Forschungsfelder für Künstliche Intelligenz in der strategischen Produktplanung

Der erste Zyklus dient zur Erarbeitung eines erfolgversprechenden Entwicklungsauftrags. Er umfasst die Phasen Potenzial- und Produktfindung sowie Geschäftsplanung. Im Zuge der Potenzialfindung gilt es, künftige Erfolgspotenziale und darauf aufbauende Handlungsoptionen zu identifizieren. Auf dieser Grundlage werden in der Produktfindung Produkt- und Dienstleistungsideen generiert. Die Geschäftsplanung setzt sich mit der Erstellung einer Geschäftsstrategie und der Ausarbeitung eines Geschäftsmodells und einer Produktstrategie auseinander. Letztere wiederum mündet schließlich in einen Geschäftsplan. Dieser erbringt den Nachweis, ob ein attraktiver Return on Invest (ROI) zu erzielen ist (Gausemeier et al. 2019; Gausemeier et al. 2014; Gausemeier und Plass 2014).

Produktkonzipierung, Entwurf, Ausarbeitung und Produktintegration bilden die Aufgabenbereiche der Produktentwicklung. Schnittstelle zwischen den ersten beiden Zyklen ist die Produktkonzipierung. Ihr Ziel besteht in der Prinziplösung für das beabsichtigte Produkt. Diese enthält unter anderem einen Anforderungskatalog, eine Funktionshierarchie und ein Gestaltmodell. Die Prinziplösung ist der Ausgangspunkt für den domänenspezifischen Entwurf sowie die Ausarbeitung und Integration der Ergebnisse aus den Fachdisziplinen Mechanik, Elektronik, Regelungstechnik und Softwaretechnik zu einer verifizierten Gesamtlösung (Gausemeier et al. 2019; Gausemeier et al. 2014).

Ziel der Dienstleistungsentwicklung ist die Umsetzung einer Dienstleistungsidee in eine Marktleistung (Bullinger et al. 2006). Auch hierbei handelt es sich um keine stringente Abfolge von Phasen und Meilensteinen, sondern um ein Wechselspiel der Aufgaben Dienstleistungskonzipierung, -planung und -integration. Die Dienstleistungskonzipierung umfasst die Aspekte Prozess, Personal und Werkzeug und wird in der Dienstleistungsplanung weiter konkretisiert, bevor die erzielten Ergebnisse dann in der Dienstleistungsintegration vereinigt werden (Gausemeier et al. 2019; Gausemeier et al. 2016; Gausemeier et al. 2014).

Ausgangspunkt des vierten Zyklus ist die Konzipierung des Produktionssystems, welche im Zusammenspiel mit der Produktkonzipierung erarbeitet wird. In der Produktionssystementwicklung werden die Fachgebiete Arbeitsmittel-, Arbeitsablauf- und Arbeitsstättenplanung sowie Produktionslogistik bearbeitet. Analog zur Produktentwicklung erfolgt die abschließende Integration zu einem verifizierten Produktionssystem (Gausemeier et al. 2019; Gausemeier et al. 2016).

Produkt-, Dienstleistungs- und Produktionssystementwicklung sind eng aufeinander abgestimmt voranzutreiben. Nur so lässt sich sicherstellen, dass alle Möglichkeiten der Gestaltung einer leistungsfähigen, kostengünstigen und innovativen Marktleistung ausgeschöpft werden (Gausemeier et al. 2019; Gausemeier et al. 2014).

KI-Verfahren bieten die Möglichkeit, mit der steigenden Komplexität der immer softwarelastigeren Marktleistungen und den resultierenden immensen Datenmengen im Produktentstehungsprozess effizient umzugehen (Hecker et al. 2017). Insbesondere für wissensintensive Tätigkeiten wie in der Produktentstehung bietet KI große Nutzenpotenziale (siehe Abb. 2). So können KI-Anwendungen signifikant Entwicklungszeiten reduzieren, Entwicklungskapazitäten erhöhen, Entwicklungsrisiken vermindern und Herstellungskosten senken (Dumitrescu et al. 2020a; Geissbauer et al. 2019; McKinsey & Company 2017).

Mit Hilfe von KI-Anwendungen lassen sich Daten verarbeiten und automatisch Schlussfolgerungen ableiten (Satzger et al. 2019). Dabei können Daten entlang des gesamten Lebenszyklus von Marktleistungen gesammelt und analysiert werden, um Wissen für den Produktentstehungsprozess zu generieren (Bretz et al. 2018). Es existieren bereits einige KI-Anwendungen, die die spezifischen Bedarfe der Produktentstehung adressieren. Beispielsweise verwenden Unternehmen aus der Luft- und Raumfahrtindustrie KI-Algorithmen für Generative Design, um Flugzeugteile mit völlig neuen Designs zu entwickeln. Die entsprechenden KI-Algorithmen untersuchen alle möglichen Designlösungen unter Berücksichtigung vorab definierter Ziele und Randbedingungen. Durch iteratives Testen und Lernen werden Designs optimiert und Lösungen vorgeschlagen, die dem menschlichen Verstand unkonventionell erscheinen können (Küpper et al. 2018). Weiterhin wird in der Anforderungsanalyse – Verarbeitung und Analyse natürlicher Sprache eingesetzt, um textuelle Anforderungen zu analysieren und ihre Qualität zu evaluieren (Liu 2018). Aber auch in der strategischen Produktplanung selbst kommen verschiedene KI-Anwendungen zum Einsatz. KI-Anwendungen können Prognosemodelle erstellen, abstimmen und bereitstellen, um z. B. Vorhersagen für die Verbrauchernachfrage zu ermitteln (Anodot 2020). Darüber hinaus können mit Hilfe von Text Mining-Ansätzen große Datenmengen aus wissenschaftlichen Publikationen, Internetquellen, Patenten etc. analysiert und auf ihre Relevanz hin überprüft werden (Minghui et al. 2018). Auf diese Weise lässt sich z. B. Wissen für die Technologiefrühaufklärung oder auch für Trendanalysen generieren (Fraunhofer INT 2020).

Die skizzierten Einsatzmöglichkeiten verdeutlichen das große Nutzenpotenzial von KI-Anwendungen für die Produktentstehung im Allgemeinen sowie die strategische Produktplanung im Speziellen. Bei der Einführung von KI-Anwendungen benötigen viele Unternehmen jedoch Unterstützung. Denn obwohl Deutschland im Bereich der KI-Forschung überdurchschnittlich gut aufgestellt ist, gestaltet sich die Überführung der Forschungsergebnisse in die Industrie schwierig (Seifert et al. 2018). Insbesondere können Unternehmen oft nicht einschätzen, welche Möglichkeiten mit der Nutzung von KI-Anwendungen einhergehen (Dukino et al. 2020). Für einen erfolgreichen Transfer der Ergebnisse aus der Forschung in die Industrie sind daher eine tiefergehende, multiperspektivische Betrachtung der dezidierten Potenziale und Herausforderungen im Kontext der strategischen Produktplanung (siehe Kap. 3) sowie die Ermittlung anwendungsnaher bzw. -integrierter Forschungsfelder unausweichlich (siehe Kap. 4).

Die Robustheit von KI-Algorithmen lässt sich hinsichtlich dreier Aspekte spezifizieren. Erstens dürfen KI-Anwendungen keine Verzerrungen aufweisen. Diese können durch eine fehlende Datenqualität oder eine zu geringe respektive unausgewogene Datenbasis hervorgerufen werden. Hat ein Unternehmen beispielsweise bislang verstärkt Ingenieurinnen und Ingenieure für die strategische Planung und Entwicklung von Marktleistungen eingesetzt, wird die KI-Anwendung diese Berufsgruppe auch weiterhin empfehlen. Der Grund dafür sind unausgewogene Trainingsdaten und damit verbunden fehlende Erfahrungswerte für weitere Berufsgruppen. Zweitens müssen sich KI-Anwendungen robust gegenüber Eingriffen von außen erweisen. Dies gilt insbesondere auch für externe Einflüsse, die im regulären Betrieb auf die Lernkomponente einer KI-Anwendung einwirken. Ein Beispiel für die fehlende Robustheit ist der Kommunikationsbot Tay von Microsoft, der nach wenigen Stunden aufgrund von erlerntem rassistischen Verhalten bereits wieder abgeschaltet worden ist. Drittens müssen KI-Anwendungen zuverlässige Ergebnisse der Datenanalyse für Ausreißer und in unerwarteten Situationen liefern. Für autonome Fahrzeuge ist es beispielsweise unabdingbar, partiell verdeckte Objekte einwandfrei klassifizieren und entsprechende Entscheidungen ableiten zu können (Satzger et al. 2019; Lundborg und Märkel 2019; Seifert et al. 2018; Bitkom 2018; Sickert 2016).

Die Verständlichkeit und Nachvollziehbarkeit der von KI-Anwendungen bereitgestellten Unterstützung bzw. der getroffenen Entscheidungen stellen wichtige Kriterien für die Akzeptanz von und das Vertrauen für diese Lösungen dar. Es reicht hierbei nicht aus, wenn das Ergebnis begründet werden kann. Vielmehr müssen auch das Zustandekommen sowie die hierfür erforderlichen Schlussfolgerungen transparent erläutert werden. Eine Möglichkeit zur Erhöhung der Transparenz kann durch die Bereitstellung von kontextspezifischen Informationen oder die Verwendung von interpretierbaren Algorithmen geleistet werden. Allerdings sind leistungsfähige Algorithmen häufig aufgrund ihrer Komplexität nur unzureichend erklärbar. Es resultiert ein Konflikt zwischen der Qualität der Ergebnisse und der Erklärbarkeit der Algorithmen. Weiterhin müssen nicht nur einzelne Ergebnisse, sondern auch die Entwicklung und Adaption von KI-Anwendungen kontrollierbar sein. Hierfür gilt es, die zugrunde liegenden Daten und genutzten Verfahren zur Entwicklung von KI-Anwendungen sowie jegliche Änderungen im Zeitverlauf lückenlos zu dokumentieren (Satzger et al. 2019; Lundborg und Märkel 2019; Bitkom 2018). Weitere Aspekte der Erklärbarkeit und insbesondere auch Hinweise auf Methoden für ihre Herstellung finden sich im Beitrag von Florian Eiling und Marco Huber (in diesem Band).

Die Erklärbarkeit der KI-Anwendungen ist bereits eine wesentliche Voraussetzung für die digitale Souveränität, hinsichtlich der Individuen wie auch hinsichtlich der Unternehmen. Weiterhin müssen die Nutzung, der Zugang und die Verwertung von Daten eindeutig geregelt sein, um einen souveränen Umgang mit den Daten für KI-Anwendungen für Beschäftigte, Gruppen und Unternehmen gewährleisten zu können. Alle Akteure müssen eigenständig darüber entscheiden und transparent einsehen können, welche Daten für welche Zwecke freigegeben sind und verwendet werden. Diese Anforderung gewinnt durch die exponentiell ansteigenden, verfügbaren und auswertbaren Datenmengen immer mehr an Bedeutung (Satzger et al. 2019; Seifert et al. 2018; Hecker et al. 2017). Übergreifend lässt sich digitale Souveränität als die Möglichkeit und Fähigkeit auffassen, digitale Technologien – in diesem Kontext KI-Anwendungen – zielgerichtet und kompetent für die eigenen Zwecke so einzusetzen, dass die eigene Handlungsfähigkeit und Kompetenz der einzelnen Akteure gestärkt wird (Institut für Innovation und Technik 2019). Folglich müssen nicht nur technische Voraussetzungen für den souveränen Umgang mit Daten geschaffen werden, sondern auch ausreichend Kompetenzen und Fachkräfte für die effiziente Nutzung von KI-Anwendungen verfügbar sein.

Eine weitere zentrale Herausforderung bei der Entwicklung und Einführung von KI-Anwendungen stellen fehlende interne Kompetenzen und Fachkräfte dar. Insbesondere besteht in Unternehmen ein hoher Bedarf an Data Scientists, aber auch an erfahrenen Projektmanagern und KI-Forschern. Dies spiegelt sich unter anderem auch darin wider, dass viele Unternehmen nicht einschätzen können, was mit KI-Anwendungen heutzutage bereits möglich ist (Deloitte 2020; Dukino et al. 2020; Geretshuber und Reese 2019; Lundborg und Märkel 2019; Seifert et al. 2018; Hecker et al. 2017).

Abschließend lässt sich konstatieren, dass die Entwicklung, Implementierung und Nutzung von KI-Anwendungen vielfältige Nutzenpotenziale für Unternehmen in der strategischen Produktplanung bieten. Gleichzeitig sehen sich Unternehmen mit zahlreichen Herausforderungen in den Dimensionen Mensch, Technik, Organisation und Business konfrontiert, wie zum Beispiel bei der Robustheit, der Erklärbarkeit, der digitalen Souveränität und den erforderlichen Kompetenzen.

Unternehmen stehen bei der Einführung, Entwicklung und Nutzung von KI-Anwendungen zunächst vor der Herausforderung, die Einsatzmöglichkeiten und den damit verbundenen Nutzen von KI-Anwendungen für das eigene Geschäft zu ermitteln und zu bewerten. Folglich ist eine Charakterisierung des Produktentstehungsprozesses mit besonderem Fokus auf die strategische Produktplanung erforderlich, um feststellen zu können, ob und wie KI-Anwendungen Prozesse und Tätigkeiten der Produktentstehung unterstützen können. Die holistische Betrachtungsweise wird benötigt, da die strategische Produktplanung eng mit der Produkt-, Dienstleistungs- und Produktionssystementwicklung verzahnt ist (siehe Kap. 2). Gleichzeitig müssen auch die zugehörigen Datenquellen, Daten und IT-Systeme sowie ihre Abhängigkeiten untereinander aufgenommen und strukturiert werden. Auf dieser Basis können Potenziale für KI-Anwendungen innerhalb der strategischen Produktplanung abgeleitet werden. Die Bewertung und Auswahl von adäquaten KI-Anwendungen zur Erschließung der identifizierten Potenziale erfordern jedoch einen Überblick über bestehende KI-Anwendungen im Kontext der strategischen Produktplanung.

Eine strukturierte Übersicht über KI-Anwendungen erhöht das Verständnis für KI-Anwendungen und kann einen Beitrag zur Bewertung der Robustheit und Erklärbarkeit liefern. Erstens bedarf es dafür einer Identifikation und Dokumentation existierender KI-Anwendungen im Produktentstehungsprozess bzw. der strategischen Produktplanung. Zweitens müssen die ermittelten KI-Anwendungen anhand geeigneter Kriterien, wie zum Beispiel den verwendeten KI-Technologien, -Verfahren und Methoden, strukturiert und klassifiziert werden. Eine Möglichkeit zur Generierung einer zweidimensionalen Anwendungsübersicht bietet die multidimensionale Skalierung. Die Anwendungsübersicht unterstützt damit die Auswahl von KI-Anwendungen. Nachgelagerte Schritte wie die Einführung oder Entwicklung werden nur indirekt adressiert. Insbesondere muss hierbei die Symbiose zwischen KI und Mensch in der strategischen Produktplanung gestaltet werden.

KI-Anwendungen verändern die Interaktion zwischen Mensch und Maschine bzw. Technik. Zur Steigerung der Akzeptanz muss die Mensch-Technik-Interaktion digital souverän gestaltet werden. Die Beschreibung und Analyse der Mensch-Technik-Interaktion beim Einsatz von konventionellen sowie digitalen Technologien bilden den Ausgangspunkt für die Analyse der Besonderheiten bei der Mensch-Technik-Interaktion im Kontext von KI-Anwendungen. Hieraus lassen sich wichtige Implikationen für die benutzungsfreundliche Gestaltung der veränderten Mensch-Technik-Interaktion ableiten; ein wesentlicher Aspekt ist dabei die Erklärbarkeit von KI-Anwendungen aus der Perspektive der Nutzenden. Bei der Gestaltung der Mensch-Technik-Interaktion sowie der eigentlichen Entwicklung von KI-Anwendungen müssen Unternehmen darüber hinaus domänenübergreifend durch eine Spezifikationstechnik unterstützt werden.

Durch eine Spezifikationstechnik lässt sich die Nachvollziehbarkeit von KI-Anwendungen steigern, sowohl bei der Entwicklung als auch im Betrieb. Bislang existiert keine solche Spezifikationstechnik. Die Spezifikationstechnik muss während der Planung und Konzipierung sowie Veränderungen im Betrieb bei der Erarbeitung, Dokumentation und Beschreibung der erzielten Ergebnisse unterstützen, um die Robustheit und Erklärbarkeit von KI-Anwendungen zu steigern. Hierfür müssen grafische Notationselemente und Regeln zu deren Verwendung bereitgestellt werden, die u. a. die Besonderheiten der Mensch-Technik-Interaktion widerspiegeln. Dies kann entweder durch die Weiterentwicklung bestehender oder die Entwicklung einer neuen Spezifikationstechnik für KI-Anwendungen geschehen. Um ein umfassendes Verständnis trivialer und komplexer Sachverhalte auch ohne große Einarbeitungszeit zu gewährleisten, ist eine semiformale Spezifikationstechnik anzustreben (Schneider 2018; Gausemeier et al. 2001; Chouikha et al. 1998). Überdies sehen sich Unternehmen mit einem übergreifenden Querschnittsthema in der strategischen Produktplanung konfrontiert: neuartigen Kompetenzanforderungen.

Für die Entwicklung, Implementierung und Nutzung von KI-Anwendungen benötigen Mitarbeiter und Unternehmen andere Kompetenzen als für bisherige Marktleistungen. Erstens gilt es, den veränderten Kompetenzbedarf für die erfolgreiche Benutzung der KI-Anwendungen in Unternehmen zu ermitteln. Zweitens müssen Kompetenzcluster, zum Beispiel in Form von Kompetenzrollen, identifiziert werden, die unter Erschließung von Synergieeffekten gemeinsam aufgebaut werden können. Drittens folgt die Ableitung von prototypischen Aufbaumaßnahmen für den identifizierten Kompetenzbedarf.

Die fünf aufeinander aufbauenden, übergeordneten Forschungsfelder adressieren allgemein die verschiedenen Herausforderungen (siehe Kap. 3) im Kontext von KI-Anwendungen in der strategischen Produktplanung. Diese Forschungsfelder lassen sich spezifisch sehr unterschiedlich ausprägen. Für das erste Forschungsfeld, Potenzialfindung in der Produktentstehung, lassen sich sowohl direkte als auch indirekte Potenziale ableiten. Direkte Potenziale beziehen sich auf die Einführung und Nutzung von KI-Anwendungen für die Tätigkeiten innerhalb der strategischen Produktplanung. Indirekte Potenziale ergeben sich hingegen aus den neuen Aufgaben, die mit der Einführung und Nutzung von KI verbunden sind. Nachfolgend werden exemplarisch je ein direktes und indirektes Potenzial inklusive zugrundeliegender Forschungsfragen vorgestellt. Ein Beispiel für ein direktes Potenzial in der strategischen Produktplanung ist die KI-gestützte Vorausschau, ein Beispiel für ein indirektes Potenzial die Entwicklung von Produktstrategien für datenbasierte Services:

Im Gegensatz zur Potenzialfindung im Produktentstehungsprozess geht es bei der KI-gestützten Vorausschau nicht um die Identifikation von Potenzialen für KI-Anwendungen, sondern um die Anwendung von KI, um Erfolgspotenziale im Rahmen der Vorausschau zu ermitteln. KI-Anwendungen können bestehende Methoden, wie z. B. die Szenario-Technik, unterstützen oder für deren gezielte Weiterentwicklung eingesetzt werden. Insbesondere die Fähigkeit von KI, Massendaten zu erfassen, zu analysieren und daraus Schlüsse zu ziehen, verspricht ein hohes Nutzenpotenzial (acatech 2020). Gleichzeitig kann die benutzungsfreundliche Gestaltung der Mensch-Technik-Interaktion die Anwendungsfreundlichkeit von Methoden der Vorausschau erhöhen und damit den Nutzungsgrad vor allem in kleinen und mittleren Unternehmen steigern.

Bei digitalen, datenbasierten Services, wie zum Beispiel auf KI-Anwendungen basierenden Services, handelt es sich um eigenständige Marktleistungen. Genau wie physische Produkte müssen auch datenbasierte Services strategisch geplant werden. Sie unterscheiden sich aber durch ihre spezifischen Eigenschaften wie die digitale, softwarebasierte Updatefähigkeit von physischen Produkten. Ansätze zur Entwicklung von Produktstrategien für physische Produkte lassen sich folglich nicht ohne Weiteres auf datenbasierte Services übertragen. Insbesondere stehen Unternehmen im Kontext von KI vor der Herausforderung, Möglichkeiten zur langfristigen Differenzierung im Wettbewerb sowie zum Erhalt des Wettbewerbsvorsprungs zu identifizieren (Deloitte 2020; Echterfeld et al. 2017).