Large Language Models (LLMs) wie ChatGPT haben in den letzten Jahren beispiellose Fortschritte erzielt und finden zunehmend Anwendung in unterschiedlichsten Bereichen, von Kundenservice bis hin zur Wissenschaft. Dennoch hängt ihr Erfolg stark von der Akzeptanz durch Nutzerinnen und Nutzer ab. Faktoren wie Vertrauen, ethische Bedenken, technologische Barrieren und wahrgenommener Nutzen spielen hierbei eine entscheidende Rolle. Ziel dieser Arbeit ist es, den aktuellen Forschungsstand zur Akzeptanz von LLMs zu beleuchten. Dabei sollen zentrale Theorien und Studien analysiert und mögliche Einflussfaktoren identifiziert werden, die die Nutzung von LLMs fördern oder hemmen.

Einführende Literatur:

• Jussupow, E., Benbasat, I., & Heinzl, A. (2020). Why are we averse towards algorithms? A comprehensive literature review on algorithm aversion.
• Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., ... & Wen, J. R. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223.

Der Einsatz von Large Language Models (LLMs) verändert zunehmend die Art und Weise, wie Finanzinformationen aufbereitet und präsentiert werden. Insbesondere bei Berichten wie dem Jahresabschluss oder den 10K/Q-Reports wird deutlich, dass der Einsatz solcher Modelle Auswirkungen auf die Textgestaltung hat. Ziel der Arbeit ist es, zu untersuchen, wie der Einsatz von LLMs die Qualität und Wirkung von Financial Disclosure Texten verändert, beispielsweise die Tonalität, Informativität und Lesbarkeit der Berichte. Anhand von Beispielen und Analysen soll dargestellt werden, wie sich die sprachlichen und inhaltlichen Eigenschaften solcher Berichte entwickeln und welche Konsequenzen dies für Stakeholder haben kann.

Einführende Literatur:

• Huang, A. H., Wang, H., & Yang, Y. (2023). FinBERT: A large language model for extracting information from financial text. Contemporary Accounting Research, 40(2), 806-841.
• Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., ... & Wen, J. R. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223.

Generative KI, wie beispielsweise GPT-Modelle, bietet die Möglichkeit, Texte, Bilder und andere Inhalte zu erstellen. Diese Technologie kann nicht nur kreative Prozesse unterstützen, sondern auch zur Lösung komplexer Probleme beitragen, einschließlich der Förderung von Nachhaltigkeit. Durch die Automatisierung von Prozessen und die Optimierung von Ressourcen können generative KI-Modelle helfen, den ökologischen Fußabdruck zu reduzieren und nachhaltige Praktiken zu fördern. Unternehmen können diese Technologie nutzen, um innovative Lösungen zu entwickeln, die sowohl wirtschaftlich als auch ökologisch vorteilhaft sind. Gleichzeitig kann generative KI auch zu einer Verbesserung der sozialen Nachhaltigkeit führen. Ziel der Arbeit ist es, die Potenziale von generativer AI zur Förderung ökologisch und sozial nachhaltiger Praktiken in Unternehmen zu untersuchen. Dies soll anhand eines realen Unternehmensbeispiels aufgezeigt werden.

Einführende Literatur:

• Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2024). Generative ai. Business & Information Systems Engineering, 66(1), 111-126.
• Ghobakhloo, M., Fathi, M., Iranmanesh, M., Vilkas, M., Grybauskas, A., & Amran, A. (2024). Generative artificial intelligence in manufacturing: opportunities for actualizing Industry 5.0 sustainability goals. Journal of Manufacturing Technology Management, 35(9), 94-121.

Generative KI hat das Potenzial, die Produktivität in verschiedenen Bereichen erheblich zu steigern. Diese Technologie kann eingesetzt werden, um kreative Prozesse zu unterstützen, repetitive Aufgaben zu automatisieren und wertvolle Erkenntnisse aus großen Datenmengen zu gewinnen. Der Einsatz von Generativer AI bringt jedoch auch Herausforderungen mit sich, wie die Qualität und Genauigkeit der generierten Inhalte, ethische Erwägungen und die Notwendigkeit menschlicher Aufsicht, um die Integrität und Relevanz der Ergebnisse zu gewährleisten. Darüber hinaus ist unklar, ob der Einsatz von Generative AI tatsächlich zu einer Produktivitätssteigerung der Mitarbeitenden beitragen und wie dies messbar gemacht werden kann. Ziel dieser Arbeit ist es, einen Literaturüberblick über Generative AI und ihre Auswirkungen auf die Mitarbeiterproduktivität in verschiedenen Anwendungsbereichen in Unternehmen zu erstellen. Dabei sollen die Vorteile und Herausforderungen analysiert und Best Practices für den effektiven und ethischen Einsatz von Generative AI zur Produktivitätssteigerung identifiziert werden.

Einführende Literatur:

• Al Naqbi, H., Bahroun, Z., & Ahmed, V. (2024). Enhancing Work Productivity through Generative Artificial Intelligence: A Comprehensive Literature Review. Sustainability, 16(3), 1166.
• Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.

Generative KI ist eine disruptive Technologie, die in verschiedenen Bereichen von Unternehmen wie Produktentwicklung, Marketing, Customer Service und Prozessoptimierung eingesetzt wird. In einer zunehmend globalisierten und wettbewerbsintensiven Wirtschaft, insbesondere in Deutschland, stellt sich die Frage, wie Unternehmen generative KI nutzen können, um innovative Geschäftsmodelle zu entwickeln und ihre Wettbewerbsposition zu verbessern. Ziel der Arbeit ist die Analyse der Potenziale von generativer KI für die Geschäftsmodellinnovation von Unternehmen. Dies soll mithilfe eines realen Unternehmens, das sich aktuell in einer Krisensituation befindet, aufgezeigt werden. 

Einführende Literatur:

• Kanbach, D. K., Heiduk, L., Blueher, G., Schreiter, M., & Lahmann, A. (2024). The GenAI is out of the bottle: generative artificial intelligence from a business model innovation perspective. Review of Managerial Science, 18(4), 1189-1220.
• Osterwalder, A., & Pigneur, Y. (2011). Business model generation: ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Campus Verlag.

In einer zunehmend datengetriebenen Wirtschaft kann der strategische Einsatz von Open Data entscheidend sein, um digitale Geschäftsmodelle zu entwickeln und ein starkes Wertversprechen zu schaffen. Insbesondere in wettbewerbsintensiven Märkten stellt sich die Frage, wie Unternehmen offene Datenquellen nutzen können, um Innovationen voranzutreiben und ihre Marktposition zu stärken. Ziel der Arbeit ist es, den Einsatz von Open Data am Beispiel eines konkreten Anwendungsfalls von GovData.de zu analysieren. Hier sollen die Daten untersucht und anschließend ein Use Case entwickelt werden, wie Unternehmen diese Daten nutzen können, um ihr Geschäftsmodell und Werteversprechen zu optimieren.

Einführende Literatur:

• GOVDATA. Das Datenportal für Deutschland. https://www.govdata.de/
• Osterwalder, A., & Pigneur, Y. (2011). Business model generation: ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Campus Verlag.
• Trischler, M. F. G., & Li-Ying, J. (2023). Digital business model innovation: toward construct clarity and future research directions. Review of Managerial Science, 17(1), 3-32.

Open Data spielt eine entscheidende Rolle bei der Förderung von Nachhaltigkeit, indem es den Zugang zu Umwelt-, Energie- und weiteren relevanten Daten ermöglicht. Durch die Bereitstellung offener Daten können Regierungen, Unternehmen und die Gesellschaft fundiertere Entscheidungen treffen, nachhaltige Lösungen entwickeln und gezielt Umweltprobleme wie den Klimawandel adressieren. Darüber hinaus stärkt die Offenlegung von Daten Transparenz und Rechenschaftspflicht, was zu besserer Governance und größerem öffentlichem Vertrauen beiträgt.
Ziel der Arbeit ist es, einen umfassenden Literaturüberblick zu Open Data und dessen Beitrag zur Nachhaltigkeit in verschiedenen Anwendungsfeldern zu erstellen. Aufbauend darauf sollen konkrete Einsatzmöglichkeiten identifiziert und deren Potenzial analysiert werden, was mithilfe eines selbstgewählten Datensatzes von GovData.de illustriert werden soll.

Einführende Literatur:

• Del Vecchio, P., Di Minin, A., Petruzzelli, A. M., Panniello, U., & Pirri, S. (2018). Big data for open innovation in SMEs and large corporations: Trends, opportunities, and challenges. Creativity and Innovation Management, 27(1), 6-22.
• Etzion, D., & Aragon-Correa, J. A. (2016). Big data, management, and sustainability: Strategic opportunities ahead. Organization & Environment, 29(2), 147-155.
• GOVDATA. Das Datenportal für Deutschland. www.govdata.de

Subscription-Geschäftsmodelle, bei denen Kunden kontinuierlich für den Zugang zu Produkten oder Dienstleistungen zahlen, werden in verschiedenen Branchen wie Software, Medien oder Mobilität immer relevanter. Diese Modelle beruhen häufig auf datengetriebenen Ansätzen, um personalisierte Angebote, effiziente Ressourcennutzung und Kundentreue zu fördern. Der EU Data Act stellt eine neue regulatorische Herausforderung dar, die darauf abzielt, den Zugang zu und die Nutzung von Daten gerechter zu gestalten. Der Data Act hat das Potenzial, Subscription-Modelle grundlegend zu beeinflussen, indem er Datenteilungspflichten, Standards zur Interoperabilität und den Schutz sensibler Daten vorschreibt. Unternehmen müssen sich an diese neuen Vorschriften anpassen und gleichzeitig innovative Ansätze entwickeln, um ihre Geschäftsmodelle wettbewerbsfähig zu halten. Ziel der Arbeit ist es, eine Bewertung vorzunehmen, wie der Data Act bestehende und zukünftige Subscription-Modelle beeinflussen könnte. Dies soll mithilfe eines konkreten Anwendungsfalls durchgeführt werden, um die Auswirkungen der neuen Regulierung zu untersuchen.

Einführende Literatur:

• European Commission. (2024). Data Act. digital-strategy.ec.europa.eu/en/policies/data-act
• Lindström, C. W. J., Maleki Vishkaei, B., & De Giovanni, P. (2024). Subscription-based business models in the context of tech firms: Theory and applications. International Journal of Industrial Engineering and Operations Management, 6(3), 256–274.

Algorithmic Management, auch algorithmisches Management, bezieht sich auf den Einsatz von Algorithmen und automatisierten Systemen zur Steuerung von Arbeitsprozessen und Mitarbeiterleistung. In der Gig Economy, wo Arbeitsverhältnisse oft flexibel und auf kurzfristige Aufträge ausgerichtet sind, spielen solche Technologien eine entscheidende Rolle bei der Organisation und Zuweisung von Arbeit. Algorithmen steuern häufig, welche Aufträge den Freelancern oder Gig-Arbeitern zugewiesen werden, wie ihre Leistung bewertet wird und wie die Entlohnung erfolgt. Ein zentrales Problem bei der Nutzung von Algorithmic Management in der Gig Economy besteht darin, dass Algorithmen unbeabsichtigt bestehende Ungleichheiten oder Diskriminierung verstärken können. Das Ziel der Arbeit ist die Entwicklung von Maßnahmen zur Sicherstellung von Fairness in Algorithmen. Dies soll mithilfe eines realen Unternehmens aufgezeigt werden, um darzustellen, wie algorithmische Entscheidungen im Alltag getroffen werden und wie diese ethisch verantwortungsvoll gestaltet werden können.

Einführende Literatur:

• Lee, M. K. (2018). Understanding perception of algorithmic decisions: Fairness, trust, and emotion in response to algorithmic management. Big Data & Society, 5(1), 2053951718756684.
• Starke, C., Baleis, J., Keller, B., & Marcinkowski, F. (2022). Fairness perceptions of algorithmic decision-making: A systematic review of the empirical literature. Big Data & Society, 9(2), 20539517221115189.