Digitale Transformation

Klassisches Machine Learning erkennt Muster in vorhandenen Daten und nutzt diese vor allem für Klassifikation oder Prognosen. Generative KI erzeugt dagegen neue Inhalte wie Texte, Bilder, Audio, Code oder Analysen. Sie berücksichtigt Kontext und kann komplexere Antworten formulieren und begründen. Beide beruhen auf erlernten Mustern; generative KI denkt dabei nicht wie ein Mensch.

GPT bedeutet Generative Pre-trained Transformer und ist ein Large Language Model (LLM). Generative steht für das Erzeugen neuer Inhalte, Pre-trained für das Vortraining auf großen Datenmengen und Transformer für eine Architektur, die Wörter und Sätze kontextbezogen in Beziehung setzt. Das Modell arbeitet autoregressiv: Es berechnet anhand von Wahrscheinlichkeiten, welches nächste Wort bzw. Token am besten zum bisherigen Kontext passt.

Reasoning bezeichnet das schrittweise Bearbeiten, Prüfen und Begründen komplexerer Aufgaben. Ein guter Prompt nennt möglichst klar Rolle, Aufgabe, Ziel, Zielgruppe, Tonalität und gewünschtes Ausgabeformat. Höfliche, eindeutige Formulierungen und ausreichend Bearbeitungszeit können die Qualität verbessern. Trotzdem müssen Ergebnisse anschließend fachlich kontrolliert werden.

Halluzinationen sind erfundene Fakten, Quellen oder Zusammenhänge, die plausibel klingen, aber falsch sind. Ursachen sind die wahrscheinlichkeitsbasierte Texterzeugung, fehlender Faktencheck, fehlerhafte oder veraltete Trainingsdaten und das Auffüllen von Kontextlücken. Risiken sind Fehlentscheidungen, falsche wissenschaftliche Quellen und Vertrauensverlust. Gegenmaßnahmen: kritisch prüfen, selbst recherchieren, Quellen verlangen, Human in the Loop einsetzen sowie RAG und geprüfte Datenquellen nutzen.

Gefährdet sind personenbezogene Daten, Kunden- und Mitarbeiterdaten, Gesundheitsdaten, Betriebsgeheimnisse und interne Dokumente. Risiken umfassen DSGVO-Verstöße, Datenabfluss, Re-Identifizierung, Profilbildung, unklare Datennutzung und Urheberrechtsfragen. Schutz bieten Datensparsamkeit, Anonymisierung oder Pseudonymisierung, keine vertraulichen Inhalte in öffentlichen Tools, EU-basierte oder On-Premise-Lösungen, Auftragsverarbeitungsverträge, Privacy by Design, transparente Richtlinien, Schulungen und menschliche Kontrolle.

RAG verbindet Sprachgenerierung mit dem Abruf aus verlässlichen externen oder internen Wissensquellen. Vor der Antwort werden passende Informationen gesucht und als Kontext an das Modell übergeben. Vorteile sind aktuellere und nachvollziehbarere Antworten, weniger Halluzinationen und die Nutzung internen Wissens. RAG verhindert Fehler jedoch nicht vollständig: Sind Quellen falsch, veraltet, unvollständig oder wurde das falsche Dokument abgerufen, kann auch die Antwort falsch sein. Beispiel: Urlaubsregeln werden aus einer internen Betriebsvereinbarung beantwortet.

Deepfakes sind künstlich erzeugte oder manipulierte Bild-, Video- oder Audioinhalte, in denen Personen täuschend echt erscheinen. Avatare sind digitale Figuren oder Personen, die sprechen, präsentieren oder beraten. Risiken sind Betrug, Rufschädigung, politische Desinformation, Manipulation der öffentlichen Meinung und Vertrauensverlust in Medien. Gegenmaßnahmen sind Quellenvergleich, Bildrückwärtssuche, Prüfung auf Unstimmigkeiten, Kennzeichnung von KI-Inhalten, Medienkompetenz und menschliche Inhaltskontrolle.

Chatbots wirken intelligent, weil sie Sprache verarbeiten, Zusammenhänge herstellen, Aufgaben lösen und gut formulierte Antworten erzeugen. Ihre Leistung basiert jedoch auf Daten, Training, Wahrscheinlichkeiten und Mustererkennung, nicht auf Bewusstsein oder menschlichem Denken. Benchmarks zeigen die Leistungsfähigkeit bei bestimmten Aufgaben, beweisen aber kein echtes Verständnis. Verbesserungen betreffen insbesondere Reasoning, Multimodalität, Geschwindigkeit, Kontextverständnis und Antwortqualität.

KI automatisiert oder unterstützt repetitive, analytische, textuelle, kreative und wissensbasierte Aufgaben. Dadurch werden meist nicht pauschal ganze Berufe ersetzt, sondern Tätigkeitsprofile verändert. Menschen können sich stärker auf komplexe Kernaufgaben, Vertrauen, Zusammenarbeit und Kundenbeziehungen konzentrieren. Produktivität entsteht nur bei sinnvoller Steuerung: Gute Prompts, kritisches Denken, Quellenprüfung, Kontrolle, Schulung und lebenslanges Lernen bleiben entscheidend.

Operative KI wirkt vor allem in internen Abläufen: Sie analysiert Daten, erkennt Muster, gibt Empfehlungen, automatisiert Prozesse oder unterstützt die Prozesssteuerung, etwa bei Predictive Maintenance. Interaktive KI steht im direkten Austausch mit Menschen, beantwortet Fragen, berät, erklärt und personalisiert Kommunikation, etwa als Reiseassistent oder Chatbot. Einzelne Anwendungen wie Medizin- oder Finanzassistenten können beide Formen verbinden.

Tourismus: digitaler Reiseassistent für Inspiration und Empfehlungen. Medizin: Auswertung von Patientendaten und frühere Risikoerkennung. Industrie: digitale Zwillinge und vorausschauende Wartung zur Verringerung von Ausfällen, Kosten und Energieverbrauch. Finance: interner GPT-Assistent für Dokumentensuche und Beratungsunterstützung. Handwerk: Bewertung von Kundenanfragen nach wirtschaftlichen Kriterien und effizienterer Ressourceneinsatz.

1. Identifikation: sinnvolle Einsatzfelder finden, etwa Routineautomatisierung, Prozessoptimierung, Personalisierung oder neue Geschäftsmodelle. 2. Priorisierung: interaktive und operative Use-Cases nach Nutzen und Machbarkeit ordnen und nicht alles gleichzeitig umsetzen. 3. Umsetzung: klare Ziele, solide Datenbasis, passende Technologie, gemeinsame Entwicklung mit Fachbereichen, Schulung und realistische Erwartungen sicherstellen. Entscheidend sind Akzeptanz und menschliche Steuerung, nicht nur die Technik.

Erstens nimmt smarte Automatisierung auch in der Wissensarbeit zu. Zweitens verschieben sich Aufgaben und Prioritäten hin zu Beziehungsebene, komplexen Kernaufgaben sowie besserer Mitarbeiter- und Kundenerfahrung. Drittens müssen Bildung und Ausbildung Mensch-Maschine-Interaktion, Kommunikation, Führung, Umschulung und lebenslanges Lernen stärker fördern. Kernaussage: Die Arbeitswelt ist im Umbruch, aber nicht pauschal im Einbruch; KI setzt Kapazitäten frei, während der Mensch für Zielsetzung, Akzeptanz und Kontrolle entscheidend bleibt.

Werte sind grundlegende Vorstellungen darüber, was als wichtig, richtig und erstrebenswert gilt. Dazu zählen persönliche, gesellschaftliche, materielle, abstrakte und unternehmerische Werte. Im KI-Kontext geht es daher nicht nur um technische Machbarkeit, sondern um die Frage, welche Nutzung mit Menschenwürde, Fairness, Datenschutz, Transparenz, Sicherheit, Verantwortung und Vertrauen vereinbar ist.

Offenheit für Veränderung betont Freiheit, Kreativität, Selbstständigkeit und Neues; Bewahrung betont Sicherheit, Ordnung, Regeln und Tradition. Ein Unternehmen möchte KI beispielsweise für Innovation und Effizienz einsetzen, muss gleichzeitig Datenschutz, Sicherheit, Kontrolle und klare Zuständigkeiten gewährleisten. Die Werte stehen nicht isoliert nebeneinander, sondern müssen im konkreten Einsatz gegeneinander abgewogen werden.

Der persönliche Fokus umfasst Erfolg, Leistung, Macht und Anerkennung; der soziale Fokus Gerechtigkeit, Hilfsbereitschaft, Toleranz und Verantwortung. KI kann Produktivität steigern, Kosten senken und Wettbewerbsvorteile schaffen, darf dabei aber andere nicht unfair benachteiligen. Beispiel: Eine schnellere KI-gestützte Bewerberauswahl ist nur vertretbar, wenn Diskriminierung verhindert, Verantwortung geklärt und Transparenz gewährleistet wird.

Unannehmbares Risiko: Bedrohung von Grundrechten oder Menschenwürde, etwa Social Scoring oder gefährdende Manipulation; solche Praktiken sind verboten oder streng untersagt. Hohes Risiko: sensible Bereiche wie Medizin, Bildung oder Kreditprüfung mit strengen Pflichten. Begrenztes Risiko: etwa Chatbots, Callcenter-KI oder KI-Medien mit Transparenz- und Kennzeichnungspflichten. Geringes Risiko: etwa Spamfilter, Videospiele oder Streaming-Empfehlungen mit minimalen Anforderungen. Grundlogik: Je höher das Risiko, desto strenger die Regeln.

Algorithm Aversion bezeichnet die Ablehnung algorithmischer Entscheidungen, besonders nachdem Menschen Fehler wahrgenommen haben. Häufig bevorzugen sie dann menschliche Entscheidungen, obwohl auch Menschen fehlerhaft sind. Akzeptanz steigt, wenn Nutzer den Algorithmus verstehen, beeinflussen oder in geringem Umfang korrigieren können. Wichtige Hebel im Unternehmen sind Partizipation, Mitgestaltung, Transparenz, Schulung und wahrgenommene Kontrolle.

KI besitzt keine Moral oder eigenen Überzeugungen, kann Werte aber auf vier Arten zeigen: 1. reproduzieren – Vorurteile aus Trainingsdaten wiederholen; 2. spiegeln – kulturelle Wertemuster übernehmen; 3. implementieren – bewusst eingebaute Prinzipien wie Fairness, Transparenz oder Datenschutz anwenden; 4. scheinbar entwickeln – durch Training und Belohnung Zielgewichtungen anpassen. Auch dabei folgt das System gesetzten Daten, Zielen und Mechanismen, nicht einem eigenen Wertebewusstsein.

Value Sensitive Design berücksichtigt menschliche Werte ausdrücklich während der Technikentwicklung. Ethics-by-Design integriert ethische Prinzipien direkt in Algorithmen, Prozesse und organisatorische Gestaltung. AI Alignment richtet Ziele und Verhalten eines KI-Systems an menschlichen Wertsystemen aus, besonders bei autonomen Systemen. Gemeinsam ist den Ansätzen, dass Ethik nicht erst nachträglich geprüft, sondern von Beginn an in die Gestaltung eingebaut wird.

Freundlichkeit gegenüber KI ist weniger für das System als für den Menschen selbst relevant: Verhalten zeigt die eigenen Werte wie Respekt und Empathie. Gleichzeitig können Werte kollidieren, etwa Freundlichkeit bzw. intensive KI-Nutzung mit Nachhaltigkeit durch Ressourcenverbrauch. Dann ist eine situationsbezogene Abwägung nötig. Kerngedanke des Wilde-Zitats im Lernzettel: Neben Preis, Kosten und Effizienz müssen Fairness, Menschlichkeit, Nachhaltigkeit und Verantwortung betrachtet werden.

Daten sind gespeicherte oder festgehaltene Rohinformationen, etwa Fakten, Statistiken, Texte, Stimmen, Fotos oder Namen. Strukturierte Daten folgen festen Feldern oder Tabellen, sind leicht durchsuchbar und vergleichbar, etwa Kundennummer, Alter, Preis oder Datum. Unstrukturierte Daten besitzen keine feste Tabellenstruktur und müssen zunächst analysiert oder interpretiert werden, etwa Texte, Bilder, Videos, Audio, E-Mails und Social-Media-Posts; sie machen laut Lernzettel etwa 80 bis 90 Prozent der weltweiten Daten aus.

Quantitative Daten sind numerisch, messbar und mit Zahlenwerten belegbar, beispielsweise Größe, Gewicht, Blutdruck oder Temperatur. Qualitative Daten beschreiben Merkmale, Eigenschaften oder Kategorien, beispielsweise Geruch, Standort, Farbe, Textur oder Familienstand. Beide Datenarten können gemeinsam genutzt werden, um Sachverhalte umfassender zu analysieren.

Volume bezeichnet die Datenmenge, Variety die Vielfalt von Formaten und Quellen, Velocity die Entstehungs- und Verarbeitungsgeschwindigkeit, Veracity die Richtigkeit, Vollständigkeit und Vertrauenswürdigkeit und Value den tatsächlichen Erkenntnis- oder Geschäftsnutzen. Große und schnelle Datenmengen sind daher allein noch kein Wert: Ohne Qualität und sinnvolle Nutzung entstehen schlechte oder nutzlose Ergebnisse.

Deskriptive Analyse fragt: Was ist passiert? Diagnostische Analyse fragt: Warum ist es passiert? Prädiktive Analyse fragt: Was wird voraussichtlich passieren? Präskriptive Analyse fragt: Was sollte getan werden? Die Stufen reichen damit von Vergangenheitsbeschreibung über Ursachenanalyse und Prognose bis zur konkreten Handlungsempfehlung.

Datenanalyse umfasst das Sammeln, Bereinigen, Analysieren und Visualisieren von Daten, um bessere Entscheidungen zu treffen. ETL führt Daten aus mehreren Quellen in einen einheitlichen, sauberen Zielspeicher: Extract entnimmt sie aus den Quellen, Transform bereinigt und vereinheitlicht sie, Load lädt sie etwa in ein Data Warehouse. ETL verbessert Qualität und Konsistenz und bildet eine Grundlage für Analyse und maschinelles Lernen.

Data Storytelling verbindet drei Bausteine: Daten als sachliche Grundlage, Visualisierung zum Sichtbarmachen von Mustern, Trends und Zusammenhängen sowie Erzählung zur Erklärung, was geschah und warum es wichtig ist. Ziel ist, Erkenntnisse verständlich zu machen und Entscheidungen zu unterstützen. Visualisierungen sind dabei nicht automatisch neutral; Auswahl, Skalierung und Darstellung können Aussagen manipulieren oder verzerren und müssen kritisch geprüft werden.

Ein Pitch Deck zeigt Problem, Status quo und Lösung mit dem Ziel zu überzeugen. Ein Impulsvortrag stellt eine These, Aussage oder Meinung in den Mittelpunkt und soll Diskussion oder Nachdenken anregen. Ein Projektstatus zeigt Fortschritt, Ergebnisse und nächste Schritte und schafft damit Orientierung sowie eine Grundlage für Entscheidungen.

Das Modell nutzt vier Fragen: Was? bezeichnet das Nutzenversprechen für Kunden. Wer? beschreibt die Zielgruppe. Wie? erklärt die Wertschöpfungskette und Leistungserstellung. Wert? bezeichnet die Ertragsmechanik, also wie Geld verdient wird. Die vier Dimensionen helfen, bestehende Geschäftsmodelle systematisch zu verstehen und gezielt zu verändern.

Robin Hood: Eine zahlungskräftige Kundengruppe zahlt mehr und ermöglicht dadurch günstigere Angebote für andere. Locked-in: Kunden werden an ein System gebunden, sodass Wechsel schwierig oder teuer ist, etwa Druckerpatronen, Kapselsysteme oder ERP. Pay what you want: Kunden bestimmen den Preis selbst, etwa bei Charity-, Gastronomie- oder Second-Hand-Angeboten. Solche Muster sind wiederkehrende Logiken, die auf neue Kontexte übertragen werden können.

Die Logik lautet Daten → Analyse → Erkenntnis → Handlung → Wert. Nutzen entsteht durch bessere Entscheidungen, Personalisierung, effizientere Prozesse und neue Produkte oder Dienstleistungen. Formen sind personalisierte Angebote, Navigation mit Echtzeitdaten, datenbasierte Services wie Predictive Maintenance und Daten bzw. Insights als Produkt. Erlöse entstehen über Abonnements, nutzungsabhängige Gebühren, Daten- oder Insight-Lizenzen, zielgerichtete Werbung sowie indirekt durch Kostensenkung und Effizienzgewinne.

Ein Geschäftsmodell ist KI-basiert, wenn das Kernprodukt oder der Kernservice wesentlich auf KI-Modellen beruht, beispielsweise Vorhersage-Services, Optimierungs-Engines, autonome Systeme, KI-Assistenten oder generative Plattformen. Jede KI benötigt Daten, aber nicht jedes datengetriebene Modell nutzt KI. Typische Erlöse sind SaaS-Abonnements, Bezahlung pro API-Anfrage, Modell-Lizenzierung, erfolgsabhängige Vergütung sowie Beratung und Integration in bestehende Prozesse.

Ein digitales Ökosystem ist eine Koordinationsform mehrerer Akteure, deren komplementäre Fähigkeiten, Daten, Plattformen und Services gemeinsam Kundennutzen schaffen. Rollen können Service Provider, Data Provider, Data Market Customer, End User, Broker, Infrastructure Provider sowie Forschung und Entwicklung sein. Bei Uber verbinden Plattform und Echtzeitdaten Fahrer und Fahrgäste, ermöglichen Matching, Preise, Routen und Bewertungen. Netzwerkeffekte verstärken den Nutzen: Mehr Fahrer ziehen mehr Fahrgäste an und umgekehrt.