Entrepreneurship der Zukunft

Künstliche Intelligenz hat in den letzten Jahren stark an Bedeutung gewonnen und gilt als wesentlicher Trend zukünftiger Wirtschafts- und Gesellschaftsentwicklungen. Unternehmen sehen in der Anwendung von KI große Chancen, beispielsweise durch automatisierte Prozesse, die Zeit und Kosten sparen sowie verbesserte Entscheidungen durch die Analyse großer Datenmengen. KI kann auch dazu beitragen, neue Produkte und Dienstleistungen zu entwickeln und die Kundenbindung zu verbessern. Allerdings birgt die zunehmende Verbreitung von KI auch Risiken, wie die Veränderung von Arbeitsplätzen durch Automatisierung und ethische Herausforderungen, die sich z. B. aus der Verarbeitung persönlicher Daten ergeben. Unternehmen müssen daher sorgfältig abwägen, wie sie KI einsetzen, um die Chancen zu nutzen und die Risiken zu minimieren. Eine wichtige Rolle spielt hierbei auch die Investition in Weiterbildung und die Entwicklung von Fähigkeiten, welche die Mitarbeiter fit für die Zukunft machen. Insgesamt ist KI ein wichtiger Treiber für die digitale Transformation und kann Unternehmen helfen, sich erfolgreich an die Herausforderungen der Zukunft anzupassen, wenn sie sorgfältig geplant und umgesetzt wird.

Daten- und Informationen werden heutzutage häufig als einer der bedeutendsten Wirtschaftsgüter unserer Zeit bezeichnet. Das einleitende Zitat steht nur stellvertretend für eine Reihe weiterer Aussprüche, welche die letzten Jahre dominieren. Anderweitig werden Daten und Informationen als das Öl des 21. Jahrhunderts angesehen, der Treibstoff der Digitalisierung. Allerdings herrscht aktuell ein großes Ungleichgewicht zwischen denjenigen, die Daten besitzen und denjenigen die Daten benötigen. Im Rahmen dieses Kapitels werden die Grundlagen und Herausforderungen für den Datenhandel besprochen. Dieses Querschnittsthema bietet die Basis für viele Anwendungen im Bereich KI, Blockchain, Cloud Computing sowie weitere datengetriebene Geschäftsmodelle und stellt gleichzeitig ein neues Geschäftsmodell der Digitalisierung dar. Als Ergebnisse werden die Grundlagen und Herausforderungen des Daten- und Informationshandels zusammengefasst, sowie Anforderungen für zukünftige Marktplätze hergeleitet.

Die Verwendung von KI-Systemen stellt Unternehmen vor neue Herausforderungen, bietet aber zugleich große Wertschöpfungspotenziale, die sich nicht nur in neuen oder modifizierten Produkten, Dienstleistungen oder Prozessverbesserungen begründen, sondern sich ebenfalls aus neuen, KI-basierten Geschäftsmodellen ergeben. Diese basieren auf einer Gemeinsamkeit: Eine KI wird durch eine erhebliche Masse an Informationen trainiert und bis zur Marktreife gebracht. Die Datengewinnung ist demzufolge essentiell für den Erfolg eines KI-basierten Geschäftsmodells. Doch wie werden diese Daten generiert und in der Rechnungslegung erfasst? Stellen die Daten und die KI einen (immateriellen) Vermögensgegenstand aus Sicht der handelsrechtlichen Rechnungslegung dar? Wie hängt dies von der Form der Datengewinnung und dem Entwicklungsprozess von KI ab? Werden abhängig von den jeweiligen Strukturen zur Datengewinnung und KI-Entwicklung Wahlmöglichkeiten zur Aktivierung genutzt, um beispielsweise die Vermögenslage des Unternehmens besser darzustellen? Der Beitrag widmet sich den aufgeworfenen Fragestellungen und fokussiert unter Rückgriff auf eine Befragung KI-basierter deutscher Start-ups zwei Themenbereiche: 1) Zunächst wird ermittelt, welche Varianten der Datengewinnung bei KI-Start-ups vorherrschen und welchen Status die zu befragenden Unternehmen den gewonnenen Daten (im Sinne eines Vermögensgegenstands des eigenen Start-ups) zuordnen. 2) Anschließend wird aufgezeigt, welche Konsequenzen dies für die Rechnungslegung der KI-Start-ups mit den entsprechenden Vor- und Nachteilen auf die Darstellung der Vermögens-, Finanz- und Ertragslage der Start-ups hat. Als Basis der Auswertungen dient eine Auseinandersetzung mit der Bedeutung von Daten für KI und weiteren Charakteristika und Ausprägungsformen von KI.

KI-basierte audiovisuelle Analyse kann datengetriebene Produkt-, Prozess- und auch Geschäftsmodellinnovationen in verschiedenen Anwendungsbereichen befördern. Allerdings müssen dafür wichtige Herausforderungen bezüglich Datenerhebung, Datenschutz, Datensicherheit, sowie von Erklärbarkeit und iterativer Entwicklung von KI-Modellen adressiert werden. In diesem Kapitel werden die Innovationspotenziale, relevante Probleme und Lösungsansätze am Beispiel von akustischem Monitoring erläutert. Dabei wird deutlich, dass der frühzeitige Einsatz von Verfahren und Technologien für vertrauenswürdige KI, adäquate Entwicklungsmethoden und systematische Evaluationsprozesse entscheidend für einen erfolgreichen Einsatz und die Realisierung der Innovationspotenziale sind.

Verfahren und Komponenten für audiovisuelle Analyse sind Algorithmen, die Informationen aus Bild, Video- und Audiomaterial extrahieren. Sie können in vielen Anwendungsbereichen wichtige Bausteine für datengetriebene Innovationen sein. Einige dieser Innovationen, und in diesem Zusammenhang relevante Herausforderungen und Lösungsansätze, werden in diesem Kapitel exemplarisch anhand des KI-basierten akustischen Monitorings zur Überwachung von Prozessen, Maschinen und Produkten beschrieben.

Das Kapitel gliedert sich in drei Teile:

Der Beitrag gibt einen Überblick über die Notwendigkeit des Schutzes der Daten, die für den Lernprozess von Systemen der künstlichen Intelligenz unabdingbar sind. Ergänzend wird dargelegt, in welche bestehenden Schutzrechte sich diese KI-Trainingsdaten einordnen lassen. Ein Blick in die zukünftigen eigenen Rechte der neuen Technologien zeigt einen Ausschnitt der Anforderungen an KI-Systeme, deren Trainingsdaten und der, mit ihnen verbundenen Datenverarbeitungen. KI-Systeme bekommen mit ihren eigenen Gesetzen und Regelungen einen neuen Stellenwert in unserer Gesellschaft.

Entrepreneure zeichnen sich durch das Erkennen, Bewerten und Ausnutzen von unternehmerischen Möglichkeiten aus. Nach dem Verständnis von Schumpeter tritt der Entrepreneur dabei insbesondere als Innovator in Erscheinung, indem er durch seine schöpferische Kraft innovative Ideen entwickelt und auf dem Markt etabliert. Was jedoch passiert, wenn die Künstliche Intelligenz den eigentlichen Entrepreneur immer weiter ersetzt und die schöpferische Zerstörung in Zukunft von einer Maschine übernommen wird? Im Rahmen dieses konzeptionellen Beitrags wird dieser Frage nachgegangen, indem aufgezeigt wird, wie die Künstliche Intelligenz das Entrepreneurship der Zukunft verändern wird. Dazu wird ein übergeordnetes Rahmenwerk entwickelt, welches differenziert zwischen datengestützten (Data Support) und datengetriebenen (Data Decision) Entscheidungen sowie Geschäfts- (Business Opportunities) und unternehmerischen Entscheidungen (Entrepreneurial Opportunities). Entlang von Big Data, Big Intelligence und Data Entrepreneurship wird anschließend ein Intelligence Entrepreneurship abgeleitet, wobei die Künstliche Intelligenz die zukünftige schöpferische Kraft des Unternehmertums ersetzen könnte. Der Beitrag leistet somit wichtige Implikationen sowohl für die Praxis als auch für die Forschung.

Zahlreiche Unternehmen sind aktuell bestrebt ihre etablierten Prozesse und Leistungen durch die Nutzung von Künstlicher Intelligenz zu verbessern und fokussieren sich auf operationale Ebenen des Einsatzes. Im folgenden Artikel soll ein Blick auf das Potenzial der Leistungserstellung dieser Technologie im unternehmerischen Kontext geworfen werden, um Unternehmen neue Perspektiven aufzuzeigen, die zukünftig mit der Wertschöpfung der neuen Maschinen einhergehen damit verbundene Potenziale der Leistung dieser digitalen Maschinen werden auf strategische Geschäftsmodellinnovationen projiziert werden. Im Vordergrund steht die Betrachtung maschineller Leistung als Innovation, die nicht nur etablierte Leistungen automatisiert, sondern neuartige Werte schaffen kann. Die daraus resultierende Änderung vom Potenzialfaktor zur Effizienzsteigerung zum Wegbereiter neuartiger Geschäftsmodelle durch maschinelle Wertschöpfung, kann die treibende Kraft des Erfolges für Unternehmen einnehmen.

Künstliche Intelligenz (KI) wird in der Praxis zur Entscheidungsfindung eingesetzt (Lossos et al., 2021). Dies erfordert jedoch Vertrauen in die verschiedenen KI-Methoden. Solches Vertrauen bildet sich, wenn Entscheidungsträger und Nutzer mentale Repräsentationen des Systems bilden können und sie die Ausgabe des Systems verstehen. KI muss also erklärbar sein, eine reine Black Box ist selbst bei hoher Qualität eines Systems unzureichend. Die „erklärbare KI“ (engl. „eXplainable Artificial Intelligence“, XAI) befasst sich mit der Entwicklung von KI- Modellen, die durch Menschen nachvollziehbar sind (Adadi und Berrada, 2018; Europäische Kommission, 2020). In diesem Kapitel werden wünschenswerte Eigenschaften industrieller KI-Systeme untersucht – speziell hinsichtlich der Erklärbarkeit – und am Beispiel von Unternehmensratings vorgestellt. Neben XAI als Aspekt der technischen Akzeptanz beleuchten wir die Interaktion zwischen Geschäftsmodell und der kundenseitigen Akzeptanz.

Der vorliegende Beitrag thematisiert den Einsatz von Künstlicher Intelligenz (KI) in der Psychotherapie. Zunächst werden relevante Begriffe geklärt, Forschungsfragen präsentiert und der aktuelle Forschungs- und Entwicklungsstand auf theoretischer Ebene (mittels empirischer Literaturrecherche) und praktischer Ebene (anhand von bereits existierenden Entwicklungen) dargelegt. Daran schließt eine erörternde Diskussion von Vor- und Nachteilen psychotherapeutischer KI für die Zielgruppen der Klienten/Patienten, Therapeuten und der Gesellschaft an. Es werden zielgruppenspezifische Anforderungen an eine praktikable Umsetzung einer psychotherapeutischen KI sowie sich daraus ergebende Geschäftsmodelloptionen präsentiert. Abschließend werden die Ergebnisse subsumiert und eine praktikable Herangehensweise für die Umsetzung einer solchen psychotherapeutischen KI mittels Open Source-Ansatz verargumentiert.

Bei vielen wichtigen menschlichen Entscheidung steht eine große Menge an Informationen zu Verfügung. Zur Lösung müssen diese Informationen verarbeitet und verdichtet werden, wobei jedoch auch starke Vereinfachungen in Kauf genommen werden. Durch die immer größeren Datenmengen in Verbindung mit fortschrittlichen Auswertungsmethoden wird es daher zunehmend effizienter, Entscheidungen zu automatisieren. Diese Automatisierung wird durch sog. Automated Software Systems übernommen. Diese automatisierten Software-Systeme, lösen nicht mehr nur hochspezialisierte Aufgaben, sondern übernehmen flexibel und autonom ganze Aufgabenbereiche. Sie ermöglichen dabei durch die Unterstützung Künstlicher Intelligenz völlig, neue Wirkzusammenhänge zu entdecken und auf ihrer Grundlage selbstständig zu agieren. Hierdurch eröffnen sich nicht nur Kostenvorteile bei der Lösung aktueller Aufgabenstellungen, sondern langfristig auch die Erschließung völlig neuer Erkenntnisse. In diesem Beitrag wird zunächst diese Relevanz der Entscheidungsautomatisierung ausgeführt und wichtige Grundkonzepte dargestellt. Anschließend werden aktuelle Trends vor dem Hintergrund der digitalen Transformation/Digitalisierung aufgezeigt. Abschließend werden Konzepte und Anwendungen von Automated Software Systems näher untersucht und kritisch bewertet.

Das Problem der Skalierbarkeit von Produktionslinien ist kein Neues. Durch das Voranschreiten der Robotik in Verbindung mit Künstlicher Intelligenz ergeben sich zukünftig jedoch neue Möglichkeiten diesem entgegenzuwirken. Insbesondere vor dem Hintergrund von Personalmangel und den Gesundheitsschäden, die durch monotone und repetitive Tätigkeiten hervorgerufen werden, suchen viele Branchen nach Möglichkeiten ihre Produktionslinien mit Robotersystemen flexibler skalieren zu können. Gerade auch mittelständige Unternehmen, denen die finanziellen Mittel für extensive Umbauten der Produktionseinrichtungen oder für lange Integrationsschleifen fehlen, können von der nächsten Generation der Industrieroboter profitieren. Gleichzeitig kann die Wahl eines Produktionsstandorts stärker von dem vorherrschenden Lohnniveau entkoppelt werden, wodurch auch Standorte beispielsweise in Deutschland wieder attraktiv werden.

Viele Prozesse auf Baustellen verändern sich durch stetig zunehmende Einbindungen digitaler Arbeits- und Hilfsmittel. Dadurch wandeln sich nicht nur einzelne Operationen, sondern vielfach auch die komplexen Informatisierungs- und Kommunikationsvorgänge, die vor allem im Bauwesen aufgrund verschiedener Disziplinen sehr vielschichtig sind. Deshalb ist es erforderlich, dass die anstehenden Veränderungen im Hinblick auf effiziente und nachhaltige Abläufe analysiert und diskutiert werden. Der vorliegende Beitrag greift diesbezüglich wesentliche Aspekte auf, die im Zuge der Digitalisierung in einem noch sehr traditionell agierenden Umfeld immer stärker modifiziert werden. Dafür werden neben übergeordneten aktuellen Themen wie Informatisierung, Building Information Modeling, Data Science und cyber-physischen Systemen auch explizite Beispiele zur Baurobotik vorgestellt. Zusätzlich wird anhand einer Prozesslandkarte praxisnah erläutert, wie disziplinübergreifende Modellierungen von Prozessen in Bauunternehmen zukünftig digital aussehen können. Der Beitrag schließt mit einem Ausblick auf KI-basierte Prozesse im Bauwesen, die in Zukunft durch die Zunahme datenbasierter Prozesse auch im Handwerk vermehrt stattfinden werden.

Jedes digitale System, das Menschen interaktiv unterstützt, sei es bei der Datenanalyse, bei der Erstellung von Diagnosen, bei der Steuerung von Prozessen, bei der Suche nach bisher nicht bekannten Lösungen, wobei auch immer, braucht Künstliche Intelligenz (KI). In der Praxis sind Daten im Allgemeinen unvollständig und dynamisch. Wenn die KI Interpretationen anbietet oder Vorschläge macht, dann sind alle diese Äußerungen der KI hypothetisch. Anders kann es nicht sein. Die KI lernt und wird immer besser – ein immer hilfreicherer Assistent. Menschen brauchen Transparenz der KI. Im Prozess der Interaktion müssen sie nachfragen, was die KI gemacht hat und warum. Oft genügt nicht eine einfache Antwort auf eine einfache Frage, denn sowohl das Lösen von Problemen als auch das Lernen der KI ist ein Prozess über der Zeit. Verständlichkeit der KI erfordert Erklärungsdialoge. Benötigt wird, was man im Englischen als Explainable Artificial Intelligence (XAI) bezeichnet. Erklärbare KI – kurz XAI – kann die Fragen beantworten, woher sie ihre Hypothesen holt, warum sie eine Hypothese behält oder warum sie eine Hypothese verwirft und wie sie zu einer aktuellen Hypothese gekommen ist. Jede lernende KI kann so konstruiert werden, dass sie ihr Verhalten gut erklärt. Im Gegensatz zur XAI gibt es KI-Ansätze, die in der Fachliteratur als Blackbox by Nature bezeichnet werden, ein Zustand, der überwunden werden muss. Der Schlüssel zu XAI, zu erklärbaren KI-Assistenten, ist Explainability by Design.

Digitale Sprachassistenten u. a. in Smart Speakern entwickeln sich zu einer pervasiven Technologie, die das Potenzial hat, ganze Geschäftsprozesse und -modelle zu verändern. Nutzerpräferenzen für bestimmte Marken digitaler Sprachassistenten determinieren maßgeblich digitale Geschäftsmodelle von Anbietern digitaler Sprachassistenten und von Produktanbietern, die sich des sprachgesteuerten Electronic Commerce als Distributionskanal bedienen. In diesem Beitrag werden daher mittels eines Discrete Choice-Experiments Nutzerpräferenzen für Markierungen und weiteren Produkteigenschaften von Smart Speakern untersucht. Basierend auf den Daten von 350 Smart Speaker-Nutzern werden Latent Class – Multinomiale Logit Modelle geschätzt und fünf Nutzersegmente abgeleitet, die sich maßgeblich in ihren Präferenzen unterscheiden. Die Wichtigkeit der Markierung für den Kauf eines Smart Speakers zeigt sich in allen identifizierten Segmenten: Während Smart Speaker einer unbekannten Marke generell abgelehnt werden, differieren die Markenpräferenz zwischen den Segmenten stark. Die nachdrückliche Präferenz einzelner digitaler Sprachassistenten in Smart Speakern verdeutlicht ihre potenzielle Schlüsselfunktion als Intermediäre in digitalen Geschäftsmodellen. Dies kann nicht nur zu Verzerrungen und Umwerfungen im bisherigen Marktgeschehen führen, sondern bedingt unter Umständen auch marktregulierende Eingriffe, sofern der Wettbewerb, z. B. durch direkte Plattformanbindung deutlich eingeschränkt wird.

In diesem Kapitel wird die Realisierung eines wissenschaftlichen Ansatzes gezeigt, der auf einem völlig neuen und selbst entwickelten, KI-basierten Algorithmus basiert und im Smart Home eingesetzt wird. Durch die zentrale Steuerung der elektrischen Verbraucher im Sinne der Bewohner ist eine signifikante Energieeinsparung neben einer deutlichen Steigerung des Wohnkomforts möglich. Insbesondere in einer alternden Gesellschaft werden im nächsten Schritt damit vermarktbare Assistenzsysteme entlang der Strategie dieses Algorithmus’ entwickelt, die ein längeres, selbstbestimmtes Leben in den eigenen vier Wänden ermöglichen. Denn ausgehend von allgemeinen Gewohnheiten der Bewohner, die in Wenn-Dann-Regeln abgebildet und zu allgemeineren Regeln abstrahiert werden, schaltet und überwacht der Algorithmus sukzessive Geräte im Haushalt automatisch.

Dieses Kapitel beschäftigt sich mit den Herausforderungen der Energiewende und insbesondere den Auswirkungen auf kleine- und mittelständische Unternehmen und Energieversorger. Es wird gezeigt, dass die effiziente Nutzung von Energie für diese Unternehmensgruppen von entscheidender Bedeutung ist, um ihre zukünftige Wettbewerbsfähigkeit zu sichern. Es wird argumentiert, dass die automatisierte Analyse von Daten mithilfe von KI-basierten Technologien eine schnelle und effiziente Methode zur Aufdeckung von Effizienzpotenzialen ist, aber eine professionelle und technische Beratung sowie das notwendige Know-how erfordert. Es wird auch darauf hingewiesen, dass datenbasierte Geschäftsmodelle in der Energiewirtschaft eine vielversprechende Zukunft haben und dass die fortwährende und kontrollierte Weiterentwicklung dieser Technologie ein wichtiger Teil unseres Lebens sein wird.

Der vorliegende Beitrag wagt auf der Basis vergangener und aktueller Entwicklungen von Künstlicher Intelligenz (KI) einen Ausblick auf zukünftige Leistungen von KI in spezifischen Gebieten. Es wird argumentiert, dass KI ein eigenständiger Megatrend mit zahlreichen Auswirkungen auf die Gesellschaft und v. a. auch auf die Wirtschaft in unterschiedlichen Bereichen und Ebenen mit zahlreichen Anknüpfungspunkten diverser Geschäftsbereiche und -modelle ist. Es wird gezeigt, dass die wesentliche Stärke von KI einerseits die exakte Analyse und das zur Erreichung von vordefinierten Zielen optimale Inbeziehungsetzen spezifischer Parameter ist. Andererseits vermag KI bestimmte Prognosen zu fundieren. Aus diesem Grund wird der Chatbot ChatGPT des Entwicklers OpenAI zur Zukunft von KI befragt – eine KI trifft also Vorhersagen über KI. Dieser vielversprechende Ansatz wird dennoch kritisch reflektiert und der Beitrag mit einer Beleuchtung von starker und schwacher KI im Unternehmenskontext sowie einer prüfenden Deskription der bevorstehenden KI-Evolution abgeschlossen.