Big Data und künstliche Intelligenz im Management. Disruptive Technologien als Erfolgsfaktor für die Entscheidungsfindung

Inhaltsverzeichnis

Vorwort

Abkürzungsverzeichnis

1 Einleitung

2 Grundlagen
2.1 Aktuelles wirtschaftliches Umfeld deutscher Unternehmen
2.2 Informationen und Daten
2.3 Digitalisierung und Big Data
2.4 Künstliche Intelligenz
2.5 Weitere relevante Aspekte
2.6 Unternehmerisches Management 4.0

3 Analyse von Entscheidungsfindungen im Management
3.1 Wesentliche Entscheidungsfunktionen des Managements
3.2 Wesentliche Faktoren bei Entscheidungen
3.3 Entscheidungsträger Mensch gegenüber künstlicher Intelligenz
3.4 Erkenntnisse zur Entscheidungsfindung

4 Analyse der Umsetzbarkeit künstlicher Intelligenz in der Praxis
4.1 Grundbedürfnisse
4.2 Risiken
4.3 Erkenntnisse zur Realisierbarkeit

5 Schlussbemerkung

Literaturverzeichnis

Bibliografische Information der Deutschen Nationalbibliothek:

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

Impressum:

Copyright ©Studylab 2019

Ein Imprint der GRIN Publishing GmbH, München

Druck und Bindung: Books on Demand GmbH, Norderstedt, Germany

Coverbild: GRIN Publishing GmbH | Freepik.com | Flaticon.com | ei8htz

Vorwort

In Kultserien wie Knight Rider oder Hollywoodfilmen wie Star Wars ist das Thema künstliche Intelligenz schon lange vertreten. Doch besonders in den letzten Jahren schaffte das Thema den Sprung von einer künstlerisch ausgestalteten Fiktion in die theoretische und angewandte Wissenschaft. Die immer stärkere Präsenz in Fach- und Allgemeinpresse nahm ich als Indiz für Chancen und Risiken dieser neuen Technologie wahr, die möglicherweise ganze Industrien grundlegend verändern wird.

Fachartikel und Studienergebnisse meines Ausbildungspartners, verdeutlichten mir den akuten Bedarf von fundierten Erkenntnissen über die Implikationsmöglichkeiten in der Wirtschaft und deren Wirksamkeit bei Managemententscheidungen.

Im Rahmen meines Studiengangs „Rechnungswesen, Steuern, Wirtschaftsrecht – Wirtschaftsprüfung“ an der Dualen Hochschule Baden-Württemberg, erlernte ich grundlegendes Wissen über das Management von Unternehmen. Meine in den Vorlesungen erworbenen und in der Praxis gefestigten Grundkenntnisse möchte ich mit dieser Arbeit wissenschaftlich fundieren und in Bezug zum Thema künstliche Intelligenz stellen.

Die Zielsetzung dieser Arbeit soll nicht nur eine wissenschaftlich fundierte Kommentierung der Problemstellung sein, sondern auch die Aneignung von Fachwissen, welches ich in meinen beruflichen Tätigkeiten anwenden kann.

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

Seit der Gründung des ersten Unternehmens bis in die heutige Zeit ist es die Aufgabe des Managements, erfolgswirksame Entscheidungen zu treffen. Dabei sind die Anforderungen an die Entscheidungsträger im Laufe der Zeit immer weiter gestiegen.

Geopolitisch, weltwirtschaftlich und technologisch befindet sich die Welt in einem Umbruch. Der technische Fortschritt bringt immer kürzer werdende Innovationszyklen hervor und die Prozesse und Projekte in Unternehmen gewinnen stetig an Komplexität. Des Weiteren bringt die globalisierte Wirtschaft zunehmend dynamischere Märkte hervor. Dabei eröffnen sich neue Märkte oft genauso schnell wie sie sich wieder schließen oder wandeln. Auch die Produktportfolios werden immer diversifizierter. Außerdem werden in Zeiten von Onlinehandel die Absatzkanäle immer vielseitiger. In einer Zeit, die geprägt ist von der Vernetzung der realen mit der virtuellen Welt, ergeben sich Daten als die Ressource der Zukunft. Die riesigen Datenmengen, auch als Big Data bezeichnet, verlangen dabei nach deren effektiven Nutzung.

Die Folgen für das Management sind immer öfter zu treffende, immer schwieriger und komplexer werdende Entscheidungen. Die Vielzahl von Lösungsmöglichkeiten weitet sich dazukommend stetig aus. Trotz dieser steigenden Anforderungen an das Management bleibt das Organ der Entscheidungsfindung konstant. Hinter den Entscheidungen steht seit Anbeginn des Unternehmertums der Mensch.

Doch die Arbeitszeit dieses Entscheidungsträgers ist knapp und es stellt sich die Frage, ob die menschliche Kapazität, Intelligenz und Kreativität den immer anspruchsvoller werdenden Entscheidungen überhaupt noch gewachsen ist oder ob es hier einen besseren Entscheidungsträger gäbe. Aktuell rückt dabei besonders das Thema künstliche Intelligenz (KI) in den Fokus. Die Präsenz von künstlicher Intelligenz spiegelt sich unter anderem dadurch wieder, dass die Auszeichnung zum Unternehmer des Jahres 2019 (International), verliehen durch das renommierte Unternehmen Ernst & Young (EY), an ein auf KI-Industrieanwendungen spezialisierten Unternehmer vergeben wurde.

Es eröffnet sich die Frage, ob eine künstliche Intelligenz, unter Nutzung von Big Data, als Erfolgsfaktor, in der unternehmerischen Entscheidungsfindung fungieren könnte?

Das Ziel dieser Arbeit soll es deshalb sein, diese Frage wissenschaftlich fundiert zu kommentieren. Dazu muss zunächst festgehalten werden, an was der Erfolg gemessen wird.

Erfolg wird daran gemessen, ob aus Gesamtunternehmenssicht ein wirtschaftlicher Vorteil erzielt wird. Also entweder durch einen effizienteren Entscheidungsprozess oder durch effektivere Entscheidungen. Dabei bedeutet Effektivere Entscheidungen, dass der Lösungsweg für den sich der eine Entscheidungsträger entscheidet, gegenüber einem anderen wirtschaftlich einen größeren Erfolg einbringt. Also zum Beispiel bestehende Wertschöpfungsprozesse optimiert oder neue erschließt. Durch die genannte Festlegung kann transparent und nachvollziehbar die Qualität der Entscheidungen bewertet werden.

Besonders hervorzuheben ist, dass es einen klaren Unterschied zwischen der Evaluation einer Entscheidung und eines Entscheidungsträgers gibt. Denn nicht zwingend korreliert eine objektiv betrachtet richtige Entscheidung mit den Kompetenzen eines Entscheidungsträgers. Ein verbreiteter Denkfehler, der auch negative Auswirkungen in der Entscheidungsfindung haben kann. Auf dieses Risiko wird in Kapitel 3.3.3 konkret eingegangen. Die Differenzierung findet folgendermaßen statt:

Qualität der Entscheidung: Für eine Aussage über die Qualität einer Entscheidung muss eine objektive Perspektive eingegangen werden. Unter der Annahme eines allwissenden Gutachters ist die Entscheidung als beste zu wählen, die unter Berücksichtigung aller denkbaren Lösungsvarianten tatsächlich den größten wirtschaftlichen Erfolg bringt.

Qualität des Entscheidungsträgers: Für eine Aussage über die Qualität eines Entscheidungsträgers muss eine subjektive Perspektive eingegangen werden. Aus Sicht des Entscheidungsträgers und mit seinem Kenntnisstand zum Zeitpunkt der Entscheidung sollte die Entscheidung getroffen werden, die am vielversprechendsten ist.

Zwar wurde bereits klargestellt, dass Entscheidungsträger nicht am Ergebnis, sondern am Prozess beurteilt werden sollten. Für diese Arbeit werden die beiden Entscheidungsträger Mensch und künstliche Intelligenz aber dennoch am objektiv betrachtetet wirtschaftlichsten Ergebnis beurteilt. Hintergrund ist, dass bei einer subjektiven Betrachtungsweise zunächst der Entscheidungsträger im Moment der Entscheidung im Fokus steht. Dieser situative Wissensumfang ist aber zwischen KI und Mensch stark differenziert und die Herausarbeitung dessen zu umfangreich. Vielmehr ist es auch aus Sicht des Unternehmens irrelevant, ob Subjekt 1 oder 2 aus seiner Sicht die bestzutreffende Entscheidung getroffen hat. Es geht wie bereits erwähnt darum, was für das Unternehmen objektiv die wirtschaftlich bessere Entscheidung ist.

Da die Themen Management und künstliche Intelligenz einen sehr weitreichenden Umfang haben, wird bei deren Synthese in dieser Arbeit häufig eine Abgrenzung zu Aspekten vorgenommen, auf die nicht weiter eingegangen werden kann.

Das inhaltliche Vorgehen lässt sich folgendermaßen kurz umreißen: Zunächst wird das aktuelle wirtschaftliche Umfeld, in dem sich Unternehmen in Deutschland befinden, in den relevanten Aspekten dargestellt. Dabei werden auch die zentralen Technologien, die in Zusammenhang mit KI stehen, präsentiert. Die Thematik beinhaltet eine Vielzahl von neuen Begrifflichkeiten. Besonders im ersten Teil der Arbeit soll es deshalb zur Klärung der relevanten Begriffe kommen. Diese Arbeit befasst sich mit der Entscheidungsfindung des Managements, aus diesem Grund werden die Auswirkungen des aktuellen unternehmerischen Umfelds auf das Management verdeutlicht. In die Entscheidungsfindung wirken eine Vielzahl von Faktoren hinein, die für diese Arbeit als wesentlich eingestuft und daher vorgestellt werden. Anschließend folgt die Untersuchung, wie eine KI gegenüber einem Menschen mit diesen Faktoren umgeht und welche Vor- oder Nachteile jeweils erbracht werden.

Nachdem theoretisch herausgearbeitet wurde, wie eine künstliche Intelligenz hinsichtlich eines wirtschaftlichen Zielgedankens bei der Entscheidungsfindung gegenüber einem Menschen abschneidet, soll die praktische Umsetzbarkeit beleuchtet werden. Dabei werden die grundlegenden Voraussetzungen einer KI dargestellt, und mögliche Risiken aufgezeigt, die in Zusammenhang mit der Implementierung von dieser stehen. Nachdem in der Theorie herausgearbeitet wurde, wer - unter wirtschaftlichen Gesichtspunkten - in der heutigen Zeit der bessere Entscheidungsträger sein könnte und die Implementierung auf ihre praktische Realisierbarkeit untersucht wurde, kann anschließend die Problemstellung fundiert kommentiert werden.

Diese Arbeit erhebt den Anspruch einer wissenschaftlichen Arbeit, die sich zum Großteil auf Fachliteratur aus diversen Universitätsbibliotheken bezieht. Die Entwicklungen zu diesem Thema machen täglich Fortschritte. Das Interesse aus internationaler Forschung, Wirtschaft und Politik verzeichnet einen Anstieg. Infolgedessen wird auf viele aktuelle Fachartikel und andere Beiträge etablierter Experten über das Internet zugegriffen. Auch Studien, Umfragen und Kommentare von renommierten Beratungs- und Wirtschaftsprüfungsunternehmen können Erkenntnisse beisteuern. Besuchte Podiumsdiskussionen an Universitäten geben des Weiteren aktuelle Meinungen von Politik und Wissenschaft hinzu.

Die Aktualität des Themas erfordert, wie im Literaturverzeichnis erkennbar, Quellen im Wesentlichen aus den letzten zwei bis drei Jahren. Entscheidungsszenarien vor einem ökonomischen Hintergrund bedürfen für eine wirtschaftswissenschaftliche Fundiertheit aber auch der Reflektion mit etablierten Modellen und Ansätzen und so finden sich auch Quellen bis in das Jahr 1637 im Literaturverzeichnis.

2 Grundlagen

2.1 Aktuelles wirtschaftliches Umfeld deutscher Unternehmen

Die Unternehmenslandschaft in Deutschland ist geprägt von Industrieunternehmen, allein das produzierende Gewerbe erwirtschaftete im Jahr 2017 einen Umsatz in Höhe von 2.169,76 Mrd. Euro.¹ Die deutsche Industrie befindet sich dabei in dem als Industrie 4.0 bezeichneten Zeitalter.² Diese Phase, auf die im Verlauf noch genauer eingegangen wird, ist Resultat von drei gravierenden industriellen Revolutionen. Im Folgenden eine kurze Skizzierung dieser Entwicklungsstufen:

Industrie 1.0: Die erste industrielle Revolution wird im Wesentlichen mit dem Einsatz von großen Arbeitsmaschinen, beispielsweise dem Webstuhl, in Verbindung gebracht.³ Außerdem war sie gekennzeichnet von einer Produktion, die durch Dampf- oder Wasserkraftmaschinen unterstützt wurde.⁴ Produziert wurde überwiegend regional, daher hatten einzelne Marktschwankungen starke Auswirkungen auf das Geschäft und so auch direkt auf das Arbeitsangebot. Die entstehende Verarmung der Arbeiterschicht resultierte in ausgedehnten Protestbewegungen.⁵

Industrie 2.0: Die zweite industrielle Revolution ist kennzeichnend durch den Übergang zur Massenproduktion, in der der Leitgedanke von einem wirtschaftlicheren Ressourceneinsatz im Vordergrund stand.⁶ So etablierte sich unter anderem das Konzept der Fließbandarbeit.⁷

Industrie 3.0: Die dritte industrielle Revolution ergab sich aus dem Einsatz von Informationstechnologien und ersten Automatisierungen in den Prozessen der Produktion.⁸ Dabei wurde versucht, die menschliche Arbeitskraft immer weiter zu substituieren.⁹

Industrie 4.0: Kennzeichnend für die vierte industrielle Revolution ist unter anderem die Digitalisierung und die internetbasierte Kommunikation, die auch innerhalb der Produktion Anwendung findet. Durch die Vernetzung von Produktionslinien innerhalb einer Fabrik eröffnen sich neue Möglichkeiten, die Profitabilität zu steigern.¹⁰ Der Leitgedanke dieser Zeit ist die Vernetzung von der realen mit der virtuellen Welt.¹¹

Deutschland erlebt als Teil der globalen Wirtschaft eine Zeit, die so vielseitig, so dynamisch und so komplex zu seien scheint wie noch nie zuvor. Ein Blick die Presse, seien es Fachzeitschriften wie das Harvard Business Magazin oder aber auch Tagesblätter wie die Frankfurter Allgemeine Zeitung, zeigt immer häufiger Unternehmen auf, die über Konzernstruktururen und Geschäftspartner eine weltweite Vernetzung aufweisen. Es wird ferner über eine Zeit der Digitalisierung und Automation berichtet. Der technische Fortschritt bringt höchst entwickelte Technologien hervor. Die unter der Bezeichnung „disruptive Technologien“ bekannte Technologien könnten dabei die Wege, wie eine Industrie arbeitet, grundlegend verändern.¹² E-Commerce, also der Vertrieb über die verschiedensten Kanäle des Internet, ist längst nicht mehr nur ein Trend, sondern fester Bestandteil des Handels. Neben internationalen Onlinehändlern wie Amazon oder Alibaba, zeigen auch deutsche Familienunternehmen wie die Ottogruppe mit 5,4 Mrd. Euro Umsatz im Geschäftsjahr 2017/18 in der Sparte Onlinehandel, dass sich der Vertriebsweg etabliert hat.¹³

Die Innovationszyklen verkürzen sich, es kommen fast täglich neuartige Produkte auf den Markt. Früher ging es in erster Linie um die Neueinführung eines Produktes, beispielsweise einer Glühbirne, eines Kühlschrankes oder eines Fernsehers. Aktuell herrscht eine Zeit, in der es scheinbar notwendig ist, jedes Jahr oder jedes halbe Jahr ein neues, optimiertes Produkt auf den Markt zu bringen. So gibt es zum Beispiel das iPhone bereits aktuell in seiner 14. Generation. Dazu erwarten Kunden heutzutage eine Vielzahl von Produktvarianten. Während es früher eine Variante des iPhones gab, beinhaltet eine Generation aktuell drei Varianten (iPhone XR, iPhone XS und iPhone XS Max).¹⁴ Auch ein Blick auf das Angebot eines großen Automobilkonzerns unterstützt diesen Trend. So entwickelte sich das Angebot von Mercedes-Benz allein im PKW-Segment von anfänglich sechs zu im Jahr 2018 angebotenen 33 Modellen (rein Mercedes-Benz Fahrzeuge ohne Smart).¹⁵

Zusammenfassend befinden sich Unternehmen also in einem anspruchsvollen, höchst vielseitigen und dynamischen Umfeld. Digitalisierung und Vernetzung breiten sich dabei stetig weiter aus.

2.2 Informationen und Daten

Es soll in Kapitel 2.3 ein Einblick gegeben werden in die Thematiken „Digitalisierung“ und „Big Data“. Für die Auseinandersetzung mit diesen Begriffen ist ein gewisses Grundwissen Voraussetzung, welches vorweg vermittelt werden soll.

Die Begriffe „Daten“ und „Information“ sind hierbei essentiell, zunächst zur Klärung dieser. Einleitend ist hervorzuheben, dass die Begriffe im Alltag meist wie Synonyme verwendet werden und auch in der Wissenschaft ist eine Gleichsetzung der Begriffe zu erkennen. Dennoch gibt es diverse Abgrenzungsansätze, allerdings wird besonders dem Informationsbegriff an sich auch eine Vielzahl von Verständnissen zugeschrieben. Für diese Arbeit ist es also wichtig sich auf ein Verständnis festzulegen und beim Heranziehen von Quellen das dortige Begriffsverständnis stets zu beachten.

Der Begriff „Information“ erfährt mitunter physikalische Verständnisse, wie beispielsweise eine Information, als Muster der Organisation von Materie und Energie. Des Weiteren gibt es diverse Ansätze semiotischer Natur, im Wesentlichen zum einen ein objektives Verständnis, im Sinne von Information als wahrer Fakt, der unabhängig von Menschen existiert. Zum anderen ein subjektives Verständnis im Sinne von Information als individuell je nach Rezipienten variierend. Ferner ein intersubjektives Verständnis, hier gilt eine Information als abhängig von der gesellschaftlichen Gruppe, in der sie auftritt.¹⁶ Die Begriffsklärung weist also eine hohe Komplexität auf, dessen Umfang nicht im Verhältnis zum Kern dieser Arbeit steht. Daher ist dies nicht weiter Gegenstand und es wird sich bei den Begriffen für diese Arbeit auf folgende Verständnisse festgelegt. Diese sind so abgestimmt, dass sie die gängigsten Verständnisse in den verwendeten Quellen treffen.

Informationen werden, gemäß der Definition des Gabler-Wirtschaftslexikons, als den für den Empfänger neuen Teil einer Nachricht festgelegt.¹⁷ Daten werden, auch wenn sie oft in der Literatur dem Informationsbegriff gleichgesetzt werden, davon abweichend festgesetzt. Als Daten werden objektive und messbare Fakten angenommen. Daten werden also verstanden als eine Art Vorstufe zu Informationen, als objektive betrachtete Daten, die dann subjektorientiert interpretiert werden können und dadurch zu Informationen beim jeweiligen Empfänger werden.

2.3 Digitalisierung und Big Data

2.3.1 Digitalisierung

Der Begriff Digitalisierung wird im Wesentlichen unter zwei Bedeutungen verwendet. Zum einen im Sinne von der Umwandlung von Informationen und Kommunikationen von der realen in die virtuelle, digitale Welt.¹⁸ Beispielsweise hat die Firma Ernst & Young im Rahmen der Digitalisierung in der Jahresabschlussprüfung, von einer papierbasierten Dokumentation auf eine digitale umgestellt. Wo früher noch die Prüfer handschriftlich Prüfungshandlungen dokumentiert haben, wird jetzt überwiegend im Computer digital dokumentiert. Digitalisierung ist nicht nur ein Begriff der Wirtschaft, Digitalisierung ist ein weitreichendes Thema. Als Beispiel aus dem Alltag kann der Übergang von der Briefkommunikation zur Kommunikation über Nachrichtendienste wie „SMS“ oder „WhatsApp“ dienen.

Daraus, dass Digitalisierung allgegenwärtig ist und so viele Prozesse signifikant verändert entspringt die zweite Bedeutung des Begriffs. Digitalisierung wird demnach als digitale Revolution verstanden.¹⁹

Digitalisierung erzeugt vornehmlich die Assoziation an eine Optimierung von Prozessen, die in digitalisierter Form einen Effizienz- und Effektivitätsvorteil erbringen sollen. Im Rahmen einer Podiumsdiskussion an der Universität Stuttgart unter der Fragestellung „Schaffen wir den Umstieg zum Silicon Ländle“ zeigte der ehemalige Telekom Vorstand und Bundestagsabgeordnete Thomas Sattelberger auf, dass eine Chance von Digitalisierung oft unterschlagen wird. Er stellte dar, dass es bei Digitalisierung nicht nur darum gehe, bestehende Wertschöpfungsprozesse zu digitalisieren und dadurch zu optimieren, sondern auch darum neue Wertschöpfungsprozesse zu heben. Als Beispiel nennt er den Daimlerkonzern der sich jetzt nicht mehr als Autobauer bezeichnet, sondern Mobilitätsdienstleister nennt. Und durch Dienste wie Car-Sharing (Car2Go) auch über das optimieren seiner bisherigen Wertschöpfungsprozesse hinaus neue, in Form eines Sharing-Economy-Unternehmens²⁰, erschafft. Jedoch erkennen dies, im Vergleich zu den USA und anderen Nation noch nicht genug, so Sattelberger.²¹

Der Unternehmer und Investor im IT-Segment Marc Andreessen, tätigte 2011 im Wallstreet Journal eine Aussage, die bis heute metaphorisch die Digitalisierung in einem Satz auf den Punkt bringt. Er stellte in den Raum: “Software is eating the world“, übersetzt ins Deutsche „Software isst die Welt auf“.²² Der Satz offenbart im Wesentlichen zwei Aussagen, zum einen die Digitalisierung umgreift die ganze Welt, was sich bestätigen lässt, denn in der Tat gibt es fast keine Gebiete die keine Berührungspunkte mit Digitalisierung haben. Zum anderen spiegelt der Satz die Ängste der Menschen wieder. Denn es wird von einigen, vermutlich durch Science-Fiction Filme initiiert, befürchtet, dass die Software den Menschen „isst“, im Sinne von die Kontrolle über ihn gewinnt.

Internet- und Softwareunternehmen weisen 2019 Unternehmenswerte in teils vierstelligen Milliarden Bereichen auf: Facebook 537,99 Mrd. US-Dollar, Google/Alphabet 766,66 Mrd. US-Dollar und Microsoft sogar bei 1.036 Mrd. US-Dollar.²³ Dies zeigt auf welche Signifikanz Software bereits jetzt schon hat. Besonders interessant ist das Betrachten der folgenden beiden Unternehmen. Uber, ein Unternehmen aus der Transportbranche, hatte im Jahr 2018 einen Wert in Höhe von 76 Mrd. US-Dollar, ohne jedoch eigene Transportfahrzeuge zu besitzen. AirBnB, ein Unternehmen das Übernachtungsmöglichkeiten bereitstellt, hatte im Jahr 2018 einen Wert von 31 Mrd. US-Dollar, und das ohne eigene Übernachtungsmöglichkeiten zu besitzen.²⁴ Diese beiden Unternehmen verdeutlichen also die Möglichkeiten, die Software offenbart, denn beide Unternehmen besitzen die eigentlich im Mittelpunkt stehenden Gegenstände nicht, sondern nur eine vermittelnde Softwareplattform.

Die Digitalisierung lässt sich somit als in vollem Gange beschreiben und verändert dabei nicht nur den privaten Alltag und Unternehmensabläufe sondern auch eine Vielzahl anderer Bereiche grundlegend.

2.3.2 Big Data

Im Zuge der Digitalisierung kam der Begriff Big Data auf. Zunächst bedeutet dies einfach nur eine große Menge an Daten. Wenn allerdings in der Wissenschaft oder der Wirtschaft von Big Data gesprochen wird, weist Big Data vier Dimensionen auf. Diese vier Dimensionen sind: Volume, Velocity, Variety und Veracity. Volume, Englisch für Umfang beschreibt die Menge an Daten. Velocity, Englisch für Geschwindigkeit beschreibt die Geschwindigkeit, mit der die Daten erfasst werden, aber auch die, mit der sie gespeichert und verarbeitet werden. Variety, Englisch für Vielfalt beschreibt die Diversifikation der Daten, also den Mix aus strukturierten und unstrukturierten Daten. Veracity, Englisch für Wahrheitsgehalt beschreibt die Herausforderungen, die mit den bisherigen drei Dimensionen einhergehen, so zum Beispiel die Vertrauenswürdigkeit der Daten oder die Qualität.²⁵ Big Data bringt also diese vier für die Verwendung der Daten zentralen Dimensionen in einem Begriff zusammen. So steht Big Data geläufig für das Aufkommen von einer Vielzahl strukturierter und unstrukturierter Daten, die mit hoher Geschwindigkeit erfasst und verarbeitet werden können. Diese Definition wird im weiteren Verlauf der Arbeit so verwendet.

In Zeitalter der Industrie 4.0 können neben natürlichen Ressourcen, wie Arbeitskraft und Rohstoffe auch die Daten als Ressource angesehen werden. Daten haben gegenüber den natürlichen Ressourcen einen signifikanten Unterschied, sie sind nicht knapp.²⁶ Das Interesse an ihnen, wird besonders durch die immer höhere Geschwindigkeit, mit welcher Daten erfasst und verarbeitet werden können, gesteigert.²⁷ Die Datenmenge erhöht sich stetig weiter und scheint dabei keine Begrenzung aufzuweisen.²⁸ Gemäß einer Aussage von Unternehmer und Professor Peter Gentsch im Jahr 2018, verdopple sich die Menge an verfügbaren Daten alle zwei Jahre.²⁹ Grund dafür, dass sich die Menge an verfügbaren Daten in den letzten Jahren so rasant häuft, sind unter anderem die Expansion des Internets und dessen Nutzung, sowie immer mehr verbaute Sensoren.³⁰ So werden unter anderem Straßen, Autos oder Häuser immer weiter vernetzt. Und auch die flächendeckende Nutzung von Bargeldlosenbezahlmöglichkeiten von Kreditkarten bis zu mobilen Bezahldiensten wie Apple Pay, von gleichnamigen Großkonzern, erhöhen das Datensammelpotential. Die Menge an Daten, die sich Sammeln lässt, hängt dabei stark mit der Anzahl der Nutzer einer Technologie oder Software zusammen, die Daten sammeln kann. In einer Studie von EY wird aufgezeigt, dass die Zeit, die eine Technologie benötigt, um Nutzer zu gewinnen, immer kürzer wird. Das 1923 erfundenen Telefon brauchte ca. 75 Jahre um 50 Mio. Nutzer zu erreichen, der Fernseher im Jahr 1970 nur noch 13 Jahre, das Internet im Jahr 2004 nur noch 4 Jahre und beispielsweise das Spiel Angry Birds Space benötigte 2012 nur 35 Tage um 50 Mio. Nutzer weltweit zu Verzeichnen.³¹

Gemäß einer EY Studie wird prognostiziert, dass im Jahr 2020 rund 50 Milliarden Geräte mit dem Internet verbunden sein werden. Dies umfasst auch RFID-Chips³² und Sensoren.³³ Eine Umfrage von EY im deutschen Mittelstand gab einen Einblick, wie vernetzt die Produktion schon heute ist. Bei der repräsentativen Umfrage „Industrie 4.0 im deutschen Mittelstand“ durch EY, bei der 1.157 mittelständische Industrieunternehmen in Deutschland befragt wurden, gaben lediglich 23 Prozent an, die Produktion noch nicht digital vernetzt zu haben und es auch nicht zu planen.³⁴

Aus Big Data kann, durch eine künstliche Intelligenz Smart Data werden, also effektiv verwendbare Daten.³⁵ Genauso wie eine KI eine Schlüsselfunktion für die Nutzbarkeit von Big Data darstellt, verhält es sich auch invers. Denn bevor eine KI wirksam arbeiten kann, muss sie eine intensive Lernphase durchlaufen. Big Data kann hier beim Bereitstellen von Trainingsdaten helfen. Umso umfangreicher diese sind, umso besser sind die späteren Ergebnisse in der Regel.³⁶ Wie groß der Datenumfang sein sollte, zeigt folgendes Beispiel auf. Es wird angenommen, dass eine KI vorliegende Bilder zu gegebenen Kategorien zuordnen soll und die Lernphase anhand eines überwachten Lernens (sogenanntes Supervised Deep Learning), auf dieses wird in Kapitel 2.4 noch genauer eingegangen, stattfindet. Die Anforderungen umfassen dann 5.000 Beispielbilder pro Kategorie als Referenz sowie 10 Mio. Testbildern, anhand denen das überwachte Training durchgeführt wird.³⁷ Da bereits bei so einer vergleichsweise einfachen Aufgabe so viele Daten benötigt werden, wird klar, welche Schlüsselrolle Big Data für eine KI, besonders bei komplexen Aufgaben, spielen kann.

2.4 Künstliche Intelligenz

2.4.1 Entstehungsgeschichtliche Aspekte

Diese Arbeit beschäftigt sich, unter einem wirtschaftswissenschaftlichen Hintergrund mit dem Thema künstliche Intelligenz. Bevor die KI-Forschung jedoch zeitlich skizziert und der Begriff in seiner relevanten Bedeutung erläutert wird, sollte auf das Motiv KI in Film und Literatur eingegangen werden. Denn die breite Verwendung dieses Motives könnte als ein wesentlicher Antrieb für die Forschung gesehen werden. So könnten die fiktionalen Ideen in Film und Literatur dazu inspiriert haben, sich mit der realen Umsetzbarkeit solcher Ideen auseinander zusetzen.

Gemäß einer Studie der Gesellschaft für Informatik e.V. sind die bekanntesten künstlichen Intelligenzen aus Film und Literatur in Deutschland Terminator, aus gleichnamigen Film, R2-D2, aus der Star Wars Reihe und K.I.T.T. aus der Knight Rider Serie.³⁸ Neben diesen gibt es aber besonders international noch eine Vielzahl von weiteren Filmen und Büchern, bei denen KI ein Leitmotiv darstellt, aktuelle Beispiele sind Transzendenz oder Ex Machina. Das 1920 erschienene Drama Rossum’s Universal Robots, gehört sicher zu einem der ersten Stücke, bei denen Roboter die Welt zu übernehmen drohen.

Als Anfang für die wissenschaftliche Auseinandersetzung mit dem Thema Künstliche Intelligenz wird geläufig das „Summer Research Project on Artificial Intelligence“ im Jahr 1956 gesehen.³⁹ Die sechswöchige Konferenz fand damals am renommierten Darthmouth College in New Hampshire (USA) statt.⁴⁰ Bei den Teilnehmern war neben einem Kognitionspsychologen und einem Informationstheoretiker unter anderem auch der späterer Ökonomie-Nobelpreisträger Herbert Simon dabei.⁴¹ Bei der Konferenz wurde unter der Annahme, dass Intelligenz auch separiert von Lebewesen erzeugt werden könne, darüber diskutiert, wie diese Schaffung ablaufen könnte.⁴²

Durch die verstärkte Auseinandersetzung mit dem Thema in den Folgejahren zeigten sich vielfältige Einsatzmöglichkeiten auf. Dabei war anfänglich der praktische Einsatz durch die geringen Rechenleistungen und Speicherkapazitäten begrenzt.⁴³ Die folgende Übersicht zeigt eine Auswahl der bekanntesten Projekte im KI-Bereich:

1960: Mit „Perceptron“ wurde der erste selbstlernende Computer an der Cornell University vorgestellt.⁴⁴

1997: „Deep Blue“ ein Computer von IBM gewann gegen den damaligen Schachwelt-meister.⁴⁵

2011: Mit „Siri“ brachte Apple einen durch Sprache gesteuerten Assistenten auf den Markt.⁴⁶

2011: „Watson“ von IBM gewinnt in der amerikanischen Fernsehshow „Jeopardy“ gegen ehemalige Gewinner. Signifikant dabei, im Vergleich zu Schach, kann bei dem Quiz kein mathematischer Ansatz verfolgt werden, sondern es wird freies und komplexes Assoziieren verlangt. Ziel ist es, zu einer gegebenen Antwort die gesuchte Frage zu erraten.⁴⁷

2016: „AlphaGo“ von Google DeepMind gewinnt gegen den 18-fachen Weltmeister im Spiel „GO“. Bei dem Spiel handelt es sich um ein 3.000 Jahre altes Brettspiel, dass mit 170 hoch 10 möglichen Spielabläufen rund ein Googol (d.h. Zahl 1 mit 100 Nullen) mal so komplex ist wie Schach.⁴⁸

2018: Sowohl eine KI vom US-Unternehmen Microsoft als auch eine KI vom chinesischen Unternehmen Alibaba schlugen in einem Leseverständnistest der Universität Stan-ford die menschlichen Ergebnisse.⁴⁹

Allein dieser kleine Überblick belegt, dass die KI-Forschung immer häufiger und signifikanter Fortschritte macht.

2.4.2 Begriffsklärung

Künstliche Intelligenz (KI), oder in englischer Übersetzung, die auch im deutschsprachigen Raum oft Verwendung findet, „Artificial Intelligence“ (AI), ist der zentrale Begriff dieser Arbeit. Für ein tieferes Verständnis des Begriffs, kann dieser im ersten Schritt in seine zwei Bestandteile zerlegt werden. Er setzt sich zusammen aus „künstlich“ und „Intelligenz“.

Der Duden beschreibt künstlich als etwas, das mit technischen Mitteln nachgebildet wurde, beziehungsweise natürliche Vorgänge simuliert.⁵⁰ Mit technischen Mittel ist in diesem Zusammenhang eine Software gemeint, die das menschliche Gehirn versucht nachzuahmen.

Intelligenz wird vom Duden als die Fähigkeit beschrieben, zweckvolles Handeln aus einem abstrakten und vernünftigen Denken abzuleiten.⁵¹ Es geht also um die Fähigkeit, sich für eine Handlungsoption zu entscheiden, die zweckvoll ist. Außerdem zeigt die Definition auf, dass eine Intelligenz eigenständig eine Entscheidung ableiten kann. Die Verwendung von abstrakten Denkweisen grenzt eine Intelligenz zu einem Mechanismus beziehungsweise einer Automation ab. Es verdeutlicht, dass während bei einem Mechanismus, bei einem bestimmten Input ein im Voraus klares Ergebnis herauskommt, verhält sich eine Intelligenz wie eine Black Box und das Ergebnis steht vor Input noch nicht fest. Eine Intelligenz kann zu eigenständigen Ergebnissen kommen. Zusammengesetzt ergibt sich zunächst ein Verständnis des Begriffs von einer Software, die ähnlich dem menschlichen Gehirn, durch abstrakte und vernünftige Denkweise eigenständig Entscheidungen treffen kann.

Eine weitere Fähigkeit, die einer künstlichen Intelligenz neben der Problemlösungsfähigkeit zugeschrieben wird, ist die Lernfähigkeit.⁵² An dieser findet auch die Unterscheidung zwischen der schwachen und starken KI statt.⁵³ Eine schwache KI hat die Fähigkeit, klare definierte Prozesse automatisiert abzuarbeiten und zu steuern.⁵⁴ Dahingegen hat eine starke KI die Fähigkeit, selbstständig zu lernen und sich dadurch weiterzuentwickeln.⁵⁵

Dem Begriff KI kann weitergehend das Thema künstliches Bewusstsein zugeordnet werden. Dies liegt aktuell allerdings noch nicht im Fokus der internationalen Forschung und ist auch nicht weiter Gegenstand dieser Arbeit. Grund dafür ist, dass die Bedeutung eines künstlichen Bewusstseins für die Anwendung von Unternehmen oder Endkonsumenten aktuell keinen großen wirtschaftlichen Nutzen aufzuweisen scheint.⁵⁶

Grundsätzlich ist zu sagen, dass es in der KI-Forschung zwei Motive gibt nach denen geforscht wird. Zum einen geht es um die synthetische Herstellung von Intelligenz und zum anderen darum, die menschliche Intelligenz zu erklären, so Professor Dr. Peter Thies am Lehrstuhl Wirtschaftsinformatik der Hochschule der Medien in Stuttgart.⁵⁷ In dieser Arbeit geht es um ersteren Forschungszweig, da für die Anwendung von KI in der Entscheidungsfindung im Management letzteres nicht von zentraler Bedeutung ist.

Nach der Darstellung des Begriffs kann die Einordnung in den für diese Arbeit relevanten Kontext folgen. In dieser Arbeit liegt der Fokus auf dem Einsatz von Künstlicher Intelligenz im Management von Unternehmen, genauer gefasst bei deren Entscheidungsfindung. Es geht also um die Evaluation von Lösungsmöglichkeiten, die Bewertung von Strategien und Zukunftsprognosen. Es geht hierbei nicht um den Einsatz einer KI als Arbeitnehmer im Sinne von Aufgaben wie Terminplanung, Reisebuchung, Kundenservice, Rechnungsprüfung oder Mahnprozess. Weiteres zu den konkreten Einsatzmöglichkeiten findet sich unter anderem in Kapitel 2.5 und 3.1.

2.5 Weitere relevante Aspekte

Im Sprachgebrauch von Presse, Alltag, Wirtschaft und Wissenschaft gibt es eine Vielzahl von Begriffen die im Zusammenhang mit künstlicher Intelligenz verwendet werden. Die folgende Grafik visualisiert das damit einhergehende Problem. Dadurch, dass es so viele, teils aus dem Englischen übernommene, Begriffe gibt kommt es oft zu Verwechslungen. Problematisch ist dabei, dass fälschlicherweise einige Begriffe mit der Thematik künstliche Intelligenz in einen Zusammenhang gesetzt werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1 Assoziationen mit künstlicher Intelligenz⁵⁸

In diesem Kapitel wird zunächst auf eine Auswahl an zentralen Begriffen eingegangen, welche in direktem Zusammenhang stehen. Im Anschluss soll verdeutlicht werden, dass sich eine Vielzahl an Begriffen klar von KI abgrenzt. Im Folgenden jene Begriffe die in nahem Zusammenhang mi KI stehen, und deren Relevanz für das Thema KI.

2.5.1 Algorithmus

Grundsätzlich beschreibt ein Algorithmus eine problembezogene Lösungsanweisung. Ein Kochrezept wäre ein beispielhafter Algorithmus. Wird von einem Algorithmus gesprochen, ist in der Regel aber meist von Programmiersprache die Rede und damit von einem Computerprogramm, das Probleme lösen kann.⁵⁹ Eine künstliche Intelligenz kann also als eine Art selbstlernender Algorithmus verstanden werden.

2.5.2 Internet der Dinge

Entstanden ist der Begriff durch einen Forscher am Massachusetts Institute of Technology (MIT), Kevin Ashton, der in einer Präsentation den englischen Begriff „Internet of Things (IoT)“ nannte.⁶⁰ In seinem Verständnis steht der Begriff für die Vernetzung der realen und virtuellen Welt.⁶¹ Er bezeichnet also die Fähigkeit, von einem Computer Informationen aufzunehmen, ohne dass es dafür einen Menschen braucht.⁶² Normalerweise muss ein Mensch etwas eingeben, zum Beispiel einen Barcode scannen.⁶³ Durch das Internet der Dinge kann der Computer selbstständig die reale Welt auslesen und Informationen erlangen, so ist er nicht an die begrenzte zeitliche Ressource Mensch geknüpft.⁶⁴

Neben dieser Definition, die hauptsächlich die Funktion einer Schnittstelle zwischen realer und virtueller Welt wiederspiegelt, gibt es noch ein anderes weitläufiges Verständnis des Begriffes. Dieses wurde 2007 bei der Konferenz der deutschen Ratspräsidentschaft beschrieben, als eine Möglichkeit Objekte in ein digitales Netzwerk einzugliedern. Den Objekten werden dabei die Fähigkeiten zugesprochen, eigene Identitäten zu haben und die Möglichkeit untereinander zu kommunizieren.⁶⁵ Für eine KI können das zwei zentrale Eigenschaften sein, denn wenn sie wie ein Mensch handlungsfähig sein soll, so muss sie selbstständig Informationen aufnehmen können und auch in der Lage sein, selbständig mit anderen künstlichen Intelligenzen oder Menschen zu kommunizieren.

Wie in Kapitel 2.3.2 angesprochen prognostiziert EY, dass im Jahr 2020 rund 50 Milliarden Geräte mit dem Internet verbunden sein werden und durch eine repräsentative Umfrage zeigte sich das lediglich 23 Prozent der deutschen Industrieunternehmen die Produktion nicht digital vernetzt haben und es auch nicht planen.

2.5.3 Maschinelles Lernen

Unter dem Begriff „maschinelles Lernen“ oder auf Englisch „Machine Learning“ wird ein Lernverfahren verstanden, in dem einer KI beigebracht wird, für bestimmte Eingangssignale gewünschte Ausgabemuster zu liefern. Dabei gibt es drei Varianten, wie dieses Lernverfahren vonstattengehen kann: „überwachtes Lernen (supervised learning)“, „unbewachtes Lernen (unsupervised learning)“ und „bestärkendes Lernen (reinforcement learning)“.⁶⁶

Beim überwachten Lernen, werden der KI Eingangsdaten gegeben und dabei gibt es zu diesen jeweils eine Soll-Vorstellung der Ausgabe. Diese Soll-Ausgabe wird mit der Ist-Ausgabe verglichen. Es kommt solange zu Anpassungen der KI-Konfiguration, bis der Unterschied sich Null nähert oder einnimmt.⁶⁷

Beim unbewachten Lernen, werden der KI zu lernende Muster vorgegeben. Die KI ist dann selbstständig in der Lage Ähnlichkeiten zu erkennen und diese zu klassifizieren. Es können dann mit der Zeit Muster und Gegenstände erkannt werden, die davor unbekannt waren.⁶⁸ Es kann also die KI eigenständig, nur an Hand von einem Dateninput, lernen ohne dass sie Rückmeldung zu den Ergebnissen oder Beispiellösungen bekommt.⁶⁹

Beim bestärkenden Lernen, wird einer KI ähnlich wie beim unbewachten Lernen zunächst nur eine Aufgabe gegeben. Die KI erarbeitet sich dann selbstständig eine Lösung. Bei dem Lösungsprozess erhält sie allerdings kontinuierlich Rückmeldung, ob sie in die richtige Richtung denkt oder nicht.⁷⁰ Vorstellen lässt es sich wie das Spiel Topfschlagen, bei dem einer Person, die mit verbundenen Augen einen Topf sucht, mit „warm“ oder „kalt“ Impulse in die richtige Richtung gegeben werden.

Diese drei Lernverfahren benötigen einen lernfähigen Mechanismus, bei dem sie angewendet werden können. Der für diese Arbeit relevanteste Mechanismus ist ein neuronales Netzwerk. Das menschliche Gehirn ist so ein neuronales Netzwerk, allerdings in einer sehr komplexen und ausgebauten Stufe. Weitere mögliche Lernmechanismen sind:

Entscheidungsbäume, Assoziationsanalysen oder Ensemble Methoden.⁷¹ Diese Arbeit konzentriert sich allerdings ausschließlich auf neuronale Netzwerke.

[...]

---

¹ Vgl. Statistisches Bundesamt (2018)

² Vgl. Hermeier, B. u.a. (2019), S.4

³ Vgl. Hirsch-Kreinsen, H. / Minssen, H. (2017), S.176

⁴ Vgl. Hermeier, B. u.a. (2019), S.112

⁵ Vgl. Hirsch-Kreinsen, H. / Minssen, H. (2017), S.176

⁶ Vgl. Ebenda, S.176

⁷ Vgl. Hermeier, B. u.a. (2019), S.112

⁸ Vgl. Hirsch-Kreinsen, H. / Minssen, H. (2017), S.177

⁹ Vgl. Hermeier, B. u.a. (2019), S.122

¹⁰ Vgl. Pfrommer, J. u.a. (2014), S.1

¹¹ Vgl. Hermeier, B. u.a. (2019), S.112

¹² Vgl. Cambridge University Press (2013)

¹³ Vgl. Otto Group (2019)

¹⁴ Vgl. Chip.de (o.J.)

¹⁵ Vgl. Daimler (2018)

¹⁶ Vgl. Boel, S. / Cecez-Kecmanovic, D. (2011), S. 3 ff.

¹⁷ Vgl. Lackes, R. u.a. (2018)

¹⁸ Vgl. Bendel, O. (o.J.)

¹⁹ Vgl. Bendel, O. (o.J.)

²⁰ Sharing Economy steht für die Branche des kollektiven Nutzens von Vermögensgegenständen, vgl. dazu Haese, M. (2015), S.1

²¹ Vgl. Universität Stuttgart (2019)

²² Andreessen, M. (2011)

²³ Vgl. Yahoo (2019)

²⁴ Vgl. Bloomberg (2019)

²⁵ Vgl. Gentsch, P. (2018), S.9 f.

²⁶ Vgl. Oliver, F. (2019), S.21

²⁷ Vgl. Gentsch, P. (2018), S.7

²⁸ Vgl. Oliver, F. (2019), S.21

²⁹ Vgl. Gentsch, P. (2018), S.13

³⁰ Vgl. Ebenda, S.7

³¹ Vgl. Ernst & Young AG (2017), S.10

³² RFID (Radio Frequency Identification) ist eine Technologie die es ermöglicht berührungslos Identifizierungen vorzunehmen, z.B. Schlüssel-/ Zugangskarten, vgl. dazu Krieger, W. (2018)

³³ Vgl. Ernst & Young AG (2017), S.10

³⁴ Vgl. Ernst & Young GmbH (2018a)

³⁵ Vgl. Schneider / Vöpel / Weis (2018), S.8

³⁶ Vgl. Gentsch, P. (2018), S.11

³⁷ Vgl. Gentsch, P. (2018), S.11

³⁸ Vgl. Gesellschaft für Informatik e.V. (o.J)

³⁹ Vgl. Buxmann, P. / Schmidt, H. (2019), S.3

⁴⁰ Vgl. Ebenda, S.3

⁴¹ Vgl. Ebenda, S.3

⁴² Vgl. Buxmann, P. / Schmidt, H. (2019), S.4

⁴³ Vgl. Schneider / Vöpel / Weis (2018), S.5

⁴⁴ Vgl. VDI e.V. (2018), S.14

⁴⁵ Vgl. Ebenda, S.14

⁴⁶ Vgl. Ebenda, S.14

⁴⁷ Vgl. Dpa (2011)

⁴⁸ Vgl. Google Deep Mind (2019)

⁴⁹ Vgl. Lucas, L. (2018)

⁵⁰ Vgl. Duden (o.J.b)

⁵¹ Vgl. Ebenda

⁵² Vgl. Schneider / Vöpel / Weis (2018), S.7

⁵³ Vgl. Ebenda, S.7

⁵⁴ Vgl. Ebenda, S.7

⁵⁵ Vgl. Ebenda, S.7

⁵⁶ Vgl. Ebenda, S.7

⁵⁷ Vgl. Hochschule der Medien (2019)

⁵⁸ Eigene Darstellung, aus Begriffen die während der Erstellung der Arbeit aufgefallen sind.

⁵⁹ Vgl. Bendel, O. (2019), S.11

⁶⁰ Vgl. Ashton, K. (2009), S.1

⁶¹ Vgl. Ebenda, S.1

⁶² Vgl. Ebenda, S.1

⁶³ Vgl. Ebenda, S.1

⁶⁴ Vgl. Ebenda, S.1

⁶⁵ Vgl. Horvath, S. (2012), S.1

⁶⁶ Vgl. VDI e.V. (2018), S.18

⁶⁷ Vgl. Ebenda, S.18

⁶⁸ Vgl. Ebenda, S.18

⁶⁹ Vgl. Ghahramani, Z. (2004), S.3

⁷⁰ Vgl. VDI e.V. (2018), S.18

⁷¹ Vgl. VDI e.V. (2018), S.19