Methodische Identifikation von KI-Potenzial am Beispiel der Energiewirtschaft
-
Terence Larusch
Terence Larusch, M. Eng., geb. 1992, hat an der Universität Stuttgart Luft- und Raumfahrttechnik (B. Sc.) und an der Technischen Hochschule Wildau Luftfahrttechnik und -management (M. Eng.) studiert. Seit 2023 ist er Wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik IPK im Bereich Virtuelle Produktentstehung in Berlin.
,
Jörg Brünnhäußer
Jörg Brünnhäußer, geb. 1986, M. Sc. Informatik mit Schwerpunkt Technical Systems, arbeitete zwei Jahre als Wissenschaftlicher Mitarbeiter an der TU Berlin in einem IoT-Forschungsprojekt, bevor er anschließend für vier Jahre als Softwareentwickler ans IGES Institut wechselte. Seit 2019 beschäftigt er sich als Wissenschaftlicher Mitarbeiter mit Data Science Themen im Bereich virtuelle Produktentstehung am Fraunhofer IPK.
Pascal Lünnemann, M. Sc., geb. 1987, hat an der Technischen Universität Berlin Maschinenbau und Fahrzeugtechnik studiert. Seit 2015 ist er am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik IPK tätig und leitet seit 2022 die Abteilung Intelligente Vernetzung im Bereich Virtuelle Produktentstehung.
Abstract
Dieser Beitrag stellt eine Methodik vor, die entwickelt wurde, um KI-Potenziale auf Aktivitätsebene systematisch zu bewerten und strategische Roadmaps abzuleiten. Die Methodik kombiniert technische und betriebswirtschaftliche Bewertungsfaktoren und entspringt einer Studie in der Energiewirtschaft. Dabei wurden über 300 Aktivitäten untersucht, um Anwendungsfälle mit erhöhtem Automatisierungspotenzial zu identifizieren. Dieser Beitrag erläutert die Methodik, ihre Anwendung und diskutiert ihre Übertragbarkeit auf andere Branchen, um Unternehmen eine praxisnahe Grundlage zur strategischen Nutzung von KI zu bieten.
Abstract
This article presents a methodology developed to systematically evaluate AI potential at the activity level and derive strategic roadmaps. The methodology combines technical and business analyses and originates from a study in the energy sector. Over 300 activities were examined to identify use cases with high automation potential. This paper explains the methodology, its application, and discusses its transferability to other industries, providing companies with a practical foundation for the strategic use of AI.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Über die Autoren
Terence Larusch, M. Eng., geb. 1992, hat an der Universität Stuttgart Luft- und Raumfahrttechnik (B. Sc.) und an der Technischen Hochschule Wildau Luftfahrttechnik und -management (M. Eng.) studiert. Seit 2023 ist er Wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik IPK im Bereich Virtuelle Produktentstehung in Berlin.
Jörg Brünnhäußer, geb. 1986, M. Sc. Informatik mit Schwerpunkt Technical Systems, arbeitete zwei Jahre als Wissenschaftlicher Mitarbeiter an der TU Berlin in einem IoT-Forschungsprojekt, bevor er anschließend für vier Jahre als Softwareentwickler ans IGES Institut wechselte. Seit 2019 beschäftigt er sich als Wissenschaftlicher Mitarbeiter mit Data Science Themen im Bereich virtuelle Produktentstehung am Fraunhofer IPK.
Pascal Lünnemann, M. Sc., geb. 1987, hat an der Technischen Universität Berlin Maschinenbau und Fahrzeugtechnik studiert. Seit 2015 ist er am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik IPK tätig und leitet seit 2022 die Abteilung Intelligente Vernetzung im Bereich Virtuelle Produktentstehung.
Literatur
1 Uren, V.; Edwards, J. S.: Technology Readiness and the Organizational Journey towards AI Adoption: An Empirical Study. International Journal of Information Management 68 (2023), Article 102588 DOI:10.1016/j.ijinfomgt.2022.10258810.1016/j.ijinfomgt.2022.102588Suche in Google Scholar
2 Holmström, J.: From AI to Digital Transformation: The AI Readiness Framework. Business Horizons 65 (2022) 3, S. 329–339 DOI:10.1016/j.bushor.2021.03.00610.1016/j.bushor.2021.03.006Suche in Google Scholar
3 Alghazzawi, R.: AI Adoption and Organizational Readiness: Boosting Accounting Efficiency in Jordan. Journal of Financial Reporting and Accounting 23 (2023) 4, S. 1431-1449 DOI:10.1108/JFRA-08-2024-057010.1108/JFRA-08-2024-0570Suche in Google Scholar
4 Sadiq, R. B.; Safie, N.; Abd Rahman, A. H.; Goudarzi, S.: Artificial Intelligence Maturity Model: A Systematic Literature Review. PeerJ Computer Science 7 (2021) 8, Article e661 DOI:10.7717/peerj-cs.66110.7717/peerj-cs.661Suche in Google Scholar PubMed PubMed Central
5 Mallioris, P.; Aivazidou, E.; Bechtsis, D.: Predictive Maintenance in Industry 4.0: A Systematic Multi-Sector Mapping. CIRP Journal of Manufacturing Science and Technology 50 (2024), S. 80–103 DOI:10.1016/j.cirpj.2024.02.00310.1016/j.cirpj.2024.02.003Suche in Google Scholar
6 Chen, S.; Brokhausen, F.; Wiesner, P.; Hegyi, D.; Citir, M.; Huth, M.; Park, S.; Rabe, J.; Thamsen, L.; Tscheikner-Gratl, F.; Castelletti, A.; Thamsen, P. U.; Cominola, A.: Coupled Simulation of Urban Water Networks and Interconnected Critical Urban Infrastructure Systems: A Systematic Review and Multisector Research Agenda. Sustainable Cities and Society 104 (2024), Article 105283 DOI:10.1016/j.scs.2024.10528310.1016/j.scs.2024.105283Suche in Google Scholar
7 Gabrielli, P.; Wüthrich, M.; Blume, S.; Sansavini, G.: Data-Driven Modeling for Long-Term Electricity Price Forecasting. Energy 244 (2022) B, Article 123107 DOI:10.1016/j.energy.2022.12310710.1016/j.energy.2022.123107Suche in Google Scholar
8 Ali, W.; Khan, A. Z.: Factors Influencing Readiness for Artificial Intelligence: A Systematic Literature Review. Data Science and Management 8 (2025) 2, S. 224–236 DOI:10.1016/j.dsm.2024.09.00510.1016/j.dsm.2024.09.005Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Produktionsnetzwerke der Zukunft – intelligent, flexibel und wirtschaftlich
- WGP-Standpunkt
- Forschung für die energieeffiziente, energieflexible und dekarbonisierte Industrie
- Produktionsnetzwerke
- Produktionsnetzwerke im Automobilbau
- Fabrikkonzepte
- Kopplung von MBSE und Verhaltenssimulation für die Auswertung von Fabrikkonzepten
- Kollaboration
- Kollaboration durch Datenräume und die Analyse bestehender Initiativen
- Kollaboratives Emissionsmanagement im Produktionsnetzwerk
- Supply-Chain-Strategien
- Glokalisierte Produktionsverlagerung
- Produktionsnahe Supply-Chain-Partnerschaften
- ERP-Migration
- Entscheidungsunterstützung für die Durchführung von ERP-Migrationsprojekten
- Anforderungserhebung
- Modellbasiertes Tool zur partizipativen Anforderungserhebung
- Nachhaltigkeit
- Datengetriebene Nachhaltigkeitsfunktionen
- Nachhaltiger Einkauf im deutschen Mittelstand
- Ergonomie
- Exoskelette im industriellen Praxistest
- Künstliche Intelligenz
- Methodische Identifikation von KI-Potenzial am Beispiel der Energiewirtschaft
- Von Papier zu Prozess: Integration KI-basierter Dokumentenanalyse in logistische Abläufe
- Digitalisierung
- Low-Code für die Geschäftsprozess-Digitalisierung?
- Datenökosysteme
- Komponenten-Service-Systeme im Praxistest
- Energieeffizienz
- IoT-basiertes Energiemonitoring von Produktionsanlagen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Produktionsnetzwerke der Zukunft – intelligent, flexibel und wirtschaftlich
- WGP-Standpunkt
- Forschung für die energieeffiziente, energieflexible und dekarbonisierte Industrie
- Produktionsnetzwerke
- Produktionsnetzwerke im Automobilbau
- Fabrikkonzepte
- Kopplung von MBSE und Verhaltenssimulation für die Auswertung von Fabrikkonzepten
- Kollaboration
- Kollaboration durch Datenräume und die Analyse bestehender Initiativen
- Kollaboratives Emissionsmanagement im Produktionsnetzwerk
- Supply-Chain-Strategien
- Glokalisierte Produktionsverlagerung
- Produktionsnahe Supply-Chain-Partnerschaften
- ERP-Migration
- Entscheidungsunterstützung für die Durchführung von ERP-Migrationsprojekten
- Anforderungserhebung
- Modellbasiertes Tool zur partizipativen Anforderungserhebung
- Nachhaltigkeit
- Datengetriebene Nachhaltigkeitsfunktionen
- Nachhaltiger Einkauf im deutschen Mittelstand
- Ergonomie
- Exoskelette im industriellen Praxistest
- Künstliche Intelligenz
- Methodische Identifikation von KI-Potenzial am Beispiel der Energiewirtschaft
- Von Papier zu Prozess: Integration KI-basierter Dokumentenanalyse in logistische Abläufe
- Digitalisierung
- Low-Code für die Geschäftsprozess-Digitalisierung?
- Datenökosysteme
- Komponenten-Service-Systeme im Praxistest
- Energieeffizienz
- IoT-basiertes Energiemonitoring von Produktionsanlagen
- Vorschau
- Vorschau
