Wie tragen die europäische und deutsche KI-Strategie zur Technologiediffusion in der Automobilbranche bei? Potentiale der Künstlichen Intelligenz für die deutsche Wirtschaft

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung
1.1 Motivation
1.2 Problemstellung und Formulierung der Forschungsfragen
1.3 Vorgehensweise
1.4 Abgrenzung
1.5 Erwartete Ergebnisse

2 Künstliche Intelligenz
2.1 Versuch einer Definition
2.2 Eine kurze Entwicklungsgeschichte
2.3 Aktuell wichtige KI-Technologien
2.4 Wirtschaftliche und gesellschaftliche Relevanz von Künstlicher Intelligenz

3 Resümee der europäischen und deutschen KI-Strategie
3.1 Die europäische KI-Strategie
3.2 Die deutsche KI-Strategie
3.3 Aktuelle Analysen der deutschen KI-Strategie

4 Innovations- und Technologiediffusion
4.1 Innovationen
4.2 Charakteristika der Diffusion
4.3 Forschungs- und Technologiepolitik

5 Methodologie: Primärdatenerhebung durch qualitative Experteninterviews
5.1 Wahl der Erhebungsmethode
5.2 Wahl der Experten für die Interviews
5.3 Erarbeitung des Interviewleitfadens
5.4 Qualitative Inhaltsanalyse zur Auswertung der Experteninterviews

6 Beitrag der deutschen KI-Strategie zur Technologiediffusion
6.1 Die aktuelle Relevanz von Künstlicher Intelligenz
6.2 Die deutsche KI-Strategie als technologiepolitische Maßnahme
6.3 Diffusion von Künstlicher Intelligenz
6.4 Diffusion in die Automobilbranche

7 Fazit
7.1 Resümee der Forschungsergebnisse
7.2 Kritische Reflektion der Arbeit
7.3 Weitere Forschung und Ausblick

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 2020

Ein Imprint der GRIN Publishing GmbH, München

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

Abkürzungsverzeichnis

AGI Artificial General Intelligence

AI Artificial Intelligence

ANI Artificial Narrow Intelligence

ASI Artificial Super Intelligence

AWS Amazon Web Services

BIP Bruttoinlandsprodukt

BMAS Bundesministerium für Arbeit und Soziales

BMBF Bundesministerium für Bildung und Forschung

BMWF Bundesministerium für Wissenschaft und Forschung

BMWi Bundesministerium für Wirtschaft und Energie

CEO Chief Executive Officer

DFKI Deutsches Forschungszentrum für Künstliche Intelligenz

DL Tiefes Lernen (Deep Learning)

DSGVO Datenschutz-Grundverordnung

EFI Expertenkommission Forschung und Innovation

F&E Forschung und Entwicklung

IAO Fraunhofer-Institut für Arbeitswirtschaft und Organisation

ISI Fraunhofer-Institut für System- und Innovationsforschung

ITG Informationstechnische Gesellschaft im VDE

KDD Knowledge Discovery in Databases

KI Künstliche Intelligenz

KMU Kleine und mittlere Unternehmen

KNN Künstliches neuronales Netz

LMU Ludwig-Maximilians-Universität München

ML Maschinelles Lernen

OECD Organisation für wirtschaftliche Zusammenarbeit und Entwicklung

PwC PricewaterhouseCoopers

VDA Verband der Automobilindustrie

VDE Verband der Elektrotechnik, Elektronik und Informationstechnik

ZEW Leibniz-Zentrum für Europäische Wirtschaftsforschung

Abbildungsverzeichnis

Abbildung 1. Methoden der KI

Abbildung 2. Traditionelle Programme vs. Maschinelles Lernen

Abbildung 3. Data Mining im Zusammenhang mit anderen Technologien

Abbildung 4. Struktur eines Neurons mit Aktivierungsfunktion f

Abbildung 5. Verabschiedungen nationaler KI-Strategien 2017 und 2018

Abbildung 6. Idealtypischer S-Kurvenverlauf des Diffusionsprozesses

Abbildung 7. Innovationsentscheidungs- & Adoptionsprozess

Abbildung 8. Diffusionsverlauf und Einteilung in Adoptorkategorien

Abbildung 9. Deduktiv gebildete Kategorien

Abbildung 10. Die wichtigsten Diskussionsbereiche der KI-Strategie

Abbildung 11. Experteneinschätzungen zur internationalen Einordnung Deutschlands

Abbildung 12. Experteneinschätzungen zur Akzeptanz von KI in Deutschland

Abbildung 13. Experteneinschätzungen zur Ausschöpfung des Marktpotentials

Abbildung 14. Experteneinschätzungen zur Innovationsbereitschaft: Automobilbranche

Tabellenverzeichnis

Tabelle 1. Einflussfaktoren auf den Innovationsentscheidungsprozess

Tabelle 2. Adoptorkategorien mit ihren Charakteristika

1 Einleitung

1.1 Motivation

Künstliche Intelligenz (KI) hat in den letzten Jahren so stark an Bedeutung gewonnen, dass sie als Basistechnologie eingestuft wurde und ihr ein ähnlich weltveränderndes Potential beigemessen wird, wie dies bei Einführung der Dampfkraft und später der Elektrizität der Fall war (vgl. Europäische Kommission 2018a, S. 1). Ihr weitreichender Einfluss auf Wirtschaft und Gesellschaft wird sich vom Alltag, über Arbeitsmodelle und Fortbewegungs-möglichkeiten bis hin zu völlig neuen Geschäftsmodellen erstrecken. In vielen Bereichen werden Qualitäts- und Produktivitätssteigerungen erreicht, Arbeitsabläufe optimiert und Einsparungen hinsichtlich Zeit, Kosten und Arbeitskraft realisiert werden können. Die aktuelle Bedeutung von KI und die Aufmerksamkeit, die sie in der Öffentlichkeit erfährt, spiegelt sich im Hype-Cycle von Gartner wider, der die Entwicklung besonders relevanter Technologien und Anwendungen im Zeitverlauf analysiert. Bereits 2017 wurden KI-Technologien wie Deep Learning und Machine Learning und auch der Anwendungsfall des Autonomen Fahrens auf dem Höhepunkt des Hype-Cycles eingeordnet. Inzwischen bewegen sich diese Technologien in Richtung der Konsolidierungsphase. Aktuell liegt die größte öffentliche Aufmerksamkeit innerhalb der KI auf künstlichen neuronalen Netzen. Aber auch die starke KI, Artificial General Intelligence, rückt immer stärker in Richtung des Aufmerksamkeitshöhepunkts der Öffentlichkeit (vgl. Gartner 2017;Gartner 2018). Auch Prognosen hinsichtlich des Wachstums des Bruttoninlandsprodukts (BIP) oder des euro-päischen Marktes verdeutlichen die Bedeutung von KI. Die Unternehmensberatung PwC geht z.B. von einem Anstieg des BIP für Deutschland allein durch KI bis 2030 um 11,3% aus (vgl. PwC 2018, S. 4). Der europäische Markt für KI wird laut einer andern Prognose von drei Milliarden Euro in 2019 auf zehn Milliarden Euro in 2022 wachsen, was einem Wachstum von jährlich 38% entspricht (vgl. Strauch 2019, S. 4).

Im Vergleich zu anderen Ländern – und vor allem zu den führenden KI-Nationen, USA und China – liegen Europa bzw. Deutschland in der Forschung und besonders im Einsatz von KI leider zurück (vgl. CB Insights 2018, S. 25). Um dem entgegen zu wirken, die oben geschilderten Potentiale zu nutzen, den Einsatz von KI in Europa bzw. Deutschland aktiv zu gestalten, Rahmenbedingungen festzulegen, aber auch Bedenken hinsichtlich KI aus dem Weg zu räumen, hat die Europäische Kommission im April 2018 eine KI-Strategie für Europa verabschiedet. Entsprechend der hier definierten Intention, alle EU-Mitgliedsstaaten bis Mitte 2019 zur Verabschiedung einer eigenen nationalen KI-Strategie für ihr Land zu bewegen, hat die deutsche Bundesregierung ihre KI-Strategie im November 2018 beschlossen (vgl. Bundesregierung 2018b). Ziel ist unter anderem, öffentliche und private Investitionen zu erhöhen, Vorbereitungen für sozioökonomische Veränderungen zu treffen und einen geeigneten ethischen und rechtlichen Rahmen zu gewährleisten (vgl. Europäische Kommission 2018a, S. 1–2).

KI spielt inzwischen in vielen verschiedenen Branchen eine wichtige Rolle. Besonders interessant ist die Untersuchung der Automobilbranche, weil sowohl im europäischen als auch im deutschen Strategiepapier als begünstigte Bereiche Verkehr und Mobilität(vgl. Europäische Kommission 2018a, S. 2) bzw. Mobilität und die Thematik des Autonomen Fahrens festgelegt worden sind (vgl. Bundesregierung 2018b, S. 36). Es handelt sich außerdem um die umsatzstärkste Branche Deutschlands mit 425 Mrd. Euro Umsatz (vgl. Statista 2019) und 871.000 Beschäftigten (vgl. Handelsblatt 2017). Sie profitiert bereits heute stark von KI: In der Produktion werden bestimmte Fertigungsschritte ausschließlich von Robotern übernommen, die Qualitätssicherung erfolgt zu großen Teilen maschinell und immer mehr kommen intelligente Fahrerassistenzsysteme ins Auto. Für die Zukunft ergeben sich weitere Anwendungsfälle, wie z.B. die weitestgehend autonome Produktion in Smarten Fabriken oder gar die gänzliche Ablösung des menschlichen Fahrers in autonomen Autos. Aus diesen Gründen eignet sich die Automobilbranche gut als Beispiel zur Betrachtung der durch die KI-Strategie bedingten Technologiediffusion.

1.2 Problemstellung und Formulierung der Forschungsfragen

Die verabschiedeten KI-Strategien sind zunächst einmal gute Maßnahmen zur Vorbereitung der Gesellschaft auf bevorstehende Veränderungen und zur Etablierung eines ethischen und rechtlichen Rahmens. Sie sollen den technologischen Fortschritt in Europa bzw. Deutschland und den hier ansässigen Unternehmen vorantreiben. Aus volkswirtschaftlicher Perspek-tive lässt sich die Frage stellen, wie effektiv wirtschaftspolitische Eingriffe in Form von KI-Strategien sind oder sein werden und ob sie tatsächlich die Wirkung zeigen, die sich die Europäische Kommission bzw. die Bundesregierung erhoffen: nämlich Europa bzw. Deutschland zu einer der weltweit wichtigsten KI-Regionen zu entwickeln und die internationale Wettbewerbsfähigkeit langfristig aufrecht zu erhalten. Die europäische bzw. deutsche Wettbewerbsfähigkeit hängt maßgeblich von der ihrer Unternehmen ab und diese ist wiederum unter anderem durch den innerhalb der Unternehmen erreichten technologischen Fortschritt bedingt.

Entsprechend dem Ziel einer wissenschaftlichen Arbeit, eine Lücke im Wissensstand der Forschung aufzuzeigen, die geschlossen werden soll (vgl. Gläser und Laudel 2009, S. 64), werden folgende Forschungsfragen formuliert:

- Welchen Beitrag leisten die deutsche und europäische KI-Strategie und die sich daraus ableitenden Maßnahmen zur Diffusion von KI-Technologien in die Unter-nehmen der deutschen Wirtschaft und speziell in die Unternehmen der Automobilbranche? In wieweit wird hier der technologische Fortschritt beeinflusst?
- Wovon ist eine erfolgreiche Diffusion von KI-Technologien abhängig bzw. wodurch wird sie beeinflusst?
- Wo gibt es in der deutschen KI-Strategie Schwachstellen und wie können sie behoben werden?
- Wie groß ist das Interesse der Automobilunternehmen an der KI-Strategie und welche Potentiale ergeben sich aus ihr?
- Werden in der deutschen KI-Strategie die Bedürfnisse der Automobilunternehmen angesprochen oder fehlen grundlegende Aspekte?

Das Ziel der Arbeit ist die Beantwortung dieser Forschungsfragen.

1.3 Vorgehensweise

Im ersten Schritt der Arbeit soll ein einheitliches Verständnis von KI durch eine kurze Betrachtung ihrer Entwicklung, der aktuell bedeutendsten Technologien wie dem maschinellen Lernen bzw. dem tiefen Lernen mit künstlichen neuronalen Netzen und der aktuellen Relevanz von KI für Wirtschaft und Gesellschaft geschaffen werden (siehe Kapitel 2). In Kapitel 3 werden die wichtigsten Aspekte der europäischen und der deutschen KI-Strategie zusammengefasst, in den internationalen Kontext eingeordnet und die aktuellsten Analysen der deutschen KI-Strategie betrachtet. Kapitel 4 befasst sich mit den theoretischen Grund-lagen zur Innovations- und Technologiediffusion bzw. zu forschungs- und technologie-politischen Maßnahmen, um im späteren Verlauf der Arbeit bei der Analyse der KI-Strategie und ihrem Beitrag zur Technologiediffusion hierauf zurückgreifen zu können. Hier wird der Innovationsbegriff und verschiedene Innovationsarten genauer betrachtet. Der Schwerpunkt des Kapitels liegt auf den Eigenschaften der Diffusion und den sie beeinflussenden Aspekten. Weiterhin werden staatliche Eingriffe diskutiert und verschiedene Arten von Maßnahmen beleuchtet. Durch eine Primärdatenerhebung in Form von qualitativen Experteninterviews auf Basis eines teilstandardisierten Interviewleitfadens sollen die nötigen Informationen zur Beantwortung der formulierten Forschungsfragen gesammelt werden. Zur qualitativen Inhaltsanalyse wird die inhaltliche Strukturierung nach Mayring(2015) mit einigen Modifikationen am Kategoriensystem eingesetzt. In Kapitel 5 ist diesbezüglich das genaue Vorgehen erläutert und begründet. Mit diesen methodischen Grundlagen erfolgt dann in Kapitel 6 die analytische Auswertung der Experteninterviews. Zunächst wird allgemein die aktuelle Relevanz von KI beleuchtet. Vor diesem Hintergrund kann dann die deutsche KI-Strategie analysiert, international eingeordnet und ihr Einfluss auf den technologischen Fortschritt beurteilt werden. Weiterhin werden allgemein die Diffusion von KI beeinflussenden Faktoren und ihr aktueller Stand erforscht, womit dann im letzten Teil des Kapitels die konkrete Diffusion in die Automobilbranche behandelt werden kann. In Kapitel 7 erfolgt ein Resümee der Forschungsergebnisse, eine kritische Reflektion und ein kurzer Ausblick auf die Möglichkeiten zukünftiger weiterer Forschung.

1.4 Abgrenzung

Der Fokus dieser Arbeit liegt, entsprechend den formulierten Forschungsfragen, auf der Diffusion von KI-Technologien in der deutschen Wirtschaft bzw. speziell in der Automobilbranche. Auf die gesellschaftlichen Auswirkungen durch den Einsatz von KI wird eher am Rande eingegangen. Hinsichtlich der theoretischen Grundlagen zur Innovations- und Technologiediffusion könnte noch weiter auf Innovationscluster und -systeme bzw. verschiedene diffusionstheoretische Modelle eingegangen werden. Beide Aspekte würden den Umfang und Rahmen dieser Arbeit aber sprengen und spielen für die Arbeit keine wesentliche Rolle. Vielmehr ist ein grundlegendes Verständnis der Charakteristika von Innovationen und Diffusionen wichtig.

Wie im Laufe der Arbeit noch genauer erläutert wird, ist die europäische KI-Strategie in erster Linie als Rahmenwerk für die nationalen Strategien der EU-Mitgliedsstaaten zu betrachten. Dementsprechend werden ihre Inhalte zwar kurz zusammengefasst, der Schwerpunkt der Analyse des Beitrages zur Technologiediffusion, der Stärken, Schwächen und Optimierungsvorschläge liegt aber auf der deutschen KI-Strategie. Die Betrachtung der KI-Strategien anderer Nationen steht nicht im Fokus der Arbeit.

Wie im vorherigen Kapitel erläutert, geht es in der Analyse um die qualitative Erforschung der Diffusion von KI-Technologien. Ziel der Arbeit ist es nicht, hierzu quantitative Aussagen treffen zu können.

[...]