Themenseite
Neue Geschäftsmodelle mit Künstlicher Intelligenz

 

Kontakt

Linda Treugut / Birgit Obermeier
Presse- und Öffentlichkeitsarbeit
Lernende Systeme – Die Plattform für Künstliche Intelligenz
T.: +49 89/52 03 09-54 /-51
M.: +49 172/144 58-47/-39
presse@plattform-lernende-systeme.de

Die Digitalisierung verändert bereits seit einigen Jahren die Geschäftsmodelle von Unternehmen. Die zunehmende Verbreitung von Künstlicher Intelligenz (KI) läutet dabei eine neue Phase ein: Produkte und Dienstleistungen lassen sich künftig den individuellen Wünschen von Kundinnen und Kunden anpassen. Möglich wird dies durch eine intelligente Nutzung und Verknüpfung von Daten. Damit stellen sich grundlegende Fragen: Wie können Unternehmen bestehende Geschäftsmodelle durch den Einsatz von KI anpassen oder neue KI-basierte Geschäftsmodelle entwickeln? Welche Rahmenbedingungen müssen geschaffen werden, damit die ganze Gesellschaft von dieser Transformation der Wirtschaft profitiert? Die Arbeitsgruppe Geschäftsmodellinnovationen der Plattform Lernende Systeme präsentiert hierzu Fallbeispiele, Leitfäden und Gestaltungsoptionen

  • So verändert KI die Wirtschaft
  • Fallbeispiele
  • Leitfaden
  • Stolpersteine
  • Gestaltungsoptionen
  • Expertinnen und Experten zum Thema
  • Leseliste

Neue Geschäftsmodelle mit KI. Zum Bericht der Arbeitsgruppe 4

So verändert Künstliche Intelligenz die Wirtschaft

Neue Formen der Vernetzung

Unternehmen bieten Produkte und Dienstleistungen an, können aber auch Daten und Wissen anderer Unternehmen nutzen. Ebenso können sie aus Daten lernen und anschließend anderen Unternehmen anbieten.

Smarte Produkte und Dienstleistungen

Ob Fahrzeug, Fitnessarmband oder Windkraftrad – all diese Objekte sind digital anschlussfähig. Die Analyse der erhobenen Daten ermöglicht es, Produkte und Dienstleistungen „smart" zu machen. Über Schnittstellen können KI-Systeme die Daten auch anderen Produkten und Anwendungen zur Verfügung stellen – und umgekehrt von diesen Daten erhalten.

Klare Kundenorientierung

Im Zentrum neuer Geschäftsmodelle stehen nicht mehr Unternehmen mit ihren Produkten und Diensten, sondern zunehmend die Nutzerinnen und Nutzer mit ihren persönlichen Bedürfnissen und Vorlieben. Sie erhalten wann und wo sie wollen (on-demand) Produkte, internetbasierte Dienste und Dienstleistungen, die sich auf ihre individuellen Bedürfnisse einstellen können.

Neue Formen der Arbeitsorganisation

Innovation entsteht zunehmend in flexiblen Teams. Denn die Beschäftigten wechseln ihren Arbeitgeber häufiger als früher; freie Mitarbeit nimmt zu. Auch KI verändert die Arbeitsorganisation, kann aber auch Vorteile für die Beschäftigten bieten – indem sie unterstützt, Projekte zu komplettieren und Mitarbeiterinnen und Mitarbeiter flexibel weiterzubilden.

Neue Freiheitsgrade für das Design von Geschäftsmodellen

Physische Güter sind aufgrund ihrer Materialität limitiert, digitale Güter nicht. Damit einher gehen höhere Freiheitsgrade: Unternehmen verschenken digitale Güter häufig an bestimmte Gruppen, um diese zu einer langfristigen Nutzung zu motivieren, Daten zu generieren und/oder Werbung gezielter zu platzieren. Im KI-Zeitalter stellt sich die Frage nach den ökonomischen Spielregeln neu.

Veränderte Geschäftsmodelle durch Künstliche Intelligenz

Lernende Systeme und KI-Methoden ermöglichen es, aus umfangreichen und komplexen Daten Wissen zu extrahieren und neue Erkenntnisse zu generieren – die wiederum Grundlage veränderter und innovativer Geschäftsmodelle sind.

Geschäftsmodelle über Unternehmensgrenzen hinweg

Beispiele dafür sind Mobilitäts-Apps, die Reiserouten optimieren. Sie berücksichtigen individuelle Vorlieben für bestimmte Verkehrsmittel und -wege, berechnen die schnellsten und günstigsten Transportmittel, stellen das Ticket bereit und rechnen es anbieterübergreifend ab. Lernende Systeme ermöglichen ganz neue Produkte. Sie können nun in Echtzeit maßgeschneiderte Unikate konfigurieren und fertigen.

Plattformen und Ökosysteme

Einzelne Unternehmen sind meist nicht in der Lage, datengetriebene Geschäftsmodelle umzusetzen. Es entstehen digitale Plattformen, auf denen Unternehmen unterschiedlicher Branchen und Größen zusammenarbeiten (digitale Ökosysteme).

Leadership

Bestehende Geschäftsmodelle in Richtung KI zu transformieren, erfordert Mut, Risikobereitschaft und Durchhaltevermögen. Nicht nur brauchen KI-Algorithmen Zeit und Daten, bis durch sie Wertschöpfung generiert werden kann. Teilweise bewirken KI-Geschäftsmodelle auch eine Disruption des Bestandsgeschäfts. Dies stellt die Unternehmensführung vor neue Herausforderungen.

Innovative KI-basierte Geschäftsmodelle: Fallbeispiele

  • Markerless Motion Capture (SIMI)

  • Space GlucoseControl (B. Braun)

  • Optische Emotionserkennung für die Marktforschung (GfK)

  • Bilderkennung und -verständnis mit Deep Learning: Bildauswahl und Produkterstellung (CEWE)

  • Flatfish – Unterwasserinspektion von Offshore-Industrieanlagen (DFKI/BIR)

  • Corporate Memory: Semantische Technologien zur Assistenz der täglichen Arbeit (DFKI/envia)

Markerless Motion Capture (SIMI)

  • Technische Innovation
  • Im Profisport hat KI bereits einen festen Platz: Bei Weltmeisterschaften und in Profiligen ganz verschiedener Disziplinen ermittelt Simi Shape Bewegungen der Sportlerinnen und Sportler hochgenau – und zwar allein durch Videobilder. Sensoren sind dafür nicht mehr nötig. Die Anwendung ermöglicht nicht nur Motion Capture im Profisport. Augmented Reality/Virtual Reality, autonome Fahrzeuge oder Medizin sind weitere Anwendungsfelder. Ansätze aus dem Deep Learning (z.B. Convolutional Pose Machines) werden dabei für markerlose Trackingverfahren genutzt. Motion Capture ist ein etabliertes Verfahren, das bislang vor allem in Laboren und in der Wissenschaft zum Einsatz kommt. Bestehende Systeme nutzen Infrarotkameras und reflektierende Marker an Personen. Andere benötigen IMU Sensoren, die an eine Person angebracht und kalibriert werden. In realen Umgebungen ließen sich diese Systeme bislang nicht nutzen. Die von Simi Reality Motion Systems und der Leibniz Universität Hannover/tnt entwickelte Anwendung Simi Shape ist seit 2016 am Markt.
  • Geschäftsmodell
  • Beim KI-basierten Produkt-Geschäftsmodell Markerless Motion Capture nutzen B2B-Kundinnen und -Kunden das KI-Produkt Simi Shape, um ihre Prozesse zu verbessern. Zunehmend wichtig werden aber auch Cloud-Service-Verträge und Entwicklungsaufträge.
  • Wertversprechen für Kundinnen und Kunden
  • Die direkte Interaktion von Technologie und Maschinen mit dem Menschen wird immer bedeutender. Damit sie gelingt, müssen Computer die menschlichen Bewegungen exakt erfassen und verstehen. SIMI bringt dem Computer bei, die 3-D-Bewegung von Menschen auf Basis von Kamerabildern zu verstehen – analog dazu, wie das menschliches Gehirn dies mit Hilfe unserer Augen schafft. In Sport und Medizin dienen die gewonnen Daten dazu, die körperliche Leistungsfähigkeit zu verbessern oder Verletzungen vorzubeugen. Bei Sportevents soll augmented Reality den Unterhaltungswert steigern. In autonomen Fahrzeugen dient die Technik einer erhöhten Sicherheit im Innenraum.
  • Wertschöpfungsarchitektur
  • Im Normalfall stellt der Anbieter den Kundinnen und Kunden Kameras bereit, die auf Software und Algorithmen abgestimmt sind. Ziel ist es, mit zunehmender Flexibilisierung beliebige Kameras verwenden zu können und das Produkt so in die breitere Anwendung zu bringen.
  • Wertschöpfungsnetzwerk
  • SIMI benötigt vor allem gute Kooperationen in der Forschung, um algorithmisch auf dem besten Stand zu sein. Die Leibniz Universität Hannover spielt dabei eine zentrale Rolle. Zulieferer sind Hersteller von Kameras und Computerteilen. Aufgrund des großen Angebots ist das Unternehmen nicht auf bestimmte Zulieferer angewiesen.
  • Wertschöpfungsfinanzen
  • SIMI verkauft Komplettsysteme, inklusive Kameras, PC, Software und Zubehör. Ein stark wachsendes Geschäftsmodell sind Cloud-Service-Verträge: Die Daten werden dann online verarbeitet. Zunehmend übernimmt das Unternehmen Entwicklungsaufträge für verschiedene Industrieprodukte um 3-D-Posedaten in Produkte und Services zu integrieren.
  • Typ
  • KMU
  • Unternehmen/Institution
  • Simi Reality Motion Systems GmbH
  • Ort
  • 85716 Unterschleißheim
  • KI-Technologie
  • Bilderkennung und -verstehen

Space GlucoseControl (B. Braun)

  • Technische Innovation
  • Patienten, die nach einer komplizierten Operation oder durch einen Unfall polytraumatisiert auf einer Intensivstation behandelt werden, entwickeln eine stressbedingte temporäre Immunität gegen das körpereigene Hormon Insulin. Diese Insulinresistenz hat einen negativen Einfluss auf die Mortalität und Morbidität des Patienten. Space GlucoseControl (SGC) ist weltweit das einzige computergestützte Entscheidungs-Unterstützungs-System für die intensive Insulintherapie. Es ist in ein Infusionssystem integriert und errechnet die optimale Insulinförderrate für das nächste Therapieintervall. In die Berechnungen ein fließen der bisherige Therapieverlauf, der aktuelle Blutglukosewert, die Kohlenhydratzufuhr (Ernährung) und Insulinresistenz der Patientin oder des Patienten. Dabei passt sich das System stetig an die individuellen Reaktionen des Patienten an. Verändert eine Patientin oder ein Patient während der Insulingabe die Ernährung, berechnet das System automatisch die Insulinrate neu. Wenn die nächste Glukosemessung ansteht, löst das System einen Erinnerungsalarm aus. Wenn der Glukosewerte mittels eines Blutgasanalysators oder durch das Labor gemessen wurde, wird dieser als Parameter für die Neuberechnung am SGC-System eingegeben. Der Algorithmus berechnet einen neuen Insulin-Ratenvorschlag sowie den nächsten erforderlichen Messzeitpunkt.
  • Geschäftsmodell
  • Der Einsatz von Space GlucoseControl ist für B. Braun ein KI-basiertes Produkt-Geschäftsmodell. Krankenhäuser nutzen es, um ihre Prozesse zu verbessern. Mithilfe von KI konnte ein etabliertes Medizintechnikunternehmen ein neuartiges Produkt auf dem Markt etablieren.
  • Wertversprechen für Kundinnen und Kunden
  • Das System unterstützt Anwenderinnen und Anwender, eine Insulin-Pumpe (Insulin-Perfusor) zu steuern. Die Anwendung erhöht die Überlebensrate (5-Jahres-Betrachtung), indem sie den Blut-Glukose-Spiegel und dessen Variabilität reduziert.
  • Wertschöpfungsarchitektur
  • as intelligente Glukosemanagement-System ist bereits in europäischen und asiatischen Märkten im Einsatz.
  • Wertschöpfungsnetzwerk
  • Die Anwendung wurde maßgeblich im Rahmen des EU-Forschungsprogramms CliniCip (closed loop insulin infusion for the critically ill patients“ CORDIS 2014) entwickelt. Beteiligt waren 13 Partner aus sieben europäischen Ländern: Institute of Spectroscopy Dortmund, University of Cambridge, Royal Brompton Hospital London, Katholieke Universiteit Leuven, Senslab GmbH, Charles University Prague, Gambro Dialysatoren GmbH, Roche Diagnostics, Medical University Graz, Technical University Graz, Joanneum Research GmbH, Institute of Appplied Physica Florence, B. Braun Melsungen AG
  • Wertschöpfungsfinanzen
  • Direktvertrieb: B. Braun vertreibt das System weltweit über die etablieren Vertriebskanäle. Um das Produkt sachgerecht anwenden zu können, ist die Teilnahme an Anwenderschulungen und einer circa einwöchigen Anwenderbetreuung erforderlich.
  • Typ
  • Großunternehmen
  • Unternehmen/Institution
  • B. Braun Melsungen AG
  • Ort
  • 34212 Melsungen
  • KI-Technologie
  • Sensorik & Kommunikation

Optische Emotionserkennung für die Marktforschung (GfK)

  • Technische Innovation
  • GfK EMO Scan ist ein biometrisches Messinstrument. Mithilfe einer Webcam erfasst es, wie Studienteilnehmerinnen und -teilnehmer auf einzelne Szenen einer Werbung reagieren. Die automatische Analyse ermöglicht es, das emotionale Erlebnis der Probandinnen und Probanden detailliert zu verstehen. Die Marktforschung gewinnt dadurch neuartige Informationen zur Art und Intensität der Emotionen. Daraus kann sie Erkenntnisse zur Gestaltung von Werbung gewinnen, die wiederum den Geschäftserfolg steigern.
  • Geschäftsmodell
  • Das KI-basierte Geschäftsmodell besteht für das Fraunhofer-Institut für Integrierte Schaltungen IIS darin, basierend auf einem F&E-Auftrag eine Software zu entwickeln. Die GfK stellt mit Hilfe dieser KI-Innovation ein neues Angebot für ihre Kundinnen und Kunden bereit.
  • Wertversprechen für Kundinnen und Kunden
  • Das Fraunhofer IIS stellt der GfK eine Software bereit, die bildbasiert Emotionen erkennt. Die GfK bietet ihren Kundinnen und Kunden eine objektive Analysemethode, mit der sie Reaktionen der Zielkunden automatisiert erfassen und beurteilen können. Insbesondere für Werbefilme eignet sich die Methode. Das Marktforschungsinstitut kann das emotionale Erlebnis einer Vielzahl von Probandinnen und Probanden objektiv analysieren, um den Werbeerfolg zu steigern. Das System kommt im operativen Geschäft zum Einsatz. Die Lösung wird aufgrund des dynamischen Umfelds kontinuierlich weiterentwickelt und gepflegt.
  • Wertschöpfungsarchitektur
  • Um die Software an die Anforderungen der Marktforschung anzupassen, sind eine technische Kundenerklärung, Software-Anpassungen sowie technischer Support notwendig. Nachdem die Software-Lösung an die GfK übergeben wurde, war in Einzelfällen ein technischer Support nötig.
  • Wertschöpfungsnetzwerk
  • Der GfK-Verein (jetzt NIM) hat GfK EMO Scan gemeinsam mit dem Fraunhofer IIS sowie Emotionspsychologinnen und -psychologen der Universität Genf entwickelt. Im Jahr 2012 gewann die Anwendung den Innovationspreis der Deutschen Marktforschung. Die Software-Lösung kann unabhängig von anderen Anbietern vertrieben werden. Die GfK stellt mit ihr eine serverbasierte Lösung zur Auswertung von Konsumentenreaktionen bereit: Die aufgezeichneten Reaktionen der Studienteilnehmerinnen und -teilnehmer werden auf den Servern der GfK durch die Fraunhofer KI-Software ausgewertet. Unter Zuhilfenahme weiterer Verfahren erstellt die GfK daraus Handlungsempfehlungen für ihre Auftraggeber.
  • Wertschöpfungsfinanzen
  • Die Software wurde für die GfK im Rahmen eines F&E-Auftrags kundenspezifisch entwickelt; ein Lizenzmodell wurde festgelegt.
  • Typ
  • Großunternehmen
  • Unternehmen/Institution
  • GfK SE
  • Ort
  • Nürnberg
  • KI-Technologie
  • Bilderkennung und -verstehen

Bilderkennung und -verständnis mit Deep Learning: Bildauswahl und Produkterstellung (CEWE)

  • Technische Innovation
  • Familienfeiern, Urlaubserlebnisse oder Szenen aus dem Alltag - mit der Smartphone-Kamera können wir Ereignisse schnell und einfach fotografisch festhalten. Doch die Menge an Bildaufnahmen hindert Nutzerinnen und Nutzer oft daran, ihre Erinnerungen zu drucken. Mit einer KI-basierten Lösung hilft CEWE Konsumenten, ihre Bilder effizienter zu organisieren und zu selektieren, damit sie ausgewählte Momente in einem gedruckten Fotoprodukt verewigen können. Hierfür wird CEWE mittels Deep Learning eigene neuronale Netze anlernen.
  • Geschäftsmodell
  • CEWE hat sein bestehendes Produkt- und Dienstleistungsgeschäftsmodell mithilfe Künstlicher Intelligenz verbessert.
  • Wertversprechen für Kundinnen und Kunden
  • Eine KI-basierte Bildanalyse vereinfacht die Bildorganisation und -auswahl. Mittels einer Gesichtserkennung werden Fotos mit Personen automatisch gruppiert. Die eingesetzte Objekterkennung basiert auf einem extensiven Thesaurus und gruppiert Bilder automatisch, z. B. nach Stichwörtern wie „Strand“ oder „Berge“. Eine Ortserkennung rundet die Bildorganisation durch das geographische Clustering ab. Auf diese Weise können Nutzerinnen und Nutzer Bilder von gewünschten Personen, im favorisierten Setting am richtigen Ort und zur gewünschten Zeit suchen und filtern. CEWE entwickelt technische Lösungen mit dem Ziel, aus den Bildern Fotoprodukte zu erstellen, also z.B. Fotobücher. Dies erfordert aber nicht nur die ästhetische Bewertung der Bilder selbst, sondern auch die kreative Gestaltung des Vorschlags insgesamt. Zum Kundenversprechen von CEWE gehört es auch, dass Nutzerinnen und Nutzer stets die Möglichkeit haben, KI-Funktionen an- bzw. abzuwählen. Dieses Selbstverständnis hat CEWE in seiner Kunden Charta festgeschrieben (CEWE 2019).
  • Wertschöpfungsarchitektur
  • Klassische Algorithmen und Heuristiken sind für den gewünschten Zweck nicht mehr ausreichend. Methoden der Künstlichen Intelligenz sowie relevante anonymisierte Daten sind dafür notwendig. Für die Entwicklung smarter Lösungen hat das Unternehmen den Mobile Artificial Intelligence Campus (MAIC) gegründet. Auf dem Weg zur marktreifen Lösung entwickelt das MAIC Prototypen und Teillösungen, die u.a. in bestehende CEWE-Softwarelösungen einfließen. Die Gesichts-, Objekt- und Orterkennung werden bereits in einer Anwendung verwendet, die zur Speicherung und Organisation der Fotos dient.
  • Wertschöpfungsnetzwerk
  • Das MAIC ist das Bindeglied zu Kooperationspartnern von CEWE. In der Entwicklung arbeitet das Unternehmen eng mit dem OFFIS (Universität Oldenburg) sowie der Universität in Pozen zusammen. Beide Partner haben Einblicke in die aktuelle Forschung zu neuronalen Netzen und speziellen Deep Learning-Verfahren, die für mobile Anwendungen relevant sind. Neben der Verwendung vielfältiger eigens entwickelter Lösungen kooperiert CEWE punktuell mit externen Spezialanbietern, etwa mit HP Inc. im Bereich der Gesichtserkennung.
  • Wertschöpfungsfinanzen
  • Die KI-Lösungen erlauben es, bestehende Dienste zu verbessern und neue Produkte zu entwickeln. Diese können die Nutzerfahrung steigern. Die smarten Lösungen ermöglichen auch die Erschließung neuer Zielgruppen und Differenzierungsmerkmale
  • Typ
  • Großunternehmen
  • Unternehmen/Institution
  • CEWE
  • Ort
  • 26133 Oldenburg
  • KI-Technologie
  • Bilderkennung und -verstehen

Flatfish – Unterwasserinspektion von Offshore-Industrieanlagen (DFKI/BIR)

  • Technische Innovation
  • Unterwasserinspektion von Offshore-Industrieanlagen sind finanziell aufwendig und bedeuten für Fachkräfte einen hohen körperlichen Einsatz. Unternehmen müssen mit einem Vorlauf von ein bis zwei Jahren ein Schiff chartern; 50 bis 60 Personen sind dann im Einsatz. Das Projekt FlatFish hat ein autonomes Unterwasserfahrzeug (AUV) zur regelmäßigen Inspektion von Unterwasserstrukturen entwickelt. Das AUV ist für einen längeren Verbleib am Meeresboden konzipiert. Über eine Docking-Station führt es Daten Up- und Downloads durch und bezieht Strom. Das Projekt FlatFish war ein Verbundvorhaben der DFKI GmbH und der Ausgründung GTR GmbH mit dem Brazilian Institute of Robotics (BIR) und Shell. Das Projekt endete mit einem Demonstrator; sein „Reifegrad“ macht das System für die Kommerzialisierung attraktiv
  • Geschäftsmodell
  • Das Projekt befindet sich in der Prä-Kommerzialisierungsphase. Verschiedene Kommerzialisierungswege wie Miet- und Servicemodelle sind denkbar, siehe die Informationen unter Wertschöpfungsfinanzen.
  • Wertversprechen für Kundinnen und Kunden
  • Offshore-Anlagen gewinnen für verschiedene Industriezweige (z.B. Öl- und Gas und Windenergie, oder auch Aquafarming) an Bedeutung. Diese Anlagen müssen inspiziert und gewartet werden – derzeit fahren speziell ausgerüstete Schiffe zu den Anlagen. Kabelgebundene, ferngesteuerte Tauchfahrzeuge, sogenannte Remotely Operated Vehicles (ROVs), und spezialisierte Taucherinnen und Taucher führen die Inspektion durch. Inspektion und Wartung sind sehr kostspielig und stark von der Witterung abhängig. Schiffe kosten pro Tag zwischen 15.000 Euro bis zu 300.000 Euro (Wiig und Tvedte 2017; Schjølberg und Bouwer Utne 2015: 183-188; DALEEL o.J.). Darüber hinaus sind nicht immer Schiffe und Mannschaften verfügbar. Mit Flatfish soll eine Lösung geschaffen werden, die deutlich kostengünstiger ist und dafür sorgt, dass Schiffe genau für die kritischen Einsätze verfügbar sind. Das System verbleibt bei der Anlage, fährt definierte Inspektionsmissionen und meldet bei Rückkehr, wenn es Auffälligkeiten gegeben hat. Für eine detailliertere Untersuchung kann im nächsten Schritt Spezialausrüstung eingesetzt werden.
  • Wertschöpfungsarchitektur
  • Beim Bau eines Subsea-Resident AUV müssen Fertiger von Schiffshüllen, Sensorhersteller, und Software-Entwickler zusammenarbeiten. Da das System noch nicht industriell gefertigt wird, ist die Architektur der Wertschöpfung noch nicht fest definiert. Für die Ausbringung muss das System konzeptionell an die Offshore-Anlage angebunden sein und die Docking Station mit Strom- und Datenverbindung ausgestattet sein. Beim Betrieb sind Expertinnen und Experten in einer Einsatzzentrale mit dem System verbunden, wenn es in der Docking Station ist. Sie definieren die Missionen und steuern die Datenauswertung. Für letztere muss zudem Spezialpersonal und –software existieren.
  • Wertschöpfungsnetzwerk
  • Für die Kommerzialisierung werden verschiedene Komponenten benötigt. Zum einen sind Teilkomponenten wie Sensorik und Batterien in industriellem Maßstab notwendig, die über Partner bezogen werden. Zum anderen wird beim Anlagenbetreiber der Zugang zu Daten und Strom sowie Einsichten in die Anlagen-Architektur benötigt.
  • Wertschöpfungsfinanzen
  • Als Industriepartner beabsichtigt Shell, die Ergebnisse (Docking, autonome Inspektion, 3D-Rekonstruktion, opto-akustisches Homing, Unterwasser-Daten- und Energieübertragung) zu kommerzialisieren. Schritte dazu unternimmt das Unternehmen aktuell mit dem italienischen Unternehmen Saipem (OE Offshore Engineer 2019). Für die Wertschöpfung sind verschiedene Modelle denkbar. So kann man die Fahrzeuge betreiben und an Serviceverträgen verdienen oder auch die Fahrzeuge an Anlagenbetreiber verkaufen.
  • Typ
  • Start-up
  • Unternehmen/Institution
  • Ground Truth Robotics GmbH & Robotics Innovation Center, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
  • Ort
  • 28359 Bremen
  • KI-Technologie
  • Robotik & autonome Systeme

Corporate Memory: Semantische Technologien zur Assistenz der täglichen Arbeit (DFKI/envia)

  • Technische Innovation
  • Das Potenzial der Künstlichen Intelligenz für Unternehmensgedächtnisse zeigen – mit diesem Ziel nutzt enviaM das vom DFKI entwickelte wissensbasierte System CoMem/Semantic Desktop. Basis des Piloten ist ein Wissensgraph, der aus unterschiedlichen Quellen aufgebaut wurde, z.B. Excel-Dateien, Team-Laufwerke, Dokument- und Bildsammlungen, Geo-Informationen, Bestandssysteme. Für den Einsatz im Bereich Liegenschaften wurde zudem semi-automatisch ein Vokabular erstellt. Grundlage waren u.a. die nativen Strukturen des Dateisystems, um Konzepte und deren Beziehungen zu lernen. Wissensdienste ermöglichen nun verschiedene Anwendungen: etwa die semantische Analyse von Dokumenten, strukturierte Suchen oder die Bereitstellung von Informationen zu einem spezifischen Kontext. Unterschiedliche Quellen stellen Informationen bereit und sind unmittelbar nutzbar, etwa die Bestandsakte der Liegenschaft, Katasterinformationen aus dem Liegenschaftssystem, Buchwerte aus dem ERP oder Dokumente aus den Netzlaufwerken.
  • Geschäftsmodell
  • CoMem/Semantic Desktop ist ein Beispiel für die Frühphase der Kommerzialisierung, in der aus einem Forschungsprojekt ein tragfähiges KI-basiertes Geschäftsmodell entstehen soll.
  • Wertversprechen für Kundinnen und Kunden
  • CoMem ist ein evolutionäres Unternehmensgedächtnis, das Datensilos erfasst und analysiert, von Bestandssystemen, Datenbanken bis hin zu Dokumentkollektionen. Es vernetzt und veredelt Inhalte und realisiert damit zusätzlich zu den bestehenden Systemen intelligente Wissensdienste. Eingebettet in die tägliche Arbeit der Nutzerinnen und Nutzer schafft das Produkt übersichtliche Arbeitskontexte, ermöglicht die intelligentere Suche im Kontext oder gibt Empfehlungen zu anstehenden Aufgaben. Dies hebt Datenschätze für KI-Dienste, schafft Transparenz und verbessert Lösungen. Die Informationsorganisation sowie Suchen sind dadurch weniger aufwendig. CoMem bietet ein Ökosystem von Diensten und Schnittstellen zur effizienteren Informationsarbeit im Unternehmen. In der täglichen Arbeit kann der Wissensgraph dazu dienen, eine in MS Outlook selektierten E-Mail zu analysieren.
  • Wertschöpfungsarchitektur
  • CoMem ist ein Server-basiertes Ökosystem von Wissensdiensten, die wiederum unterschiedliche Endgeräte der Nutzerinnen und Nutzer einbindet. Damit sind unternehmensinterne Server ausreichend; auch eine Cloud-Lösung ist möglich.
  • Wertschöpfungsnetzwerk
  • Abhängig von der IT-Infrastruktur und Verfügbarkeit werden Partner benötigt, unter anderem für die Anbindung von Bestandsystemen sowie für die Entwicklung von Schnittstellen (APIs).
  • Wertschöpfungsfinanzen
  • Das DFKI CoMem ist noch kein marktreifes Produkt, sondern ein Forschungsprototyp, mit dem Forschungs- und Industrieprojekte durchgeführt werden. Zurzeit stellt das DFKI die Potentiale des Ansatzes in der Industrie dar und führt Machbarkeitsstudien für unterschiedliche Szenarien und Pilotprojekte durch. Das Ziel: eine kritische Masse zu erzeugen, um eine Kommerzialisierung zu ermöglichen. Wie diese ausgestaltet wird, hängt von den Interessenten ab. Das DFKI kennt verschiedenste Modelle, wie etwa Ausgründungen, Buy-outs oder auch Lizenzvergaben, die jeweils eigene Geschäftsmodelle generieren.
  • Typ
  • Großunternehmen
  • Unternehmen/Institution
  • envia Mitteldeutsche Energie AG
  • Ort
  • 09114 Chemnitz
  • KI-Technologie
  • Mensch-Maschine-Interaktion & Assistenzsysteme

Weitere KI-Anwendungen in Deutschland finden Sie auf unserer KI-Landkarte.

Leitfaden: Auf dem Weg zur erfolgreichen KI-Implementierung

Ziele

Möglichkeiten

Vision

Portfolio

Instandhaltung

Stolpersteine in der Praxis

1. Isolierte KI-Anwendungsfälle ohne Mehrwert

Viele Unternehmen implementieren KI, ohne zu reflektieren: Passt ein bestimmter Anwendungsfall zu den Zielen der Organisation? Ist der angenommene potenzielle Mehrwert realistisch? KI ist kein Selbstzweck. Wichtig: Klar herausarbeiten, wie KI-Lösungen einen Mehrwert erzeugen oder neue Geschäftsmodelle ermöglichen.

2. Nicht skalierbare Anwendungsfälle

KI-Pilotprojekte erfolgreich zu skalieren scheitert oft an der Datenverwaltung, die teilweise in der Pilotphase gänzlich fehlt. Im Labor werden Modelle oft nur mit Daten aus einer Quelle trainiert, während die Datenbasis in der realen Welt kontinuierlich aktualisiert, gepflegt und optimiert werden sollte. Neue KI-basierte Geschäftsmodelle müssen daher auf einer soliden digitalen Infrastruktur aufgebaut werden.

3. Fehlende Ressourcen und Kapazitäten

Unternehmen mangelt es häufig an Talenten und der nötigen Infrastruktur, um Anwendungsfälle intern zu entwickeln – und Potenziale für neue Geschäftsmodelle zu heben. Problematisch auch: in KI-Dateninfrastruktur investieren, ohne die exakten Anforderungen oder Eignung neuer Hardwarekomponenten für bestimmte Anwendungsfälle zu kennen. Investieren Unternehmen zu wenig, finden sie möglicherweise keine erfahrenen Programmiererinnen und Programmierer. Für diese sind leistungsfähige GPUs (Graphical Processing Units) meist entscheidend für die Attraktivität eines Arbeitgebers. Die Folge: Es werden Personen mit falschen Kompetenzprofilen eingestellt, die nicht in der Lage sind, eine systematische KI-Strategie aufzubauen.

4. Mangelndes Verständnis von Anwendungsfällen

Hohe Investitionen in die Infrastruktur sind indessen auch kein Allheilmittel. Nicht nur die Hardware muss sich eignen, sondern auch die damit verbundene Organisation und Prozesse müssen stimmen, um KI-Geschäftsmodellinnovationen erfolgreich umzusetzen.

5. Fehlende Wartungsstrategie

KI-Projektteams starten die Entwicklung in der Regel mit einem vorläufigen Datensatz, erstellen erste Modelle und evaluieren die Resultate. Je nach Ergebnis wiederholen sie den Prozess. Laufende Anpassungen und Aktualisierungen sind auch nötig, wenn das Modell schon in der Produktion ist – weil sich etwa das Kundenverhalten ändert. Für ein KI-basiertes Geschäftsmodell gilt: Es muss laufend gepflegt und weiterentwickelt werden, da die Qualität von KI-Anwendungen über die Zeit degradieren kann.

Gestaltungsoptionen

Die Arbeitsgruppe Geschäftsmodellinnovationen der Plattform Lernende Systeme schlägt folgende Gestaltungsoptionen als Impuls für weitere Diskussionen zum Thema vor:

  • 1. Spitzentechnologie als Voraussetzung
  • Unternehmensstrategien für die technische Infrastruktur entwickeln und die Geschwindigkeit, Verlässlichkeit, Skalierbarkeit, Schnittstellen und Datensicherheit absichern
  • Neue Formen der Zusammenarbeit etablieren, um verteilte europäische Hyperscaler zu schaffen
  • Flächendeckende und bedarfsgerechte Gigabit-Infrastrukturen ausbauen
  • Förderprogramme für die Spitzenforschung erweitern und insbesondere den Transfer von der Forschung in die Wirtschaft stärken
  • 2. Finanzierung gewährleisten
  • Mit einer regulatorischen Rahmensetzung Anreize für zusätzliche Wachstumsfinanzierung in Deutschland und Europa schaffen
  • Eigenkapital langfristiger in Wachstumsunternehmen investieren, damit nicht nur etablierte, sondern auch technisch neuartige KI-Geschäftsmodelle langfristig entwickelt werden
  • Die Zusammenarbeit von Wachstumsunternehmen, etablierten Unternehmen, Universitäten sowie außeruniversitären Forschungseinrichtungen ausbauen
  • 3. Daten verantwortungsvoll nutzen
  • Exzellenten Datenschutz als zentralen Wettbewerbsvorteil deutscher und europäischer Unternehmen im globalen KI-Wettbewerb verstehen
  • Datenschutzgrundverordnung sinnvoll ausgelegen, um Innovation im KI-Bereich bzw. deren Geschäftsmodell nicht zu gefährden
  • Die europäische Ebene bei der Entwicklung von Standards für verantwortungsvollen Umgang mit KI und Daten einbeziehen
  • Verfahren zur Anonymisierung, Pseudonymisierung sowie Simulierung von Daten und gesellschaftliche Dialoge zum Datenschutz fördern, insbesondere durch eine Kennzeichnungs- und Auskunftspflicht in festgelegten Fällen
  • 4. Unternehmerische Verantwortung beweisen und rechtliche Rahmenbedingungen schaffen
  • Verantwortung gegenüber Beschäftigten, Kundinnen und Kunden sowie der gesamten Gesellschaft übernehmen – klare und verbindliche KI-Kodizes in Unternehmen formulieren und umsetzen
  • Regulierung zu Transparenz-, Haftungs- und Rechenschaftspflichten ausgestalten: A) Zwischen B2B- und B2C-Anwendungen differenzieren, B) Bestehende Regelungen ergänzen anstatt neue schaffen
  • Wettbewerbsrecht für die Anforderungen KI-basierter Geschäftsmodelle weiterentwickeln Bürokratie- und Steuerbelastung für Start-ups reduziere
  • Eine kontinuierliche Technikfolgenabschätzung für KI realisieren, die gesellschaftliche Auswirkungen von KI analysiert
  • Mitbestimmung in Betrieben und in der Verwaltung an die neuen Anforderungen durch KI anpassen
  • 5. Wertschöpfungsnetzwerke etablieren
  • Gründliche Vorbereitungen für unternehmensübergreifendes Handeln in globalen und digitalisierten Wertschöpfungsnetzwerken treffen
  • Plattformen initiieren oder sich darin engagieren – unter Umständen auch unter Inkaufnahme von „Co-opetition“ mit Wettbewerbern, um gemeinsam eine kritische Masse etwa an Daten zu erlangen
  • Allianzen aus etablierten Unternehmen oder Organisationen und KI-Start-ups bilden, die neue Technologien und disruptive Geschäftsmodelle entwickeln
  • Wissenstransfer zwischen Universitäten, Forschungseinrichtungen und Unternehmen stärken und ausbauen
  • Als Einzelunternehmerin oder Einzelunternehmer sowie als klein- und mittelständisches Unternehmen Rolle in einem Plattformökosystem finden, ohne austauschbar zu werden
  • 6. Kompetenzen aufbauen, Akzeptanz und Teilhabe gewährleisten
  • Nützlichkeitsszenarien für den guten Einsatz von KI entwickeln und aufbereiten
  • Betriebliche Qualifizierungs- und Weiterbildungsprogramme für KI auf- und ausbauen
  • Know-how-Communities zwischen Unternehmen und wissenschaftlichen Partnern (z.B. DFKI, Fraunhofer, Universitäten) ausbauen
  • KI-Kompetenzen bei Mitarbeiterinnen und Mitarbeitern auf- und ausbauen
  • Wissenschaftliche Untersuchungen und Studien zu Beschäftigungs- und Qualifikationsbedarfen realisieren, die eine systematische Weiterbildung ermöglichen
  • Neue Arbeitsmodelle in Forschungs- und Transferprojekten erproben, die vor allem nicht-technisches Personal adressieren

Expertinnen und Experten zum Thema

Susanne Boll-Westermann

Wolfgang Faisst

Andreas Liebl

Alexander Pflaum

Weitere Informationen zur Arbeitsgruppe 4 – Geschäftsmodellinnovationen hier.

Leseliste

Kuratiert von der AG Geschäftsmodellinnovationen der Plattform Lernende Systeme.