Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle
-
Robert Kummer
Robert Kummer, M. A., ist seit 2007 am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF in Magdeburg beschäftigt. Der diplomierte Wirtschaftsingenieur und stellvertretende Leiter des Mittelstand-Digital Zentrum Magdeburg beschäftigt sich in den letzten Jahren schwerpunktmäßig mit der digitalen Transformation von Geschäftsmodellen primär kleiner und mittlerer Unternehmen.
,
Maximilian Reuß
Maximilian Reuß, M. Sc., studierte Wirtschaftsingenieurwesen mit Schwerpunkt Logistik an der Universität Magdeburg und ist seit 2022 Wissenschaftlicher Mitarbeiter am Fraunhofer IFF. Er beschäftigt sich mit der Modellierung, Analyse und Optimierung von resilienten Wertschöpfungssystemen sowie mit dezentralen Datenräumen und Analytics-Anwendungen in der Automobil- und Halbleiterindustrie.
Dr. Sergii Kolomiichuk arbeitet seit 2008 als Projektleiter am Fraunhofer IFF. Der KI-Koordinator des Mittelstand-Digital Zentrum Magdeburg studierte Konstruktion und Zuverlässigkeit von Flugzeugtriebwerken an der Nationaluniversität für Luft- und Raumfahrt (Charkow, Ukraine) und promovierte 2018 über den Einsatz von Methoden des Maschinelles Lernens (ML) zur Prognose von Energiebedarfen an der Otto-von-Guericke Universität Magdeburg.
Dipl. Math. Detlef Hüttemann studierte Mathematik und Informatik an der Freien Universität Berlin. Nach mehreren Jahren Berufstätigkeit als angestellter Softwareentwickler und freier Berater gründete er im Jahr 2000 mit seinem Partner Jörg Riebesell das Softwareunternehmen CosmoCode GmbH, als deren Geschäftsführer er bis heute beschäftigt ist. Weitere Schwerpunkte seiner beruflichen Tätigkeit sind die Kundenberatung und die Konzeption von individuellen Softwarelösungen.
Simone Thomas studierte berufsbegleitend „Prävention und Gesundheitspsychologie B. A.“ sowie im Anschluss „Digital Management und Transformation M. A.“. Vor und parallel zu diesen Studienabschlüssen war Frau Thomas inverschiedenen mittelständischen Unternehmen mit Leitungsfunktionen betraut. Derzeit arbeitet sie als wissenschaftliche Mitarbeiterin an der Hochschule Darmstadt, University of Applied Sciences mit dem Forschungsschwerpunkt zur datenbasierten Geschäftsmodellentwicklung und Servitization des produzierenden Mittelstandes.
Bernd Locher ist Geschäftsführer der Firmengruppe FORM+TEST Seidner & Co. GmbH, einem Unternehmen mit rund 90 Mitarbeitern. FORM+TEST ist auf die Herstellung von Prüfmaschinenfür die zerstörende Material- und Bauteilprüfung spezialisiert, die weltweit in Prüflaboren eingesetzt werden. Locher und sein Team bieten maßgeschneiderte Lösungen für Prüfnormen und Sicherheitsstandards und setzen dabei auf Flexibilität sowie ganzheitliche Beratung und Kundenorientierung.
Sandra Beiersdorff, B. A., studierte Wirtschaftskommunikation an der FHTW Berlin und war seither in verschiedenen Unternehmen in Deutschland im Bereich Marketing, Kommunikation, Grafik, Events und Projektmanagement tätig. Seit 2020 ist sie bei der ZORN INSTRUMENTS GmbH & Co. KG mit unterschiedlichsten Projekten all dieser Bereiche betraut.
Abstract
Künstliche Intelligenz wird zunehmend auch in kleinen und mittleren Unternehmen (KMU) eingesetzt. Im Fokus stehen dabei meist Effizienzsteigerungen bzw. Arbeitserleichterungen. Potenziale, die aus einer Integration von KI in Produkte, Dienstleistungen bzw. Geschäftsmodelle resultieren, bleiben allerdings meist ungenutzt. Diesen Umstand adressierend, wird in diesem Beitrag ein Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle vorgestellt.
Abstract
Artificial intelligence is also increasingly being used in small and mediumsized enterprises (SMEs). The focus is usually on increasing efficiency and making work easier. However, the potential resulting from the integration of AI into products, services and business models usually remains untapped. Addressing this situation, the article presents a process model for the development of AI-driven business models.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Das diesem Bericht zugrunde liegende Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter den Förderkennzeichen 02L20C030-34 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
About the authors
Robert Kummer, M. A., ist seit 2007 am Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF in Magdeburg beschäftigt. Der diplomierte Wirtschaftsingenieur und stellvertretende Leiter des Mittelstand-Digital Zentrum Magdeburg beschäftigt sich in den letzten Jahren schwerpunktmäßig mit der digitalen Transformation von Geschäftsmodellen primär kleiner und mittlerer Unternehmen.
Maximilian Reuß, M. Sc., studierte Wirtschaftsingenieurwesen mit Schwerpunkt Logistik an der Universität Magdeburg und ist seit 2022 Wissenschaftlicher Mitarbeiter am Fraunhofer IFF. Er beschäftigt sich mit der Modellierung, Analyse und Optimierung von resilienten Wertschöpfungssystemen sowie mit dezentralen Datenräumen und Analytics-Anwendungen in der Automobil- und Halbleiterindustrie.
Dr. Sergii Kolomiichuk arbeitet seit 2008 als Projektleiter am Fraunhofer IFF. Der KI-Koordinator des Mittelstand-Digital Zentrum Magdeburg studierte Konstruktion und Zuverlässigkeit von Flugzeugtriebwerken an der Nationaluniversität für Luft- und Raumfahrt (Charkow, Ukraine) und promovierte 2018 über den Einsatz von Methoden des Maschinelles Lernens (ML) zur Prognose von Energiebedarfen an der Otto-von-Guericke Universität Magdeburg.
Dipl. Math. Detlef Hüttemann studierte Mathematik und Informatik an der Freien Universität Berlin. Nach mehreren Jahren Berufstätigkeit als angestellter Softwareentwickler und freier Berater gründete er im Jahr 2000 mit seinem Partner Jörg Riebesell das Softwareunternehmen CosmoCode GmbH, als deren Geschäftsführer er bis heute beschäftigt ist. Weitere Schwerpunkte seiner beruflichen Tätigkeit sind die Kundenberatung und die Konzeption von individuellen Softwarelösungen.
Simone Thomas studierte berufsbegleitend „Prävention und Gesundheitspsychologie B. A.“ sowie im Anschluss „Digital Management und Transformation M. A.“. Vor und parallel zu diesen Studienabschlüssen war Frau Thomas inverschiedenen mittelständischen Unternehmen mit Leitungsfunktionen betraut. Derzeit arbeitet sie als wissenschaftliche Mitarbeiterin an der Hochschule Darmstadt, University of Applied Sciences mit dem Forschungsschwerpunkt zur datenbasierten Geschäftsmodellentwicklung und Servitization des produzierenden Mittelstandes.
Bernd Locher ist Geschäftsführer der Firmengruppe FORM+TEST Seidner & Co. GmbH, einem Unternehmen mit rund 90 Mitarbeitern. FORM+TEST ist auf die Herstellung von Prüfmaschinenfür die zerstörende Material- und Bauteilprüfung spezialisiert, die weltweit in Prüflaboren eingesetzt werden. Locher und sein Team bieten maßgeschneiderte Lösungen für Prüfnormen und Sicherheitsstandards und setzen dabei auf Flexibilität sowie ganzheitliche Beratung und Kundenorientierung.
Sandra Beiersdorff, B. A., studierte Wirtschaftskommunikation an der FHTW Berlin und war seither in verschiedenen Unternehmen in Deutschland im Bereich Marketing, Kommunikation, Grafik, Events und Projektmanagement tätig. Seit 2020 ist sie bei der ZORN INSTRUMENTS GmbH & Co. KG mit unterschiedlichsten Projekten all dieser Bereiche betraut.
Literatur
1 Kett, H.; Evcenko, D.; Falkner, J.; Frings, S.; Neuhüttler, J.: Künstliche Intelligenz als Veränderungstreiber für Geschäftsmodelle. In: Bruhn M.; Hadwich K. (Hrsg): Künstliche Intelligenz im Dienstleistungsmanagement. Springer Fachmedien Wiesbaden, Wiesbaden 2021, S 51–75 10.1007/978-3-658-34324-8_2Search in Google Scholar
2 Kraus, R.; Zahn, M.: Wie generative KI das Kundenerlebnis verbessert. Customer Experience, Gastbeitrag, Online-Artikel, 2023. Online unter https://www.springerprofessional.de/customer-experience/mobilitaetskonzepte/wie-generative-ki-das-kundenerlebnis-verbessert/26300636 [Abruf am 24.09.2024]Search in Google Scholar
3 Berger, P.; von Garrel, J.: Nutzenbasierte Preisgestaltung kooperativer KI-basierter Software in produzierenden Unternehmen – Eine empirische Untersuchung KI-basierter Geschäftsmodelle. Gesellschaft für Informatik, Bonn 2022Search in Google Scholar
4 Boswell, L.; Fleming, T.; Dekel, S.; Johnson, E.; Fishman, A.; Swinford, D.: Thriving in an Age of Continuous Reinvention. PwC’s 27th Annual Global CEO Survey, 2024Search in Google Scholar
5 Wintergerst, R.: Künstliche Intelligenz – Wo steht die deutsche Wirtschaft? Bitkom e. V, Berlin 2023Search in Google Scholar
6 Hahn, C.; Traunecker, T.; Niever, M.; Basedow, G. N.: Exploring AI-Driven Business Models: Conceptualization and Expectations in the Machinery Industry. In: Proceedings of the IEEE International Conference on Industrial Engineering and Engineering Management (IEEM). IEEE, Singapore 2020, S 567–570 10.1109/IEEM45057.2020.9309824Search in Google Scholar
7 Abdelkafi, N.; Döbel, I.; Drzewiecki, J. D.; Meironke, A.; Niekler, A.; Ries, S.: Künstliche Intelligenz (KI) im Unternehmenskontext – Literaturanalyse und Thesenpapier. Fraunhofer IMW, Leipzig 2019 10.24406/publica-fhg-299826Search in Google Scholar
8 Jorzik, P.; Klein, S. P.; Kanbach, D. K.; Kraus, S.: AI-Driven Business Model Innovation: A Systematic Review and Research Agenda. Journal of Business Research 182 (2024), 114764 10.1016/j.jbusres.2024.114764Search in Google Scholar
9 Zott, C.; Amit, R. H.; Massa L.: The Business Model: Recent Developments and Future Research. Journal of Management 37 (2011) 4 10.2139/ssrn.1674384Search in Google Scholar
10 Wirtz, B.; Daiser, P.: Business Model Innovation Processes: A Systematic Literature Review. Journal of Business Models 6 (2018) 1, S. 40–58 10.5278/ojs.jbm.v6i1.2397Search in Google Scholar
11 Gassmann, O.; Frankenberger, K.; Choudury, M.: Geschäftsmodelle entwickeln – 55 innovative Konzepte mit dem St. Galler Business Model Navigator. 2. Aufl., Carl Hanser Verlag, München 2017Search in Google Scholar
12 Osterwalder, A.; Pigneur, Y.: Business Model Generation – A Handbook for Visionaries, Game Changers, and Challengers. Wiley, Hoboken, NJ 2010Search in Google Scholar
13 Veit, D.; Clemons, E.; Benlian, A.; Buxmann, P.; Hess, T.; Kundisch, D.; Leimeister, J. M.; Loos, P.; Spann, M.: Business Models: An Information Systems Research Agenda. Business & Information Systems Engineering 6 (2014) 1, S. 45–53 10.1007/s12599-013-0308-ySearch in Google Scholar
14 Hartmann, P. M.; Zaki, M.; Feldmann, N.; Neely, A.: Capturing Value from Big Data –A Taxonomy of Data-Driven Business Models Used by Start-Up Firms. IJOPM 36 (2016) 10, S. 1382–1406 10.1108/IJOPM-02-2014-0098Search in Google Scholar
15 Benta, C.; Wilberg, J.; Hollauer, C.; Omer, M.: Process Model for Data-Driven Business Model Generation. In: Proceedings of the 21st International Conference on Engineering Design (ICED17). Vol. 2: Design Processes. Design Organisation and Management. 21–25 August 2017, The University of British Columbia, Vancouver, Canada 2017Search in Google Scholar
16 Mehler, M. F.; Vetter, O. A.; Hoffmann, F.; von Garrel, J.; Buxmann, P.; Aristakesyan, A.; Uellner, F.; Hennings, C.; Kaur A.: Künstliche Intelligenz als Motor Ihrer Geschäftsmodelle – Ein Leitfaden zur Erstellung und Transformation KI-getriebener Geschäftsmodelle. Kompetenzzentrum für Arbeit und Künstliche Intelligenz, Darmstadt 2023Search in Google Scholar
17 Massa, L.; Tucci, C. L.: Business Model Innovation. In: Dodgson, M.; Gann, D. M.; Phillips, N.: (Hrsg.): The Oxford Handbook of Innovation Management. Oxford University Press, 2013, S 420–441Search in Google Scholar
18 Bosse S.: Wie Machine Learning bei der Identifikation kritischer Projektzustände helfen kann (Vortrag), Digitale Agenda für das Land Sachsen-Anhalt. Künstliche Intelligenz, Halle 29.08.2019Search in Google Scholar
19 Bilgeri, D.; Brandt, V.; Lang, M.; Tesch, J.; Weinberger, M.: The IoT Business Model Builde – A White Paper of the Bosch IoT Lab in Collaboration with Bosch Software Innovations GmbH, 2015Search in Google Scholar
20 Frank, J.; Holst, L.; Müller, D.; Leiting, T.: Aachener Subscription-Business: Monetarisieren Sie die Nutzungsphase Ihrer Produkte – Die sechs Erfolgsprinzipien. FIR e. V. an der RWTH Aachen, Aachen 2021Search in Google Scholar
21 Satzger, G.; Möslein K.; Böhmann T. (Hrsg): Geschäftsmodelle 4.0 – Baukasten zur Entwicklung datenbasierter Geschäftsmodelle. KSRI, Karlsruhe 2018Search in Google Scholar
22 Hunke, F.; Seebacher, S.; Schuritz, R.; Illi, A.: Towards a Process Model for Data-Driven Business Model Innovation. In: Proceedings of the IEEE 19th Conference on Business Informatics (CBI). IEEE, Thessaloniki 2017, S 150–157 10.1109/CBI.2017.43Search in Google Scholar
23 von Garrel, J.; Jahn C.: Design Framework for the Implementation of AI-based (Service) Business Models for Small and Medium-sized Manufacturing Enterprises. Journal of the Knowledge Economy 14 (2023) 3, S. 3551–3569 10.1007/s13132-022-01003-zSearch in Google Scholar
24 Lee, J.; Suh, T.; Roy, D.; Baucus, M.: Emerging Technology and Business Model Innovation: The Case of Artificial Intelligence. Journal of Open Innovation: Technology, Market, and Complexity 5 (2019) 3, 44 10.3390/joitmc5030044Search in Google Scholar
25 Wirth, R.; Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. In: Practical Application of Knowledge Discovery and Data Mining (2000), S. 29–40Search in Google Scholar
26 Fraunhofer IOSB (Hrsg.): ML4P Vorgehensmodell, White Paper. Online unter https://www.iosb.fraunhofer.de/content/dam/iosb/iosbtest/documents/projekte/ml4p/ML4P_whitepaper.pdf [Abruf 04.08.2022]Search in Google Scholar
27 Hasterok, C.; Stompe, J.: PAISE® – Process Model for AI Systems Engineering. at – Automatisierungstechnik 70 (2022) 9, S. 777–786 10.1515/auto-2022-0020Search in Google Scholar
28 Eilers, S.; Rump, J.; Schabel, F.; Möckel, K.: HR-Report 2024 – Schwerpunkt: Wie Künstliche Intelligenz die Unternehmenswelt beeinflusst. Mannheim/Ludwigshafen, 2024Search in Google Scholar
29 Kohl, I.: Akzeptanzförderung bei der Einführung von Wissensmanagement. Ein Methodenbaukasten für kleine und mittlere Unternehmen. Zugl.: Berlin, TU, Diss., 2009. Berichte aus dem Produktionstechnischen Zentrum Berlin. Fraunhofer Verlag, Stuttgart 2009Search in Google Scholar
30 Kummer, R.; Voigt, S.: Kundenwissen nutzen – Ansatzpunkte für digitale Services entwickeln. Mittelstand-Digital Magazin Wissenschaft trifft Praxis 18 (2022), S. 36–41Search in Google Scholar
31 Ries, E.: The Lean Startup – How Today‘s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Currency, New York 2017Search in Google Scholar
32 Bland, D. J.; Osterwalder, A.: Testing business ideas. Dieses Buch ist Ihr Versuchslabor für schnelle Experimente : nutzen Sie die 44 Experimente, um Ihren Weg zum Wachstum zu finden : mit kleinem Einsatz durch schnelle Experimente zu großen Gewinnen! Strategyzer Reihe. Campus Verlag, Frankfurt, New York 2020Search in Google Scholar
33 BDEW – Bundesverband der Energie- und Wasserwirtschaft: Künstliche Intelligenz für die Energiewirtschaft. BDEW, Berlin 2020Search in Google Scholar
34 Bitkom (Hrsg.): Digitalisierung gestalten mit dem Periodensystem der Künstlichen Intelligenz. Bitkon e. V., Berlin (2018)Search in Google Scholar
35 Feike, M.: In 4 Schritten zum ersten KI Use Case. Fraunhofer IAO, 2022. Online unter https://blog.iao.fraunhofer.de/in-4-schritten-zum-ersten-ki-use-case/#respond [Abruf am 24.09.2024]Search in Google Scholar
36 Badel, G.-T.; Mencke N.; Tippani D.: Digitale Baufortschrittskontrolle mithilfe KI-basierter akustischer Vorgangserkennung. In: Tagungsband DAGA 2023, S 228–231Search in Google Scholar
37 North, K.: Die Wissenstreppe. In: North, K. (Hrsg); Wissensorientierte Unternehmensführung. Springer Fachmedien Wiesbaden, Wiesbaden 2021, S. 33–69 10.1007/978-3-658-32771-2_3Search in Google Scholar
© 2024 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Die Zukunft der Produktionsnetzwerke – effizient, flexibel, intelligent und nachhaltig
- Produktionsstrategien
- Simulation und Bewertung von Fahrzeug-Produktionsstrategien
- Mit vorausschauenden Produktionsstrategien Wachstum in sich wandelnden Märkten erreichen
- Produktionsnetzwerke
- Standortstrategieentwicklung und Roadmapping in globalen Produktionsnetzwerken
- Kreislauffähige Produktionsnetzwerke
- Produktionsplanung
- Auswirkungen von Laststeuerungsprogrammen auf Lieferketten
- Digitaler Produktpass
- Verursachungsgerechte CO2-Bilanzierung für den Digitalen Produktpass
- Digitales Ecosystem
- Intelligente Wertschöpfungsnetzwerke für individuelle Fahrzeugentwicklung
- Supply-Chain-Management
- Modulares Simulationsmodell für das operative Supply-Chain-Management
- Variantenmanagement
- Frühzeitige Bewertung von Auswirkungen bei der Einführung neuer Produktvarianten
- Wirtschaftlichkeit
- Nutzen- und Kostenbestimmung von Technologien
- Echtzeitkommunikation
- Rescheduling zyklischer Echtzeitkommunikation
- Presshärten
- Höhere Duktilität durch verhinderte Austenitisierung
- Künstliche Intelligenz
- Generative Künstliche Intelligenz als Assistenz in der Instandhaltung
- Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle
- Digitale Transformation
- Gemba-Digitalisierung 4.0? Digitale Transformation auf Japanisch
- Vorgehensmodell zur Analyse und Auswahl einer IoT-Plattform für KMU
- Datenmanagement
- IIoT-basierte Geschäftsmodelle für Komponentenhersteller
- Vorschau
- Vorschau
Articles in the same Issue
- Frontmatter
- Editorial
- Die Zukunft der Produktionsnetzwerke – effizient, flexibel, intelligent und nachhaltig
- Produktionsstrategien
- Simulation und Bewertung von Fahrzeug-Produktionsstrategien
- Mit vorausschauenden Produktionsstrategien Wachstum in sich wandelnden Märkten erreichen
- Produktionsnetzwerke
- Standortstrategieentwicklung und Roadmapping in globalen Produktionsnetzwerken
- Kreislauffähige Produktionsnetzwerke
- Produktionsplanung
- Auswirkungen von Laststeuerungsprogrammen auf Lieferketten
- Digitaler Produktpass
- Verursachungsgerechte CO2-Bilanzierung für den Digitalen Produktpass
- Digitales Ecosystem
- Intelligente Wertschöpfungsnetzwerke für individuelle Fahrzeugentwicklung
- Supply-Chain-Management
- Modulares Simulationsmodell für das operative Supply-Chain-Management
- Variantenmanagement
- Frühzeitige Bewertung von Auswirkungen bei der Einführung neuer Produktvarianten
- Wirtschaftlichkeit
- Nutzen- und Kostenbestimmung von Technologien
- Echtzeitkommunikation
- Rescheduling zyklischer Echtzeitkommunikation
- Presshärten
- Höhere Duktilität durch verhinderte Austenitisierung
- Künstliche Intelligenz
- Generative Künstliche Intelligenz als Assistenz in der Instandhaltung
- Prozessmodell zur Entwicklung KI-basierter Geschäftsmodelle
- Digitale Transformation
- Gemba-Digitalisierung 4.0? Digitale Transformation auf Japanisch
- Vorgehensmodell zur Analyse und Auswahl einer IoT-Plattform für KMU
- Datenmanagement
- IIoT-basierte Geschäftsmodelle für Komponentenhersteller
- Vorschau
- Vorschau
