2.1 Cloud Computing und digitale Infrastruktur
Die digitale Transformation wird durch verschiedene Basistechnologien ermöglicht, die sich über Jahrzehnte entwickelt haben. Sie bilden heute die Grundlage für:
neue Geschäftsmodelle
Produktinnovationen
veränderte Arbeitsprozesse
Für Unternehmen ist entscheidend:
welche Technologien für die eigene Branche relevant sind
wie diese strategisch eingesetzt werden können
Digitale Transformation braucht eine technische Basis, zum Beispiel:
Rechenleistung
Speicherplatz
Software
Netzwerke
Datenverarbeitung
Früher mussten Unternehmen dafür oft eigene Server kaufen, betreiben und warten. Das war teuer und unflexibel.
Cloud Computing löst dieses Problem:
Unternehmen mieten IT-Ressourcen über das Internet.
Sie müssen keine eigene große Server-Infrastruktur aufbauen.
Sie zahlen meist nur das, was sie tatsächlich nutzen.
Sie können Ressourcen schnell erhöhen oder reduzieren.
Einfach gesagt: Cloud Computing bedeutet: IT-Leistung aus dem Internet mieten statt eigene Server besitzen.
Cloud Computing macht Unternehmen:
flexibler, weil IT-Leistung schnell angepasst werden kann
kostengünstiger, weil keine hohen Anfangsinvestitionen nötig sind
skalierbarer, weil Ressourcen bei Bedarf wachsen können
schneller, weil neue digitale Angebote leichter gestartet werden können
Beispiel: Ein Online-Shop braucht am Black Friday plötzlich viel mehr Serverleistung. Mit Cloud kann diese Leistung kurzfristig dazugeschaltet und danach wieder reduziert werden.
National Institute of Standards and Technology (NIST)
Die NIST-Definition gilt als internationaler Standard. Sie beschreibt Cloud Computing über:
5 zentrale Merkmale
3 Service-Modelle
4 Deployment-Modelle
Bedeutung:
Nutzer können Cloud-Ressourcen selbstständig abrufen.
Kein direkter Kontakt zum Anbieter nötig.
Ressourcen können über ein Online-Portal gebucht werden.
Beispiel: Ein Unternehmen braucht mehr Speicherplatz und aktiviert ihn selbst im Cloud-Dashboard.
Merksatz: On-Demand Self-Service = IT-Ressourcen selbst und sofort buchen.
Cloud-Dienste sind über Netzwerke erreichbar.
Zugriff ist über verschiedene Geräte möglich.
Zum Beispiel über:
Smartphone
Tablet
Laptop
Workstation
Beispiel: Du kannst mit Laptop und Smartphone auf denselben Cloud-Speicher zugreifen.
Merksatz: Broad Network Access = Zugriff über das Netzwerk, unabhängig vom Gerät.
Der Cloud-Anbieter bündelt seine Ressourcen.
Viele Kunden nutzen dieselbe Infrastruktur.
Die Ressourcen werden je nach Bedarf verteilt.
Die Daten der Kunden bleiben trotzdem getrennt.
Das Multi-Tenant-Modell bedeutet:
Viele Kunden nutzen dieselbe Software oder Infrastruktur.
Jeder Kunde hat aber seinen eigenen geschützten Bereich.
Die Daten werden sauber voneinander getrennt.
Vergleich: Wie ein Mietshaus:
alle nutzen dasselbe Gebäude
jede Mietpartei hat aber eine eigene Wohnung
Vorteile:
geringere Kosten
weniger Wartungsaufwand
einfachere Updates
bessere Skalierbarkeit
Typisch bei:
CRM-Systemen
E-Mail-Plattformen
Cloud-Software
Merksatz: Resource Pooling = viele Kunden teilen sich Ressourcen, aber ihre Daten bleiben getrennt.
Cloud-Ressourcen können schnell erweitert werden.
Sie können auch schnell wieder reduziert werden.
Das kann teilweise automatisch passieren.
Beispiel: Wenn eine App plötzlich viele Nutzer hat, wird automatisch mehr Rechenleistung bereitgestellt.
Wichtig: Für Nutzer wirken Cloud-Ressourcen fast unbegrenzt verfügbar.
Merksatz: Rapid Elasticity = IT-Leistung wächst oder schrumpft schnell mit dem Bedarf.
Die Nutzung von Cloud-Ressourcen wird automatisch gemessen.
Anbieter und Nutzer sehen, wie viel verbraucht wurde.
Dadurch kann nach tatsächlicher Nutzung abgerechnet werden.
Gemessen werden zum Beispiel:
Datenvolumen
Nutzungsdauer
transparente Kosten
bessere Kontrolle
bessere Optimierung der Ressourcen
Merksatz: Measured Service = Nutzung wird gemessen und nach Verbrauch abgerechnet.
Cloud Computing verändert klassische IT-Strukturen:
Früher: Unternehmen kauften eigene Server und mussten diese selbst betreiben.
Heute: Unternehmen mieten IT-Ressourcen flexibel über das Internet.
Dadurch entstehen:
geringere Anfangsinvestitionen
flexible Skalierung
nutzungsabhängige Kosten
schnellere Umsetzung digitaler Geschäftsmodelle
Die fünf Cloud-Merkmale:
Selbst buchen
Überall zugreifen
Ressourcen teilen
Schnell anpassen
Nutzung messen
Cloud Computing = flexible IT aus dem Internet, die nach Bedarf genutzt und bezahlt wird.
Drei und Vier Service-Modelle
Nachdem klar ist, was Cloud Computing grundsätzlich bedeutet, geht es jetzt darum:
Was genau kann man aus der Cloud nutzen? → Service-Modelle
Wie wird die Cloud organisiert oder bereitgestellt? → Deployment-Modelle
Das Studienheft bezieht sich hier auf die NIST-Systematik mit drei Service-Modellen und vier Deployment-Modellen.
Die Service-Modelle beschreiben, wie viel Verantwortung der Cloud-Anbieter übernimmt und wie viel das Unternehmen selbst macht.
Man kann sich das wie verschiedene Mietmodelle vorstellen:
Bei IaaS mietest du nur den „Rohbau“.
Bei PaaS bekommst du zusätzlich eine Arbeitsumgebung.
Bei SaaS bekommst du die fertige Anwendung.
Bei IaaS stellt der Cloud-Anbieter grundlegende IT-Infrastruktur bereit.
Dazu gehören zum Beispiel:
virtuelle Server
Das Unternehmen muss also keine eigenen physischen Server kaufen.
IaaS = technische Grundausstattung aus der Cloud.
Das Unternehmen bekommt die Infrastruktur, muss aber vieles selbst verwalten, zum Beispiel:
Betriebssysteme
Anwendungen
Daten
Sicherheitseinstellungen
Ein Unternehmen mietet virtuelle Server bei AWS oder Microsoft Azure und installiert darauf eigene Software.
IaaS = Ich miete Server, Speicher und Netzwerk, kümmere mich aber selbst um meine Anwendungen.
Bei PaaS bekommt das Unternehmen nicht nur Infrastruktur, sondern auch eine Plattform zum Entwickeln und Bereitstellen eigener Anwendungen.
Entwicklungsumgebungen
Datenbanken
Programmiertools
Schnittstellen
Laufzeitumgebungen
PaaS = eine fertige Entwicklungsumgebung aus der Cloud.
Das Unternehmen muss sich weniger um die technische Basis kümmern und kann sich stärker auf die Entwicklung eigener Anwendungen konzentrieren.
Ein Entwicklerteam erstellt eine App und nutzt dafür eine Cloud-Plattform, auf der die App direkt getestet und veröffentlicht werden kann.
PaaS = Ich entwickle eigene Anwendungen, ohne mich um die komplette technische Infrastruktur kümmern zu müssen.
Bei SaaS nutzt das Unternehmen eine fertige Software direkt über das Internet.
Es muss nichts selbst installieren oder entwickeln.
Beispiele:
E-Mail-Systeme
CRM-Systeme
Buchhaltungssoftware
Microsoft 365
Salesforce
Google Workspace
SaaS = fertige Software aus der Cloud.
Der Anbieter kümmert sich um:
Betrieb
Updates
Wartung
Sicherheit
technische Infrastruktur
Ein Unternehmen nutzt ein CRM-System über den Browser, ohne die Software lokal auf jedem Computer zu installieren.
SaaS = Ich nutze fertige Software online.
Je weiter man nach oben geht, desto mehr übernimmt der Anbieter:
IaaS: Infrastruktur wird gemietet
PaaS: Entwicklungsplattform wird bereitgestellt SaaS: fertige Software wird genutzt
Oder noch kürzer:
IaaS: Server mieten
PaaS: Anwendungen entwickeln
SaaS: Software nutzen
Vier Deployment-Modelle
Die Deployment-Modelle beschreiben, für wen die Cloud gedacht ist und wie sie betrieben wird.
Die Public Cloud ist eine öffentlich angebotene Cloud-Infrastruktur.
Merkmale:
gehört einem Cloud-Anbieter
wird von vielen Kunden genutzt
Zugriff erfolgt meist über das Internet
Ressourcen werden geteilt
Ein Unternehmen nutzt AWS, Microsoft Azure oder Google Cloud.
Public Cloud = öffentliche Cloud eines großen Anbieters.
günstig
sehr flexibel
schnell verfügbar
gut skalierbar
weniger direkte Kontrolle
stärkere Abhängigkeit vom Anbieter
Public Cloud = viele Kunden nutzen die Infrastruktur eines Cloud-Providers.
Die Private Cloud wird exklusiv von einer Organisation genutzt.
nur ein Unternehmen oder eine Organisation nutzt sie
kann im eigenen Rechenzentrum oder bei einem Anbieter betrieben werden
mehr Kontrolle über Daten und Sicherheit
Private Cloud = Cloud nur für ein Unternehmen.
mehr Kontrolle
höhere Anpassbarkeit
oft besser für sensible Daten geeignet
meist teurer
weniger flexibel als Public Cloud
mehr Verwaltungsaufwand
Private Cloud = exklusive Cloud für eine Organisation.
Die Community Cloud wird von mehreren Organisationen genutzt, die ähnliche Anforderungen haben.
Das können zum Beispiel sein:
Behörden
Forschungseinrichtungen
Krankenhäuser
Unternehmen einer bestimmten Branche
Community Cloud = gemeinsame Cloud für Organisationen mit ähnlichen Bedürfnissen.
Mehrere Krankenhäuser nutzen gemeinsam eine Cloud, weil sie ähnliche Datenschutz- und Sicherheitsanforderungen haben.
Community Cloud = Cloud für eine bestimmte Gruppe mit gemeinsamen Anforderungen.
Die Hybrid Cloud kombiniert mehrere Cloud-Formen miteinander, meistens:
Private Cloud
Public Cloud
Das Unternehmen nutzt also nicht nur eine Cloud-Art, sondern verbindet verschiedene Infrastrukturen.
Hybrid Cloud = Mischung aus privater und öffentlicher Cloud.
Ein Unternehmen speichert sensible Kundendaten in einer Private Cloud, nutzt aber für hohe Rechenleistung zusätzlich die Public Cloud.
Das Studienheft beschreibt Hybrid-Cloud-Modelle als Kombination aus privaten, unternehmensinternen Cloud-Infrastrukturen und öffentlichen Cloud-Services. Dadurch entsteht eine Balance zwischen Kontrolle und Skalierbarkeit.
Hybrid Cloud = sensible Daten privat, flexible Zusatzleistung öffentlich.
Wirtschaftliche Bedeutung von Cloud Computing
Cloud Computing verändert nicht nur die Technik, sondern auch die Kostenstruktur von Unternehmen.
CapEx bedeutet: hohe Investitionen am Anfang.
Früher mussten Unternehmen zum Beispiel:
Server kaufen
Rechenzentren betreiben
Hardware warten
Kapazitäten für Spitzenlasten einplanen
Problem:
teuer
unflexibel
Risiko von Überkapazitäten
CapEx = viel Geld im Voraus ausgeben.
OpEx bedeutet: laufende Betriebskosten.
Mit Cloud Computing können Unternehmen:
IT-Ressourcen mieten
nach Bedarf skalieren
nach tatsächlicher Nutzung zahlen
keine großen Anfangsinvestitionen tätigen
OpEx = laufend bezahlen, was wirklich genutzt wird.
Ein wichtiger Begriff ist Pay-per-Use.
Das bedeutet:
bezahlt wird nach tatsächlicher Nutzung
ähnlich wie bei Strom oder Wasser
wer mehr nutzt, zahlt mehr
wer weniger nutzt, zahlt weniger
Pay-per-Use = bezahlen nach Verbrauch.
Vorteile von Cloud Computing
Cloud Computing senkt Eintrittsbarrieren.
Start-ups brauchen nicht sofort:
eigene Server
große IT-Abteilungen
teure Infrastruktur
Sie können direkt starten und Cloud-Ressourcen mieten.
Start-ups können mit wenig Geld professionelle IT nutzen.
Cloud Computing hilft bei schwankender Nachfrage.
Beispiel:
In Hochzeiten wird mehr Rechenleistung genutzt.
In ruhigeren Phasen wird die Leistung wieder reduziert.
Das ist besonders hilfreich bei:
saisonalem Geschäft
Online-Shops
Buchungssystemen
Kampagnen
stark schwankenden Zugriffszahlen
Mittelständische Unternehmen zahlen nicht dauerhaft für Kapazitäten, die sie nur manchmal brauchen.
Früher musste Software oft auf jedem einzelnen Rechner installiert werden.
Mit Cloud-Software:
läuft die Anwendung zentral
Zugriff erfolgt über den Webbrowser
Updates werden zentral durchgeführt
Nutzer brauchen meist nur Internetzugang
Software muss nicht mehr überall einzeln installiert werden.
Strategische Bedeutung: Cloud als zweischneidiges Schwert
Cloud Computing ist nicht nur eine technische Lösung. Es verändert auch Machtverhältnisse.
Denn große Cloud-Anbieter kontrollieren wichtige Teile der digitalen Infrastruktur.
Als Hyperscaler bezeichnet man sehr große Cloud-Anbieter.
Dazu gehören vor allem:
Amazon Web Services, AWS
Microsoft Azure
Google Cloud
Diese Anbieter betreiben riesige Rechenzentren und stellen weltweit Cloud-Infrastruktur bereit.
Hyperscaler = sehr große Cloud-Anbieter mit globaler Infrastruktur.
Das Studienheft weist darauf hin, dass Cloud- und Plattformanbieter zentrale Infrastrukturen kontrollieren und dadurch Abhängigkeiten sowie Lock-in-Effekte entstehen können.
Der Lock-in-Effekt bedeutet:
Ein Unternehmen wird so stark an einen Anbieter gebunden, dass ein Wechsel schwierig oder teuer wird.
Ein Lock-in kann entstehen durch:
spezielle technische Systeme eines Anbieters
proprietäre Plattformen
inkompatible Schnittstellen
langfristige Verträge
hohe Wechselkosten
Mitarbeitende, die nur auf ein bestimmtes System geschult sind
bereits entwickelte Anwendungen, die nur in dieser Cloud gut funktionieren
Lock-in = Man kommt schwer wieder raus.
Ein Anbieterwechsel kann dann bedeuten:
hohe Kosten
technische Probleme
Zeitverlust
neue Schulungen
Risiko für laufende Systeme
Abhängigkeit von Preisen und Regeln des Anbieters
Ein Unternehmen baut seine gesamte App auf speziellen Diensten von AWS auf. Später möchte es zu Google Cloud wechseln. Das ist dann schwierig, weil viele Bausteine angepasst oder neu gebaut werden müssen.
Cloud Computing bietet Unternehmen große Vorteile:
weniger Anfangsinvestitionen
schnellere Innovation
einfacherer Markteintritt
Nutzung nach Bedarf
Gleichzeitig entstehen Risiken:
Abhängigkeit von großen Cloud-Anbietern
Lock-in-Effekte
weniger Kontrolle über Infrastruktur
mögliche Wechselkosten
IaaS: Infrastruktur mieten
PaaS: Plattform zum Entwickeln nutzen
SaaS: fertige Software verwenden
Public Cloud: öffentlich beim Anbieter
Private Cloud: exklusiv für eine Organisation
Community Cloud: gemeinsam für ähnliche Organisationen
Hybrid Cloud: Kombination mehrerer Cloud-Formen
Cloud Computing macht IT flexibel und bezahlbar, kann Unternehmen aber auch abhängig von großen Anbietern machen.
Herausforderungen beim Cloud Computing
Cloud Computing bringt viele Vorteile, aber es gibt auch wichtige Herausforderungen.
Die zwei zentralen Themen in deinem Abschnitt sind:
Datenschutz und Datensicherheit
Strategien gegen Abhängigkeit und Ausfallrisiken
Bei Cloud Computing liegen Daten nicht mehr nur auf den eigenen Servern des Unternehmens.
Stattdessen werden sie bei externen Cloud-Anbietern gespeichert oder verarbeitet.
Das betrifft zum Beispiel:
Kundendaten
Mitarbeiterdaten
Finanzdaten
Produktionsdaten
Geschäftsgeheimnisse
Das Unternehmen gibt einen Teil der Kontrolle über seine Daten an einen externen Anbieter ab.
Sensible Unternehmensdaten sind besonders schützenswert.
Wenn sie in der Cloud liegen, stellen sich wichtige Fragen:
Wer darf auf die Daten zugreifen?
Wer kontrolliert die Daten?
Wo werden die Daten physisch gespeichert?
In welchem Land stehen die Server?
Welche Datenschutzgesetze gelten dort?
Was passiert bei einem Datenleck?
Wer haftet bei Sicherheitsproblemen?
Auch wenn Cloud Computing „virtuell“ klingt, liegen Daten trotzdem auf echten Servern.
Diese Server stehen in Rechenzentren, zum Beispiel in:
Deutschland
anderen EU-Ländern
den USA
Asien
weltweit verteilten Standorten
Das ist wichtig, weil je nach Standort unterschiedliche Gesetze gelten können.
Ein deutsches Unternehmen nutzt einen Cloud-Anbieter aus den USA.
Dann stellt sich die Frage:
Gelten deutsche Datenschutzregeln?
Gelten EU-Regeln wie die DSGVO?
Können ausländische Behörden Zugriff verlangen?
Cloud-Daten sind digital verfügbar, aber physisch irgendwo gespeichert. Dieser Ort ist rechtlich wichtig.
Datenschutz ist nicht überall gleich geregelt.
In der EU gelten strenge Datenschutzregeln, besonders durch die DSGVO.
In anderen Ländern können andere Regeln gelten, zum Beispiel:
weniger strenge Datenschutzstandards
andere Zugriffsrechte für Behörden
andere Meldepflichten bei Datenpannen
andere Anforderungen an Verträge
Deshalb müssen Unternehmen genau prüfen, mit welchem Cloud-Anbieter sie arbeiten und wo ihre Daten verarbeitet werden.
Cloud ist global, Datenschutz ist aber oft national oder regional geregelt.
Datenschutz und Datensicherheit hängen zusammen, sind aber nicht genau dasselbe.
Datenschutz fragt:
Wie werden personenbezogene Daten rechtlich korrekt verarbeitet?
Zum Beispiel:
Gesundheitsdaten
Nutzungsdaten
Datensicherheit fragt:
Wie werden Daten technisch geschützt?
Zum Beispiel durch:
Verschlüsselung
Zugriffskontrollen
Backups
Firewalls
Sicherheitsupdates
Notfallpläne
Datenschutz = rechtlicher Schutz von Daten. Datensicherheit = technischer Schutz von Daten.
Bei einer Multi-Cloud nutzt ein Unternehmen mehrere Cloud-Anbieter gleichzeitig.
Abhängigkeit von einem einzelnen Anbieter verringern
Ausfallrisiken reduzieren
Beispiel: Ein Unternehmen nutzt nicht nur AWS, sondern zusätzlich Microsoft Azure oder Google Cloud.
Merksatz: Multi-Cloud = mehrere Cloud-Anbieter parallel nutzen.
Bei einer Hybrid Cloud kombiniert ein Unternehmen:
private, interne Cloud-Infrastrukturen
öffentliche Cloud-Services
Die Hybrid Cloud verbindet:
Kontrolle, weil sensible Bereiche intern bleiben können
Skalierbarkeit, weil öffentliche Cloud-Dienste flexibel genutzt werden können
Merksatz: Hybrid Cloud = Mischung aus eigener/private Cloud und öffentlicher Cloud.
Cloud Computing bietet Flexibilität, bringt aber Herausforderungen mit sich:
Daten liegen bei externen Anbietern.
Speicherort und Datenschutzgesetze müssen beachtet werden.
Unternehmen können durch Multi-Cloud Abhängigkeiten reduzieren.
Unternehmen können durch Hybrid Cloud Kontrolle und Skalierbarkeit verbinden.
Multi-Cloud: mehrere Anbieter
Hybrid Cloud: private + öffentliche Cloud
Kernproblem: mehr Flexibilität, aber auch mehr Fragen zu Kontrolle, Datenschutz und Sicherheit.
Datenschutz: Wer darf was mit den Daten machen? Datensicherheit: Wie werden die Daten technisch geschützt?
Multi-Cloud: mehrere Anbieter nutzen Hybrid Cloud: private und öffentliche Cloud kombinieren
Kerngedanke: Cloud Computing ist flexibel und leistungsfähig, aber Unternehmen müssen Daten, Sicherheit und Abhängigkeiten aktiv steuern.
Cloud Computing als General Purpose Technology
Cloud Computing wird als Basistechnologie verstanden.
Ein anderer Begriff dafür ist:
General Purpose Technology, kurz GPT
Damit ist gemeint: Cloud Computing ist nicht nur für eine einzelne Branche wichtig, sondern kann in sehr vielen Bereichen eingesetzt werden.
Solche Technologien haben zwei zentrale Eigenschaften:
sie sind branchenübergreifend einsetzbar
sie ermöglichen viele weitere Innovationen
Historische Beispiele sind:
Dampfmaschine
Elektrizität
Diese Technologien waren nicht nur einzelne Erfindungen. Sie haben viele weitere Entwicklungen möglich gemacht.
Cloud Computing ist ähnlich wichtig, weil es die Grundlage für viele digitale Anwendungen bildet.
Aber wichtig ist:
Cloud Computing ist nicht automatisch ein Wettbewerbsvorteil
nur eine Cloud zu nutzen, macht ein Unternehmen noch nicht besonders
viele Unternehmen können auf dieselben Cloud-Dienste zugreifen
Einfach gesagt: Die Cloud allein macht ein Unternehmen noch nicht erfolgreicher.
Wirklich wichtig wird Cloud Computing erst durch das, was Unternehmen damit machen.
eigene Anwendungen
neue digitale Services
datenbasierte Geschäftsmodelle
Innovationen
digitale Ökosysteme
Der Wettbewerbsvorteil entsteht also nicht durch die Cloud selbst, sondern durch die Lösungen, die darauf aufbauen.
Unternehmen sollten Cloud Computing nicht nur als Kostenfaktor sehen.
Sie sollten Cloud Computing verstehen als:
Grundlage für Innovation
technische Basis für digitale Geschäftsmodelle
Möglichkeit, neue Anwendungen schneller umzusetzen
Cloud Computing = Basistechnologie
Aber:
Cloud allein schafft keinen Vorteil.
Der Vorteil entsteht erst durch:
Cloud + gute Anwendungen + Innovationen.
2.2 Mobile Technologien und ihre Auswirkungen
Mobile Technologien meinen vor allem:
Smartphones
Tablets
Sie haben stark verändert:
wie Menschen mit Unternehmen Kontakt aufnehmen
wie Kund:innen digitale Angebote nutzen
wie Arbeit organisiert wird
Mobile Geräte sind heute oft der wichtigste Zugang zum Internet.
Unternehmen müssen digitale Angebote vor allem für mobile Geräte optimieren.
Websites
Apps
digitale Services
Wichtig ist: Viele Nutzer:innen greifen zuerst mit dem Smartphone auf Angebote zu, nicht mit dem Computer.
Mobile First bedeutet:
zuerst wird die mobile Version entwickelt
danach wird die Desktop-Version angepasst
Früher war es andersherum:
zuerst Desktop-Version
danach Anpassung für Smartphones oder Tablets
Heute steht die mobile Nutzung im Mittelpunkt.
Mobile Geräte haben andere Bedingungen als Desktop-Computer:
kleinere Bildschirme
andere Bedienung, zum Beispiel Touchscreen
Nutzung oft unterwegs
kürzere Aufmerksamkeitsspanne
andere Nutzungssituationen
unterwegs möchte man schnell etwas finden oder buchen
am Computer zu Hause nimmt man sich eher mehr Zeit
Deshalb müssen mobile Angebote einfach, übersichtlich und schnell nutzbar sein.
Mobile Technologien sind nicht nur eine Designfrage.
Sie beeinflussen auch:
digitale Geschäftsmodelle
Wertschöpfung
Kundenbeziehungen
Kommunikation zwischen Unternehmen und Kund:innen
Da Smartphones fast immer verfügbar sind, können Unternehmen Kund:innen jederzeit und ortsunabhängig erreichen.
Viele Plattformunternehmen wären ohne Smartphones kaum so erfolgreich geworden.
Uber
Airbnb
Der Grund:
Nutzer:innen sind jederzeit erreichbar
Dienste können ortsabhängig genutzt werden
Angebote und Nachfrage können schnell zusammengebracht werden
Beispiel: Uber funktioniert besonders gut, weil Fahrer:innen und Kund:innen per Smartphone in Echtzeit verbunden werden.
Mobile Technologien verändern auch die Erwartungen der Kund:innen.
Kund:innen erwarten heute:
permanente Verfügbarkeit
schnelle Reaktionen
einfachen Zugriff von überall
Nutzung über das Smartphone
Dadurch geraten Unternehmen stärker unter Druck, digitale Services jederzeit bereitzustellen.
Mobile Technologien sind ein wichtiger Treiber der digitalen Transformation.
Sie verändern:
den Zugang zum Internet
das Verhalten von Kund:innen
die Gestaltung digitaler Angebote
die Beziehung zwischen Unternehmen und Konsument:innen
Mobile Technologien = Internetzugang jederzeit und überall
Mobile First = zuerst für Smartphone entwickeln
Strategische Bedeutung: Mobile Geräte sind nicht nur ein zusätzlicher Kanal, sondern Grundlage vieler digitaler Geschäftsmodelle und Plattformen.
Neue Geschäftsmodelle durch mobile Technologien
Location-based Services sind Dienste, die den Standort des Smartphones nutzen.
Sie bieten Informationen oder Angebote passend zum aktuellen Ort.
Restaurant-Finder zeigt Lokale in der Nähe
Einzelhandels-App informiert über Angebote in einer Filiale in der Nähe
Navigations-Apps zeigen passende Wege oder Verkehrsinformationen
Merksatz: Location-based Services = digitale Dienste, die den Standort der Nutzer:innen einbeziehen.
Mobile Payment bedeutet Bezahlen mit dem Smartphone oder mobilen Geräten.
bargeldloses Bezahlen
schnelles Bezahlen
auch bei kleinen Beträgen geeignet
oft über Apps oder digitale Wallets
Mobile Payment verändert das Bezahlverhalten, weil Zahlungen einfacher und schneller werden.
In China sind mobile Bezahlsysteme besonders stark verbreitet.
Wichtige Beispiele:
WeChat Pay
Alipay
Diese Dienste prägen dort den Alltag sehr stark.
In Europa gewinnen mobile Bezahlsysteme ebenfalls an Bedeutung.
Apple Pay
Google Pay
Twint in der Schweiz
Mobile Pay in Skandinavien
Mobile Ökosysteme haben eine wichtige Kontrollfunktion.
App-Stores
In-App-Payments
Sie entscheiden oft darüber:
welche Apps sichtbar sind
welche Zahlungswege genutzt werden können
welche Gebühren Entwickler zahlen müssen
wie einfach Anbieter Kund:innen erreichen
Merksatz: Mobile Ökosysteme können wie Torwächter wirken.
App-Stores sind ein Beispiel für zweiseitige Märkte.
Eine Plattform verbindet zwei Seiten miteinander:
Nutzer:innen
Entwickler:innen oder Anbieter
Beispiel App-Store:
Nutzer:innen wollen Apps finden und nutzen
Entwickler:innen wollen Apps anbieten und verkaufen
Die Plattform legt Regeln und Preise für beide Seiten fest.
Merksatz: Zweiseitiger Markt = Plattform verbindet zwei verschiedene Nutzergruppen.
Ex-ante-Regulierung bedeutet:
Regeln werden schon vorher festgelegt, bevor ein konkreter Missbrauch passiert.
Das betrifft besonders marktmächtige Plattformen.
Mögliche Vorgaben:
faire Gebühren
Interoperabilität
Datenzugang
Verbot von Self-preferencing
Merksatz: Ex-ante = Regeln greifen vorbeugend.
Self-preferencing bedeutet:
Ein Plattformbetreiber bevorzugt seine eigenen Angebote gegenüber denen anderer Anbieter.
Ein App-Store zeigt eigene Apps besser sichtbar an als vergleichbare Apps anderer Anbieter.
Merksatz: Self-preferencing = Plattform bevorzugt eigene Angebote.
greift vorbeugend
Regeln gelten schon vorher
soll Missbrauch verhindern
greift erst nachträglich
Behörden reagieren erst, wenn Missbrauch festgestellt wurde
Kurz gesagt: Ex-ante = vorher regeln Ex-post = nachher eingreifen
Mobile Ökosysteme beeinflussen Geschäftsmodelle stark.
Wichtige Faktoren sind:
Gebührenstrukturen
Default-Kanäle
Steering
Diese Faktoren beeinflussen:
Sichtbarkeit von Angeboten
Entscheidungen der Nutzer:innen
Zugang zum Markt
Mobile Technologien ermöglichen neue Geschäftsmodelle, zum Beispiel durch:
standortbezogene Dienste
mobiles Bezahlen
App-basierte Plattformen
Gleichzeitig entstehen neue Machtfragen, weil App-Stores und mobile Ökosysteme kontrollieren, welche Anbieter Zugang zu Nutzer:innen bekommen.
Location-based Services: Dienste nutzen Standortdaten
Mobile Payment: Bezahlen per Smartphone Gatekeeper: Plattform kontrolliert Zugang
Ex-ante: Regeln vorher
Ex-post: Eingriff nach Missbrauch
Self-preferencing: eigene Angebote bevorzugen
Mobile Technologien im Unternehmenskontext
Mobile Technologien ermöglichen flexiblere Arbeitsmodelle.
Mitarbeitende sind nicht mehr zwingend an einen festen Arbeitsplatz gebunden, sondern können auch unterwegs auf wichtige Informationen zugreifen.
Mobile Technologien ermöglichen zum Beispiel:
Zugriff auf Unternehmensdaten von unterwegs
Servicetechniker:innen erhalten Aufträge direkt auf Tablets
Vertriebsmitarbeitende können beim Kunden Produktinformationen abrufen
Bestellungen können direkt beim Kunden digital erfasst werden
Einfach gesagt: Arbeit kann schneller und ortsunabhängiger erledigt werden.
Mobile Technologien bringen Unternehmen mehrere Vorteile:
höhere Effizienz
schnellere Prozesse
weniger Papierarbeit
ortsunabhängiges Arbeiten
bessere Betreuung von Kund:innen vor Ort
Beispiel: Ein Servicetechniker muss nicht erst ins Büro fahren, um neue Aufträge zu bekommen. Er erhält sie direkt mobil.
Gleichzeitig entstehen neue Anforderungen.
Unternehmen brauchen:
neue Sicherheitskonzepte
stärkeren Datenschutz
klare Regeln für mobilen Zugriff auf Unternehmensdaten
Der Grund: Wenn Mitarbeitende von unterwegs auf Daten zugreifen, müssen diese Daten besonders geschützt werden.
Merksatz: Mobile Arbeit macht Unternehmen flexibler, erfordert aber mehr Sicherheit.
Mobile Technologien gelten als Market-Pull-Technologie.
Das bedeutet: Die Entwicklung wurde stark durch die Nachfrage und das Verhalten der Nutzer:innen angetrieben.
Market Pull bedeutet:
Nutzerbedürfnisse treiben die Entwicklung an
Unternehmen reagieren auf verändertes Verhalten
der Markt „zieht“ die Technologie in die Verbreitung
Bei mobilen Technologien heißt das:
Menschen nutzten Smartphones zunehmend für:
Kommunikation
Konsum
Arbeit
Organisation des Alltags
Unternehmen mussten ihre Angebote daran anpassen.
Merksatz: Market Pull = Nutzerverhalten treibt technologische Entwicklung und Verbreitung.
Technology Push bedeutet:
Forschung und technische Entwicklung treiben eine Technologie voran
neue technische Möglichkeiten entstehen zuerst
daraus entwickeln sich Anwendungen
Cloud Computing
Künstliche Intelligenz
Diese Technologien wurden stärker durch Forschung und technologische Fortschritte vorangetrieben.
Merksatz: Technology Push = Technologie entsteht durch Forschung und Entwicklung und wird dann angewendet.
Weil mobile Technologien stark an Nutzerbedürfnisse anschließen, haben sie sich besonders schnell verbreitet.
Das erklärt:
schnelle Akzeptanz
schnelle Verbreitung
kürzere Diffusionsphase als bei manchen anderen Technologien
Diffusion bedeutet hier: Wie schnell sich eine neue Technologie in der Gesellschaft oder am Markt verbreitet.
Technologien verändern Wirtschaft und Gesellschaft besonders stark, wenn sie:
echte Bedürfnisse der Menschen treffen
im Alltag genutzt werden
neue Geschäftsmodelle ermöglichen
Es reicht also nicht, dass eine Technologie technisch möglich ist. Sie muss auch von Menschen akzeptiert und genutzt werden.
Unternehmen sollten technologische Trends nicht isoliert betrachten.
Sie müssen immer auch beachten:
Wie verändert sich das Nutzerverhalten?
Welche neuen Erwartungen entstehen?
Welche Nachfrage entwickelt sich?
Welche gesellschaftlichen Veränderungen gibt es?
Mobile Technologien = flexibleres Arbeiten + neue Geschäftsmodelle
Market Pull = Nutzerbedürfnisse treiben Entwicklung
Technology Push = Forschung treibt Entwicklung
Kernidee: Nicht nur die Technologie zählt, sondern ob Menschen sie wirklich nutzen und akzeptieren.
2.3 Künstliche Intelligenz im Unternehmensalltag
Künstliche Intelligenz, kurz KI, bedeutet:
Computersysteme sollen Aufgaben übernehmen, für die normalerweise menschliche Intelligenz nötig wäre.
Muster erkennen
Sprache verstehen
Texte verarbeiten
Entscheidungen bei Unsicherheit unterstützen
Vorhersagen treffen
Einfach gesagt: KI versucht, bestimmte menschliche Denk- oder Analysefähigkeiten technisch nachzubilden.
In Unternehmen wird KI vor allem genutzt, um mit Daten zu arbeiten.
KI-Systeme können:
große Datenmengen analysieren
aus Daten lernen
Prognosen erstellen
Entscheidungen vorbereiten oder unterstützen
Wichtig ist: KI trifft nicht automatisch „magische“ Entscheidungen, sondern arbeitet auf Grundlage von Daten.
KI ist kein einzelnes Programm und keine einzelne Methode.
Stattdessen ist KI ein Sammelbegriff für verschiedene Verfahren.
regelbasierte Expertensysteme
klassisches Machine Learning
tiefe neuronale Netze
Large Language Models, also LLMs
Merksatz: KI = Oberbegriff für verschiedene Methoden, mit denen Computer intelligente Aufgaben bearbeiten sollen.
Heutige KI-Systeme gehören fast immer zur schwachen KI oder engen KI.
sie sind auf bestimmte Aufgaben spezialisiert
sie haben kein Bewusstsein
sie besitzen keine allgemeine Vernunft
sie verstehen nicht wie ein Mensch
sie funktionieren nur in abgegrenzten Bereichen
ein System erkennt Bilder
ein Chatbot beantwortet Fragen
ein Algorithmus empfiehlt Produkte
ein System erstellt Absatzprognosen
Wichtig: Der praktische Nutzen für Unternehmen entsteht aktuell fast vollständig durch diese spezialisierte KI.
Merksatz: Schwache KI = spezialisiert, nützlich, aber nicht allgemein intelligent.
Starke KI meint eine hypothetische Form von KI, die ähnlich flexibel denken und Probleme lösen könnte wie ein Mensch.
Sie hätte:
menschenähnliche kognitive Fähigkeiten
allgemeine Problemlösungsfähigkeit
flexibles Verstehen unterschiedlicher Situationen
Diese Form von KI gibt es aktuell noch nicht in der Praxis.
Sie wird zwar erforscht, liegt aber weiterhin in der Zukunft.
Merksatz: Starke KI = theoretische KI mit menschenähnlicher allgemeiner Intelligenz.
Für Unternehmen ist die Unterscheidung wichtig, damit Erwartungen realistisch bleiben.
Heutige KI ist:
leistungsfähig
datenbasiert
spezialisiert
für konkrete Aufgaben geeignet
Heutige KI ist aber nicht:
allwissend
bewusst
allgemein vernünftig
ein vollständiger Ersatz für menschliches Denken
KI = Systeme, die Aufgaben übernehmen, die sonst menschliche Intelligenz brauchen.
Schwache KI: spezialisiert und heute praktisch relevant Starke KI: menschenähnlich, allgemein intelligent, bisher hypothetisch
Kernidee: Unternehmen nutzen KI vor allem als spezialisiertes Werkzeug zur Datenanalyse, Vorhersage und Entscheidungsunterstützung.
Formen der KI
KI ist kein einzelnes System, sondern umfasst verschiedene Formen und Methoden.
Die wichtigsten Formen sind:
symbolische KI
Machine Learning
Deep Learning
Large Language Models
Bei der symbolischen KI wird Wissen über feste Regeln und Logik abgebildet.
Das System arbeitet also nach dem Prinzip:
Wenn X passiert, dann tue Y.
Wissen wird ausdrücklich programmiert
Regeln werden vorher festgelegt
das System „lernt“ nicht selbst aus Daten
Historisch war diese Form besonders wichtig:
vor allem von den 1950er- bis 1980er-Jahren
sie dominierte lange die KI-Forschung
Merksatz: Symbolische KI = KI nach festen Regeln.
Machine Learning bedeutet:
Systeme lernen aus Daten, ohne dass jede Regel einzeln programmiert wird.
Das System erkennt Muster in Daten und kann daraus Vorhersagen oder Entscheidungen ableiten.
überwachtes Lernen: Lernen mit Beispielen und richtigen Lösungen
unüberwachtes Lernen: Muster in Daten erkennen, ohne vorgegebene Lösung
bestärkendes Lernen: Lernen durch Belohnung und Bestrafung
Merksatz: Machine Learning = KI lernt aus Daten.
Deep Learning ist eine spezielle Form des Machine Learnings.
arbeitet mit mehrschichtigen neuronalen Netzen
kann sehr komplexe Muster erkennen
braucht oft große Datenmengen und viel Rechenleistung
Deep Learning hat große Fortschritte ermöglicht bei:
Bilderkennung
Spracherkennung
Texterkennung
Merksatz: Deep Learning = Machine Learning mit tiefen neuronalen Netzen.
Large Language Models sind große Sprachmodelle.
Sie werden mit sehr vielen Textdaten vortrainiert und können danach vielseitig eingesetzt werden.
Funktionen:
Texte generieren
Fragen beantworten
Inhalte zusammenfassen
Texte übersetzen oder umformulieren
Merksatz: LLMs = KI-Modelle, die Sprache verstehen und erzeugen können.
Die Entwicklung von KI verlief nicht gleichmäßig.
Es gab Phasen mit großen Erwartungen, aber auch Phasen mit Enttäuschung.
Diese Phasen nennt man:
KI-Winter
Damit sind Zeiten gemeint, in denen das Interesse, die Finanzierung oder die Fortschritte in der KI deutlich zurückgingen.
Wichtige Einflussfaktoren für Fortschritte in der KI waren:
mehr verfügbare Daten
mehr Rechenleistung
bessere Algorithmen
Merksatz: KI entwickelte sich in Wellen, nicht geradlinig.
Für Unternehmen ist KI nicht nur ein technisches Werkzeug.
KI kann eine strategische Ressource sein.
Der Nutzen entsteht vor allem dadurch, dass Unternehmen Daten:
systematisch sammeln
miteinander vernetzen
sinnvoll auswerten
für Entscheidungen und Geschäftsmodelle nutzen
Dadurch wird KI wichtig für datengetriebene Geschäftsmodelle.
Merksatz: KI wird wertvoll, wenn Unternehmen ihre Daten gezielt nutzen können.
KI gilt als General Purpose Technology, also als Basistechnologie.
sie ist branchenübergreifend einsetzbar
sie ermöglicht viele weitere Innovationen
sie verändert nicht nur einzelne Aufgaben, sondern ganze Geschäftslogiken
Potenziale von KI:
Prozessoptimierung
neue Produkte
neue Formen der Wertschöpfung
KI ist nicht einfach nur ein weiteres digitales Werkzeug.
Sie kann:
Prozesse automatisieren
Entscheidungen unterstützen
Produkte intelligenter machen
Geschäftsmodelle datengetrieben verändern
Kernpunkt: KI verändert nicht nur einzelne Prozesse, sondern kann ganze Wertschöpfungslogiken beeinflussen.
Symbolische KI: feste Regeln
Machine Learning: Lernen aus Daten
Deep Learning: neuronale Netze
LLMs: Sprache verstehen und erzeugen
KI als Ressource: Daten sammeln, vernetzen und nutzen
KI als GPT: branchenübergreifende Basistechnologie mit großem Innovationspotenzial.
Anwednungsbeispiele von KI
KI kann in vielen Unternehmensbereichen eingesetzt werden.
Wichtige Beispiele sind:
Kundenservice
Vertrieb
Produktion und Instandhaltung
Personalmanagement
Im Kundenservice wird KI häufig durch Chatbots oder virtuelle Assistenten eingesetzt.
Diese Systeme können:
Standardfragen beantworten
einfache Probleme lösen
komplexe Fälle an Mitarbeitende weiterleiten
Die technische Grundlage ist oft:
Natural Language Processing, kurz NLP
Lernen aus früheren Kundenanfragen und Konversationen
Kund:innen erhalten rund um die Uhr erste Hilfe
Mitarbeitende werden bei Standardfragen entlastet
das System kann sich mit mehr Daten verbessern
Merksatz: KI im Kundenservice = automatische Bearbeitung einfacher Anfragen.
Im Vertrieb wird KI oft für Empfehlungssysteme genutzt.
Diese Systeme analysieren:
individuelles Kaufverhalten
Interessen einzelner Kund:innen
Daten anderer Kund:innen
Ziel ist:
passende Produkte vorzuschlagen
Kaufwahrscheinlichkeit zu erhöhen
Kund:innen stärker zu binden
Amazon empfiehlt Produkte auf Basis früherer Käufe und ähnlicher Nutzerprofile.
Auswirkungen:
höhere Umsätze
stärkere Kundenbindung
personalisierte Empfehlungen werden für Kund:innen zum Standard
Merksatz: KI im Vertrieb = passende Angebote auf Basis von Daten empfehlen.
Ein wichtiger KI-Einsatz ist Predictive Maintenance.
Maschinen werden mithilfe von Daten überwacht
Auffälligkeiten werden früh erkannt
Wartung kann geplant werden, bevor etwas kaputtgeht
Technische Grundlage:
Sensoren
Maschinendaten
Datenanalyse
Machine-Learning-Algorithmen
weniger ungeplante Ausfälle
geringere Reparaturkosten
bessere Planung
höhere Effizienz der Anlagen
Merksatz: Predictive Maintenance = Wartung, bevor ein Schaden entsteht.
Im Personalmanagement kann KI Bewerbungsprozesse unterstützen.
viele Bewerbungen durchsuchen
passende Profile herausfiltern
Rekrutierungsprozesse beschleunigen
Vorteil:
Personalabteilungen sparen Zeit
Bewerbungen können schneller vorsortiert werden
Ein wichtiges Problem ist Bias.
Bias bedeutet:
Verzerrung
Vorurteil
einseitiges Muster in Daten
KI lernt aus vorhandenen Daten. Wenn diese Daten bereits verzerrt sind, kann KI diese Verzerrungen übernehmen.
Wenn in der Vergangenheit bestimmte Gruppen bevorzugt wurden, kann die KI dieses Muster lernen.
Dann werden andere Gruppen möglicherweise benachteiligt.
Wichtige Erkenntnis: KI ist nicht automatisch neutral. Sie kann bestehende Muster aus Daten verstärken.
Kundenservice: Chatbots beantworten Standardfragen
Vertrieb: Empfehlungen erhöhen Kaufwahrscheinlichkeit
Produktion: Predictive Maintenance verhindert Ausfälle
Personal: KI filtert Bewerbungen, kann aber Bias verstärken
Kernidee: KI kann Prozesse effizienter machen, aber ihre Ergebnisse hängen stark von den Daten ab, mit denen sie trainiert wurde.
KI verändert Märkte und Erwartungen
Unternehmen mit KI-gestützter Personalisierung setzen neue Standards.
Wettbewerber müssen diese Standards häufig übernehmen.
Selbstverstärkender Kreislauf:
mehr Nutzende erzeugen mehr Daten
mehr Daten verbessern Algorithmen
bessere Algorithmen verbessern Nutzererlebnis
besseres Nutzererlebnis zieht neue Nutzende an
→ Kreislauf verstärkt sich selbst.
starke Netzwerkeffekte
Märkte tendieren zu:
Oligopolen
Monopolen
Für Unternehmen:
frühe KI-Investitionen können nachhaltige Wettbewerbsvorteile schaffen
Ökonomische Erklärung des Data Flywheel.
Grundidee:
je mehr Nutzende ein System hat, desto wertvoller wird es
Unterschied zu traditionellen Märkten:
sinkender Grenznutzen
„Diminishing Returns“
steigender Grenznutzen durch Dateneffekte
Folge:
„Winner-Takes-Most“-Märkte
Tendenz zu Monopolen/Oligopolen
Zentrale Frage: Wann werden Datenvorteile zu unüberwindbaren Markteintrittsbarrieren?
Seit 2022 erhielt generative KI starke Aufmerksamkeit.
Kann eigenständig erzeugen:
Texte
Bilder
Code
weitere Inhalte
ChatGPT
Claude
Gemini
Training mit riesigen Textmengen
Fähigkeiten:
natürliche Sprache verstehen
natürliche Sprache erzeugen
automatisierte Content-Erstellung
Code-Generierung
Zusammenfassungen komplexer Dokumente
interaktive Kundenberatung
Herausforderungen generativer KI
KI kann sehr leistungsfähig sein, bringt aber auch Risiken mit sich.
Wichtige Herausforderungen sind:
Halluzinationen
schlechte Datenqualität
Intransparenz
ethische und rechtliche Fragen
Veränderungen von Arbeit und Organisation
Halluzinationen bedeuten:
KI erzeugt Informationen, die plausibel klingen, aber falsch sind.
Das ist problematisch, weil falsche Antworten oft sehr überzeugend formuliert sind.
Weitere Probleme:
Urheberrechtsfragen
Desinformation durch KI-generierte Inhalte
Merksatz: Halluzination = KI klingt überzeugend, sagt aber etwas Falsches.
KI-Systeme sind nur so gut wie ihre Trainingsdaten.
Probleme entstehen durch:
fehlerhafte Daten
unvollständige Daten
unausgewogene Daten
Die Folge:
Ergebnisse können falsch, unfair oder unzuverlässig sein
Merksatz: Schlechte Daten führen zu schlechten KI-Ergebnissen.
Je komplexer KI-Modelle sind, desto schwerer lassen sie sich nachvollziehen.
Besonders problematisch sind:
sogenannte Black Boxes
Eine Black Box liefert Ergebnisse, aber der genaue Entscheidungsweg ist schwer verständlich.
Merksatz: Black Box = Ergebnis sichtbar, Entscheidungsweg unklar.
Explainable AI beschäftigt sich mit der Frage:
Wie können KI-Entscheidungen erklärbar gemacht werden?
Das ist wichtig für:
Forschung
Regulierung
Vertrauen
Besonders relevant ist das bei sensiblen Entscheidungen, zum Beispiel:
Kreditvergabe
Versicherungen
medizinische Diagnosen
Merksatz: XAI = KI soll nachvollziehbar und erklärbar werden.
Transparenz wird zunehmend nicht nur als Pflicht gesehen, sondern auch als Vorteil.
Unternehmen schaffen Vertrauen, wenn KI-Systeme:
erklärbar
überprüfbar
rechtlich verantwortbar
sind.
Kernidee: Wer vertrauenswürdige KI anbietet, kann sich positiv vom Wettbewerb abheben.
KI wirft wichtige Fragen auf:
Wer trägt Verantwortung bei Fehlentscheidungen?
Wie können Diskriminierungen verhindert werden?
Wie wird sichergestellt, dass KI fair eingesetzt wird?
Mit dem EU AI Act hat die EU 2024 einen umfassenden Rechtsrahmen für KI geschaffen.
KI-Anwendungen werden nach Risiko eingeteilt:
minimales Risiko
geringes Risiko
hohes Risiko
inakzeptables Risiko
Je höher das Risiko, desto strenger die Anforderungen.
Transparenzpflichten
Qualitätsstandards
Aufsichtsmechanismen
Merksatz: EU AI Act = KI wird je nach Risiko unterschiedlich streng reguliert.
Unternehmen dürfen KI nicht nur nach Effizienz bewerten.
Sie müssen auch beachten:
gesetzliche Anforderungen
gesellschaftliche Erwartungen
ethische Fragen
Verantwortung für KI-Ergebnisse
KI verändert auch die Arbeitswelt.
Sie beeinflusst:
Organisationsstrukturen
Arbeitsrollen
Anforderungen an Mitarbeitende
Mitarbeitende müssen lernen:
sinnvoll mit KI-Systemen zu arbeiten
Ergebnisse kritisch zu prüfen
Fehler zu erkennen und zu korrigieren
Durch KI entstehen neue Rollen, zum Beispiel:
Data Scientist
Machine Learning Engineer
KI-Ethikbeauftragte
Diese Berufe beschäftigen sich mit Daten, Modellen, technischer Umsetzung und verantwortungsvollem KI-Einsatz.
Unternehmen müssen entscheiden:
Welche Aufgaben können automatisiert werden?
Wo bleibt menschliches Urteilsvermögen notwendig?
Wie werden KI-Systeme kontrolliert?
Wer trägt Verantwortung?
Halluzination: KI klingt richtig, ist aber falsch Datenqualität: schlechte Daten = schlechte Ergebnisse
Black Box: Entscheidungsweg unklar
XAI: KI erklärbar machen
EU AI Act: Regulierung nach Risiko
Kernidee: KI ist nicht nur Technik. Sie betrifft auch Verantwortung, Unternehmenskultur, Governance und den Umgang mit Mitarbeitenden.
2.4 Internet of Things (IoT): Vernetzte Geräte und Sensoren
Das Internet of Things beschreibt die Vernetzung physischer Gegenstände mit dem Internet.
Diese Gegenstände können ausgestattet sein mit:
Aktoren
Dadurch können sie:
Daten aus ihrer Umgebung erfassen
Daten über das Internet austauschen
teilweise selbstständig auf Informationen reagieren
Merksatz: IoT = physische Dinge werden digital vernetzt.
Das IoT wurde durch mehrere technische Entwicklungen möglich.
Sensoren wurden:
kleiner
günstiger
leichter in Alltagsgegenstände integrierbar
Dadurch können heute viele Geräte Daten erfassen.
Temperatur
Bewegung
Standort
Feuchtigkeit
Maschinenzustand
Für IoT-Geräte ist wichtig, dass sie Daten senden können, ohne zu viel Energie zu verbrauchen.
Beispiele für Funkstandards:
5G
LoRaWAN
stabile Vernetzung
geringer Energieverbrauch
Verbindung auch über größere Entfernungen möglich
Moderne Chips ermöglichen:
schnellere Datenverarbeitung
kleinere Geräte mit mehr Funktionen
Dadurch können IoT-Geräte Daten nicht nur sammeln, sondern teilweise auch direkt verarbeiten.
IoT nutzt häufig eine Kombination aus Cloud Computing und Edge Computing.
Edge Computing bedeutet:
Daten werden direkt dort verarbeitet, wo sie entstehen.
Also zum Beispiel:
in der Maschine
im Sensor
im Fahrzeug
in einem lokalen Gerät
nicht alle Daten müssen an entfernte Rechenzentren gesendet werden
Reaktionen können schneller erfolgen
Netzwerke werden entlastet
Merksatz: Edge Computing = Datenverarbeitung nahe am Entstehungsort.
Durch diese technischen Entwicklungen können alltägliche Gegenstände digital vernetzt und intelligent gesteuert werden.
Diese nennt man:
smarte Dinge
smarte Thermostate
vernetzte Maschinen
intelligente Haushaltsgeräte
vernetzte Fahrzeuge
Merksatz: Smarte Dinge = Alltagsgegenstände mit digitaler Vernetzung und Steuerung.
Theoretisch kann IoT als Teil von Cyber-Physical Systems, kurz CPS, verstanden werden.
CPS verbinden:
physische Prozesse
digitale Rechenkapazitäten
Kommunikationssysteme
Das bedeutet: Die reale Welt und digitale Systeme arbeiten eng zusammen.
Klassische eingebettete Systeme sind technische Systeme, die bestimmte Funktionen ausführen.
Cyber-Physical Systems gehen darüber hinaus.
Sie zeichnen sich zusätzlich aus durch:
Vernetzung
Autonomie
Selbstorganisation
Merksatz: CPS = physische Systeme + digitale Steuerung + Vernetzung.
IoT: Dinge sind mit dem Internet verbunden Sensoren: erfassen Daten Aktoren: führen Aktionen aus Edge Computing: Verarbeitung direkt vor Ort CPS: Verbindung von physischer und digitaler Welt
Kernidee: IoT macht aus normalen Gegenständen vernetzte, datenbasierte und teilweise selbstständig reagierende Systeme.
Verarbeitungsebenen von Cyber-Physical Systems
Die Abbildung zeigt drei Ebenen der Datenverarbeitung:
Edge
Fog
Cloud
Diese Ebenen unterscheiden sich vor allem darin, wo Daten verarbeitet werden.
Daten werden direkt am Gerät oder sehr nah am Gerät verarbeitet.
Beispiele aus der Abbildung:
Wearables
Fahrzeuge
Roboter
sehr schnelle Reaktion
sehr geringe Latenz
Daten müssen nicht erst weit übertragen werden
Datenschutz kann besser sein, weil Daten lokal bleiben
Rechenkapazität ist aber begrenzt
Besonders wichtig für:
autonomes Fahren
sicherheitskritische Anwendungen
Merksatz: Edge Computing = Datenverarbeitung direkt am Gerät.
Fog Computing ist eine Zwischenebene zwischen Edge und Cloud.
In der Abbildung sind das lokale Server zwischen den Endgeräten und der Cloud.
Fog Computing verarbeitet und filtert Daten näher am Entstehungsort, aber nicht direkt auf dem Endgerät.
schneller als reine Cloud-Verarbeitung
mehr Rechenleistung als einzelne Endgeräte
gute Balance zwischen Nähe und Leistung
Merksatz: Fog Computing = lokale Zwischenebene zwischen Gerät und Cloud.
Cloud Computing bedeutet:
Daten werden zentral in großen Rechenzentren verarbeitet.
In der Abbildung ist das die oberste Ebene mit Cloud- und Datenbanksymbolen.
sehr hohe Rechenkapazität
geeignet für große Datenmengen
höhere Latenz, weil Daten erst übertragen werden müssen
Besonders geeignet für:
Big-Data-Analysen
große KI-Anwendungen
langfristige Datenspeicherung
Merksatz: Cloud Computing = zentrale Verarbeitung in großen Rechenzentren.
Die Wahl zwischen Edge, Fog und Cloud ist strategisch wichtig.
Performance
Datenschutz
Resilienz
Ein Unternehmen muss also überlegen:
Müssen Daten sofort verarbeitet werden? → eher Edge
Braucht man lokale Vorverarbeitung? → eher Fog
Braucht man sehr viel Rechenleistung? → eher Cloud
Edge: direkt am Gerät, sehr schnell, wenig Rechenleistung Fog: lokale Zwischenebene, gute Balance Cloud: zentrales Rechenzentrum, sehr leistungsfähig, aber mehr Latenz
Kernidee: Je näher die Verarbeitung am Gerät passiert, desto schneller ist die Reaktion. Je weiter oben Richtung Cloud, desto größer ist die Rechenleistung.
Strategische Bedeutung des IoT & Anwendungsbeispiele
IoT bedeutet nicht nur, dass Geräte mit dem Internet verbunden sind.
Strategisch wichtig ist:
physische Produkte werden mit digitalen Services verbunden
Produkte liefern dauerhaft Daten
Unternehmen können daraus neue Leistungen und Geschäftsmodelle entwickeln
Merksatz: IoT macht aus physischen Produkten datenbasierte Service-Systeme.
Ein vernetztes Auto sendet Echtzeitdaten an den Hersteller.
Dadurch ist das Auto nicht mehr nur ein physisches Produkt.
Es wird Teil einer digitalen Service-Architektur.
Beispiele für solche Daten:
Fahrzeugzustand
Wartungsbedarf
Fahrverhalten
technische Störungen
Einfach gesagt: Das Auto wird nicht nur verkauft, sondern bleibt digital mit dem Hersteller verbunden.
Durch IoT verändern sich Unternehmen.
Sie entwickeln sich:
vom klassischen Produzenten
zum Anbieter hybrider Geschäftsmodelle
Hybrid bedeutet hier:
physisches Produkt
plus digitale Services
plus datenbasierte Leistungen
Besonders wichtig ist das in der Industrie.
Unternehmen verkaufen nicht mehr nur Maschinen.
Stattdessen verkaufen sie zum Beispiel:
garantierte Betriebsstunden
Produktionskapazität
Leistungsfähigkeit
Das nennt man Product-as-a-Service.
Beispiel: Ein Unternehmen kauft nicht mehr eine Maschine, sondern bezahlt dafür, dass eine bestimmte Produktionsleistung zuverlässig erbracht wird.
Merksatz: Product-as-a-Service = nicht das Produkt selbst steht im Mittelpunkt, sondern die nutzbare Leistung.
Das Besondere am IoT ist:
Physische Prozesse können direkt digital gesteuert werden.
Heizkörper reguliert automatisch die Temperatur
Maschinen melden Störungen selbstständig
Fahrzeuge senden Wartungsdaten in Echtzeit
Dadurch können Unternehmen schneller reagieren und Prozesse automatisieren.
IoT ermöglicht:
schnelle Datenerfassung
schnelle Verarbeitung
automatische Reaktionen
Verbindung von realer und digitaler Welt
Merksatz: IoT erkennt, verarbeitet und reagiert oft fast in Echtzeit.
In der Logistik werden zum Beispiel genutzt:
GPS-Tracker
Sie ermöglichen:
lückenlose Sendungsverfolgung
Echtzeitinformationen für Kund:innen
Kontrolle von Temperatur und Feuchtigkeit
Unternehmen erkennen dadurch sofort:
Temperaturabweichungen
Feuchtigkeitsprobleme
Verzögerungen
höhere Transparenz
schnellere Reaktion auf Probleme
In der Landwirtschaft messen Sensoren zum Beispiel:
Bodenfeuchtigkeit
Nährstoffgehalt
Wetterbedingungen
Darauf reagieren automatisch:
Bewässerungssysteme
Düngeanlagen
weniger Wasserverbrauch
weniger Dünger
höhere Ernteerträge
Merksatz: IoT hilft, Ressourcen gezielter einzusetzen.
Im Einzelhandel gibt es zum Beispiel intelligente Regale.
Diese erkennen automatisch:
niedrige Lagerbestände
fehlende Produkte
Ein weiteres Beispiel sind kassenlose Einkaufssysteme wie Amazon Go.
Dabei automatisieren Sensorik und Algorithmen:
Einkaufserfassung
Bezahlvorgang
Merksatz: IoT macht Einkaufs- und Lagerprozesse automatisierter.
Im Gesundheitswesen spielen Wearables eine wichtige Rolle.
Diese tragbaren Geräte messen zum Beispiel:
Herzfrequenz
Blutzucker
weitere Vitalparameter
Bei kritischen Werten können automatische Warnungen ausgelöst werden.
bessere Versorgung chronisch Kranker
frühere Reaktion bei Problemen
Entlastung von Kliniken und Praxen
IoT = physische Produkte + digitale Vernetzung + datenbasierte Services
Logistik: Sendungen verfolgen Landwirtschaft: Ressourcen gezielt steuern Einzelhandel: Bestände und Bezahlung automatisieren Gesundheit: Vitaldaten überwachen
Kernidee: IoT verändert Wertschöpfung, weil Produkte nicht mehr nur verkauft werden, sondern dauerhaft Daten liefern und digitale Services ermöglichen.
Wirtschaftliche Bedeutung des IoT & Risiken und Chancen
IoT-Geräte erzeugen große Mengen an Echtzeitdaten.
Diese Daten sind besonders wichtig, weil sie als Grundlage für KI-gestützte Analysen dienen.
Einfach gesagt: IoT sammelt Daten aus der realen Welt, die anschließend digital ausgewertet werden können.
Viele digitale Geschäftsmodelle entstehen durch das Zusammenspiel von drei Technologien:
IoT
KI
sammelt Daten
erfasst Informationen aus der Umgebung
liefert Echtzeitdaten
speichert große Datenmengen
verarbeitet Daten skalierbar
stellt Rechenleistung bereit
erkennt Muster
erstellt Vorhersagen
unterstützt Entscheidungen
Merksatz: IoT sammelt Daten, Cloud verarbeitet sie, KI wertet sie intelligent aus.
Das Zusammenspiel von IoT, Cloud und KI bildet die Grundlage vieler neuer Geschäftsmodelle.
Predictive Maintenance
Smart Cities
personalisierte Gesundheitsservices
Der eigentliche Wert entsteht also nicht durch eine Technologie allein, sondern durch ihre Verbindung.
Unternehmen sollten IoT nicht isoliert betrachten.
Der Nutzen entsteht vor allem durch:
technologische Synergien
Kombination verschiedener Technologien
Verbindung von Daten, Infrastruktur und Analyse
Merksatz: IoT wird besonders wertvoll, wenn es mit Cloud und KI kombiniert wird.
IoT-Systeme sammeln oft dauerhaft Daten.
Dadurch entstehen sehr genaue Informationen über:
Personen
Verhalten
Bewegungen
Nutzungsmuster
Wichtige Fragen sind:
Welche Daten werden erhoben?
Wofür werden sie genutzt?
Wer hat Zugriff?
Merksatz: IoT kann sehr nützlich sein, aber auch tief in die Privatsphäre eingreifen.
Viele IoT-Geräte haben schwache Sicherheitsmechanismen.
Dadurch sind sie anfällig für:
Cyberangriffe
Manipulation
Missbrauch
Beim Mirai-Botnetz wurden unsichere IoT-Geräte genutzt, um große Netzwerke anzugreifen und Systeme lahmzulegen.
Merksatz: Unsichere IoT-Geräte können selbst zum Werkzeug für Angriffe werden.
Ein weiteres Problem ist, dass Geräte verschiedener Hersteller oft nicht gut miteinander kommunizieren können.
Grund:
fehlende einheitliche Standards
Es gibt zwar Standardisierungsinitiativen, aber bisher keinen weltweit einheitlichen Standard.
Merksatz: Interoperabilität = Geräte unterschiedlicher Hersteller können zusammenarbeiten.
Der Erfolg von IoT hängt nicht nur von Technik ab.
Wichtig sind auch:
organisatorische Strukturen
rechtliche Rahmenbedingungen
gesellschaftliche Akzeptanz
Einfach gesagt: IoT funktioniert nur dann gut, wenn Technik, Organisation, Recht und Gesellschaft zusammenpassen.
Richtig umgesetzt kann IoT ermöglichen:
mehr Nachhaltigkeit
stärkere Personalisierung von Dienstleistungen
Notwendig sind:
besserer Datenschutz
bessere Sicherheitskonzepte
langfristig belastbare Standards
Das Internet of Things ist nicht nur eine technische Innovation.
Es verändert:
Wertschöpfungsketten
Geschäftsmodelle
den Alltag von Menschen
IoT: sammelt Echtzeitdaten Cloud: verarbeitet große Datenmengen KI: erkennt Muster und erstellt Vorhersagen
Risiken: Datenschutz, IT-Sicherheit, fehlende Standards Chancen: Effizienz, Nachhaltigkeit, Personalisierung
Kernidee: IoT entfaltet seinen größten Wert im Zusammenspiel mit Cloud und KI, bringt aber auch neue Anforderungen an Sicherheit, Datenschutz und Standards mit sich.
Das Internet of Things (IoT) beschreibt die Vernetzung physischer Objekte mit Sensoren, Software und Internetverbindungen, sodass Daten erfasst, verarbeitet und teilweise autonom genutzt werden können. Technologische Grundlagen sind leistungsfähige Sensoren, moderne Funkstandards sowie Cloud-, Fog- und Edge-Computing. Theoretisch gilt IoT als Form von Cyber-Physical Systems (CPS), bei denen physische und digitale Prozesse verschmelzen.
Strategisch verändert IoT die Wertschöpfung grundlegend, da Produkte dauerhaft mit datenbasierten Services verbunden werden. Besonders wichtig ist das Zusammenspiel von IoT, Cloud und KI: IoT sammelt Daten, Cloud verarbeitet sie und KI generiert daraus Muster und Vorhersagen. Gleichzeitig entstehen Herausforderungen wie Datenschutzprobleme, IT-Sicherheitsrisiken und fehlende Interoperabilität. IoT ist daher nicht nur eine technische, sondern auch eine organisatorische, wirtschaftliche und gesellschaftliche Transformation.
2.5 Blockchain und Distributed Ledger
Die Blockchain ist eine Technologie, mit der Transaktionen manipulationssicher gespeichert werden können.
Wichtig dabei:
die Speicherung erfolgt in einem dezentralen Netzwerk
es gibt keine zentrale Verwaltungsstelle
dieselben Daten liegen auf vielen Computern gleichzeitig vor
Einfach gesagt: Blockchain ist eine Datenbank, die nicht an einem zentralen Ort liegt, sondern auf viele Rechner verteilt ist.
Bei klassischen Datenbanken gibt es meist eine zentrale Stelle, die alles verwaltet.
Bei der Blockchain ist das anders:
viele Computer speichern dieselben Informationen
alle Kopien werden miteinander abgeglichen
nachträgliche Änderungen sind sehr schwer möglich
Der Grund: Eine Manipulation müsste nicht nur an einer Stelle passieren, sondern gleichzeitig auf vielen Kopien im Netzwerk.
Merksatz: Blockchain macht Manipulation schwierig, weil Daten dezentral verteilt und mehrfach gespeichert sind.
Blockchain ist eine besondere Form eines Distributed Ledger.
verteiltes Hauptbuch
dezentrale Datenbank
gemeinsame Dokumentation von Transaktionen
Ledger kann man sich wie ein Kassenbuch oder Hauptbuch vorstellen.
Distributed bedeutet, dass dieses Hauptbuch nicht zentral bei einer Stelle liegt, sondern auf viele Teilnehmer verteilt ist.
Merksatz: Distributed Ledger = ein gemeinsam geführtes, verteiltes digitales Hauptbuch.
Auf der linken Seite der Abbildung sieht man das klassische Modell.
eine zentrale Datenbank
alle Nutzer greifen auf diese zentrale Instanz zu
die zentrale Stelle kontrolliert die Daten
Probleme:
Ausfall der zentralen Stelle kann das ganze System stören
Nutzer sind abhängig von dieser zentralen Instanz
Manipulation ist theoretisch einfacher, weil es einen zentralen Angriffspunkt gibt
Merksatz: Client-Server-Modell = viele Nutzer greifen auf eine zentrale Datenbank zu.
Auf der rechten Seite der Abbildung sieht man das Blockchain-Modell.
jede Node besitzt eine eigene Kopie des Ledgers
alle Teilnehmer sind miteinander verbunden
Daten werden dezentral synchronisiert
es gibt keine zentrale Kontrollinstanz
Node bedeutet hier: ein Computer oder Teilnehmer im Netzwerk.
höhere Manipulationssicherheit
höhere Ausfallsicherheit
weniger Abhängigkeit von einer zentralen Stelle
gemeinsame Datenbasis im Netzwerk
Merksatz: Blockchain = viele Nodes speichern und prüfen dieselben Daten gemeinsam.
Klassische Datenbank: zentral gespeichert, zentrale Kontrolle Blockchain: dezentral gespeichert, viele identische Kopien
Distributed Ledger: verteiltes digitales Hauptbuch Node: Teilnehmer oder Rechner im Netzwerk
Kernidee: Blockchain ersetzt zentrale Kontrolle durch ein dezentrales Netzwerk, in dem viele Teilnehmer dieselben Transaktionen speichern und absichern.
Grundprinzip und strategische bedeutung der Blockchain
Jede Transaktion wird:
zeitlich geordnet
kryptographisch gesichert
auf vielen Nodes gespeichert
Manipulation wird erschwert, weil:
Änderungen in allen Kopien gleichzeitig erfolgen müssten
kryptographische Verfahren Abweichungen sofort sichtbar machen
Das Konzept wurde 2008 im Bitcoin-Whitepaper von:
Satoshi Nakamoto
beschrieben.
Seitdem bildet Blockchain die Grundlage zahlreicher Anwendungen.
Die transformative Wirkung entsteht vor allem durch:
Disintermediation
Zentrale Intermediäre werden durch:
algorithmische Regeln
kryptographische Sicherheit
ersetzt.
Banken
Notar:innen
Plattformbetreiber
Traditionell:
Vertrauen basiert auf Institutionen
Blockchain:
Vertrauen basiert auf dem Protokoll bzw. der Systemarchitektur
→ Vertrauen verschiebt sich:
von der Institution
zum technischen System
Technische Grundlagen der Blockchain
Eine Blockchain besteht aus:
Datenblöcken mit Transaktionen
Diese Blöcke sind über:
kryptographische Hash-Funktionen
miteinander verbunden.
Hash-Verfahren sorgen dafür:
dass jede Änderung eines Blocks den Hash-Wert verändert
Dadurch werden Manipulationen sofort sichtbar.
Bestimmen:
welche Transaktionen in die Blockchain aufgenommen werden
Bitcoin
rechenintensive Aufgaben
sehr hoher Energieverbrauch
Ethereum seit 2022
Nutzung hinterlegter Token als Sicherheitsmechanismus
deutlich energieeffizienter
Blockchain aus Unternehmenssicht und wirtschaftlicher Wert
Blockchain ist kein Selbstzweck.
Zentrale Frage: Wie können Transaktionen zwischen mehreren Akteuren:
verlässlich
prüfbar
fälschungssicher
organisiert werden?
Besonders relevant:
wenn keine zentrale Instanz existiert
oder bewusst darauf verzichtet werden soll
Drei Ziele wären ideal:
hohe Sicherheit
hohe Dezentralität
hohe Leistungsfähigkeit
Diese lassen sich jedoch nicht gleichzeitig maximieren.
→ es entstehen Trade-offs.
Fokus auf:
Dezentralität
Nachteile:
geringerer Durchsatz
schwankende Kosten
stabile Leistung
klare Verantwortlichkeiten
geringere Dezentralität
stärkeres Vertrauen in beteiligte Akteure notwendig
Wichtiger als „Blockchain ja oder nein?“ ist:
die Passung zur Transaktionsumgebung
Besonders geeignet bei:
vielen Beteiligten
geringem gegenseitigem Vertrauen
Bedarf an dauerhafter Dokumentation
Herkunftsnachweise
Rechteverwaltung
organisationsübergreifende Prozesse
Wenn:
bekannte und regulierte Partner zusammenarbeiten
etablierte Intermediäre existieren
Geschwindigkeit und Kostenstabilität wichtiger sind
Dann sind oft effizienter:
klassische Datenbanken
Workflow-Systeme
Cloud-Lösungen
Der Wert entsteht nicht allein durch die Technologie.
Entscheidend ist:
gute Governance
Wichtige Aspekte:
klare Regeln
Rollenverteilung
Zugriffsrechte
Verantwortlichkeiten
Grundformen von Blockchain-Netzwerken
offene Teilnahme
keine zentrale Instanz
Offenheit selbst erzeugt Vertrauen
Kryptowährungen
offene digitale Ökosysteme
Geschlossene Netzwerke zwischen:
identifizierten Organisationen
vertragliche Beziehungen
planbare Leistung
gemeinsame Governance
Lieferketten
gemeinsame Register
Bestandsabgleiche
Kombinieren:
Vorteile öffentlicher und geschlossener Systeme
Grundkonflikt zwischen Leistung und Dezentralität bleibt bestehen
Wichtige Fragen:
Wer darf Daten sehen?
Wer darf schreiben?
Wie werden Fehler korrigiert?
Wie werden Zugriffe geregelt?
Wie werden Regeln nachgewiesen?
Diese Fragen beeinflussen Aufwand und Nutzen stärker als einzelne technische Details.
Anwendungsmöglichkeiten der Blockchain
Blockchain ermöglicht:
lückenlose Dokumentation von Herkunft, Transport und Verarbeitung
Lebensmittelindustrie
Gespeichert werden:
Bio-Zertifikate
Transportbedingungen
faire Arbeitsbedingungen
Kund:innen können Informationen über:
QR-Codes
abrufen.
Ethereum
Zentralbanken prüfen Blockchain als Grundlage staatlicher Digitalwährungen.
schneller
im Vergleich zu klassischen Korrespondenzbanken.
fälschungssichere Speicherung von Identitäten und Zertifikaten
Zeugnisse
Lizenzen
Unterstützt:
Self-Sovereign Identity
→ Nutzer kontrollieren ihre Identität selbst.
Selbstausführende Programme auf der Blockchain.
Sie:
prüfen Vertragsbedingungen automatisch
führen Aktionen automatisch aus
Container Zielhafen erreicht
und:
Sensoren/GPS dies bestätigen
Dann:
wird Zahlung automatisch ausgelöst
weniger Intermediäre
IoT-Sensoren liefern:
Echtzeitdaten
Smart Contracts können diese automatisch verarbeiten.
NFTs sind:
digitale Eigentumsnachweise
für einzigartige digitale oder physische Objekte
Einsatzbereiche:
Kunst
Gaming
Sammlerstücke
automatisierte Transaktionen
neue Geschäftslogiken
Aufbrechen klassischer Wertschöpfungsketten
Traditionelle Plattformen:
kontrollieren Daten zentral
ermöglicht theoretisch Dezentralisierung
Nutzer können gleichzeitig sein:
Eigentümer
Kontrollinstanz
Entscheidend sind:
Standardisierung
Herausforderungen und Grenzen
Proof-of-Work-Systeme benötigen enorme Strommengen
Auch wenn effizientere Verfahren existieren:
Umweltbilanz bleibt Kritikpunkt
Blockchain-Systeme sind oft langsamer als:
zentralisierte Datenbanken
Problematisch bei:
sehr hohen Transaktionsvolumina
Unklare Regelungen bei:
Smart Contracts
Haftungsfragen
Erforderlich:
spezielles Fachwissen
hohe Anfangsinvestitionen
Für manche Anwendungen sind effizienter:
Blockchain ist eine Schlüsseltechnologie zur:
sicheren
transparenten
dezentralen
Abwicklung digitaler Transaktionen.
Besonders wertvoll:
wenn mehrere Parteien ohne zentrale Instanz zusammenarbeiten müssen.
Gleichzeitig bestehen weiterhin Herausforderungen bei:
Energieverbrauch
Skalierbarkeit
tatsächlichem Mehrwert gegenüber bestehenden Technologien.
Die Blockchain ist eine dezentrale Form verteilter Datenbanken (Distributed Ledger), bei der Transaktionen kryptographisch gesichert und auf vielen Netzwerkknoten gespeichert werden. Im Unterschied zu klassischen Client-Server-Systemen existiert keine zentrale Kontrollinstanz. Dadurch werden Manipulationen erheblich erschwert und Vertrauen verlagert sich von Institutionen hin zum technischen Protokoll.
Strategisch ermöglicht Blockchain Disintermediation, also die Reduktion zentraler Vermittler wie Banken oder Plattformen. Wichtige Anwendungen sind Supply Chain Management, digitale Identitäten, Smart Contracts und Kryptowährungen. Gleichzeitig bestehen Grenzen durch hohen Energieverbrauch, geringe Skalierbarkeit, regulatorische Unsicherheiten und hohe Implementierungskosten. Der wirtschaftliche Nutzen hängt deshalb stark von Governance, Anwendungsfall und Passung zur jeweiligen Transaktionsumgebung ab.
2.6 Interdependenzen und strategische Implikationen
Die bisher behandelten Technologien:
mobile Technologien
Künstliche Intelligenz (KI)
Internet of Things (IoT)
Blockchain
dürfen nicht getrennt betrachtet werden.
Die eigentliche transformative Kraft entsteht erst durch:
ihr Zusammenspiel
ihre Integration
Unternehmen können dadurch:
Prozesse optimieren
neue Wertschöpfungslogiken entwickeln
Die Interdependenzen lassen sich über das Konzept der:
technologischen Ökosysteme
erklären.
Ein technologisches Ökosystem besteht aus:
komplementären Technologien bzw. Komponenten
deren Wert erst durch:
Integration
Zusammenspiel
entsteht.
Ökonomisch spricht man von:
Komplementaritäten
Der Nutzen einer Technologie steigt, wenn:
andere passende Technologien vorhanden sind.
Der isolierte Einsatz einzelner Technologien:
schöpft das Potenzial nicht vollständig aus
nur Cloud
nur IoT
→ begrenzter Nutzen
Der eigentliche Mehrwert entsteht durch:
systemische Integration
Cloud + IoT + KI
Unternehmen benötigen nicht nur:
technologische Fähigkeiten
sondern zusätzlich:
integrative Fähigkeiten
sogenannte „architectural competencies“
Bedeutung: Fähigkeit zur:
Orchestrierung
Koordination
komplexer Technologiebündel.
2.6.1 Technologische Interdependenzen
Cloud Computing bildet häufig die Grundlage anderer Technologien.
Ohne Cloud:
könnten IoT-Anwendungen keine riesigen Sensordatenmengen verarbeiten
könnten KI-Modelle nicht mit großen Datenmengen trainiert werden
Wichtige Funktionen:
skalierbare Rechenleistung
skalierbarer Speicher
Mobile Technologien fungieren als:
Schnittstelle zwischen Nutzer:innen und digitaler Welt
Sie machen:
Cloud-Dienste
KI-Anwendungen
im Alltag nutzbar.
IoT erweitert den Datenraum, indem:
die physische Welt kontinuierlich digital erfasst wird
digitale Abbilder physischer Prozesse
Blockchain ergänzt das technologische Ökosystem durch:
Transaktionssicherheit
wenn keine zentrale Institution vorhanden ist
oder bewusst vermieden werden soll
Die Technologien entfalten ihren Wert vor allem:
durch ihr Ineinandergreifen
nicht durch isolierte Nutzung
Sensoren erfassen Transportbedingungen
analysiert Abweichungen und Muster
dokumentiert Ereignisse manipulationssicher
Es entsteht ein:
nahtloser Daten- und Entscheidungsfluss
mehr Transparenz
stärkeres Vertrauen
Mobile Technologien
Smartphone-Apps erfassen Daten
liefern kontinuierliche Gesundheitsdaten
speichert die Daten
analysiert Gesundheitsdaten
Ärzt:innen erhalten:
kontinuierliche Gesundheitsinformationen
frühzeitig auf Verschlechterungen reagieren
Unternehmen müssen digitale Technologien:
als zusammenhängendes System
als technologisches Ökosystem
verstehen.
Der Wettbewerbsvorteil entsteht weniger durch:
einzelne Technologien
sondern durch:
deren intelligente Kombination
Integration in Geschäftsmodelle und Prozesse
Die Schlüsseltechnologien der digitalen Transformation entfalten ihren Wert vor allem durch ihr Zusammenspiel. Cloud Computing bildet die infrastrukturelle Basis, mobile Technologien stellen die Schnittstelle zum Nutzer dar, IoT erzeugt Echtzeitdaten, KI analysiert diese Daten und Blockchain schafft Vertrauen sowie Transaktionssicherheit. Der Nutzen einzelner Technologien steigt dabei durch sogenannte Komplementaritäten mit anderen Technologien.
Unternehmen benötigen deshalb nicht nur technologische Kompetenzen, sondern auch integrative Fähigkeiten („architectural competencies“), um komplexe technologische Ökosysteme erfolgreich zu orchestrieren. Wettbewerbsvorteile entstehen weniger durch isolierte Technologien als durch deren systemische Integration in Prozesse, Produkte und Geschäftsmodelle.
2.6.2 Theoretische Einordnung
In der wirtschaftswissenschaftlichen Forschung werden Technologien wie:
zunehmend als:
General Purpose Technologies (GPT)
Basistechnologien
verstanden.
General Purpose Technologies sind Technologien, die:
branchenübergreifend eingesetzt werden können
viele weitere Innovationen ermöglichen
Die Technologie:
ist in vielen Branchen einsetzbar
durchdringt große Teile der Wirtschaft
verbessert sich kontinuierlich
wird mit der Zeit effizienter
ermöglicht
stimuliert
weitere komplementäre Innovationen in anderen Bereichen.
Historische Beispiele:
Internet
Moderne Beispiele:
Diese Technologien:
sind nicht auf einzelne Branchen beschränkt
verändern strukturell ganze Märkte
ermöglichen neue Geschäftsmodelle und Innovationen
Cloud Computing erfüllt alle drei Kriterien:
branchenunabhängig einsetzbar
steigende Leistungsfähigkeit
sinkende Kosten
Cloud ermöglicht viele weitere Geschäftsmodelle und Technologien:
Streaming-Services
Diese wären ohne Cloud wirtschaftlich oft nicht tragfähig.
Die Verbreitung von Technologien erfolgt nicht gleichmäßig.
Nach:
Rogers’ Diffusion of Innovations (1962)
durchlaufen Technologien typische Entwicklungsphasen.
frühe Experimente
kritische Masse
Massenadoption
Diffusionsprozess weitgehend abgeschlossen
gelten als Standardtechnologien
befindet sich in beschleunigter Diffusion
noch stark experimentell geprägt
Befindet sich in einem Spannungsfeld:
Empfehlungssysteme
generative KI-Verfahren
2.6.3 Strategische Implikationen für Unternehmen
Unternehmen dürfen technologische Entscheidungen:
nicht nur kurzfristig treffen
Denn Technologien sind eingebettet in:
langfristige Entwicklungen
Unsicherheiten
große Chancen
Mobile
Diese sind:
weit verbreitet
praktisch unverzichtbar
Diese können ermöglichen:
Wettbewerbsvorteile
Diese erfordern:
selektive Experimente
vorsichtige Implementierung
bevor sie breit eingesetzt werden.
Ein zentrales Problem sind:
Abhängigkeiten von Technologieanbietern
Große Anbieter kontrollieren:
zentrale Infrastrukturen
Abhängigkeiten
KI verstärkt durch:
Netzwerkeffekte
Dateneffekte
die Tendenz zu:
Obwohl Blockchain Dezentralisierung verspricht, entstehen auch dort:
Machtkonzentrationen
Miner-Communities
Token-Communities
Unternehmen müssen diese Dynamiken verstehen, um:
strategisch souverän
langfristig handlungsfähig
zu bleiben.
Der Wert digitaler Technologien entsteht:
nicht allein durch technische Effizienz
sondern erst durch:
Integration in Geschäftsmodelle
Nicht nur:
neue Technologien einzuführen
sondern:
Geschäftslogiken grundlegend neu zu denken
datengetriebene Services
Plattformmodelle
disruptive Innovationen
Digitale Transformation ist:
nicht primär ein Technikprojekt
eine strategische Neugestaltung von Wertschöpfung und Geschäftsmodellen
Cloud Computing, KI und Blockchain gelten als General Purpose Technologies (GPTs), da sie branchenübergreifend einsetzbar sind, sich kontinuierlich verbessern und zahlreiche komplementäre Innovationen ermöglichen. Nach Bresnahan & Trajtenberg zeichnen sich GPTs durch Pervasiveness, Improvement und Innovation Spawning aus. Die Verbreitung solcher Technologien erfolgt nach Rogers in typischen Diffusionsphasen – von frühen Experimenten bis zur Massenadoption.
Für Unternehmen bedeutet dies, dass technologische Entscheidungen langfristig und strategisch betrachtet werden müssen. Cloud und Mobile gelten bereits als Standard, während KI und IoT neue Differenzierungsmöglichkeiten schaffen. Blockchain bleibt stärker experimentell. Gleichzeitig entstehen neue Abhängigkeiten durch Lock-in-Effekte, Netzwerkeffekte und Machtkonzentrationen. Der eigentliche Wert digitaler Technologien entsteht nicht isoliert, sondern durch ihre Integration in neue Geschäftsmodelle und Wertschöpfungslogiken.
Lernkontrollfragen
Aufgabe 2.1
Welche drei Servicemodelle des Cloud Computings werden unterschieden
und worin bestehen ihre Unterschiede?
Aufgabe 2.2
Was bedeutet das Prinzip „Mobile First“ und welche Konsequenzen hat es
für Unternehmen?
Aufgabe 2.3
Worin besteht der Unterschied zwischen schwacher (narrow) und starker
(general) Künstlicher Intelligenz, und welche Form ist in der betrieblichen
Praxis relevant?
Aufgabe 2.4
Welche Risiken sind mit dem Einsatz des Internet of Things (IoT) verbunden,
und warum wird es als sozio-technisches System beschrieben?
Aufgabe 2.5
Warum gilt die Blockchain als Schlüsseltechnologie der digitalen Transformation,
und welche zentralen Herausforderungen stehen ihrer breiten
Anwendung noch im Weg?
Zuletzt geändertvor 4 Tagen
