Finds documents with both search terms in any word order, permitting "n" words as a maximum distance between them. Best choose between 15 and 30 (e.g. NEAR(recruit, professionals, 20)).
Finds documents with the search term in word versions or composites. The asterisk * marks whether you wish them BEFORE, BEHIND, or BEFORE and BEHIND the search term (e.g. lightweight*, *lightweight, *lightweight*).
Activate our intelligent search to find suitable subject content or patents.
Select sections of text to find matching patents with Artificial Intelligence.
powered by
Select sections of text to find additional relevant content using AI-assisted search.
powered by
(Link opens in a new window)
Zusammenfassung
Auf der Grundlage des vorangegangenen volkswirtschaftlichen Kapitels fokussiert dieses betriebswirtschaftliche Kapitel auf den konkreten Einsatz von Künstlicher Intelligenz in Unternehmen, wobei wir uns vor allem auf KI-Anwendungen mit strategischer Bedeutung für das Unternehmen konzentrieren. Dabei zeigen wir, wie vielfältig die Anwendungsfelder von KI-Algorithmen im Unternehmen sind. Beispielhaft beleuchten wir den Einsatz in der Unternehmensführung, im Innovationsmanagement, in der Unternehmensverwaltung, im Kundenmanagement und in der Produktion. Abschließend gehen wir auf Grenzen und Risiken ein.
Spätestens seit November 2022 ist mit der Veröffentlichung der ChatGPT-Version GPT-3 in vielen Unternehmen ein wahrer Hype um die Künstliche Intelligenz (KI) ausgebrochen. Doch auch schon vorher wurde das Potential von KI als außerordentlich hoch eingeschätzt: „KI ist die am schnellsten an Bedeutung gewinnende Schlüsselindustrie unserer Zeit“ (Wolan, 2019, S. 07). Wird die breite Nutzung von KI im Unternehmen mit einem digital-orientierten Geschäftsmodell, also einer umfassenden digitalen Transformation verbunden, wirkt sie disruptiv-innovativ – aber eben nur dann! KI kann als ein kleines, agiles Projekt gestartet werden, aber ein wirklicher strategischer Hebel entsteht erst in Verbindung mit anderen betriebswirtschaftlichen Entscheidungen. KI hat als Basisinnovation (vgl. Kap. 17) bzw. Grundlagentechnologie (Lucks, 2020, S. 191) das Potential, viele Branchen und Bereiche zu transformieren, indem sie neue Wege zur Problemlösung, Automatisierung und Entscheidungsfindung ermöglicht. Ein isolierter Einsatz von KI schafft jedoch keine wirtschaftlichen Innovationen. Erst in Kombination mit anderen Produktionsfaktoren gelingt dies und ermöglicht die Herstellung bzw. Bereitstellung verbesserter oder neuer Güter, Dienstleistungen, Prozesse und Geschäftsmodelle bis hin zur Veränderung oder Schaffung von Märkten. Wir können beobachten, dass KI-Systeme immer effizienter komplexe Aufgaben erledigen, Muster erkennen, Ergebnisse präsentieren und Voraussagen treffen. Dabei kann KI immer nur dazu beitragen, Prozesse zu optimieren und erfolgreiche Entscheidungen zu treffen. Entscheidend für den unternehmerischen Erfolg bleiben Faktoren, wie kreative Ideen, ausreichend Kapital, unternehmerisches Geschick, gute Führungsqualitäten sowie solide betriebswirtschaftliche Kenntnisse und organisatorische Fähigkeiten. Deshalb müssen unternehmerische Entscheidungen über den Grad der Delegation an KI-Algorithmen gut abgewogen sein und die mögliche Fehlerhaftigkeit maschineller Entscheidungen berücksichtigen. Das Ausmaß der Autonomie von KI-Systemen wird in drei Intensitätsgrade unterteilt, die die unterschiedlichen Ebenen menschlicher Kontrolle und Interaktion mit KI-Systemen beschreiben: Human-in-command (HIC), Human-in-the-loop (HIL) und Human-on-the-loop (HOL) (Bosch, 2020). Beim HIC-Konzept dient das KI-Produkt als reines Werkzeug, wobei „der Mensch ständig über den Einsatz und die Verwendung der Ergebnisse entscheidet, wie bei Maschinen, die den Menschen bei Klassifikationsaufgaben unterstützen“ (dieses und folgende Zitate: ebenda, S. 2). Das HIL-Konzept ermöglicht es dem Menschen, „direkt Entscheidungen zu beeinflussen oder zu verändern, die durch das KI-Produkt getroffen werden“. Im HOL-Konzept „legen Menschen während der Entwicklung die entscheidungsrelevanten Parameter fest, delegieren jedoch die konkreten Entscheidungen an das KI-Produkt; gleichzeitig ist eine menschliche Überprüfungsinstanz vorgesehen“, um sicherzustellen, dass die Entscheidungen im beabsichtigten Sinne umgesetzt und gegebenenfalls korrigiert werden können.
Der wirtschaftsbezogene Einsatz von KI betrifft direkt oder indirekt alle Prozesse und Akteure über die gesamte Wertschöpfungskette hinweg. Er beschränkt sich nicht auf die Sammlung und Analyse von Daten sowie die Optimierung von Prozessen innerhalb einzelner Unternehmen und pflanzt sich auch auf die Mesoebene (z. B. Branchen) und auf die volkswirtschaftliche Makroebene (s. Kap. 17) fort. Damit gelangt die KI-Entwicklung in den Bereich industriepolitischer Entscheidungen. So fördert die deutsche Bundesregierung mit der branchenübergreifenden Manufacturing-X-Initiative zur Digitalisierung von Lieferketten (Schneider et al., 2023) die Schaffung eines Datenraums „Industrie 4.0“ und die Transformation zu einer digital vernetzten Industrie in der ganzen Breite. Damit entwickelt sie ihr Konzept zu Industrie 4.0 weiter: Unternehmen sollen Daten branchenneutral über die gesamte Fertigungs- und Lieferkette souverän und gemeinsam nutzen können. Hierfür ist ein einheitliches Austauschformat für den standardisierten IoT-Datenaustausch von großer Bedeutung, den die Deutsche Kommission Elektrotechnik Elektronik Informationstechnik (DKE) mit der sogenannten Verwaltungsschale festgelegt hat.1
Advertisement
Darüber hinaus sollen paneuropäische digitale Ökosysteme die notwendigen Grundlagen für den EU-weiten Datenaustausch schaffen – auch für das notwendige Datenvolumen zum Trainieren und Etablieren von KI.2
18.1 KI als strategischer Hebel in Unternehmen
Während KI auf der Meso- und Makroebene indirekt aus der Summe vieler Einzelentscheidungen und Maßnahmen disruptive Veränderungen hervorruft, so stellen diese Initiativen für die einzelnen Unternehmen oft nur inkrementelle Innovationen und Veränderungen dar (vgl. Christensen, 2016, S. XIX), die dennoch von strategischer Bedeutung für die Wettbewerbsfähigkeit sein können. Besonders relevant sind dabei KI-induzierte Optimierungen in der strategischen Unternehmensführung, z. B. bei der Planung, Kontrolle oder konstitutiven Entscheidungen sowie im Innovationsmanagement.
18.1.1 KI in der Unternehmensführung
Am Anfang muss eine grundlegende Weichenstellung erfolgen: Dass die Verantwortung für alle unternehmensrelevanten KI-Initiativen Chefsache ist und nicht an das mittlere Management delegiert werden darf, ist in der betriebswirtschaftlichen Literatur unbestritten, wird aber in der Unternehmenspraxis dennoch oft nicht umgesetzt. Es ist erfolgsentscheidend, dass sich die Unternehmensspitze und das Top-Management selbst intensiv mit dem Thema auseinandersetzen und die Integration von KI-Lösungen proaktiv und verantwortungsbewusst vorantreiben. Denn um erfolgreich sein zu können, müssen sowohl einzelne KI-Systeme als auch die KI-Strategie als Ganzes auf festgelegten Unternehmensstrategien, Geschäftszielen und den tatsächlichen Anforderungen aus der Organisationsumwelt basieren. Es muss eindeutig definiert sein, welche spezifischen Probleme oder Chancen mit KI adressiert werden sollen. Dabei sind die langfristige Vision, Mission, Strategien und Werte des Unternehmens zu berücksichtigen, um sicherzustellen, dass der KI-Einsatz integraler Baustein in der strategischen Ausrichtung des Unternehmens ist (Haefner & Morf, 2019).
Die Identifizierung von KI-Anwendungsfeldern, die die Kernkompetenzen des Unternehmens stärken und zur Erreichung der strategischen Ziele beitragen, steht dabei im Mittelpunkt. KI-Projekte sind oft komplex und erfordern langwierige Entwicklungsprozesse, um technische Herausforderungen zu überwinden, Daten zu sammeln und Modelle zu trainieren. In all diesen Prozessen muss das Top-Management führen, die erforderlichen Ressourcen mobilisieren, vermitteln und (wo erforderlich) überwachen. Es bedarf der tatsächlichen Durchsetzungsfähigkeit, um die KI-Strategie an die sich häufig und schnell verändernden Herausforderungen anzupassen. Diese Flexibilität ermöglicht es, auf neue Erkenntnisse, sich ändernde Bedürfnisse der Nutzer und technologische Fortschritte schnell zu reagieren und die KI-Lösungen entsprechend weiterzuentwickeln.
Advertisement
Umgekehrt stellen KI-Algorithmen ein zunehmend wichtiges, eigenes Instrument für das Top-Management dar. Vor dem Hintergrund stark gewachsener Komplexität und einer noch nie zuvor dagewesenen Beschleunigung von Veränderungen ist die „Kunst der Entscheidungsfindung“ eine besondere Herausforderung. KI kann dabei nicht an die Stelle der menschlichen Entscheider treten, und vor allem sollte dies auch nicht angestrebt werden. Dennoch bieten sich schon heute zahlreiche Möglichkeiten, wichtige unternehmerische, strategische Entscheidungen durch KI umfassend vorzubereiten und zu begleiten (Heilig & Scheer, 2024; Buxmann & Schmidt, 2019, S. 132 ff.). Unter dem Begriff Decision Intelligence (DI) werden diese Möglichkeiten strukturiert zusammengefasst. DI entwickelt die bekannten Konzepte von Business Intelligence und Data Analytics für das KI-Zeitalter konsequent weiter (Heilig & Scheer, 2024, S. 55 ff.). Dabei werden auch neuere datenbezogene Techniken mit eingebunden, die auf älteren, bewährten Techniken fußen. Ein Beispiel hierfür ist Agile Analytics, die das Agilitätsargument in das bekannte Konzept Advanced Analytics einführt und neue Architekturen für Predictive und Prescriptive Analytics entwickelt (Böckmann, 2023). Kap. 17 hat die Digitalisierungshierarchie deutlich gemacht, die wir in Abb. 18.1 kurz visualisieren:
Abb. 18.1
KI-Strategie als Teil der Unternehmensstrategie (Disselkamp, 2023)
Eine KI-Strategie, die Aussicht auf Erfolg haben will, setzt eine effiziente Datenstrategie voraus, die wiederum in eine durchdachte Digitalisierungsstrategie eingebettet sein muss. Diese muss in jedem Aspekt konsistent und kohärent zur Unternehmensstrategie sein.
In den letzten Jahren wurden zahlreiche Überblicke über den Einsatz von KI für die Transformation von Unternehmensstrategien publiziert (Dahm & Thode, 2019; Kreutzer et al., 2017; Wagner, 2018; Cole, 2020; Meinhardt & Pflaum, 2019a, b; Kaufmann & Servatius, 2020; Jung & Kraft, 2017; Hechler et al., 2020).
Auch für betriebliche Einzelfragen gibt es mittlerweile eine große Menge einschlägiger Literatur in unterschiedlicher Qualität. Hier nur eine kleine Auswahl:
„Management 4.0 – Unternehmensführung im digitalen Zeitalter“ (Erner, 2019)
Dabei ist das Spektrum des KI-Einsatzes in der Strategiefindung und Überwachung ihrer Umsetzung umfassend. Hier einige wesentliche Beispiele:
KI berät Führungs- und Fachkräfte mit Empfehlungen für betriebliche Verbesserungen von strategischen und operativen Prozessen und Strukturen.
KI unterstützt innovative Lösungen für Standortentscheidungen, Materialsubstitution und das Auffinden geeigneter Lieferanten für (z. B. neue) Roh-, Hilfs- und Betriebsstoffe.
KI kann orientierend unterstützen bei anstehenden Personalentscheidungen (z. B. Personalentwicklung, Schulungen, Kapazitätsauslastungen), bei betrieblichen Optimierungsmöglichkeiten und bei wichtigen Organisationsentscheidungen (z. B. Organisationsentwicklung, Wandel, Prozesse, Strukturen).
KI hilft bei der Identifikation möglicher Risiken und krimineller (Fraud-)Handlungen. Große Datenmengen werden in Echtzeit analysiert und dabei ungewöhnliche Muster oder verdächtige Aktivitäten erkannt, die für Menschen schwer zu identifizieren wären. Dies ermöglicht eine frühzeitige Erkennung bereits erfolgter Kompromittierung (Intrusion Detection System).
KI-Algorithmen bewerten die Leistung des eigenen Unternehmens im Vergleich zu Wettbewerbern und identifizieren Bereiche, in denen Verbesserungen erforderlich bzw. möglich sind. Hinzu kommen KI-gestützte Simulationen und Prognosemodelle zum Durchspielen verschiedener Zukunftsszenarien und die Vorhersage möglicher Auswirkungen auf das Unternehmen.
KI kann auch durch die Steuerung einer automatisierten Preismodellierung die Analyse von Preiselastizitäten und damit die optimale Preisfindung unterstützen, um die Gewinnmarge in der konkreten Raum-Zeit-Situation zu maximieren und wettbewerbsfähig zu bleiben. Eine solche KI-basierte Preismodellierung ist vor allem im Rahmen besonderer Momente (Markteinführung eines innovativen oder statusbehafteten Produktes, Krisensituationen), in denen Kunden bereit sind, überhöhte Monopolpreise zu akzeptieren, für Unternehmen äußerst gewinnbringend.
Bei all diesen methodischen Ansätzen geht es darum, die zur Verfügung stehenden oder beschaffbaren Daten bestmöglich für eine „wissende“ Entscheidung zu strukturieren. Maßgeblich ist, dass die Empfehlungen der KI in die Entscheidungsfindung Eingang finden, ohne diese einseitig zu dominieren. Gelingt dies, so steht dem Top-Management eine breitere Entscheidungsgrundlage zur Verfügung, als dies ohne KI-Einsatz der Fall wäre (Neumann, 2023, S. 69 ff.).
Der Rückgriff auf strategisch und systematisch verwertbare Daten, die durch KI zu Entscheidungsvorschlägen verdichtet werden, vergrößert also die Entscheidungsbasis für die Unternehmensführung (Gronwald, 2024, Marchesi, 2020, Münter 2023). Im besten Fall kann die Entscheidung dann auf einem höheren Komplexitätsniveau getroffen werden, und verfälschende Vereinfachungen in der Problemlösung lassen sich vermeiden. Dies gilt insbesondere für die Unterstützung des Top-Managements in kreativen Prozessen, bei Innovationen oder in der Weiterentwicklung von Geschäftsmodellen. Insgesamt geht es also um die Erweiterung und Verbesserung der „natürlichen“ Kompetenzen von Top-Führungskräften (Schürmann, 2024, S. 41 ff. und S. 71 ff.). Dabei wirken KI-Prozesse mit anderen Innovationsentwicklungsmethoden (z. B. First Principle Thinking, Design Thinking) zusammen (s. u.). Wie oben ausgeführt, ist es wichtig zu beachten, dass KI die menschliche Urteilskraft und Erfahrung in der Strategiefindung nicht ersetzen, sondern lediglich ergänzen sollte.
Ein wesentlicher Grund für das bleibende und auch zwingend erforderliche Primat des Menschen sind die naturgemäßen Grenzen von Maschinen bei der Verarbeitung systemtheoretischer und institutioneller Zusammenhänge. Komplexe menschliche Interaktionen, informelle Netzwerke und politische Machtstrukturen zwischen verschiedenen Abteilungen, Führungskräften und Stakeholdern können nicht oder nur abgeleitet rudimentär von KI erkannt werden. Nur die formellen Hierarchien und Entscheidungswege können analysiert werden, nicht aber die subtilen Machtspiele und persönlichen Beziehungen, die oft die tatsächlichen Entscheidungen prägen. Informelle Führungspersönlichkeiten bestimmen aber oftmals stärker unternehmerische Weichenstellungen, als dies in den Lehrbüchern vorgesehen wäre. Auch die Verarbeitung von Daten zur Unternehmenskultur, geprägt durch gemeinsame Werte, Überzeugungen und Verhaltensweisen der Menschen, ist ein kaum zu lösendes Problem für die KI. Nur schwer lassen sich informelle Regeln und die Art und Weise, wie diese Regeln Verhalten und Entscheidungen beeinflussen, interpretieren. Schlussendlich werden in vielen Führungssituationen reflektiert oder unbewusst ethische Abwägungen getroffen, die über die reine Datenanalyse weit hinausgehen.
Es ist kein Widerspruch, dass KI-Projekte bei aller Notwendigkeit der vollen Einbindung des Top-Managements in der Regel ein hohes Maß an Autonomie der Projektmitarbeiter erfordern, um Innovationen und kreative Lösungsansätze zu fördern. Dies umso mehr, als der Fachkräftemangel gerade bei qualifizierten KI-Experten und Datenwissenschaftlern eine besondere Herausforderung darstellt und die langfristige Bindung entsprechender Talente ein entscheidender Erfolgsfaktor von KI-Initiativen ist. Ein weiterer wichtiger Aspekt ist die Definition von klaren Zielbildern für Rollen und Kompetenzen im Zusammenhang mit KI, um sicherzustellen, dass das Unternehmen über die richtigen Talente und Fähigkeiten verfügt, um seine KI-Strategie erfolgreich umzusetzen. Aufbau- und Ablauforganisation müssen entsprechend weiterentwickelt werden, damit KI-Lösungen effektiv entwickelt, implementiert und skaliert werden können.
18.1.2 KI als Innovationsmotor in Forschung und Entwicklung
KI wird in der wirtschaftsbezogenen Forschung, in der (inkrementellen) Entwicklung, aber auch in der Suche nach disruptiven Innovationen eingesetzt (Haefner et al., 2021).
Wirtschaftsnahe Forschung
Forschung, die in Wirtschaftsorganisationen durchgeführt oder von ihnen wesentlich finanziert wird, konzentriert sich vor allem darauf, zeitnah verwertbares, neues Wissen zu generieren und zu entdecken. Sie findet oftmals in Kooperationen mit wissenschaftlichen oder akademischen Umgebungen statt, die öffentlich finanziert werden. Forschende in Forschungsabteilungen von Unternehmen oder an von der Wirtschaft finanzierten An-Instituten haben meist das Ziel, grundlegendes Wissen zu erweitern oder Probleme zu verstehen, um neue Produkte, Verfahren oder wirtschaftsnahe Problemlösungen zu entwickeln. KI spielt hier eine zunehmend wichtige Rolle:
In den Natur- und Ingenieurswissenschaften identifizieren KI-Algorithmen Muster und statistische Zusammenhänge aus großen, zum Teil unstrukturierten Datenmengen (z. B. Bilder, Messdaten), stellen kreativ neue Zusammenhänge her (z. B. beim Protein-Folding oder bei der Entwicklung neuer Wirkstoffe in der Medizin) und unterstützen komplexe digitale, mathematische Berechnungen und Simulationen. Dabei muss jedoch stets beachtet werden, dass KI keine Kausalitäten erkennen kann, sondern lediglich Korrelationen. In diesem Buch widmet Carl Friedrich Gethmann das Kap. 15 der Frage, warum KIs keine unabhängigen „Forschungsagenten“ sein können. Dennoch wird es immer wieder vorkommen, dass KI zufällig Kausalitätszusammenhänge aufdecken hilft.
In der Forschungsorganisation unterstützen KIs vor allem in der Medizin, Chemie und Biologie das Forschungsdesign (Optimierung von Messparametern, wie Stichprobengröße, Auswahl der Testgruppen) und steuern die Automatisierung wiederholbarer Aufgaben, um repetitive und zeitaufwendige Aufgaben zu optimieren, wie etwa die Datenbereinigung oder das Training von Modellen.
Inkrementelle Verbesserungen und Entwicklungen
Eine immer größere Rolle spielt die KI im Rahmen der Produktentwicklung durch fortlaufende, schrittweise (inkrementelle) Verbesserungen schon vorhandener, teils disruptiver Lösungen oder Erweiterungen der Sortimente dank Neuentwicklungen von Produkten, Prozessen und Geschäftsmodellen:
Ideengenerierung für verbesserte oder neue Produkte und Verfahren durch die Analyse großer Datenmengen, Mustererkennung und Trend-Vorhersagen
Smarte Simulation und Modellierung von Lösungen oder Prozessen, um deren Funktionsweise besser zu verstehen und zu optimieren, bevor physische Prototypen erstellt werden (digitale Zwillinge)3
Identifizierung von neuen oder besseren Materialien und Ressourcen zur Kostenoptimierung für größere ökologische Nachhaltigkeit oder zur Schaffung eines neuen Kundennutzens4
Bewertung der Durchführbarkeit bzw. der Kosten-Nutzen-Analyse einer Erfindung
Prototypenentwicklung mittels CAD-Software (Computer-aided Design), um in schnellen Zyklen mit Kunden zu interagieren. So wird in der Automobilindustrie generative KI zum Entwerfen und Testen neuer Fahrzeugprototypen eingesetzt (Minevich, 2023).
Frühzeitige Fehlererkennung in einem Entwicklungsprozess und Maßnahmen zur Fehlerbehebung
Überprüfung und Analyse von Patentdatenbanken und wissenschaftlichen Veröffentlichungen, um sicherzustellen, dass eine Erfindung patentierbar ist
Einsatz von KI zur Steuerung von Testverfahren (wie Usability-Tests, A/B-Tests, Beta-Tests oder Interviews) zur Lernunterstützung
Unterstützung bei der Auswertung von Kundenfeedbacks, Testergebnissen oder Patentanmeldungen durch NLP
Unterstützung bei der Planung und Verwaltung von Ressourcen und Projekten, damit Innovation und Entwicklung im Zeit- und Budgetrahmen bleiben
Die radikale Ausrichtung unternehmerischer Innovationspolitik auf den Kunden ist ein langbewährtes Konzept vieler erfolgreicher Unternehmen und wurde zum Nukleus der von der Stanford Universität entwickelten Innovationsmethode Design Thinking (Brenner et al., 2016, S. IX ff.). Diese zielt darauf ab, „möglichst viele Erfahrungen und Perspektiven hinsichtlich einer Problemstellung“ zusammenzubringen (Roth, 2020, S. 99). Im Unterschied zu dem gleich noch diskutierten First Principle Thinking geht der Design-Thinking-Ansatz konsequent vom Kunden als Ausgangs- und Endpunkt aus und entwickelt von dessen bekannten Bedürfnissen neue Geschäftsmodelle, Produkte oder Prozesse. Möglichst exakt zutreffende Informationen über die schon vorhandenen oder zukünftigen Bedürfnisse der Kunden sind also zentral, womit der Zusammenhang zu Big Data und KI-Einsatz zur Datenauswertung und Verhaltensprognosen von Kunden offensichtlich wird (Hechler et al., 2020, S. 141 ff.).
In Kombination mit weiteren agilen Methoden, wie Scrum von Jeff Sutherland, Ken Schwaber und Mike Beedle (Schwaber, 2008, S. XI–XII) und basierend auf den Forschungen von Ikujirō Nonaka und Hirotaka Takeuchi (1995), oder Lean Startup von Eric Ries (2011, S. 82), gehen die Verbesserung und Entwicklung dann den Schritt über Prototypen, minimal funktionale Produkte (sog. MVP – Minimum Viable Product) oder sogar minimal liebenswerte Produkte (sog. MLP – Minimum Lovable Product) bzw. minimal wertvolle Produkte (sog. MWP; Disselkamp, 2021, S. 155) weiter. Die Grundidee ist jeweils, iterativ anhand des eingehenden Kunden- und Nutzerfeedbacks (z. B. Kritiken, Empfehlungen, Kaufwiederholungen) Lösungen weiterzuentwickeln. Wie bei dem nachfolgend beleuchteten First Principle Thinking wird auch hier die Komfortzone bisheriger Lösungswege bewusst verlassen (Hechler et al., 2020, S. 143 f.; Roth, 2020, S. 99 ff.; Middelkoop & Koppelaar, 2018). Das Risiko ist allerdings überschaubar, da MVPs bzw. MWPs den signifikanten Vorteil bieten, schon reale Umsätze als Beweis für die Umsetzbarkeit von Innovationen zu realisieren (Disselkamp, 2021, S. 151).
Dank des agilen Vorgehens werden bei KI-Projekten nicht nur die Risiken überschaubarer, auch die Kosten-Nutzen-Relation wird deutlich verbessert. Die iterative Vorgehensweise mit kontinuierlichen Kunden- und Nutzerfeedbacks führt dazu, dass unnötige Funktionen frühzeitig identifiziert und vermieden werden. Dadurch werden Ressourcen gezielt eingesetzt. Die bessere Planbarkeit der Kosten ist und bleibt eine zentrale Herausforderung von KI-Projekten mit ihren oft hohen Anfangsinvestitionen für die Datenbeschaffung und -aufbereitung, für die KI-Infrastruktur und Technologie für die Implementierung, Training und laufende Optimierung der KI-Modelle sowie für den laufenden Betrieb der KI-Systeme. Die Investitionen (sog. CapEx) in Hardware, Infrastruktur und Software lassen sich dabei dank Cloud-Services (z. B. von Amazon Web Services oder Google Cloud) allerdings zum Teil auf externe Partner verlagern. Handelt es sich um langfristige Entwicklungen, die zu einem immateriellen Vermögenswert führen (z. B. proprietäre KI-Lösungen), können diese ggf. als Investitionen (sog. CapEx) in der Bilanz des Unternehmens aktiviert werden. Demgegenüber sind kurzfristige Entwicklungsausgaben, Personalkosten und ausgelagerte IT-Dienste operative Kosten (sog. OpEx), die direkt auf die Gewinn- und Verlustrechnung wirken.
Die Kosten für KI-Projekte lassen sich allerdings nicht pauschal festlegen, da sie von zahlreichen Faktoren beeinflusst werden. Aspekte wie die Qualität der verfügbaren Daten, die Komplexität des KI-Modells und das Fachwissen im Unternehmen spielen dabei eine entscheidende Rolle (Klug & Besier, 2022, S. 157). Insofern setzen alle KI-Investitionen umfassende Kostenkalkulationen voraus, die vermutlich in vielen Fällen ergeben werden, dass die angebotene, technisch mögliche komplexe KI-Lösung im konkreten Investitionsfall unrentabel ist und einfachere, speziell auf das Problem zugeschnittene Alternativen analoger Art oder durch Verwendung „einfacher“ Algorithmen effizienter sind. Eine zu stark im Vordergrund stehende Kostenorientierung birgt aber die Gefahr, dass das disruptive Potenzial des KI-Einsatzes strukturell unterschätzt wird.
Disruptive Innovationen
„Was ist der Unterschied zwischen einem Traditionsunternehmen und einem Disruptor? Das Traditionsunternehmen analysiert laufend, was die Wettbewerber machen. Der Disruptor analysiert, was sie nicht machen.“ (Geffroy, 2018, S. 24). Während die inkrementellen Innovationen und neuen Lösungen darauf zielen, die eigene Marktposition gegenüber schon vorhandenen Kunden zu erhalten, verändern disruptive Innovationen bestehende Märkte und Wertschöpfungsketten grundlegend und verdrängen oft bestehende Unternehmen (s. Kap. 17; Christensen, 2016, S. XIX). Disruption auf Unternehmensebene bedeutet, dass bisher im Wettbewerb erfolgreiche Strategien oder Produkte durch eine völlig anders gedachte und umgesetzte Alternative partiell oder vollständig ersetzt, also vom Markt verdrängt werden (Roth, 2020, S. 97 ff.). Disruptionen machen bisherige Angebote und Strukturen obsolet.
Ein wichtiges Denkverfahren, um disruptive Innovationen zu befördern, basiert auf der Methode, alle Fragestellungen und Probleme in die ihnen zugrunde liegenden Grundprinzipien/Basisaussagen zu zerlegen und von dort aus grundlegend und selbstständig logisch neu zu denken. Dieses wissenschaftliche Verfahren wurde von Aristoteles in seinem Werk „Physik“ entwickelt (Aristoteles & Weiße, 1829; Juma, 2017) und später in dem Buch Metaphysik weiter ausgebaut. Heutzutage ist die bekannteste Ausformung des Verfahrens das First Principle Thinking (Talin, 2024), das durch Elon Musk weltweit bekannt wurde (Clear, 2025).
Bei diesem Innovationsprinzip werden komplexe Fragestellungen und Probleme vollständig dekonstruiert und von Grund auf neu gedacht. Das Problem wird in seine kleinstmöglichen, grundlegenden Bestandteile zerlegt, und neue Lösungen werden durch „neue Denkwege“ auf Basis der „atomistischen“ Elemente entwickelt. Dieses „sich umfassend Hinterfragen“ und „Verlassen der Komfortzone“ gewohnter Denk- und Lösungswege fördert kreative, innovative Lösungen für Probleme oder die Erschaffung völlig neuer Ideen und Produkte. Volkswirte und Philosophen werden jetzt nicken und ein bis zur letzten Konsequenz getriebenes aristotelisches Analyse-Synthese-Modell erkennen, das seit Karl Marx regelhaft in der Volkswirtschaftslehre angewandt wird. Insofern ist der Grundansatz nicht neuartig. Neu ist die Radikalität, mit der angeblich feststehende Wahrheiten, die in der Vergangenheit immer als gegeben angenommen wurden, in Frage gestellt werden.
Das Prinzip vermeidet bewusst das Hinnehmen gültiger Überzeugungen oder das Beibehalten üblicher Methoden. Diese werden im Gegenteil regelhaft in Frage gestellt und auf ihre Tauglichkeit hinsichtlich des angestrebten Zieles sowie ihre aktuelle Faktenbasiertheit hinterfragt. Dadurch wird die unbewusste Nutzung tradierter Annahmen, Überzeugungen und Vorurteile vermieden. Es werden „Sprunglösungen“ ermöglicht, die nicht das Denkresultat einer linearen Fortsetzung bewährter, konventioneller Problemlösungsmuster gewesen wären. Exponentielle Innovationsschübe werden so gefördert.
Dabei spielen im zweiten Schritt freie Assoziationen und „abwegige“ Inspirationen eine wesentliche Rolle, um disruptiv-innovative, synthetisierte Antworten zu kreieren und „ganz andere“ Lösungen zu entwickeln.
Diese müssen im dritten Schritt hinsichtlich ihrer Funktionalität stark belastet und getestet werden, um nur effiziente Ideen durch die Auswahlfilter zu lassen. In diesem Schritt kommen dann auch wieder bewährte Methoden von Ideenüberprüfung und -ranking zum Einsatz. Erst auf dieser Stufe sollten Kostenaspekte einbezogen werden. Zuvor würden sie die Kreativität behindern, hier aber verhindern sie (z. B. „modegeleitete“) Fehlinvestitionen, die aus einem übertriebenen Technikoptimismus heraus entstehen könnten.
Es liegt auf der Hand, wie Künstliche Intelligenz auch das First Principle Thinking direkt unterstützen kann. Die Vielfalt an Assoziationen in unstrukturierten Datenseen, das Aufzeigen von Problemlösungen aus ganz anderen Lebenswelten und andere kreative Elemente, die KI als Input zum Prozess beisteuern kann, erweitern das Möglichkeitsspektrum des Denkbaren signifikant.
18.1.3 KI in Management und Verwaltung
Bereits seit einigen Jahren ist zu beobachten, dass in wachsendem Umfang auch Tätigkeiten des mittleren Managements und der Unternehmensverwaltung automatisiert und in jüngster Zeit mit KI-Algorithmen ausgestattet werden. Routinemäßige Tätigkeiten wie Datenverarbeitung, Berichterstellung, Bestellwesen, Rechnungsstellung, Kundenmanagement und sogar Personalverwaltung werden automatisiert, wodurch Zeit und Ressourcen eingespart sowie Fehler reduziert werden sollen. Erklärtes Ziel ist es dabei, den Managern die Möglichkeit zu geben, sich auf strategische Aufgaben zu konzentrieren, die eine menschliche Entscheidungsfindung erfordern.
Für die Automatisierung der Produktion und Administration reichten bisher schon gute Lösungen in den Bereichen Workflow-Management, Robotic Process Automation (RPA) und deskriptive KI, wie supervised bzw. nonsupervised Learning (Czarnecki & Auth, 2018). Doch spätestens bei der Automatisierung von Expertentätigkeiten kann generative KI einen Mehrwert schaffen. Hier kommen bereits heute Systeme wie ChatGPT, Copilot, Character.AI, QuillBot oder Synthesia zum Einsatz, um repetitive Aufgaben auch in vielen akademischen Berufen5 zu automatisieren. Da die bereits jetzt relativ niedrigen Preise für generative KI vermutlich kurz- bis mittelfristig weiter fallen werden, haben zunehmend auch kleine Unternehmen die Möglichkeit, die Technologie zu nutzen. Darüber hinaus können Cloud-Plattformen auch generative Modelle auf Anfrage für eine flexible Skalierung anbieten (Minevich, 2023).
In der Fertigungsindustrie prognostizieren die verschiedenen Arten der KI mit hoher Genauigkeit Nachfrageschwankungen, potenzielle Risiken innerhalb der Lieferketten und die Wahrscheinlichkeit von Systemausfällen. Einige Unternehmen nutzen beispielsweise deskriptive und generative KI-Modelle, um ihre Produktionsabläufe zu optimieren, vorausschauende Wartungsprotokolle zu implementieren und dynamische Preismodelle zu entwickeln, mit dem Ziel, ihre betriebliche Effizienz und Widerstandsfähigkeit zu maximieren (s. u.). Dies hat zu Kosteneinsparungen, einer besseren Ressourcenzuweisung und einem besseren Risikomanagement geführt (Minevich, 2023). Äußerst vielversprechend sind die Möglichkeiten, KI in der Prozessoptimierung einzusetzen. Dabei geht es darum, Lösungen zu identifizieren, um interne Prozesse zu optimieren und effizienter zu gestalten, sei es in der Produktion, in der Logistik, im Rechnungs- und Personalwesen, Reporting, IT-Management, Vertrieb oder Kundenservice.
18.1.4 KI im Kundenmanagement
In der Kundenkommunikation werden eine Vielzahl von Daten der (potenziellen) Kunden in Echtzeit erhoben. Verhalten und Aktivitäten werden registriert, verarbeitet und angereichert. KI kann auf dieser Grundlage Vorhersagen „im Sinne von Predictive Analytics (Verwendung historischer Daten zur Vorhersage von zukünftigen Ereignissen)“ machen, die es dem Unternehmen ermöglichen, Entscheidungen maßgeschneidert auf die erkannten (potenziellen) Kundenbedürfnisse zu treffen (Nenninger & Seidel, 2021, S. 12 ff.). Das bessere Verständnis des Kunden – bezogen auf eine Customer Centricity – ermöglicht sowohl Produkt- und Preisanpassungen, die die Wettbewerbsfähigkeit erhöhen, als auch reine Marketing-Maßnahmen, wie verbesserte Kundenansprache (vgl. ebenda).
Hierdurch ergibt sich die Möglichkeit zur Etablierung eines Kreislaufs: Immer realistischere („bessere“) Daten ermöglichen es den Unternehmen, noch näher an die Bedürfnisse der Kunden „heranzurobben“, was die Kundenbindung erhöht und dazu führt, dass diese mehr Zeit im „Dunstkreis“ des Unternehmens verwenden (z. B. auf Homepages, Apps, Communities). Dies wiederum verbessert den personenbezogenen Datensatz (ebenda, S. 24 f.). Ein fundiertes Kundenverständnis ist von entscheidender Bedeutung, da ein Unternehmen auf dieser Basis Produkte und Dienstleistungen entwickeln kann, die den Bedürfnissen und Wünschen seiner Zielgruppe noch mehr entsprechen. Durch den KI-Einsatz lassen sich attraktivere Angebote definieren, die eine besonders starke Bindung aufbauen und langfristige Kundenloyalität fördern. Darüber hinaus ermöglicht ein umfassendes Kundenverständnis auch eine effektive, personalisierte Kommunikation, Interaktion und Cross-Selling mit den Kunden, was zu einer besseren Kundenzufriedenheit, positiven Bewertungen, höheren Umsätzen, besseren Renditen und letztendlich zu einem nachhaltigen Geschäftserfolg führt.
KI-Lösungen für Vertrieb und Marketing basieren sehr stark auf der Auswertung von Kundendaten. Doch dazu muss ein Industrieunternehmen diese erst einmal haben. Die Nutzung von KI-Lösungen im Vertrieb und Marketing hängt demnach stark von einem angemessenen Zugang zu Daten ab, was großen, finanzstarken Unternehmen mit langjährigen digitalen Geschäftsmodellen erhebliche Wettbewerbsvorteile einbringt (s. Kap. 17). Allerdings sind Datenzugang, Datenmenge, Datenschutz und Datenqualität für alle Unternehmen Herausforderungen, die bewältigt werden müssen, und vor allem sind sie ein ernstzunehmender Kostenfaktor. Eine erfolgreiche Datenanalyse erfordert konsistente, bereinigte und aussagekräftige Daten sowie professionelle Analysetechniken. Zusätzlich zur Einhaltung von Datenschutzgesetzen müssen KI-Anwendungen gemäß der KI-Verordnung der EU in verschiedene Risikoklassen eingeteilt und entsprechend behandelt werden.
18.1.5 KI in der Produktion und in Operations
Der laufende Strukturwandel ist geprägt durch fortgeschrittene und vernetzte Automatisierung in der Produktion. Diese findet statt über die Integration von cyber-physischen Systemen, die Nutzung des Internets der Dinge sowie der Verwendung von Big Data Analytics und von KI-Algorithmen.
Dies führt zu einer intensiven Integration verschiedener digitaler Technologien und zur Schaffung intelligenter Fabriken, in denen Maschinen, Systeme und Strukturen mithilfe von KI autonom steuern. Dabei setzt der Einsatz von KI-Algorithmen in der Regel auf einer fortgeschrittenen, oft modularen automatisierten Struktur auf (Schmertosch & Krabbes, 2018) und analysiert, kontrolliert und steuert diese. Auch ohne Einsatz von KI hat der Grad von Automatisierung und Vernetzung in den letzten 15 Jahren einen qualitativen Sprung nicht nur in großen Industrieunternehmen vollzogen, der zumeist als digitale Transformation bezeichnet wird (Gatzui Grivas, Hrsg., 2020; Gassmann und Sutter, 2019). KI wirkt dabei u. a. auf einer Metaebene durch die Analyse und Strukturierung der im Produktionsprozess gesammelten Echtzeitdaten und lernt in diesem Prozess fortwährend dazu. Hierdurch verbessern sich die Fähigkeiten zur Steuerung und Optimierung des automatisierten Produktionsprozesses. Um im Bild zu sprechen: Mit KI wird ein „Gehirn“ in die digitale Transformation eingepflanzt, das diese kontrollieren und steuern kann und entweder Empfehlungen an menschliche Entscheider gibt oder autonome Entscheidungen trifft, die das automatisierte Gesamtsystem verändern. Damit ist grundsätzlich die Möglichkeit einer autonomen Weiterentwicklung von Produktionssystemen gegeben, bei der Menschen nur eingreifen müssen, wenn es Hinweise auf eine fehlerhafte oder suboptimale Entwicklung gibt. Dies wird vor allem dadurch ermöglicht, dass die KI zunächst in einem ausschließlich digitalen Klon des gesamten Produktionsprozesses agiert und dort keine schwerwiegenden Schäden anrichten kann.
Der Einsatz von KI soll die Effizienz steigern, also die Kosten und/oder Qualität verbessern und/oder Produktionsausfälle durch menschliches Versagen reduzieren. Beispiele sind hierfür:
KI-gestützte Bilderkennungssysteme können Produktionslinien überwachen und defekte Produkte automatisch erfassen, indem sie visuelle Mängel wie Risse, Kratzer oder Abweichungen von Standards erkennen.
In der gleichen Logik kann KI durch die Analyse von Bildern, Scans und Sensordaten frühzeitig Anzeichen von Verschleiß oder Defekten in Maschinen und Anlagen vorhersagen, was zu präventiver Wartung führt und ungeplante Stillstandzeiten reduziert. Dieses „Arbeitscluster“ von KI dient auch dazu, die Arbeitssicherheit zu erhöhen, weil potenziell gefährliche Situationen im Produktionsprozess erkannt und damit Arbeitsunfälle verhindert werden.
Durch die Analyse von Textdaten aus Produktionsprotokollen, Betriebsanleitungen oder Fehlerberichten identifizieren KI-Algorithmen Muster und entwickeln Verbesserungsvorschläge für die Optimierung von Produktionsprozessen.
KI-Modelle können mithilfe der Datenanalyse Verkaufstrends und Umsatzprognosen ableiten und hieraus Entscheidungsvorschläge erarbeiten. Das betrifft beispielsweise Losgrößen und Lagerhaltung. So können z. B. Lagerbestände aufgrund der prognostizierten Nachfrage viel besser und automatisiert angepasst und wenn möglich reduziert werden.
In ähnlicher Weise können KI-Systeme die Transparenz komplexer Preisstrukturen (Artikelanzahl, Mengenstaffeln, Rabattstrukturen) verbessern und die Aufteilung von Einkaufskontingenten auf unterschiedliche Lieferanten (Second Sourcing etc.) optimieren, auch mithilfe eines Lieferantenratings (Qualität, Lieferzeiten, Liefervolumen, Abarbeiten von Reklamationen, Innovationen, Preisentwicklung, Rechnungsabwicklung, Verfügbarkeiten).
Ob und inwieweit vor allem neuartige KI-Agentensysteme diesen Zielsetzungen kosteneffizient gerecht werden, werden die Industriedaten der nächsten Jahre zeigen.
Über die aufgeführten Bereiche hinaus unterstützt KI die Operational Excellence6 durch die Echtzeitauswertung und Identifikation von institutionellen Bedrohungen und Schwachstellen, um hier rechtzeitig Gegenmaßnahmen zu ergreifen. Dies betrifft z. B. Diebstahl, Betrug, Verletzung von Rechten, Abhängigkeiten sowie die Einhaltung von Vorschriften und Richtlinien. Bei der Operational Excellence geht es aber weit darüber hinaus auch darum, aktuelle Geschäftsabläufe über die gesamte Wertschöpfungskette durch die Identifikation von Engpässen, Fehlern und Ineffizienzen sowie die flexible Anpassung an Marktveränderungen zu optimieren. Unnötige Schritte und Kosten sollen erkannt und eliminiert und die Produktqualität verbessert werden. Eine Kultur des kontinuierlichen Lernens und Verbesserns ist im Rahmen der Unternehmenskultur zu etablieren (Hanschke, 2024, S. 26 ff.). Große Vorteile können sich im Rahmen der operativen Exzellenz gerade aus der Kombination von KI-Einsatz und digitaler Integration verschiedener Produktions- und Wertschöpfungsstufen ergeben. Damit die Digitalisierung im Allgemeinen und die Künstliche Intelligenz im Speziellen optimal funktionieren, bedarf es einer Integration der industriellen Wertschöpfungskette auf allen Ebenen, vom Zulieferer, Hersteller und Intermediär bis hin zum Kunden. Ebenso kann der Einsatz von KI die digitale Integration von Intermediären (wie Händlern, Brokern oder Distributoren) und Geschäftskunden optimieren.
18.2 Grenzen und Risiken
Zunächst gilt es festzustellen, dass jenseits absurder Heilsversprechen und dystopischer Ängste hinsichtlich des KI-Einsatzes in Unternehmen das Wachstum der Einsatzmöglichkeiten von KI-Algorithmen noch vor wenigen Jahren völlig undenkbar war. Auch am Horizont sind keine Brüche dieser Entwicklung oder ein erneuter KI-Winter abzusehen, sofern es gelingt, das Problem der Energieintensität von Machine Learning, also des KI-Trainings, in den Griff zu bekommen. Aus heutiger Sicht könnte tatsächlich der Energiehunger von KI am ehesten zu einer Verlangsamung der weiteren KI-Entwicklung führen. Bezogen auf den Energiebedarf von Hochleistungsrechenzentren, der die Problematik besonders deutlich vor Augen führt, verweisen wir auf das Kap. 7 in diesem Buch.
So wie einzelne Anwendungsfantasien, vor allem bezüglich großer Sprachmodelle, eher naivgläubig denn empirisch belegbar sind, so wird strukturell die Anwendungsbreite von KI als „Gehirn“ der Automatisierung und beim Ersatz von Routine-, Verwaltungs- und Expertentätigkeiten unterschätzt.7 KI ist bereits nach kürzester Zeit zu einem nicht mehr wegzudenkenden Produktionsmittel geworden, das äußerst vielseitig einsatzbar ist.
Sichtbare Herausforderungen und partielle Grenzen der KI liegen jedoch in der generellen technischen und organisatorischen Umsetzbarkeit. Einflussfaktoren sind hier die Abhängigkeit von großen Mengen und qualitativ hochwertigen Daten, die Schwierigkeit der Erklärbarkeit komplexer Modelle (Black-Box-Problem), die Interoperabilität und Anpassung an Legacy-Systeme, der hohe Bedarf an Rechenressourcen und Energie sowie die begrenzte Generalisierungsfähigkeit über spezifische Aufgaben hinaus (Disselkamp, 2024, S. 11). Die Herausforderungen starten bei der Fähigkeit eines Unternehmens zur Data Capability, also zum Aufbau einer passenden Dateninfrastruktur, Datenverwaltung, Datenanalyse, Datenschutz und Datenethik. Dem folgt die Data Literacy mit der Fähigkeit der handelnden Personen, überhaupt ein Verständnis für Daten zu entwickeln, Daten zu analysieren, Daten kritisch zu betrachten und Daten in einem bestimmten Kontext sinnvoll einzusetzen.
Auch wenn dies hier nicht näher erläutert werden kann, sei darauf verwiesen, dass auch sozialpsychologische Herausforderungen existieren. Vier emotionale Barrieren blockieren häufig die organisatorische Umsetzbarkeit in Unternehmen. Sie resultieren dabei aus vier Defiziten: Ein Qualifikationsdefizit führt zu dem Gefühl der Überforderung, ein Informationsdefizit zu der Unkenntnis, ein Organisationsdefizit zur Emotion der Ohnmacht und ein Motivationsdefizit zur Sorge um eine Schlechterstellung (Disselkamp, 2021, S. 166 ff.). All diese emotionalen Barrieren bewirken nicht selten Ängste der betroffenen bzw. handelnden Personen, die in der Folge Veränderungen im Allgemeinen und KI-Initiativen im Speziellen behindern. Diese Barrieren korrelieren auch mit der Frage nach der sozialen Durchsetzbarkeit und ethischen Wünschbarkeit von KI-Initiativen. Im Vordergrund der bestehenden Vorbehalte stehen oftmals Fragen mit Bezug zur Arbeit. Wie im Kap. 17 ausgeführt, kann KI als Ergänzung oder als Ersatz menschlicher Arbeitskraft eingesetzt werden. Beides geschieht bereits, und beide Einsatzformen werden zumindest mittelfristig branchen- und arbeitsplatzabhängig in allen Schattierungen zu finden sein. Tendenziell lässt sich bereits einschätzen, dass KI zumindest langfristig Routinearbeiten in vielen Bereichen zunehmend übernehmen und dort Arbeitsplätze wegrationalisieren wird. Wir sprechen hier von einem Effekt der Projektifizierung (Disselkamp, 2021, S. 31). Menschen werden zukünftig vor allem in der Gesamtsteuerung und in der Projektarbeit benötigt, weil vor allem dort Verständnis, Bewusstsein, Intuition sowie Perspektiven- und Paradigmenwechsel erforderlich sind (Abb. 18.2). Die Projekttätigkeit beinhaltet dabei sowohl strategische Projekte (z. B. disruptive Innovationen, Business Process Reengineering oder Aufbau neuer Geschäftsmodelle) als auch operative Projekte (z. B. maßgeschneiderte Kundenbetreuung, anspruchsvolle Reparaturen, Transformationsmanagement).
Auch wenn dies nur eine Tendenz ist, so hat sie doch weitreichende Folgen für die Frage nach den Qualifikationsanforderungen in bestehenden Berufsbildern, aber auch für die Entstehung neuartiger Berufsgruppen, die den absehbaren Wandel oder Wegfall vieler Berufsbilder zumindest quantitativ kompensieren kann. Hierzu zählen mit zum Teil neuen Kompetenzen Data Scientists mit ihrer generellen Verantwortung für die Datenanalyse. Sie entwickeln und implementieren Algorithmen, um Erkenntnisse aus den Daten zu gewinnen und die nötigen Modelle zu trainieren. Data-Mining-Spezialisten wiederum fokussieren sich auf die Suche und Identifizierung von Mustern in großen Datensätzen, um relevante Informationen für Vorhersagen zu extrahieren, während Predictive Modeler/Analysten darauf spezialisiert sind, Modelle zu entwickeln, zu testen und zu validieren, um Vorhersagen auf Basis von Daten zu treffen. KI-Entwickler (AI Researcher) entwickeln neue Algorithmen und Techniken mit dem Ziel, die Leistung von KI-Systemen zu verbessern. Und die Rolle des Machine Learning Engineers implementiert und optimiert Machine-Learning-Systeme und ist oft für die Umsetzung und die Skalierung von Modellen verantwortlich. Zudem gibt es in KI-Systemen immer mehr Data Engineers (verantwortlich für Dateninfrastruktur, wie Data Warehouse und Data Lake), UX/UI-Designer ( für die Anwenderoberfläche), Product Owner (tragen die wirtschaftliche Verantwortung) und Ethics & Compliance Specialists, die KI-bezogene ESG-Fragen bearbeiten.
Kommen wir noch mal zurück zur Data Literacy: Bereits seit Jahren werden Fragen des Schutzes von Daten und Privatsphäre breit diskutiert. KI-Systeme verarbeiten und analysieren große Mengen personenbezogener Daten ohne hinreichende Berechtigung. Es ist rechtlich und ethisch problematisch, wenn ohne ausreichende Zustimmung oder Transparenz sensible Daten gesammelt und genutzt werden und so die Privatsphäre betroffener Personen verletzt wird.
Bei der Verarbeitung der Daten kommt es bei KI-Anwendungen zumindest manchmal auch zur Reproduktion von Vorurteilen mit diskriminierender Wirkung. Dieser Effekt tritt ein, weil KI-Modelle in der Regel auf großen Mengen von Daten trainiert werden, die aus der realen Welt stammen. Wenn diese Daten Vorurteile oder Ungleichheiten enthalten, sei es durch historische Ungerechtigkeiten, gesellschaftliche Diskriminierung oder verzerrte Datensätze, dann kann das Modell diese Verzerrungen unbewusst lernen und in seine Vorhersagen und Entscheidungen einfließen lassen. Insofern erfindet die KI diese Diskriminierungen nicht, reproduziert sie aber, weil sie aus den von ihr selbst erzeugten Inhalten lernt. Dann nimmt die Vielfalt der erzeugten Inhalte ab, weil die KI grundsätzlich den statistisch wahrscheinlichsten Output berechnet (Martínez et al., 2024, S. 2). Dies verdeutlicht, dass KI-Systeme nicht in der Lage sind, die Balance zwischen Komplexität und Verallgemeinerung selbstständig zu finden, was oft menschliches Eingreifen und regelmäßige Anpassungen erfordert.
Eine zentrale rechtliche, ökonomische und ethische Herausforderung liegt in der Festlegung von Verantwortlichkeit und Haftung (liability) sowie der Nachvollziehbarkeit von KI-Entscheidungen (Transparenz). Unternehmen müssen sicherstellen, dass die Entscheidungsprozesse ihrer KI-Systeme transparent und nachvollziehbar sind. Das bedeutet für Unternehmen, dass die Verantwortung für den KI-Einsatz beim Top-Management liegen muss und nicht vollständig auf interne oder externe Experten delegiert werden kann. Die unternehmensweiten Auswirkungen von KI-Implementierungen, das damit verbundene Risikomanagement und die notwendige Ressourcenallokation erfordern die direkte Einbindung der Führungsebene.
Ebenso sind klare rechtliche Vorgaben erforderlich, die die Frage von Verantwortlichkeit und Schadensersatz eindeutig regel n. Unternehmen müssen gewährleisten, dass von ihnen entwickelte oder genutzte KI-Systeme transparent, fair und sicher sind und die Rechte und Privatsphäre der Nutzer respektieren. Ethikrichtlinien und rechtliche Vorgaben, wie sie in der EU KI-Verordnung (EU AI Act) festgelegt sind, spielen eine entscheidende Rolle, indem sie klare Standards für die Entwicklung und den Einsatz von KI setzen (s. Kap. 23).
Open Access Dieses Kapitel wird unter der Creative Commons Namensnennung - Nicht kommerziell - Keine Bearbeitung 4.0 International Lizenz (http://creativecommons.org/licenses/by-nc-nd/4.0/deed.de) veröffentlicht, welche die nicht-kommerzielle Nutzung, Vervielfältigung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die Lizenz gibt Ihnen nicht das Recht, bearbeitete oder sonst wie umgestaltete Fassungen dieses Werkes zu verbreiten oder öffentlich wiederzugeben.
Die in diesem Kapitel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist auch für die oben aufgeführten nicht-kommerziellen Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
Beispielsweise Autor, Assistent, Anwalt, Berater, Buchhalter, Call Center Agent, Detektiv, Dozent/Lehrer, Programmierer, Reporter, Spieleentwickler, Steuerberater, Texter, Therapeut, Wirtschaftsprüfer und in der Verwaltung von Unternehmen.
Dahm, M. H., & Thode, S. (2019). Strategie und Transformation im digitalen Zeitalter. Springer Gabler.
Disselkamp, M. (2021). Digital leaders. Gabal Verlag, Offenbach am Main.
Disselkamp, M. (2023). Strategie mit KI. Amazon-Eigenverlag München.
Disselkamp, M. (2024). In 6 Schritten zur KI-Reife. Whitepaper der Haufe Akademie.
Erner, M. (Hrsg.). (2019). Management 4.0 – Unternehmensführung im digitalen Zeitalter. Springer Gabler.
Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Schäffer-Poeschel Verlag.
Frischmuth, C. (2021). New Work Bullshit. Frankfurter Allgemeine Buch.
Gassmann, O. & Sutter, P. (Hrsg.). (2019). Digitale Transformation gestalten. Hanser Fachbuchverlag.
Geffroy, E. K. (2018). Das Ende der Geschäftsmodelle – Neue Strategien für eine disruptive Welt. Redline Verlag.
Gatzui Grivas, S. (Hrsg.) (2020). Digital business development. Springer Gabler.
Gronwald, K.-D. (2024). Data Management. Der Weg zum datengetriebenen Unternehmen. Springer Vieweg.
Haefner, N., & Morf, P. (2019). Management von AI-Initiativen in Unternehmen. In O. Gassmann & P. Sutter (Hrsg.), Digitale Transformation gestalten (S. 43–57).CrossRef
Jung, H. H., & Kraft, P. (2017). Digital vernetzt. Transformation der Wertschöpfung. Carl Hanser.
Kaufmann, T., & Servatius, H.-G. (2020). Das Internet der Dinge und Künstliche Intelligenz als Game Changer. Springer Vieweg.
Kirf, B., et al. (2020). Unternehmenskommunikation im Zeitalter der digitalen Transformation. Springer Gabler.
Klug, A., & Besier, J. (2022). Trendradar KI – Relevante Anwendungsfelder für Unternehmen. Haufe Verlag.
Krause, G. (Hrsg.). (2023). Die Praxis des Digitalen Humanismus. Springer Vieweg.
Kreutzer, R. T., et al. (2017). Digital Business Leadership. Springer Gabler.
Lucks, K. (2020). Der Wettlauf um die Digitalisierung. Schäffer Poeschel Verlag.
Marchesi, C. (2020). Daten als Treiber der digitalen Transformation. In S. Gatzui Grivas (Hrsg.), Digital business development (S. 111–130).
Martínez, G., et al. (2024). Towards understanding the interplay of generative artificial intelligence and the Internet. In F. Cuzzolin & M. Sultana (Hrsg.), Epistemic uncertainty in artificial intelligence (Lecture notes in computer science, Bd. 14523). Springer. https://doi.org/10.1007/978-3-031-57963-9_5CrossRef
Meinhardt, S., & Pflaum, A. (Hrsg.). (2019a). Digitale Geschäftsmodelle – Band 1.Springer Vieweg.
Meinhardt, S., & Pflaum, A. (Hrsg.). (2019b). Digitale Geschäftsmodelle – Band 2.Springer Vieweg.
Middelkoop, W., & Koppelaar, R. (2018). Die Tesla-Revolution. Wiley-VCH.
Minevich, M. (2023. Dezember 14). The dawn of AI disruption: How 2024 marks a new era in innovation. Forbes.
Münter, M. T. (Hrsg.). (2023). Wie verändern Daten Unternehmen. UVK.
Nenninger, M., & Seidel, M. (2021). Praxisleitfaden Customer Centricity. Springer Gabler.
Neumann, A. (2023). Künstliche Intelligenz als Entscheidungsunterstützer – Potenziale und Risiken in Unternehmen. In M. T. Münter (Hrsg.), Wie verändern Daten Unternehmen (S. 69–82).
Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company. Oxford University Press.
Pispers, R., et al. (2018). Neuromarketing im Internet. Haufe Verlag.
Ries, E. (2011). The Lean Startup – How today’s entrepreneurs use continuous innovation to create radically successful business. Random House.
Roth, A. (2020). Design Thinking – Ein Buzzword, oder steckt doch mehr dahinter? In S. Gatzui Grivas (Hrsg.), Digital business development (S. 97–109).
Schmertosch, T., & Krabbes, M. (2018). Automatisierung 4.0. Carl Hanser.
