Generative KI im Kontext der Wirtschaftsinformatik

Künstliche Intelligenz (KI) ist ein Begriff, der aus unserem Alltag nicht mehr wegzudenken ist. Das ist insofern bemerkenswert, da Künstliche Intelligenz doch ein Teilgebiet der Informatik ist, bei der es um mathematisch fundierte, informatische und informationstechnische Themen wie Algorithmen, Daten, Systeme, logisches Schließen, neuronale Netze u. v. m. geht. Der Tatsache, dass KI längst in der Mitte unserer Gesellschaft angekommen ist, wird auch dadurch Rechnung getragen, dass sich selbst Abgeordnetenhäuser schon seit Jahren mit KI beschäftigen. So schlägt das Europäische Parlament folgende Definition vor:

okumenten ist ein wesentlicher Teil des Dokumentenmanagements im Hinblick auf die Nachvollziehbarkeit, Revisionssicherheit und auch Kollaboration innerhalb von Organisationen. In einer Ära, in der Organisationen zunehmend auf cloudbasierte Dienste, Cybersecurity-Maßnahmen und künstliche Intelligenz angewiesen sind, stehen sie vor einzigartigen Herausforderungen im Bereich der Dokumentenversionierung. Dieses Buchkapitel bietet nicht nur einen tiefen Einblick in die technischen Herausforderungen der Dokumentenversionierung, sondern präsentiert auch innovative Lösungsansätze, um Organisationen dabei zu unterstützen, ihre Dokumentenverwaltung in einer Welt von Cloud, Cybersecurity und KI zu optimieren.

Die beeindruckenden Fortschritte der KI-basierten Textgenerierung in jüngster Zeit werfen die Frage auf, ob die neuen Systeme die von ihnen hervorgebrachten Inhalte verstehen oder ob sie lediglich „stochastische Papageien“ sind, wie es Skeptiker gerne ausdrücken. Obwohl es keine umfassende und allgemein akzeptierte operationale Definition von „Verstehen“ gibt, bieten sich mathematische Themen zur Annäherung an diese Frage an, weil in der Mathematik zumindest Einigkeit über „richtig“ und „falsch“ besteht und präzise Formulierungen möglich sind, so dass eine vergleichsweise objektive Bewertung der Ausgaben möglich ist. In diesem Kapitel wird die derzeit aktuelle Version von ChatGPT (Stand August 2023, basierend auf GPT-4 mit dem Wolfram-Plugin) exemplarisch mit mathematischen Fragen konfrontiert und die Qualität der Antworten wird evaluiert. Der Fokus liegt dabei nicht auf dem Rechnen und dem Lösen von typischen Prüfungsaufgaben, sondern auf konzeptionellen Fragen zur wissenschaftlichen Mathematik und auf logischen Schlussfolgerungen.

Die Integration von generativen künstlichen Intelligenzen wie ChatGPT gewinnt im Bildungsbereich zunehmend an Bedeutung. So könnten traditionelle Lehrmethoden durch den Einsatz von ChatGPT und ähnlichen Sprachmodellen optimiert werden, indem komplexe Konzepte interaktiv erklärt und Lerninhalte auf individuelle Bedürfnisse zugeschnitten werden. Gleichzeitig bestehen jedoch Bedenken hinsichtlich der Genauigkeit und Korrektheit der generierten Texte. In dieser Arbeit wird daher am Beispiel von ChatGPT für Module aus dem Studium der Wirtschaftsinformatik untersucht, ob Studierende mithilfe von generativen künstlichen Intelligenzen lernen können. Dazu werden ChatGPT Fragen zu verschiedenen Themengebieten der Wirtschaftsinformatik gestellt. Die Antworten werden anschließend mit konventionellen Lehr- und Lernmaterialien anhand zuvor aufgestellter Kriterien verglichen. Die Ergebnisse zeigen, dass die ChatGPT-Erklärungen häufig ansprechend erscheinen und durchaus korrekte Aussagen enthalten. Inkorrekte oder irreführende Aussagen sind jedoch meistens in den Details versteckt und nur mit entsprechender Fachkenntnis zu erkennen.

Akteure, die im Bereich des Wissens- und Technologietransfers tätig sind, müssen mit einer starken Dynamik im Bereich der aufkommenden und bereits vorhandenen Technologien umgehen. In der Praxis scheint es an Verfahren, Methoden und Instrumenten zu mangeln, um dieser Herausforderung gerecht zu werden. Folglich herrscht ein großes Potenzial für die Verbesserung des Stands der Technik in den Bereichen Technologiescouting, -bewertung und Kommunikation der Ergebnisse. Eines der Tools, das diese Lücke füllen kann, ist ein Technologieradar. Aus diesem Grund wurde eine Webanwendung entwickelt (Inno Radar – innoradar.app), um eine offene und kollaborative Erstellung von Technologieradaren zu ermöglichen. In dem Kapitel wird dargestellt, inwieweit diese Webanwendung durch ChatGPT von OpenAI bei der Erstellung von Content profitiert. Dabei wird nicht nur die Qualität der KI-generierten Texte untersucht, sondern auch der geforderte Ressourceneinsatz. Zusätzlich wird überprüft, ob die Gestaltung und Formatierung mittels der Markup-Sprache „Markdown“ zuverlässig die Nutzenden der Software unterstützt. Die Basis des Versuchs ist ein reales Technologieradar aus dem Jahr 2023, das für das Jahr 2024 mittels KI-basierter Contentgenerierung aktualisiert wird. Ziel dieses Kapitels ist es, die Stärken und Schwächen für das spezielle Einsatzszenario im Bereich des Wissens- und Technologietransfers darzustellen und mögliche Chancen und Herausforderungen der Integration von ChatGPT in die Webanwendung aufzudecken. Das finale Produkt des Versuchs sowie Handlungsempfehlungen schließen das Kapitel ab und geben Einblick einer weiteren Einsatzmöglichkeit von KI-basierten Textgenerierungswerkzeuge der heutigen Zeit.

In der strategischen Planung, sowohl in Unternehmenskontexten als auch in der Regionalentwicklung, spielt die Fähigkeit, frühzeitig Chancen und Risiken zu identifizieren und korrespondierende Handlungen einzuleiten, eine entscheidende Rolle. Die strategische Vorausschau bedient sich verschiedener Methoden, um solche Einsichten zu gewinnen und Unternehmensstrategien und Geschäftsmodelle, aber auch Strategien in der Entwicklung von Regionen systematisch zu begleiten. Zu den Methoden zählen unter anderem Trend- und Szenarioanalysen, das Environmental Scanning, Befragungen von Expert*innen oder die Umsetzung von Zukunftsworkshops. Die Szenarioanalyse ist ein etabliertes Instrument, um unterschiedliche Zukunftsszenarien zu entwickeln und zu bewerten. Mit der breiten Einführung von Technologien der Künstlichen Intelligenz (KI) – wie ChatGPT – eröffnen sich neue Möglichkeiten, diese Analysen durchzuführen. In diesem Beitrag werden Komponenten der Szenarioanalyse den durch KI generierten Ergebnissen gegenübergestellt und diskutiert. Dabei wird deutlich, dass die Integration der Künstlichen Intelligenz in den Prozess der Szenarioanalyse die Durchführungsgeschwindigkeit signifikant erhöhen kann, die Dokumentation des Prozesses unterstützt und den Erstellungsaufwand von Szenarien reduziert. Damit besteht grundsätzlich das Potenzial eines höheren Anwendungsgrades dieser Methode – auch in Organisationen mit geringeren Ressourcen für die strategische Planung – und einer schnelleren Reaktionsfähigkeit aufseiten der Unternehmen und Institutionen, die vor strategischen Entscheidungen stehen und komplexe Umfelder berücksichtigen müssen. Dennoch ist eine profunde Methodenkenntnis und Anwendungskompetenz erforderlich, um zu belastbaren Ergebnissen und Entscheidungen zu gelangen. Weiterhin zeigt der Vergleich, dass im Fall von spezifischen und – wie in diesem Beitrag – regionalen Fragestellungen Ergebnisse der Künstlichen Intelligenz noch zu unspezifisch sind. Andererseits kann KI auch dabei helfen, Fehler zu vermeiden und die Einschätzungen des Szenarioteams zu hinterfragen. Die fehlende Zuordnung von Quellen zu generierten Texten, ausgeprägte Bedenken im Hinblick auf die Datensicherheit und die Gefahr von Urheberrechtsverletzungen stellen Barrieren im Einsatz von ChatGPT dar.

Data Science und Künstliche Intelligenz sind Kernbegriffe der aktuellen Diskussion um computergestützte Entscheidungen oder (Teil-)Automatisierung von Entscheidungsproblemen. Gleichzeitig stehen mit ChatGPT bzw. Large Language Models im Allgemeinen neue Werkzeuge zur Verfügung, die selbst wiederum auf statistischen und mathematischen Überlegungen sowie (teils massiver) IT-Unterstützung basieren. Dieser Beitrag untersucht anhand von zwei Fragestellungen, welche Qualität von den genannten Werkzeugen hinsichtlich der Bearbeitung klassischer Fragestellungen aus dem beschriebenen Bereich erwartet werden kann. Er stellt anhand von Klassifikationsproblemen – auf numerischen Daten und Bildern – Versuchsbau, -ablauf und -ergebnis dar, ordnet die Beobachtungen ein und gibt ein erstes Resümee zur Leistungsfähigkeit.

Nach einer Studie des Massachusetts Institute of Technology wurde ein Produktivitätsgewinn von 37 % durch den Einsatz von KI-Technologie für Textgenerierung erzielt. Zusätzlich wurde die Qualität der Ergebnisse erhöht im Sinne von „writing quality, content quality and originality“. In der MIT-Studie wurde ChatGPT als KI-Tool für die Textgenerierung verwendet (Shakked Noy, Whitney Zhang: Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence; March 2, 2023 Working Paper (not peer reviewed)). Das Neue daran ist, dass auch kreative Arbeiten durch KI-Technologie effizienter und in höherer Qualität verrichtet werden können – wie das Schreiben von Texten, Mails, Presseartikeln oder die Zusammenführung dieser Quellen zu einem neuen Text. Das stellt eine Automatisierung auf einem neuen Level dar. In diesem Kapitel wird beschrieben, in welchen Arbeitsbereichen und unter welchen Randbedingungen signifikante Effizienzgewinne und Qualitätsverbesserungen in der Kundenbetreuung erreicht werden können. Ziel ist es, die Einsatzmöglichkeiten von KI-basierten Textgenerierungswerkzeugen im Vertrieb, Marketing und Customer Service zu beschreiben. Einerseits werden die heute vorhandenen Möglichkeiten dargelegt, um dem Leser eine Orientierung zu geben, was heute schon im betrieblichen Ablauf genutzt werden kann. Andererseits wird ein Ausblick auf die kurzfristig bzw. mittelfristig zu erwartenden Potenziale gegeben sowie eine Einschätzung der weiteren Entwicklung der KI–Technologie. Insgesamt soll eine realistische Einschätzung der KI-Tools Entscheidern und Nutzern in der Fachabteilung und in der IT aufzeigen, in welchen Bereichen ein Businessmehrwert erzielt werden kann. Ein weiterer Aspekt ist dabei auch, die Grenzen der heutigen KI-Technologie aufzuzeigen, um überhöhte Erwartungen einzuhegen.

Im Rahmen des Projektes 5G-Inno-SLS entstand eine Tourismus-Anwendung, die auf der HoloLens 2 von Microsoft läuft. Für diese Anwendung wurde ein ChatGPT-Ansatz mit Spracheingabe und Sprachausgabe erarbeitet, der Fragen der Besucher über die Geschichte der Festungsstadt Saarlouis beantwortet. Dazu wurde ChatGPT an den touristischen Bereich angepasst, indem eine benutzerdefinierte Wissensdatenbank aufgebaut wurde mit spezifischem Fachwissen über die Vauban-Festung aus Wikipedia und aus Lehrunterlagen, die vom Museum Saarlouis zur Verfügung gestellt wurden. Die Tourismus-Anwendung erfordert eine geringe Latenz, sodass für eine schnellere Geschwindigkeit eine geringere Genauigkeit in Kauf genommen wird, und trotzdem überzeugt die Anwendung bereits mit ihrer Leistung, auch wenn es noch zu lösende Herausforderungen gibt.