Veränderungen eröffnen Möglichkeiten. Die Automobilbranche steht mit der Wende hin zur Elektromobilität vor einem starken Umbruch. Dieser vollzieht sich nicht nur auf technologischer Ebene, sondern zeigt sich auch in der Transformation bisheriger Nutzungsstrukturen. Zur Implementierung zukunftsfähiger Geschäftsideen ist heute, vor dem Hintergrund einer zunehmend ökologisch orientierten Gesellschaft, das Mitdenken der damit verbundenen Umweltauswirkungen obligatorisch. In diesem Kapitel werden daher die entsprechend anstehenden Änderungen skizziert und ein Ansatz für ein Geschäftsmodell vorgestellt, welches die Möglichkeiten moderner Technologien verwendet, um die kraftfahrzeuggebundene Individualmobilität im Sinne der Kreislaufwirtschaft ökologisch und ökonomisch zu optimieren. Zentrales Element ist dabei eine Anlage zur automatisierten Demontage von Fahrzeugbaugruppen. Als potentielle Zielgruppen werden Kfz-Hersteller sowie Zulieferer ebenso angesprochen wie Recyclingunternehmen, die ihre bisherige Rolle in der Wertschöpfungskette ausbauen wollen.
Künstliche Intelligenz
Band 2/3, KI als Technologie und Transformationsfaktor
26 Beitrage in der Reihe
Beiträge zum Thema
Band 1 · Digitale Technologien und der Wandel von Geschäftsmodellen (2 Beitrage)
Künstliche Intelligenz (KI) ist heute zentraler Bestandteil in vielen Unternehmen und wird in Zukunft weiter an Bedeutung gewinnen, da vor allem durch den Einsatz künstlicher Neuronaler Netzwerke (Deep Learning) immer präzisere und vielseitigere KI-Modelle erstellt werden können. Eine der Grundlagen für die Entwicklung von KI ist Open Source Software (OSS), also frei verfügbare Softwaretechnologien. Eine andere wichtige Grundlage sind die Fortschritte in der Hardwareentwicklung, schnellere und anwendungsoptimierte Prozessoren und Speichersysteme. Diese Form der Verfügbarkeit von Software zusammen mit dem Quellcode stellt einen fundamentalen Paradigmenwechsel dar, der v. a. durch amerikanische Techunternehmen vorangetrieben wird. Beide Themenkomplexe KI und Open Source sind unweigerlich miteinander verknüpft, was mit Folgen für die Digitalisierungsstrategie der meisten Unternehmen verbunden ist. Aus dieser Entwicklung haben sich neue Business Models abgeleitet, die entweder als Top-Down oder Bottom-Up umgesetzt werden. Gerade für Unternehmen, die sich weg von einem reinen Produzenten hin zu einem serviceorientierten Unternehmen transformieren wollen, lohnt sich ein genauer Blick auf diese Business Models. Generell lässt sich seit einigen Jahren eine gestiegene Akzeptanz von Open Source-Software in Unternehmen feststellen. Deshalb werden zudem Gefahren und Herausforderungen von Open Source im gewerblichen Einsatz im letzten Teil des Buchkapitels behandelt.
Band 2 · Voraussetzung, Implementierung und Anwendung von Künstlicher Intelligenz im Rahmen datenbasierter Geschäftsmodelle (16 Beitrage)
Künstliche Intelligenz hat in den letzten Jahren stark an Bedeutung gewonnen und gilt als wesentlicher Trend zukünftiger Wirtschaftsund 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 L. Heim (B) Aeon Robotics GmbH, Braunschweig, Deutschland E-Mail: heim@aeonrobotics.com S. Gerth Zentrum ProKI-Ilmenau & Mittelstand-Digital Zentrum Ilmenau, Technische Universität Ilmenau, Ilmenau, Deutschland E-Mail: info@sebastiangerth.com MentalAid UG (haftungsbeschränkt), Erfurt, Deutschland
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 K. Sopp (B) Lehrstuhl für Entrepreneurship und betriebswirtschaftliche Steuerlehre, TU Bergakademie Freiberg, Freiberg, Deutschland E-Mail: karina.sopp@bwl.tu-freiberg.de I. Schulze Max-Planck-Förderstiftung, München / Gründernetzwerk SAXEED, Freiberg, Deutschland E-Mail: isabel.schulze@saxeed.net
KI-basierte audiovisuelle Analyse kann datengetriebene Produkt-, Prozessund 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, Videound Audiomaterial extrahieren. Sie können in vielen Anwendungsbereichen wichtige Bausteine für datengetriebene Wir danken Sascha Grollmisch, wissenschaftlicher Mitarbeiter am Fraunhofer IDMT, für seinen wertvollen Input bei der Erstellung des Kapitels. P. Aichroth (B) · J. Liebetrau Fraunhofer IDMT, Ilmenau, Deutschland E-Mail: patrick.aichroth@idmt.fraunhofer.de J. Liebetrau E-Mail: judith.liebetrau@idmt.fraunhofer.de
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. T. Kollmann (B) Lehrstuhl für BWL und Wirtschaftsinformatik, insbesondere Digital Business und Digital Entrepreneurship, Universität Duisburg-Essen, Essen, Deutschland E-Mail: tobias.kollmann@icb.uni-due.de L. Kleine-Stegemann Kearney, Düsseldorf, Deutschland
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. P. Rimpp (B) Institut für Wirtschaftswissenschaft, Technische Universität Clausthal, Clausthal-Zellerfeld, Deutschland E-Mail: philipp.rimpp@tu-clausthal.de
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 KIModellen, 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. H. Bartel (B) RealRate Inc., Berlin, Deutschland E-Mail: holger.bartel@realrate.ai M. Kraft · J. L. Leidner Hochschule Coburg, Coburg, Deutschland E-Mail: mirko.kraft@hs-coburg.de J. L. Leidner E-Mail: leidner@acm.org J. L. Leidner University of Sheffield, Sheffield, Großbritannien
Der vorliegende Beitrag thematisiert den Einsatz von Künstlicher Intelligenz (KI) in der Psychotherapie. Zunächst werden relevante Begriffe geklärt, Forschungsfragen präsentiert und der aktuelle Forschungsund Entwicklungsstand auf theoretischer Ebene (mittels empirischer Literaturrecherche) und praktischer Ebene (anhand von bereits existierenden Entwicklungen) dargelegt. Daran schließt eine erörternde Diskussion von Vorund 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 M. Link · J. Jesse Understandment Jesse & Link GbR, Berlin, Deutschland E-Mail: Kontakt.PsychotherapieLink@gmail.com J. Jesse E-Mail: psychotherapie.jesse@gmail.com S. Gerth (B) Zentrum ProKI-Ilmenau & Mittelstand-Digital Zentrum Ilmenau, Technische Universität Ilmenau, Ilmenau, Deutschland E-Mail: info@sebastiangerth.com S. Gerth · V. Belikova-Gerth MentalAid UG (haftungsbeschränkt), Erfurt, Deutschland E-Mail: veronika@belikova-gerth.de
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 M. V. Reimer (B) Freier Wissenschaftler, Flensburg, Deutschland E-Mail: maximilian.reimer@tu-clausthal.de A. W. Hahn Freier Wissenschaftler, Grabs, Schweiz E-Mail: anselm.hahn@gmail.com S. Hahn Freier Wissenschaftler, Bochum, Deutschland E-Mail: simonhahnmobil@googlemail.com
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 Arbeitsund Hilfsmittel. Dadurch wandeln sich nicht nur einzelne Operationen, sondern vielfach auch die komplexen Informatisierungsund 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. T. Kölzer (B) · K. Smarsly Institut für Digitales und Autonomes Bauen, Technische Universität Hamburg, Hamburg, Deutschland E-Mail: thomas.koelzer@tuhh.de K. Smarsly E-Mail: kay.smarsly@tuhh.de
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 Insbesondere der zweitgenannte Autor dankt den Freunden Prof. Dr. Jürgen Cleve, Hochschule Wismar, und Prof. Dr. Dr. Dietmar Janetzko, Cologne Business School, für intensive Diskussionen und unzählige Anregungen, die jetzt gar nicht mehr im Einzelnen herauszukristallisieren sind. Dass die Debatten oft nicht im Konsens endeten, tut dem keinen Abbruch. O. Arnold Professur Theoretische Informatik, Künstliche Intelligenz, FH Erfurt, Erfurt, Deutschland E-Mail: oksana.arnold@fh-erfurt.de K. P. Jantke (B) ADICOM Software KG, Weimar, Deutschland E-Mail: klaus.p.jantke@adicom.software
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 SpeakerNutzern 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 C. D. Schultz (B) Fakultät für Wirtschaftswissenschaft, Fern Universität in Hagen, Hagen, Deutschland E-Mail: carsten.schultz@fernuni-hagen.de F. Paetz Clausthal Executive School, Technische Universität Clausthal, Clausthal-Zellerfeld, Deutschland E-Mail: friederike.paetz@tu-clausthal.de
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 kleineund 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. A. Mansilla (B) IfE – Ingenieurbüro für Energiewirtschaft Dr.-Ing. Dirk Schramm GmbH, Steinbach-Hallenberg, Deutschland E-Mail: a.mansilla@ifegmbh.de
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. S. Gerth (B) Zentrum ProKI-Ilmenau & Mittelstand-Digital Zentrum Ilmenau, Technische Universität Ilmenau, MentalAid UG (haftungsbeschränkt), Erfurt, Deutschland E-Mail: info@sebastiangerth.com L. Heim Aeon Robotics GmbH, Braunschweig, Deutschland E-Mail: heim@aeonrobotics.com
Band 3 · Nachhaltige Geschäftsmodelle durch digitale Innovation und Transformation (8 Beitrage)
Der Beitrag untersucht das Potenzial humanoider Roboter für die automatisierte Second-Life-Prüfung von Photovoltaik-Modulen. Angesichts der wachsenden Rücklaufmengen gebrauchter oder beschädigter Solarmodule stellt die systematische Bewertung ihrer Wiederverwendbarkeit eine zentrale Herausforderung für eine nachhaltige Kreislaufwirtschaft dar. Die bislang vorherrschenden manuellen Prüfverfahren sind kostenintensiv, langsam und belasten das Fachpersonal physisch. Der Einsatz humanoider Robotik bietet die Möglichkeit, diese Prozesse zu automatisieren, ohne auf mechanische Standardlösungen beschränkt zu sein. Durch ihre flexible Aktorik, feinfühlige Sensorik und lernfähige Steuerung eignen sich humanoide Systeme besonders für Prüfaufgaben mit hohem kognitivem und motorischem Anspruch. Der Beitrag analysiert technologische Anforderungen, Einsatzpotenziale und systemische Bedingungen für den erfolgreichen Technologietransfer in die industrielle Praxis. Ökologische und wirtschaftliche Effekte werden ebenso diskutiert wie Herausforderungen bei der Integration in bestehende betriebliche Strukturen. Die Ergebnisse zeigen, dass humanoide Robotik einen wertvollen Beitrag zur digitalen Transformation ressourcenschonender Prozesse im PV-Sektor leisten kann.
In der Vergangenheit wurden digitale Innovationen (wie Internet, Smartphone, Additive Fertigung, Immersive Technologien) entwickelt, um beispielsweise Arbeit effizienter oder auch Produktionsabläufe leistungsfähiger zu gestalten. Auch die künstliche Intelligenz (KI) hat viele Erleichterungen gebracht und eröffnet neue Möglichkeiten für nachhaltiges Wirtschaften. Mitarbeitende brauchen bspw. weniger Zeit mit administrativen Tätigkeiten zu verbringen, wenn KI-basierte Assistenzsysteme Routineaufgaben in Unternehmen übernehmen. Im industriellen Kontext kann ein KI-unterstütztes Energiemanagement den Verbrauch in Echtzeit analysieren und damit unnötige Lastspitzen vermeiden. KI hat zudem das Potenzial, die globalen Bemühungen zum Schutz der Umwelt und des Klimas sowie zur Erhaltung der Ressourcen zu beschleunigen. Allerdings verbraucht das Trainieren von KI-Modellen hohe Mengen an Energie und Wasser, weil dazu der Einsatz leistungsstarker Rechenzentren erforderlich ist. Diese verbrauchen enorme Mengen an elektrischer Energie für die Rechenleistung. Gleichzeitig erzeugt dieser Prozess viel Abwärme. Um die Server zu kühlen, wird häufig Wasser zur Kühlung eingesetzt. Auch ethische Aspekte wie Transparenz der Entscheidungsfindung sind beim Einsatz von KI kaum berücksichtigt. In diesem Beitrag zeigen die Autoren, wie durch den Einsatz von KI nachhaltige Geschäftsmodelle und damit ein Mehrwert im Unternehmen geschaffen werden können. Dabei wird darauf geachtet, dass die KI selbst nachhaltig gestaltet ist. Dazu wurde im Forschungsprojekt ESCADE ein Kennzahlenmodell entwickelt, mit dem die Nachhaltigkeit von KI gemessen und bewertet werden kann.
Im Rahmen des international zunehmenden Wettbewerbs im Bereich des Maschinenbaus ist in einem Forschungsprojekt gemeinsam mit dem Werkzeugmaschinenhersteller DMG MORI Seebach GmbH ein KI-basierter Vorhersagealgorithmus für Maschinenverschleiß auf Basis der Produktionsdaten erstellt worden. Damit soll zukünftig die Produktion am Thüringer Standort Seebach dahingehend optimiert werden, dass bestimmte, arbeits- und damit kostenintensive Instandsetzungen beim Kunden durch eine geeignete Auswahl an Maschinenkonfigurationen minimiert werden können, sofern bei der Konfiguration Spielräume bestehen (Weck und Brecher 2006, S. 381). Als Grundlage für diese Prädiktion wird eine im Rahmen des Projekts trainierte KI im Rahmen des Wiener’schen Systemmodells (Wiener 1963) eingesetzt. Dabei werden die Konfigurationsdaten aus der Produktion eingangsseitig und sämtliche Daten über bestimmte Verschleißzustände an der Ausgangsseite für dieselbe Maschine für die Modellerstellung eingeprägt, um in der Anwendungsphase dieses Verschleißvorhersagemodell für die Produktionsoptimierung einzusetzen. Es wird also die trainierte KI gezielt zur Produktionsoptimierung genutzt, womit neben dem Einsatz in der Fertigung auch neue Geschäftsmodelle möglich werden.
Unternehmen sehen sich bei der Benutzung und Verwaltung ihrer IT-Systeme mit immer vielfältigen Herausforderungen konfrontiert, da aufkommende Technologien sowohl zusätzliche Komplexität als auch neue Möglichkeiten für ihre Geschäftsprozesse mit sich bringen. Angesichts dieser zunehmenden Komplexität ist es wichtig, über qualitativ hochwertige Daten zu verfügen, die Informationen für wichtige unternehmensweite Entscheidungen aber auch für weitere nachgelagerte Systemen wie etwa MES (Manufacturing Execution System) oder ERP (Enterprise Resource Planning) liefern. Zahlreiche Studien deuten jedoch darauf hin, dass viele Unternehmen ihren Daten nicht genügend Aufmerksamkeit schenken und dass eine der Hauptursachen dafür darin liegt, dass sie es vernachlässigen, ihre Qualität und ihren Wert zu messen oder die Kosten abzuschätzen, die ihnen durch schlechte Daten entstehen. Schaut man in diesem Zusammenhang auf die produzierenden Unternehmen, so erkennt man schnell auch weitere Defizite im Umgang mit den Daten, welche vor allem einen breitgefächerten Einsatz innovativer Technologien wie etwa Künstliche Intelligenz (KI) verhindern und einen Übergang zur Industrie 4.0 stark verzögern. Das in diesem Kapitel vorgestellte Vorgehensmodell unterstützt Unternehmen dabei, Datenqualitätsprobleme frühzeitig zu erkennen und Maßnahmen zur Verbesserung und anschließenden Aufrechterhaltung der Datenqualität zu ergreifen.
Die Zukunft der Gesellschaft ist ohne Künstliche Intelligenz (KI) nicht mehr vorstellbar. Daraus ergibt sich das Ziel, die KI als Technologie zu beherrschen und in Implementierungen als Partner zu nutzen. Das verlangt Verständnis ihrer Prinzipien. Zu einer kontinuierlichen Herausforderung wird dabei, dass sie, ihre Stärken, Schwächen und Gefahren einem zeitlichen Wandel unterliegen. Zahlreiche Prozesse der Gesellschaft, von der Wirtschaft über die Verwaltung, das Gesundheitswesen, die Ausbildung bis hin zum privaten Leben werden komplizierter und enthalten selbst zunehmend KI. Diese Komplexität zu meistern, verlangt effektive und nachhaltige Bildungsprozesse mit der und für die KI. Sogenannte Time Travel Prevention Games stellen ein originäres Konzept für attraktive Bildung dar. Implementiert werden sie als virtuelle Trainingswelten u.a. für die Unfallprävention. Wer trainiert, erlebt seine eigene hochgradig personalisierte Erfolgsgeschichte. KI im Training unterstützt den Menschen und sorgt dafür, dass das Training erinnernswert und als Abenteuer mit Herausforderungen und Erkenntnisgewinn erzählenswert wird. Wer trainiert, erlebt Effekte nachhaltig und sieht die positive Unterstützung der KI. Dazu verfügt der vorliegende KI-Ansatz über innovative Features wie die Fähigkeit zur – virtuellen – Veränderung der Vergangenheit. Er unterstützt die Lernenden, Fehler zu korrigieren und sozusagen ihr Schicksal selbst bzw. gemeinsam mit der KI zu beeinflussen. Diese Veränderungen werden mit besonderen Effekten erlebt und stärken die Nachhaltigkeit des Lernens.
KI-Technologien verändern die Art, wie Menschen Informationen verarbeiten, Entscheidungen treffen und gesellschaftlich interagieren – in Bildung, Alltag und Arbeitswelt. Die zunehmende Informationsflut sowie kognitive Verzerrungen stellen erhebliche Herausforderungen für die Informationsverarbeitung dar und können die Qualität individueller und kollektiver Entscheidungsprozesse beeinträchtigen. Während KI das Potenzial besitzt, Lernprozesse zu personalisieren und kognitive Verzerrungen zu kompensieren, birgt sie zugleich Risiken wie algorithmische Verzerrungen und die Verstärkung von Filterblasen. Der Aufbau von KI-Kompetenzen birgt daher erhebliches Potenzial: Er kann zur Stärkung individueller Urteilsfähigkeit, organisationaler Innovationskraft und gesellschaftlicher Teilhabe beitragen. Dabei wird KI nicht isoliert betrachtet, sondern eingebettet in den umfassenderen Kontext von Digitalität als kulturellem und gesellschaftlichem Transformationsprozess. Ausgehend davon lautet die zentrale Forschungsfrage: Welches Bildungsverständnis benötigen wir, um einen verantwortungsvollen Umgang mit KI-Technologien zu ermöglichen – und wie kann ein solcher Bildungsansatz konkret umgesetzt werden, insbesondere in Unternehmen als zentrale Lern- und Lebensorte? Die Argumentation verbindet psychologische Erkenntnisse zur Informationsverarbeitung, empirische Studien zum Stand digitaler Kompetenzen und medienpädagogische Perspektiven auf Digitalität. Daraus wird ein Bildungsverständnis entwickelt, das nicht auf kurzfristige Wissensvermittlung zielt, sondern auf langfristige Reflexionsfähigkeit, Selbststeuerung und gesellschaftliche Verantwortung. Abschließend werden Gelingensbedingungen und konkrete Handlungsperspektiven formuliert – sowohl für betriebliche Bildungsstrategien als auch für eine gesamtgesellschaftliche KI- und Medienbildung im Kontext nachhaltiger Transformation.
Die Erderwärmung ist maßgeblich auf Treibhausgasemissionen zurückzuführen; das ist aus wissenschaftlicher Sicht unbestritten (Masson-Delmotte et al. 2021; Friedlingstein et al., 2023)[37][25]. Unter anderem aus diesem Grund ratifizierte Deutschland schon 2016 das internationale Pariser Übereinkommen zum Klimaschutz. Auch wenn sich so gut wie alle Stakeholder über die zu erreichenden Ziele einig waren, insbesondere dem 1,5-Grad-Ziel (Art. 2 Abs. 1 lit. a Übereinkommen von Paris), wurde der Weg zur Zielerreichung innerhalb Europas zunächst als zu langsam und im Lichte unterschiedlicher nationaler Umsetzungsstrategien auch als ungleich wahrgenommen. Dem wollte die europäische Kommission mit einem gesamtstaatlichen, koordinierten Ansatz entgegenwirken, indem sie verbindliche europäische Regelungen schuf (Europäische Kommission 2025)[24]. Sie hat mehrere EU-Rechtsakte erlassen, die sowohl die Offenlegung von klimabezogenen Informationen als auch die Umsetzung konkreter Maßnahmen zur Reduktion von Treibhausgasemissionen vorschreiben. Da die Kommission den Unternehmen bei der Umsetzung ihrer übergeordneten Ziele von Anfang an eine Schlüsselposition zuerkannte, wurden sie zu zentralen Adressaten dieser Regularien, indem sie unter anderem zur nachhaltigen Unternehmensführung und Berichterstattung verpflichtet wurden. Die Regularien wurden fortlaufend überarbeitet, zuletzt fanden Anpassungen zu den Berichtspflichten im Unternehmen zur Steigerung von Energieeffizienz und dem Klimaschutz statt (vgl. CSRD). Die Unternehmen haben nach dem Willen der Kommission den effizienten Umgang mit den energetischen Ressourcen sicherzustellen und zu dokumentieren, was unternehmensseitig durch Energiemanagementsysteme (EnMS) – neuerdings auch KI-gestützt – begleitet werden kann. Letztere gewähren den Unternehmen nicht nur einen Überblick über ihren Verbrauch und u.U. die Erzeugung von Energie, sondern eröffnen ihnen auch einen Blick auf die Potenziale, etwa zur Steigerung der Energieeffizienz und der Einsparung von Energiekosten. Mögen diese KI-Systeme auch einen großen Nutzen besitzen, ist zugleich ein hohes Maß an Transparenz gefordert – ein Umstand, der nicht allen Unternehmen bekannt ist und deshalb hier vertieft werden soll. Im Folgenden sollen nach einer kurzen Einführung (▶ Abschn. 1.1) die rechtlichen Grundlagen zur Nachhaltigkeitsberichterstattung sowie zur Steigerung von Energieeffizienz aufgezeigt (▶ Abschn. 1.2) sowie KI-gestützte EnMS als Hilfsmittel bei der Erfüllung der rechtlichen Anforderungen vorgestellt werden (▶ Abschn. 1.3). Abschließend werden die besonderen Erfordernisse in Bezug auf die Transparenz bei der Einführung und Nutzung solcher Systeme im Unternehmen fokussiert (▶ Abschn. 1.4), bevor ein Fazit die Darstellung abschließt (▶ Abschn. 1.5).
Die Gestaltung nachhaltiger KI-Systeme im Einklang mit regulatorischen Anforderungen erfordert eine ganzheitliche Betrachtung. Bereits im Design und in allen Phasen des Lebenszyklus sollten Umwelt- und Sozialaspekte integriert werden, um den Prinzipien der Vertrauenswürdigkeit für KI zu entsprechen. Die europäischen Regulierungen, insbesondere die KI-Verordnung (KI-VO), setzen klare Vorgaben für Transparenz, Sicherheit und Verantwortlichkeit. Ergänzt durch internationale Standards und Normen wird der Weg für mehr Nachhaltigkeit bei Entwicklung und Nutzung von KI orchestriert. Geschäftsmodelle werden somit durch den Einsatz von vertrauenswürdiger KI in Richtung Nachhaltigkeit und Integration ethischer und sozialer Aspekte neujustiert.