Predicting consumer-technology ownership without a diffusion history
Diese Arbeit zeigt, dass von sowohl Menschen als auch Frontier-Sprachmodellen bewertete wahrgenommene Attribute von Konsumententechnologien die Vorhersage der Verbreitung von Besitz im Vergleich zu Baselines zum Zeitpunkt der Markteinführung signifikant verbessern können, obwohl dieser Vorteil für kurzfristige Prognosen abnimmt, bei denen die Besitzentwicklung statisch bleibt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, noch bevor das Verbrechen überhaupt geschehen ist. In der Welt der Technologie ist dies die ultimative Herausforderung: vorherzusagen, ob ein brandneues Gadget zu einem festen Bestandteil des Haushalts wird oder in einer Schublade verstaubt. Normalerweise versuchen Experten, dies vorherzusagen, indem sie untersuchen, wie ähnlich aussehende Produkte in der Vergangenheit performt haben – als würde man versuchen, das Wetter vorherzusagen, indem man sich die Wolken von gestern ansieht. Aber was ist, wenn das Gadget so neu ist, dass bisher nichts Vergleichbares existiert hat? Es gibt keine Wolken, auf die man blicken könnte. Dies ist das „Pre-Launch“-Problem. Um es zu lösen, nutzen Wissenschaftler einen Rahmen namens UTAUT2, was im Grunde eine Checkliste aus sieben Gefühlen ist, die Menschen gegenüber einem neuen Werkzeug empfinden: Ist es nützlich? Ist es einfach zu bedienen? Finden meine Freunde, dass ich es haben sollte? Macht es Spaß? Kostet es zu viel? Wenn wir diese Gefühle messen können, können wir vielleicht die Zukunft vorhersagen, ohne eine Kristallkugel zu benötigen.
In dieser Arbeit geht es darum, eine neue Art von Kristallkugel zu testen. Die Forscher wollten sehen, ob sie vorhersagen können, wie viele Menschen ein spezifisches Technologieprodukt besitzen werden, indem sie lediglich dessen „Persönlichkeitsmerkmale“ (die UTAUT2-Gefühle) abfragen, ohne die eigene Verkaufsgeschichte des Produkts kennen zu müssen. Sie sammelten eine Liste von 65 verschiedenen Gadgets, von Smartwatches bis hin zu Küchenwerkzeugen, und baten zwei verschiedene Gruppen, diese zu bewerten: echte Menschen und superintelligente Computerprogramme (KI-Sprachmodelle). Die Menschen waren reguläre Personen, die online befragt wurden, während die Computer zwei der fortschrittlichsten verfügbaren KI-Modelle waren, benannt nach Claude Opus 4.7 und GPT-5.5.
Das Team entwickelte daraufhin ein mathematisches Rezept, um zu prüfen, ob diese Bewertungen die tatsächlichen Besitzzahlen vorhersagen konnten. Sie spielten ein Spiel von „Verstecken und Suchen“ mit den Daten: Sie nahmen ein Gadget aus der Liste heraus, versuchten dessen Popularität anhand der Bewertungen der anderen 64 Gadgets zu erraten, und prüften dann, ob sie richtig lagen. Die Ergebnisse waren überraschend. Wenn die Computer die Bewertung vornahmen, waren sie viel besser darin, die Popularität zu erraten, als es die Menschen taten. Das KI-Modell Claude Opus 4.7 erzielte Fehler, die um 17 % geringer waren als eine einfache Vermutung basierend darauf, wie alt die Technologie war, und es schlug die menschlichen Bewertungen um eine signifikante Marge. Auch das GPT-Modell war besser als die Menschen, wenngleich nicht ganz so gut wie Claude.
Doch die Geschichte hat eine Wendung. Während die Attribut-Bewertungen sehr gut darin waren, vorherzusagen, wie populär ein Gadget jetzt gerade ist, scheiterten sie daran, vorherzusagen, wie sich diese Popularität im Laufe der Zeit verändern würde. Als die Forscher untersuchten, wie sich die Besitzzahlen zwischen 2022 und 2025 verschoben, halfen die Bewertungen überhaupt nicht. Tatsächlich war die bloße Annahme, dass „nichts passieren wird“, genauso genau wie die Verwendung der ausgeklügelten KI-Bewertungen. Dies deutet darauf hin, dass wir diese Merkmale zwar nutzen können, um eine Momentaufnahme des aktuellen Erfolgs eines Produkts zu machen, sie aber nicht magisch genug sind, um uns zu sagen, ob ein Gadet boomen oder untergehen wird.
Die Forscher mussten auch vorsichtig sein, um einen hinterlistigen Trick zu vermeiden, den die KI vielleicht angewandt hat. Da die KI mit Daten aus dem Internet trainiert wurde, könnte sie „gewusst“ haben, welche Gadgets bereits berühmt sind, und nur so getan haben, als würde sie diese nach ihren Merkmalen bewerten, während sie in Wirklichkeit nur die Antwort aus dem Gedächtnis abrief. Sie führten spezielle Tests durch, um dies zu überprüfen, und obwohl sie nicht beweisen konnten, dass die KI nicht ihr Gedächtnis nutzte, legen die Beweise nahe, dass sie die Arbeit des logischen Schlussfolgerns leistete und nicht nur Fakten rezitierte.
Letztendlich zeigt die Arbeit einen vielversprechenden neuen Weg, die Zukunft der Technologie vorherzusagen. Indem wir eine KI bitten, ein neues Produkt auf Dingen wie „wie viel Spaß es macht“ oder „wie einfach es zu bedienen ist“ zu bewerten, können wir eine überraschend genaue Schätzung darüber erhalten, wie viele Menschen es besitzen werden. Der Kernaspekt dieser Studie bezieht sich jedoch auf Technologien, die bereits auf dem Markt sind, wo die KI ihre Trainingsdaten nutzen kann, um über deren Merkmale zu schlussfolgern. Es ist ein sehr scharfes Werkzeug, um Produkte zu verstehen, die bereits vom Markt bewertet wurden, aber ob dieselbe Methode wirklich den Erfolg eines Gadgets vorhersagen kann, bevor überhaupt jemand gesehen oder es besessen hat, bleibt die nächste große Frage. Es ist, als hätte man eine sehr scharfe Kamera, die einem genau sagen kann, wie ein Auto heute aussieht, die aber immer noch nicht sagen kann, ob dieses Auto morgen ein Rennen gewinnen wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.