, 200, 250, 
                        300, 300, 300, 250, 200, 150)
df, total_impact = triangle_forecast(varying_acquisitions, monthly_spend)

Um die Saisonalität zu berücksichtigen, multiplizieren Sie die Auswirkungen jedes Monats mit seinem entsprechenden saisonalen Faktor (z. B. 1,2 für die hohen Saisonmonate wie Dezember, 0,8 für niedrige Saisonmonate wie Februar usw.), bevor die Gesamtwirkung berechnet wird.

Hier erfahren Sie, wie Sie den Python -Code so ändern können, dass saisonale Variationen berücksichtigt werden:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

def triangle_forecast(monthly_acquisitions, monthly_spend_per_customer, seasonal_factors = None):
    """
    Calculate yearly impression utilizing triangle forecasting technique.
    """    
    # Create a DataFrame for calculations
    months = vary(1, 13)
    df = pd.DataFrame(index=months, 
                     columns=('month', 'new_customers', 
                             'months_contributing', 'total_impact'))

    # Convert to record if single quantity, else use offered record
    acquisitions = (monthly_acquisitions) * 12 if sort(monthly_acquisitions) in (int, float) else monthly_acquisitions

    if seasonal_factors is None:
        seasonality = (1) * 12
    else:
        seasonality = (seasonal_factors) * 12 if sort(seasonal_factors) in (int, float) else seasonal_factors        
    
    # Calculate impression for every cohort
    for month in months:
        df.loc(month, 'month') = f'Month {month}'
        df.loc(month, 'new_customers') = acquisitions(month-1)
        df.loc(month, 'months_contributing') = 13 - month
        df.loc(month, 'total_impact') = (
            acquisitions(month-1) * 
            monthly_spend_per_customer * 
            (13 - month)*
            seasonality(month-1)
        )
    
    total_yearly_impact = df('total_impact').sum()
    
    return df, total_yearly_impact

# Seasonality-adjusted instance 
monthly_acquisitions = 100  # 100 new clients every month
monthly_spend = 100        # $100 per buyer per 30 days
seasonal_factors = (1.2,  # January (New Yr)
            0.8,  # February (Submit-holiday)
            0.9,  # March
            1.0,  # April
            1.1,  # Could
            1.2,  # June (Summer time)
            1.2,  # July (Summer time)
            1.0,  # August
            0.9,  # September
            1.1, # October (Halloween) 
            1.2, # November (Pre-holiday)
            1.5  # December (Vacation)
                   )

# Calculate forecast
df, total_impact = triangle_forecast(monthly_acquisitions, 
                                     monthly_spend, 
                                     seasonal_factors)

Diese Anpassungen können Ihnen helfen, verschiedene Wachstumsszenarien zu modellieren, einschließlich:

• Allmähliche Anstände in frühen Startphasen
• Stieffunktionswachstum basierend auf Werbemittel-Kampagnen
• Saisonale Unterschiede bei der Kundenakquise

Das Endergebnis

Zuverlässige und intuitive Prognosen können den Fall für Ihre Initiativen erstellen oder brechen.

Das ist jedoch noch nicht alles – die Prognose von Dreiecken findet auch Anwendungen, die über die Umsatzprognose hinausgehen, einschließlich der Berechnung:

• Kundenaktivierungen
• Portfolio -Verlustraten
• Kreditkarte Ausgaben

Bereit eintauchen? Laden Sie die oben geteilte Python -Vorlage herunter und erstellen Sie Ihre erste Dreiecksvorhersage in 15 Minuten!

1. Geben Sie Ihre monatlichen Erwerbsziele ein
2. Stellen Sie Ihren erwarteten monatlichen Kundenaufprall ein
3. Visualisieren Sie Ihre jährliche Flugbahn mit automatisierten Visualisierungen

Schätzungen in der realen Welt erfordern häufig den Umgang mit unvollständigen oder unvollständigen Daten. Schauen Sie sich meinen Artikel „Erstellen von schätzbaren Auswirkungen aufbauen, wenn Daten unvollkommen sind“, damit ein Framework in solchen Szenarien verteidigbare Schätzungen erstellt.

Anerkennung:

Vielen Dank an meinen wunderbaren Mentor, Kathryne Maurerfür die Entwicklung des Kernkonzepts und zur ersten Iteration der Dreiecksprognose -Methode und damit ich es mir ermöglicht, durch Gleichungen und Code darauf aufzubauen.

Ich bin immer offen für Suggestions und Vorschläge, wie diese Führer für Sie wertvoller werden können. Viel Spaß beim Lesen!

OpenAI hat gestartet ChatGPT Search, ein KI-gestützter Konkurrent von Google, Bing und Perplexity. Ursprünglich angekündigt als SucheGPT Im Juli integriert es nun visuelle Grafiken und Quellen für Abfragen zu Themen wie Wetter, Nachrichten und Aktien. Unterstützt durch GPT-4o arbeitet es mit führenden Nachrichtenorganisationen zusammen. Es ist derzeit für ChatGPT Plus- und Crew-Benutzer verfügbar und bietet Konversationsantworten unter Angabe von Quellen zur tieferen Erkundung.

Wie kann ChatGPT Search die Websuche weiterentwickeln?

Seit Jahrzehnten ist Google der unangefochtene Marktführer in der Websuche. Es begann damit, das Internet zu indizieren und den Menschen das Auffinden von Informationen zu erleichtern. Im Laufe der Zeit verfeinerte Google seine Algorithmen und wurde zur bevorzugten Quelle für Antworten. Aber jetzt ändern sich die Dinge. Die ChatGPT-Suche ist da und verspricht eine neue Möglichkeit, Informationen zu finden, die die traditionellen Suchmaschinen, die wir alle verwenden, in Frage stellen könnte.

ChatGPT Search verfolgt einen anderen Ansatz. Anstatt eine Liste von Weblinks anzubieten, versucht es, direkte, gesprächige Antworten auf Benutzerfragen zu geben. Sie fragen etwas, und anstatt sich durch zehn Hyperlinks klicken zu müssen, um das Gesuchte zu finden, erscheint die Antwort direkt dort. Dieser Wandel könnte unsere Denkweise über die Suche verändern – aber bedeutet er das Ende für traditionelle Suchmaschinen wie Google?

Video: OpenAI

Traditionelle Suche vs. KI-gestützte Suche: Hauptunterschiede

Der Hauptunterschied zwischen herkömmlichen Suchmaschinen und einer KI-gestützten Suche wie ChatGPT besteht darin, wie sie mit Informationen umgehen. Google verwendet beispielsweise seinen PageRank-Algorithmus, um eine Rangliste von Web sites bereitzustellen, die möglicherweise über die von Ihnen benötigten Informationen verfügen. Sie erhalten eine Reihe von Hyperlinks und wählen den Hyperlink aus, der Ihnen am hilfreichsten erscheint.

Im Gegensatz dazu zielt die ChatGPT-Suche darauf ab, Ihre Frage zu verstehen und eine klare, direkte Antwort zu geben. Anstelle von Hyperlinks bietet es eine Antwort – manchmal mit visuellen Elementen wie Karten oder Diagrammen – um Ihnen genau das zu geben, was Sie brauchen, ohne mehrere Quellen durchsuchen zu müssen. Es handelt sich eher um ein „Verstehen-und-Antworten“-Modell als um ein „Indexieren und Einordnen“.

Diese Änderung bedeutet, dass die Benutzererfahrung anders ist. Anstatt Zeit damit zu verbringen, verschiedene Webseiten zu analysieren, erhalten Benutzer schneller das, was sie wollen. ChatGPT Search zielt darauf ab, ein gesprächigeres Gefühl zu vermitteln, quick so, als würde man mit einer sachkundigen Particular person sprechen. Das Ziel ist Einfachheit – die richtige Antwort ohne zusätzlichen Aufwand zu finden.

Was macht die ChatGPT-Suche anders?

Ein wesentlicher Unterschied liegt in der Artwork und Weise, wie ChatGPT Search mit Benutzern interagiert. Herkömmliche Suchmaschinen verwenden Key phrase-Matching und Algorithmen, um zu bestimmen, welche Webseiten angezeigt werden sollen. Die ChatGPT-Suche verarbeitet jedoch natürliche Sprache. Sie können Fragen stellen, als ob Sie ein Gespräch führen würden, und es versucht, Ihnen anhand verschiedener Quellen eine umfassende Antwort zu geben.

Ein weiterer Unterschied besteht darin, wie die ChatGPT-Suche Informationen bereitstellt. Bei der herkömmlichen Suche durchsuchen Benutzer Hyperlinks, um relevante Particulars zu finden. In der ChatGPT-Suche gibt es Zusammenfassungen, die Informationen aus mehreren Quellen kombinieren. Wenn Sie fragen: „Was hat Apple diese Woche angekündigt?“ ChatGPT bietet eine kurze Zusammenfassung neuer Produkte, einschließlich MacBook-Updates und iMac-Ankündigungen. Hier erfahren Sie, was es Neues gibt, und Sie können auf eine Quelle klicken, wenn Sie mehr erfahren möchten.

Auch der Einsatz visueller Elemente zeichnet ChatGPT aus. Für Fragen wie „Wie ist das Wetter dieses Wochenende in New York Metropolis?“ bietet ChatGPT einfache Grafiken zur Veranschaulichung der Vorhersage. Diese visuellen Elemente sind ein neues Aspect, das das Erlebnis dynamischer macht und weniger auf Textual content allein angewiesen ist. OpenAI hat sich mit Nachrichten- und Datenanbietern zusammengetan, um diese Elemente anzubieten, was dazu beiträgt, die Antworten ansprechender zu gestalten.

Einschränkungen der ChatGPT-Suche: Was fehlt?

Auch wenn die ChatGPT-Suche vielversprechend klingt, hat sie ihre Grenzen. Traditionelle Suchmaschinen wie Google verfeinern ihre Algorithmen seit Jahrzehnten. Sie zeichnen sich dadurch aus, dass sie ein breites Spektrum an Perspektiven bieten und Benutzern die Möglichkeit geben, ein Thema eingehend zu erkunden. Die ChatGPT-Suche hingegen vereinfacht die Informationen, was manchmal zu unvollständigen Antworten führen kann.

Der Zusammenfassungsaspekt der ChatGPT-Suche kann ebenfalls problematisch sein. Durch die Verdichtung von Informationen besteht die Gefahr einer übermäßigen Vereinfachung. Im Gegensatz dazu ermöglicht Google den Nutzern, verschiedene Artikel zu durchsuchen, Standpunkte zu vergleichen und tiefer in das jeweilige Thema einzutauchen. Für rechercheintensive Aufgaben sind herkömmliche Suchmaschinen möglicherweise noch nützlicher. Sie erhalten nicht nur die Antwort, sondern auch den Kontext und unterstützende Particulars.

Eine weitere Einschränkung besteht darin, dass ChatGPT in Bezug auf Informationen stark auf seine Companion angewiesen ist. Wenn diese Partnerschaften begrenzt sind oder Vorurteile aufweisen, können auch die Antworten eingeschränkt sein. Im Gegensatz zu Google, das Daten von Millionen indizierter Web sites abruft, sind die Quellen von ChatGPT stärker kuratiert, was möglicherweise weniger verfügbare Perspektiven bedeutet.

OpenAI hat zugegeben, dass es noch „Raum für Verbesserungen“ gibt. Funktionen wie Einkaufs- und Reiseabfragen sind noch nicht vollständig entwickelt und es wird noch daran gearbeitet, die Suche in die Superior Voice-Funktion zu integrieren. Als neuer Konkurrent mangelt es ChatGPT Search an der Tiefe und Robustheit, die Google über viele Jahre hinweg aufgebaut hat.

Datenschutz ist ein zentrales Anliegen im Wettbewerb zwischen ChatGPT Search und herkömmlichen Suchmaschinen. Das Geschäftsmodell von Google basiert weitgehend auf Werbung, bei der es darum geht, das Nutzerverhalten zu verfolgen, um relevante Anzeigen zu schalten. Dies hat im Laufe der Jahre zu Bedenken hinsichtlich der Artwork und Weise geführt, wie Google Nutzerdaten erfasst und verwendet.

ChatGPT Search verfolgt einen anderen Ansatz und verspricht ein transparenteres System. OpenAI hat erklärt, dass es möglicherweise „nicht zugeordnete Suchanfragen“ mit anderen Anbietern wie Bing teilt, um die Ergebnisse zu verbessern. Außerdem werden Standortdaten aus den IP-Adressen der Benutzer extrahiert, um genaue Informationen bereitzustellen. Diese Praktiken zielen darauf ab, die Benutzererfahrung zu verbessern, beinhalten jedoch weiterhin die Erfassung von Benutzerdaten.

Die Frage lautet: Welchem ​​System vertrauen Benutzer ihre Daten mehr an? Während Google auf eine lange Erfolgsgeschichte zurückblicken kann – sowohl gute als auch schlechte – ist ChatGPT relativ neu. Es ist noch zu früh, um zu sagen, ob sich Benutzer wohl dabei fühlen werden, ihre Anfragen und Daten mit einer KI-Suchmaschine zu teilen, die sich noch im Aufbau befindet.

Googles Reaktion und Microsofts Rolle in diesem Kampf

Google bleibt nicht stehen, während die ChatGPT-Suche für Aufsehen sorgt. Es entwickelt eigene KI-Funktionen wie Bard und AI Overviews, um anspruchsvollere Antworten bereitzustellen. Diese Entwicklungen signalisieren, dass Google sich anpasst und nicht gestört wird. Dabei werden einige der besten Aspekte der KI-gestützten Suche – etwa direkte Antworten – übernommen und in die bestehende Infrastruktur integriert.

---

Microsoft vs. Google: Ein erneuter Kampf um die Vorherrschaft der Wolken

---

Auch Microsoft ist in diesem Kampf ein wichtiger Akteur. Mit Bing Copilot hat Microsoft KI in seine Suchmaschine integriert und positioniert sich damit als direkter Konkurrent sowohl von Google als auch von ChatGPT. Durch die Partnerschaft von Microsoft mit OpenAI könnte ChatGPT Search von der Bing-Technologie profitieren und die Grenzen zwischen diesen Wettbewerbern weiter verwischen.

Im Gegensatz zu Google, das sich mit seiner etablierten Dominanz auseinandersetzen muss, hat Microsoft einen flexibleren Ansatz gewählt. Es experimentiert mit der KI-Integration auf eine Weise, die traditionelle Modelle in Frage stellt und Bing wettbewerbsfähiger macht als seit Jahren. Die KI-gesteuerten Funktionen von Bing, wie das Zusammenfassen von Antworten und das Zitieren von Quellen, überschneiden sich mit den Funktionen der ChatGPT-Suche, was dies zu einem Dreikampf um die Zukunft der Suche macht.

Die Zukunft..

Bedeutet die ChatGPT-Suche das Ende traditioneller Suchmaschinen wie Google? Es ist zu früh, das zu sagen. Jedes System hat seine Stärken, und die Konkurrenz kann sie alle dazu drängen, sich zu verbessern.

Herkömmliche Suchmaschinen wie Google eignen sich hervorragend für eine tiefgreifende Recherche. Sie bieten eine Reihe von Informationen, die oft über eine einfache Antwort hinausgehen, um Kontext, verwandte Ressourcen und unterschiedliche Standpunkte bereitzustellen. Für jemanden, der ein Thema tiefgreifend verstehen möchte, ist dies immer noch von entscheidender Bedeutung. Im Gegensatz dazu zeichnet sich die ChatGPT-Suche durch schnelle Antworten und einfache Fragen aus. Wenn Sie das Wetter erfahren, eine Zusammenfassung aktueller Nachrichten erhalten oder sich über ein bestimmtes Thema informieren möchten, ohne mehrere Seiten durchblättern zu müssen, ist dies schneller und benutzerfreundlicher.

Ein wahrscheinliches Szenario ist, dass sowohl KI-gestützte als auch traditionelle Suchmaschinen nebeneinander existieren werden. Nutzer können sich an Google wenden, wenn sie zu einem Thema recherchieren, verschiedene Perspektiven erkunden oder sicherstellen möchten, dass sie die umfassendsten verfügbaren Informationen erhalten. In der Zwischenzeit könnten sie die ChatGPT-Suche für unkomplizierte Antworten nutzen – wobei Geschwindigkeit und Komfort wichtiger sind als Tiefe.

Google, Microsoft und OpenAI haben alle Stärken, und dieser Wettbewerb wird wahrscheinlich Innovationen auf ganzer Linie vorantreiben. Google verfügt über Erfahrung und Reichweite, ChatGPT verfügt über Konversationsfunktionen und Microsoft nutzt seine KI und Partnerschaften, um Lücken zwischen ihnen zu schließen. Jedes Unternehmen muss sich auf das konzentrieren, was es einzigartig macht, und gleichzeitig seine Schwächen verbessern.

---

Hervorgehobener Bildnachweis: Kerem Gülen/Ideogramm