hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/concepts/platform.md

13 KiB
Raw Blame History

created updated sources tags
2026-06-24 2026-06-24
blog/2026-06-24_wardley-on-platforms-and-ecosystems.md
platform
ecosystem
data-harvesting
aws
ai-hosting
ilc
commoditise
gemini

Platform & Ecosystem — Wardley's ILC-Modell und die KI-Erweiterung

"The reason why you build a platform is to enable an ecosystem. The reason why you build an ecosystem is to exploit others through data mining on consumption." — Simon Wardley, On Platforms and Ecosystems (2015)

Definition: Was ist eine Platform in diesem Kontext?

Eine Platform ist die Menge der Komponenten (idealerweise als APIs ausgedrückt), die ein Ecosystem exploitiert. Das Ecosystem besteht aus den Akteuren, die auf der Platform bauen — Startups, Entwickler, Unternehmen.

Eine Platform ist kein Selbstzweck. Sie existiert ausschließlich, um ein Ecosystem zu enabling. Das Ecosystem wiederum existiert, um vom Plattformbetreiber durch Data Mining on Consumption exploitet zu werden.

Dies ist kein neutraler Raum. Es ist eine asymmetrische Machtbeziehung, die vom Plattformbetreiber aktiv konstruiert wird.

Quelle: Simon Wardley — On Platforms and Ecosystems · Blog-Suche "platform"

Wardley's ILC-Modell (Innovate-Lever-Commoditise)

Das Innovate-Lever-Commoditise (ILC) Modell beschreibt den Kreislauf, wie ein Plattformbetreiber sein Ecosystem ausbeutet:

  1. Innovate: Das Ecosystem baut Innovationen auf der Platform (neue Services, Produkte, Use Cases). Die Platform stellt dafür Commodity-Komponenten als Utility Services bereit → Agility und reduzierte Kosten von Fehlern.

  2. Lever: Der Plattformbetreiber minet das Konsumptionsverhalten — welche Komponenten werden wie genutzt? Welche Patterns tauchen auf? Welche neuen Use Cases sind erfolgreich? Aus der Größe und Aktivität des Ecosystems ergibt sich eine increasing rate of apparent innovation, customer focus und economies of scale.

  3. Commoditise: Erfolgreiche Patterns werden vom Plattformbetreiber identifiziert und als neue Commodity-Komponenten in die Platform aufgenommen. Das vergrößert die Platform, vereinfacht das Ecosystem-Bauen und wächst das Ecosystem weiter.

Kreislauf-Diagramm

Innovate (Ecosystem baut) → Lever (Data Mining) → Commoditise (neue Platform-Komponenten)
        ↑                                                              |
        └──────────────────────────────────────────────────────────────┘

Effektive Exploitation hängt ab von:

  • Aktiver Detektion neuer Patterns
  • Geschwindigkeit der Pattern-Detektion
  • Größe des Ecosystems

Wardley verweist auf seinen älteren Post: Understanding Ecosystems Part I (2014). Man kann es auch "Network Effects" nennen.

Quelle: Wardley, 2015 · Wardley Maps · Mapping Book (Medium)

Data Mining on Consumption als Geschäftsmodell

Der Clou des ILC-Modells: Der Plattformbetreiber bezahlt nicht für Innovation — er erfasst sie. Jeder API-Call, jeder Service-Start, jedes Deployment ist ein Signal. Aus Millionen von Signalen entsteht ein Bild von:

  • Welche Use Cases entstehen im Ecosystem?
  • Welche Komponenten werden stark genutzt?
  • Welche Patterns sind erfolgreich?
  • Welche Nischen könnten skalierbar sein?

Dieses Bild ist dem Plattformbetreiber exklusiv zugänglich. Die Ecosystem-Teilnehmer sehen nur ihre eigenen Daten. Der Plattformbetreiber sieht alles.

AWS als Fallstudie: Kunden-Innovation → Amazon-Konkurrenz

AWS (Amazon Web Services) ist das Paradebeispiel für ILC in der Praxis:

  1. Innovate: Tausende von Startups und Unternehmen bauen auf AWS. Sie nutzen EC2, S3, Lambda etc. und entwickeln neue Produkte und Services.
  2. Lever: Amazon sieht die Konsumptionsmuster — welche Services wachsen, welche Use Cases entstehen, welche Nischen erfolgreich sind.
  3. Commoditise: Amazon bringt konkurrierende Produkte als neue AWS-Services auf den Markt — oft als Commoditised-Version von dem, was Ecosystem-Teilnehmer erfolgreich gebaut haben.

Konkrete Beispiele

  • AWS Lambda (2014): Commoditised Serverless-Compute, das vorher von Startups wie PiCloud oder Iron.io gebaut wurde.
  • Amazon Aurora: Commoditised Database-as-a-Service, konkurrenziert direkt mit früheren Ecosystem-Anbietern.
  • Amazon Connect: Contact-Center-as-a-Service, nach dem Pattern von Startups wie Twilio Flex.

"Amazon sieht alles, konkurriert dann direkt." — k9ert, OME-Gruppe 2026-06-24

Quelle: Wardley, 2015 · Amazon and the Last Man Standing (Wardley, 2015) · Wardley Blog-Suche "platform"

Wardley's 13 Regeln für Platform-Erfolg/Misserfolg

# Regel Konsequenz bei Missachtung
1 User Needs & Friction reduzieren Niemand kommt oder geht schnell wieder
2 Platform öffentlich (nicht nur intern) Konkurrenz mit größerem Ecosystem überflügelt einen
3 Data Mining auf Consumption Platform stagniert ohne Pattern-Detektion
4 Nicht over-harvesten Ecosystem läuft weg
5 Utility statt Product Product-Platform = höhere Mining-Kosten, niedrigere Speed
6 Industrialised (Commodity) Components Interfaces ändern sich → Ecosystem kann nicht vertrauen
7 Nicht kleines gegen großes Ecosystem Man verliert bevor man anfängt
8 Evolutions-Mechanismus für Komponenten Technical Debt → Spaghetti Junction → Kollaps
9 ILC, Two-Factor Markets, Supplier Ecosystems kennen Unwissenheit = Verlust
10 Nicht nur Marketing Marketing allein = Verlust
11 Nicht nur Engineering Engineering allein = Verlust
12 Nicht unterschätzen Wardley baute 2005 erste PaaS — "nichtmal anfangen"
13 API-Standard-Falle Offener Standard allein zieht kein Ecosystem an

Quelle: Wardley, 2015

KI-Erweiterung: Extern gehostete AI als Platform 2.0

"Extern gehostete AI geht weit darüber hinaus." — k9ert, OME-Gruppe 2026-06-24

Wenn ILC bei AWS bereits "Industriespionage auf höchstem Niveau" ist (k9ert), dann verschiebt extern gehostete KI das Paradigma dramatisch:

Was der Plattformbetreiber bei extern gehosteter KI sieht

Ebene AWS (klassisch) Extern gehostete KI
Infrastruktur-Nutzung ✅ Compute, Storage, Network ✅ API-Calls, Token-Verbrauch
Geschäftslogik ❌ Nicht sichtbar ✅ Prompts, System Prompts, Agent-Pipelines
Kundenbeziehungen ❌ Nicht sichtbar ✅ Chat-Historien, Customer Interactions
Innovationspipeline ⚠️ Indirekt (welche Services wachsen) ✅ Direkt: Was wird gebaut, getestet, deployed?
Kognitive Prozesse ❌ Nicht vorhanden ✅ Reasoning-Traces, Tool-Use-Patterns, Decision Trees

Gemini Enterprise App als aktuelles Beispiel

Google Gemini for Enterprise ist das aktuell prominenteste Beispiel für KI-Platform 2.0:

  • Unternehmen nutzen Gemini als KI-Assistent für Workspace (Docs, Sheets, Slides, Gmail)
  • Google sieht alle Geschäftsdaten, die durch Gemini fließen — nicht nur Compute-Last, sondern die semantische Bedeutung der Arbeit
  • Google sieht welche Workflows Unternehmen automatisieren, welche Patterns erfolgreich sind, welche Nischen entstehen
  • Die ILC-Schleife schließt sich: Google kann erfolgreiche Patterns als neue Gemini-Features commoditisieren — und damit direkt gegen Ecosystem-Teilnehmer konkurrieren

Dies gilt analog für:

  • OpenAI ChatGPT Enterprise — alle Unternehmens-Prompts und -Workflows sichtbar
  • Anthropic Claude for Enterprise — inkl. der Fable/Mythos-Modelle (siehe Anthropic Claude)
  • Microsoft Copilot — integriert in Office 365, sieht alle Dokumente und Workflows

Die Kardinalfrage

Wenn ein Unternehmen seine gesamte kognitive Arbeit auf einer externen KI-Platform ausführt, dann ist nicht nur die Infrastruktur outgesourced — sondern die komplette Innovationspipeline, das gesamte Wissen und alle Geschäftsprozesse sind für den Plattformbetreiber transparent.

Das ILC-Modell erreicht hier eine neue Qualität: Nicht mehr nur welche Services werden genutzt, sondern wie denkt das Unternehmen? Was ist seine Strategie? Was sind seine Geheimnisse?

Gegenmaßnahmen: Dezentrale KI und Cloud-Exit

Das Wiki enthält mehrere Konzepte, die als Gegenmaßnahmen zur Platform-2.0-Dynamik dienen:

Die Logik des Cloud-Exit

Wenn Wardley's ILC-Modell zeigt, dass Platform-Betreiber das Ecosystem ausbeuten, dann ist die Konsequenz: Das Ecosystem muss die Platform verlassen. Lokale Modelle (siehe GLM-5.2, Kimi K2.7) machen dies 2026 zunehmend praktikabel.

Simon Wardley — Biografische Notiz

Simon Wardley ist Forscher, Wardley Mapping-Erfinder und Business Strategist. Er baute 2005 die erste Platform-as-a-Service und betrieb 2001-2006 eine Large Single Sign-On und Imaging Platform mit Millionen Usern. Autor des Mapping Book und Gründer von Map Camp. Blog: Bits or pieces?. Medium: swardley.

Cross-References

Intern (Wiki)

Extern