Executive Summary
1 Ausgangssituation
1.1 Zielsetzung
1.2 Themenabgrenzung
2 Künstliche Intelligenz
2.1 Historischer Kontext – die Anfänge künstlicher Intelligenz
2.2 Die Definition künstlicher Intelligenz
3 Innovative Geschäftsmodelle
3.1 Definition Geschäftsmodell
3.2 Definition Innovation
3.3 Definition Geschäftsmodellinnovation
4 Innovative Geschäftsmodelle mit künstlicher Intelligenz
4.1 Methodische Vorgehensweise
4.2 Spracherkennung und Sprachsteuerung als allgemeine Anwendung künstlicher Intelligenz
4.3 Automatische Anlage- und Investitionsentscheidung als Anwendung künstlicher Intelligenz im Finanzbereich
4.4 Intelligente Prognosesysteme im Handel
4.5 Automatische Patientenanalyse und Therapievorschläge als Anwendung von künstlicher Intelligenz in der Medizin
4.6 Autonome Fahrzeuge als Mobilitätsinnovation durch künstliche Intelligenz
4.7 Intelligente Vernetzung von Produktionsanlagen als Anwendung künstlicher Intelligenz im produzierenden Sektor
4.8 Chatbots als Anwendung künstlicher Intelligenz im Service
4.9 Kinderschutz als Anwendung künstlicher Intelligenz für mehr Sicherheit
4.10 Auffinden des perfekten Marketing-Mix durch künstliche Intelligenz im Marketing
4.11 Gemeinsamkeiten und Unterschiede von innovativen Geschäftsmodellen mit künstlicher Intelligenz
5 Schlusswort und Ausblick
Literaturverzeichnis
In dieser Bachelorarbeit geht es darum, einen Überblick über innovative Geschäftsmodelle mit künstlicher Intelligenz zu schaffen. Die methodische Vorgehensweise erfolgt rein literaturbasiert, es werden keine empirischen Elemente verarbeitet. Zur überblicksartigen Darstellung werden ausgewählte Anwendungsbeispiele künstlicher Intelligenz in unterschiedlichen Wirtschaftszweigen aus verschiedenen Blickwinkeln betrachtet.
Dafür werden zunächst Definitionen und Erklärungen der wichtigen Kernbegriffe „künstliche Intelligenz“ und „innovatives Geschäftsmodell“ aufbereitet, um das Begriffsverständnis rund um den Gegenstand der Bachelorarbeit zu schärfen. In weiterer Folge wird anhand konkreter, ausgewählter Beispiele aufgezeigt, welcher spezifische Nutzen den einzelnen Anwendungen innewohnt, welche Elemente des Geschäftsmodells (nach theoretischer Grundlage von Schallmo 2018 und Gassmann et al. 2017) innoviert werden und wie sich jeweils die Chancen und Herausforderungen in verschiedenen Bereichen gestalten. Die behandelten Bereiche von Geschäftsmodellen mit künstlicher Intelligenz umfassen: Allgemeine Anwendungen, Finanzen, Handel, Medizin, Mobilität, Produktion, Service, Sicherheit und Marketing. Nach eingehender Untersuchung jedes Bereichs werden Gemeinsamkeiten und Unterschiede der dargestellten Fälle betrachtet, wobei sich Effizienzvorteile als größter gemeinsamer Nenner zwischen unterschiedlichen Geschäftsmodellen mit künstlicher Intelligenz herausstellen. Eine weitere häufige Gemeinsamkeit im Hinblick auf Herausforderungen besteht in regulatorischen Hindernissen, die teilweise dafür sorgen, dass das volle Potenzial mancher Anwendungen nicht voll ausgeschöpft werden kann. Außerdem stellt sich heraus, dass sich künstliche Intelligenz auf alle Dimensionen von Geschäftsmodellen innovierend auswirken kann und hier keine eindeutige Tendenz feststellbar ist, was einen erwähnenswerten Unterschied der behandelten Fälle darstellt.
Am Ende wird auch kurz auf die Problematik des Abbaus menschlicher Arbeitskraft im Zusammenhang mit dem Ausbau künstlicher Intelligenz eingegangen, worin ein zentraler Kritikpunkt von Geschäftsmodellen mit künstlicher Intelligenz begründet liegt. Tatsächlich besteht (insbesondere im produzierenden Sektor) das Risiko von massiven Umwälzungen auf dem Arbeitsmarkt durch künstliche Intelligenz (DeCanio 2016, S. 289) – die Tätigkeiten, die bestehen bleiben, werden durch künstliche Intelligenz aber bereichert und tendenziell interessanter (Jarrahi 2018, S. 577). Nach der Betrachtung dieses Aspektes werden noch einmal die Wachstumspotenziale und Chancen hervorgehoben, wobei speziell für den produzierenden Sektor hohe Wachstumsgewinne durch künstliche Intelligenz prognostiziert werden (Seifert et al. 2018, S. 19), was zu der Schlussfolgerung führt, dass künstliche Intelligenz auf den produzierenden Sektor besonders bedeutsamen Einfluss hat.
Durch diesen Ausblick auf die Zukunft der Thematik und damit verbundener Fragestellungen wird die Bachelorarbeit zu einem Abschluss gebracht, bei dem die vielen Facetten des Themas und dessen Potenzial für die Zukunft der Wirtschaft, aber auch der Gesellschaft, noch einmal verdeutlicht werden.
“AIs are not human, but they may be humankind’s greatest hope.” (Gurkaynak et al. 2016, S. 757)
“It remains to be seen whether the AIs will bring the benefits extolled by their promoters, or will inaugurate a dark future (or no future at all) for humanity.” (DeCanio 2016, S. 290)
Künstliche Intelligenz ist ein hochaktuelles Thema, das, wie aus den einleitenden Zitaten erkennbar ist, die Gemüter spaltet. Während die einen künstliche Intelligenz als Potenzial wahrnehmen, das unser aller Leben verbessern könnte, gibt es andere, die die Befürchtung hegen, dass künstliche Intelligenz zu erheblichen ökonomischen und sozialen Turbulenzen führen könnte und im Endeffekt große Teile menschlicher Arbeitskraft überflüssig machen könnte (Bitkom 2017, 89ff.). Manche gehen sogar noch weiter und vermuten in der Weiterentwicklung von künstlicher Intelligenz eine ernsthafte Gefahr für die Existenz der Menschheit (Gurkaynak et al. 2016, 749ff). Bei kaum einem anderen Thema verschwimmen dabei Realität und Science Fiction so sehr. Es ist mitunter schwierig zu erfassen, welche innovativen Ansätze schon existieren, wie vielfältig die Anwendungsmöglichkeiten tatsächlich sind und welche Aspekte künstlicher Intelligenz noch bloße Zukunftsmusik sind. Bei diesem Problem setzt diese Bachelorarbeit an: Sie schafft einen Überblick, welche innovativen Geschäftsmodelle mit künstlicher Intelligenz derzeit existieren und stellt dabei den derzeitigen Stand der Anwendungsmöglichkeiten von künstlicher Intelligenz dar.
Das Ziel der Bachelorarbeit ist es, einen strukturierten Überblick über innovative Geschäftsmodelle mit künstlicher Intelligenz in verschiedenen Bereichen zu schaffen. Die Forschungsfrage wird daher so formuliert: Welche innovativen Ansätze für Geschäftsmodelle mit künstlicher Intelligenz sind erkennbar? Dabei stehen jene Konzepte im Vordergrund, die entweder bereits existieren oder deren Verwirklichung mit großer Sicherheit in naher Zukunft absehbar ist. Utopische Zukunftsvorstellungen und vage Möglichkeiten werden nicht erörtert. Zudem wird nicht oder höchstens peripher auf die technische Funktionsweise der unterschiedlichen Anwendungsmöglichkeiten eingegangen - im Zentrum des Interesses steht das überblicksmäßige Aufzeigen von innovativen Geschäftsmodellansätzen im Bereich der künstlichen Intelligenz. Diese werden anhand von ausgewählten Beispielen in verschiedenen Bereichen präsentiert. Die Vorgehensweise erfolgt rein literaturbasiert und es werden keine empirischen Elemente verarbeitet. Näheres zur Literaturauswahl und zur Vorgehensweise allgemein wird im Abschnitt 4.1 erklärt.
Verschiedene ethische Probleme, die mehr oder weniger realitätsnah sind, überschatten die Auseinandersetzung mit diesem Themenbereich vielfach. Diese emotional geführte Diskussion, die die öffentliche Debatte über künstliche Intelligenz oft dominiert und auch durch verschiedene dystopische Hollywoodfilme Eingang in die Populärkultur gefunden hat (Gurkaynak et al. 2016, S. 751), wird in dieser Arbeit nicht thematisiert. Auf spezifische Herausforderungen der einzelnen innovativen Geschäftsmodelle wird hingewiesen, allgemeine ethische Fragen rund um das Thema künstliche Intelligenz sind jedoch, obgleich von Relevanz für die Materie, ein sehr breites Themengebiet, das in dieser Arbeit großteils vernachlässigt werden muss.
Vor der Erarbeitung des Kernthemas ist es nötig, einige Grundbegriffe zu definieren und somit auch letztendlich durch ein besseres Verständnis dieser zentralen Begriffe die Forschungsfrage weiter zu präzisieren. Die wichtigsten Begriffe, die hier näherer Erklärung bedürfen, sind die Begriffe „Künstliche Intelligenz“ und „innovatives Geschäftsmodell“. Diese werden im Folgenden genau untersucht. Nach einer genauen Beschreibung der Vorgehensweise in Abschnitt 4.1 erfolgt im Anschluss daran in den Abschnitten 4.2 bis 4.10 die überblicksmäßige Darstellung von Geschäftsmodellen mit künstlicher Intelligenz, deren Gemeinsamkeiten und Unterschiede in Abschnitt 4.11 thematisiert werden. Zum Abschluss der Bachelorarbeit wird versucht, einen Blick in die Zukunft des Themas innovative Geschäftsmodelle mit künstlicher Intelligenz zu werfen und die wichtigsten Aspekte der weiteren Entwicklung aufzugreifen.
Aufgrund der besseren Lesbarkeit wird in dieser Bachelorarbeit das generische Maskulinum verwendet. Es sei jedoch angemerkt, dass sich diese Formulierung, soweit nicht explizit erwähnt, gleichwertig auf beide Geschlechter bezieht. So inkludiert beispielsweise die Bezeichnung „Kunden“ auch „Kundinnen“.
In diesem Kapitel wird der Begriff der künstlichen Intelligenz genau erörtert. Um später innovative Geschäftsmodelle mit künstlicher Intelligenz aufzeigen zu können ist es unumgänglich, eine präzise Vorstellung davon zu schaffen, was unter künstlicher Intelligenz verstanden werden kann.
Als einer der bedeutendsten Vordenker im Themenfeld der künstlichen Intelligenz gilt der Mathematiker Alan Turing (Scarcello 2019, S. 287). 1936 kam Turing zu dem Schluss, dass eine Rechenmaschine theoretisch möglich sein müsse, die in der Lage ist, alle Probleme zu lösen (Turing 1936). Umgelegt auf Intelligenz bedeutet das, dass künstliche Intelligenz dann möglich ist, wenn intelligentes Denken als mathematisches Problem beschrieben werden kann (Manhart 2018). Turing ging in seinen Überlegungen noch weiter und beschäftigte sich auch mit der Frage, wie man bei Vorhandensein einer entsprechenden künstlichen Intelligenz beweisen könnte, ob diese auf dem Niveau einer menschlichen Intelligenz operiert. Dazu entwarf er den bekannten Turing-Test, der dann als bestanden gilt, wenn eine Versuchsperson mit einem Menschen und einer Maschine kommuniziert ohne diese zu sehen und nicht feststellen kann, welches der beiden die menschliche und welches die künstliche Intelligenz ist (Turing 2009).
Obwohl das Thema Intelligenz die Menschen schon seit Jahrtausenden beschäftigte und sich bereits im antiken Griechenland Philosophen damit auseinandersetzten, wurde der Begriff der künstlichen Intelligenz erst durch den Namen einer von John McCarty organisierten Forschungskonferenz im Jahr 1956 geprägt und popularisiert (Scarcello 2019, S. 287). Aufgrund mangelhafter Rechenstärke der damaligen Computer ging die Entwicklung von künstlicher Intelligenz jedoch anfangs schleppend voran und untertraf die Erwartungen um ein Vielfaches. Erst seit der Mitte der 1970er Jahre begann man mit intensiven Bemühungen um reale Einsatzmöglichkeiten von künstlicher Intelligenz, wobei man seitdem mit steigenden technischen Kapazitäten und steigenden Investitionen in das Thema auch immer größere Erfolge verzeichnen konnte (Manhart 2018). Heutzutage investieren viele Konzerne gewaltige Summen für die Entwicklung von künstlicher Intelligenz, wobei man sich durch die hohen Rechenkapazitäten und Möglichkeiten großer Datenverarbeitung sehr ausgereifte Anwendungsmöglichkeiten und damit Wettbewerbsvorteile erwartet (Manhart 2018).
Es gibt keine einheitlich anerkannte Definition künstlicher Intelligenz, vielmehr gibt es unterschiedliche Sichtweisen, was künstliche Intelligenz ist. Für eine eindeutige Definition künstlicher Intelligenz fehlt es allein schon am Konsens, wie Intelligenz an sich zu definieren ist (Buxmann und Schmidt 2018, S. 6). Aufgrund dieser Tatsache wird in diesem Abschnitt der Arbeit versucht, charakteristische Merkmale von künstlicher Intelligenz zu identifizieren. Dabei wird zuerst erläutert, welche verschiedenen wissenschaftlichen Stoßrichtungen es zu diesem Thema gibt. Im Anschluss daran werden mit der Gegenüberstellung von schwacher künstlicher Intelligenz und starker künstlicher Intelligenz die Unterschiede der zwei wichtigsten Überkategorien künstlicher Intelligenz näher ausgeführt. Schließlich wird erklärt, warum in dieser Arbeit nur der Bereich der schwachen künstlichen Intelligenz eine Rolle spielt und es wird der Begriff des maschinellen Lernens untersucht, der für diese Art der künstlichen Intelligenz von elementarer Bedeutung ist.
Carbonell et al. (2017, S. 3f.) unterscheiden drei Richtungen, in die die Forschung zur künstlichen Intelligenz unterteilt werden kann:
1. Aufgabenorientierung: Hier geht es primär darum, intelligente Systeme zu erschaffen, die eine oder mehrere festgelegte Aufgaben besonders gut bewältigen können.
2. Kognitive Simulation: Bei dieser Richtung geht es darum, Computersimulationen von menschlichen Denkweisen und Gedankenprozessen zu erstellen.
3. Theoretische Analyse: Dabei handelt es sich um theoretische Forschungen zu Lernmethoden und deren Darstellung in Algorithmen unabhängig von tatsächlichen Anwendungsmöglichkeiten. (Carbonell et al. 2017, S. 3–4)
Gemäß Carbonell et al. sind diese drei Strömungen aber nicht völlig unabhängig voneinander zu betrachten, sondern sie sind durch wechselseitige Verbindungen gekennzeichnet. So führen Erfolge in einer Richtung auch zu einem verbesserten Kenntnisstand in den anderen Richtungen (Carbonell et al. 2017, S. 4). Im Zuge dieser Bachelorarbeit geht es um betriebliche Anwendungsmöglichkeiten, wodurch aufgabenorientierte künstliche Intelligenz und die kognitive Simulation zumeist im Vordergrund stehen werden und die theoretische Analyse als Forschungsrichtung künstlicher Intelligenz weniger Beachtung finden wird.
Eine häufige Unterscheidung von künstlicher Intelligenz ist die Differenzierung zwischen einer schwachen und einer starken Form (Buxmann und Schmidt 2018, S. 6). Eine starke künstliche Intelligenz ist dabei eine Ausprägung künstlicher Intelligenz, die ähnlich dem menschlichen Geist funktioniert und auch Gefühle und ein Bewusstsein aufweist (Buxmann und Schmidt 2018, S. 6). Tatsächlich wurde diese Form der künstlichen Intelligenz noch nicht verwirklicht und es wird sogar angezweifelt, ob es überhaupt möglich ist, eine starke künstliche Intelligenz zu entwickeln (Wang 2007, S. 44). Ein sehr populäres Gedankenexperiment des amerikanischen Philosophen Searle (1980) liefert Argumente, warum das Kreieren einer starken künstlichen Intelligenz eine Unmöglichkeit darstellen könnte. Searle stellt sich dabei einen Mann in einem Zimmer vor, der absolut kein Chinesisch spricht, aber über eine Bedienungsanleitung der chinesischen Sprache verfügt, durch dessen Hilfe er es schafft, völlig korrekte chinesische Sätze zu bilden. Obwohl er nur die Instruktionen des Buches befolgt und kein Verständnis der chinesischen Sprache im eigentlichen Sinn aufweist, denken Menschen, die seine Sätze lesen, er sei der chinesischen Sprache mächtig. Diese Metapher von Searle soll zeigen, dass man einer künstlichen Intelligenz kein Bewusstsein oder Verständnis zuschreiben kann, selbst wenn es für einen Beobachter wirkt, als hätte sie Bewusstsein. Daraus ergibt sich die Unmöglichkeit einer starken künstlichen Intelligenz im Sinne einer künstlichen Intelligenz mit Bewusstsein, selbst wenn ein Programm in der Lage sein sollte, den Turing-Test zu bestehen (Searle 1980, 417ff.). Searle schreibt:
“The point is that the brain's causal capacity to produce intentionality cannot consist in its instantiating a computer program, since for any program you like it is possible for something to instantiate that program and still not have any mental states. Whatever it is that the brain does to produce intentionality, it cannot consist in instantiating a program since no program, by itself, is sufficient for intentionality.” (Searle 1980, S. 425)
Nachdem man sich allerdings einig ist, dass eine starke künstliche Intelligenz unabhängig von deren genauer Beschaffenheit bisher ohnehin noch nicht verwirklicht worden ist, wird die Debatte der Möglichkeit zur Schaffung einer solchen hier an dieser Stelle nicht weiter vertieft. Alle Anwendungen künstlicher Intelligenz, die in dieser Arbeit untersucht werden und die momentan existieren, zählen somit zur schwachen künstlichen Intelligenz. Doch auch hier braucht es gewisse Kriterien, um feststellen zu können, wann man von einer künstlichen Intelligenz sprechen kann und wann nicht. Pennachin & Goertzel (2007) schreiben, dass eine künstliche Intelligenz verschiedene Problemlösungsfähigkeiten mit sich bringen müsse, um sie als eine solche klassifizieren zu können. Sie muss fähig sein, Probleme effizient und kreativ unter kombinatorischem Einsatz ihrer Fähigkeiten lösen zu können. Außerdem ist es nötig, dass eine künstliche Intelligenz Lernfähigkeiten aufweist und zwar in zweierlei Hinsicht: Eine künstliche Intelligenz muss fähig sein, von der Umwelt und anderen Systemen zu lernen, aber auch von der eigenen „Erfahrung“, das heißt die Fähigkeit muss besser werden, je öfter und länger sie ausgeübt wird (Goertzel und Pennachin 2007, S. 7). Diese Kriterien an Problemlösefähigkeiten und Lernfähigkeiten werden auch in dieser Arbeit als zentrale Kriterien für künstliche Intelligenz herangezogen und im nächsten Abschnitt weiter spezifiziert.
Die Fähigkeiten einer Maschine zu lernen und auf kreative Weise Probleme zu lösen, die als zentrale Kriterien künstlicher Intelligenz identifiziert wurden, werden in der Literatur auch unter dem Begriff des maschinellen Lernens subsumiert. Maschinelles Lernen hat dabei grundsätzlich das Ziel, Charakteristika des organischen Lernens bestmöglich zu imitieren, wobei als Grundlage des maschinellen Lernens Daten dienen, deren Menge und Qualität die maschinelle Lernfähigkeit stark beeinflussen (Marsland 2015, S. 4). Marsland beschreibt maschinelles Lernen folgendermaßen:
„Machine learning [...] is about making computers modify or adapt their actions [...] so that these actions get more accurate, where accuracy is measured by how well the chosen actions reflect the correct ones.” (Marsland 2015, S. 4)
Wie beim menschlichen Lernen steht auch beim maschinellen Lernen das Ziel im Vordergrund, durch Erinnerung an Vergangenes oder die Verarbeitung von Informationen seine Handlungen zu verbessern, wobei dies durch Generalisierung auch teilweise in Situationen funktionieren soll, die von den bisher erlebten Situationen zumindest graduell abweichen (Marsland 2015, S. 4). Auch Argumentation und logische Schlussfolgerung können gemäß Marsland (komplexere) Elemente von organischem und maschinellem Lernen darstellen. Eine weitere Stoßrichtung maschinellen Lernens stellt Data Mining dar. Darunter wird die Bewertung und Auswahl sinnvoller Daten in gewaltigen Informationsmengen verstanden (Marsland 2015, S. 5).
Maschinelles Lernen kann in Computerprogrammen und Algorithmen erzeugt werden, wobei in jüngerer Vergangenheit vor allem künstliche neuronale Netze als technisches Medium maschinellen Lernens an Bedeutung gewonnen haben (Scarcello 2019, S. 292). Bei diesen wird versucht, die Funktionsweise des Gehirns technisch und digital nachzubilden, was besonders wirkungsvolles maschinelles Lernen ermöglichen soll (Scarcello 2019, S. 292).
Auch wenn maschinelles Lernen als die Darstellung verschiedener Elemente organischen Lernens in digitaler, künstlicher Form schon eine Begriffsdefinition darstellt, so wird der Bereich des maschinellen Lernens gemäß Marsland (2015) noch einmal präzisiert und in vier Kategorien anhand der Lernweise unterteilt:
1. Überwachtes Lernen: Für überwachtes Lernen wird eine gewisse Anzahl an Problemen und zugehörigen Lösungen bereitgestellt und die Maschine entwickelt anhand Generalisierung dieser Informationen Lösungen, die sie auch auf andere Situationen übertragen kann.
2. Unüberwachtes Lernen: Beim unüberwachten Lernen werden keine Lösungen bereitgestellt, sondern der Algorithmus versucht, durch statistische Häufungen die Problemstellungen selbstständig zu kategorisieren und die wichtigsten Elemente zu bestimmen.
3. Verstärkendes Lernen: Verstärkendes Lernen ist eine Form des maschinellen Lernens, die eine Zwischenform von überwachtem und unüberwachtem Lernen darstellt. Wenn der Algorithmus Antworten auf Problemstellungen sucht, wird ihm nur mitgeteilt, dass eine Antwort falsch ist, es wird ihm aber nicht die korrekte Lösung vermittelt. Dadurch muss er unterschiedliche Herangehensweisen versuchen, um zur richtigen Lösung zu kommen.
4. Evolutionäres Lernen: Hinter evolutionärem Lernen steht der Evolutionsgedanke, also die automatische Auswahl der für die jeweilige Umwelt am besten geeigneten Lösungen. Für einen Algorithmus wird dies umgesetzt, indem seine Lösungen bewertet werden und der Algorithmus folglich nach einer möglichst guten Bewertung strebt (Marsland 2015, 5ff.).
In dieser Bachelorarbeit werden Anwendungsmöglichkeiten aus allen genannten Bereichen des maschinellen Lernens thematisiert, solange sie den Kriterien für innovative Geschäftsmodelle, die im nächsten Abschnitt näher charakterisiert werden, entsprechen. Die zusammenfassende Abbildung 1 verbildlicht noch einmal überblicksmäßig die Unterteilungen, die bei diesem allgemeinen Teil über künstliche Intelligenz getroffen worden sind, um die Zusammenhänge der bisherigen Inhalte noch einmal zu veranschaulichen.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Zusammenhänge Themenbereiche KI (© Paul Nopp)
Im vorigen Abschnitt wurde mit der genauen Aufarbeitung des Begriffes der künstlichen Intelligenz schon das Verständnis zu einem Grundlagenbegriff dieser Arbeit geschaffen. In diesem Abschnitt wird der zweite Grundlagenbegriff der Forschungsfrage näher erläutert und es wird klargestellt, was in dieser Arbeit mit dem Ausdruck „innovatives Geschäftsmodell“ gemeint wird. Dabei wird zuallererst erklärt, was unter einem „Geschäftsmodell“ verstanden wird und im Anschluss wird die Frage geklärt, wodurch sich ein „innovatives“ Geschäftsmodell auszeichnet.
Es gibt eine Vielzahl an Definitionsmöglichkeiten für den Begriff des Geschäftsmodells. In dieser Arbeit werden mit der Geschäftsmodelldefinition von Schallmo (2018) und jener von Gassmann et al. (2013) zwei der populärsten Konzepte als theoretische Basis eines Geschäftsmodells ausgewählt. Es sei aber der Korrektheit und Vollständigkeit wegen angemerkt, dass es noch andere populäre Ansätze gibt, wie ein Geschäftsmodell definiert werden kann, diese aber nicht weiter ausgeführt werden, um eine Konzentration des Themas auf das Wesentliche sicherzustellen
Schallmo beschreibt ein Geschäftsmodell folgenderweise:
„Ein Geschäftsmodell ist die Grundlogik eines Unternehmens, die beschreibt, welcher Nutzen auf welche Weise für Kunden und Partner gestiftet wird. Ein Geschäftsmodell beantwortet die Frage, wie der gestiftete Nutzen in Form von Umsätzen an das Unternehmen zurückfließt. Der gestiftete Nutzen ermöglicht eine Differenzierung gegenüber Wettbewerbern, die Festigung von Kundenbeziehungen und die Erzielung eines Wettbewerbsvorteils.“ (Schallmo 2018, S. 18)
Schallmo selbst spricht von fünf Dimensionen oder Elementen, die seine Geschäftsmodelldefinition darstellen soll (Schallmo 2018, S. 18) und die in dieser Definition berücksichtigt sind. Um ein präzises Verständnis davon zu schaffen werden diese fünf Dimensionen nach Schallmo in weiterer Folge herausgenommen und einzeln genauer erörtert. Dem gegenübergestellt werden die Ansätze von Gassmann et al. (2013, 251ff.), der Geschäftsmodelle durch vier Dimensionen in einer Dreiecksbeziehung definiert sieht. Diese Dreiecksbeziehung wird nach den einzelnen Dimensionen ebenfalls kurz erläutert werden.
Zentrale Bestandteile der Kundendimension sind gemäß Schallmo (2018, 63ff.) alle Anknüpfungspunkte eines Unternehmens mit seinen Kunden, darunter besonders die Kundensegmente, die Kundenkanäle und die Kundenbeziehungen. Unter Kundensegmenten wird dabei zusammengefasst, welche verschiedenen Kundengruppen von einem Unternehmen angesprochen werden. Durch Kundenkanäle wird der Kontakt zu diesen aufgebaut und die Kommunikation aufrechterhalten (Kommunikationskanäle), Kundenkanäle bezeichnen aber auch alle Wege und Möglichkeiten, die Produkte an die Kunden zu verkaufen (Vertriebskanäle). Die Kundenbeziehung adressiert vor allem die Beschaffenheit der Kundenbindung an das Unternehmen. Wie aus diesen Bestandteilen klar erkennbar, stellt die Kundendimension eine marktorientierte strategische Außenperspektive auf Geschäftsmodelle dar (Schallmo 2018, 63ff.). Auch im Modell von Gassmann et al. (2013, S. 252) spielt die Kundendimension eine zentrale Rolle, wobei es hierbei vor allem um die Frage geht, wer die Zielkunden sind.
Die Nutzendimension existiert sowohl im Modell von Schallmo (2018) als auch in jenem von Gassmann et al. (2013, S. 252). Im Kern geht es bei der Nutzendimension darum, welche Leistungen (Produkte und Dienstleistungen) den Kunden geboten werden und wie sich der Nutzen dieser für den Kunden ergibt und vom Nutzen der Wettbewerber abgrenzt (Schallmo 2018, 67f.). Damit eng verbunden sind natürlich Fragen der Positionierung, wo es schließlich darum geht, den Kunden besondere Anreize zum Kauf zu bieten. Die Artikulation eines ansprechenden Nutzenversprechens für den Kunden kann somit ebenfalls als marktorientierter externer strategischer Einflussfaktor erachtet werden.
Die Wertschöpfungsdimension gemäß Schallmo (2018) umfasst die Art und Weise, wie die betriebliche Leistungserstellung funktioniert und legt dabei besonderen Fokus auf die dafür essenziellen (materiellen und immateriellen) Ressourcen, Fähigkeiten und Prozesse (Schallmo 2018, 69ff.). Das umschließt damit verbundene Fragestellungen über Kernkompetenzen, Strukturen und Systeme eines Unternehmens (Schallmo 2018, 69ff.). Durch die Wertschöpfungsdimension beleuchtet man also Geschäftsmodelle gezielt aus einer ressourcenorientierten strategischen Innenperspektive. Die Elemente der Wertschöpfungsdimension von Schallmo lassen sich bei Gassmann et al. (2013, S. 252) ebenfalls wiederfinden. Diese Dimension konzentriert sich dabei aber vor allem auf die Wertschöpfungskette mit ihren Abläufen und Prozessen und beantwortet dadurch die Frage, wie die Leistung erstellt wird (Gassmann et al. 2013, S. 252).
Im Mittelpunkt dieser Dimension von Schallmo (2018) stehen auf ähnliche Weise wie bei der Kundendimension die Partner, die Partnerkanäle und die Partnerbeziehungen. Als Partner werden dabei jene Anspruchsgruppen bezeichnet, die einen kooperativen Anteil an der Leistungserstellung aufweisen, wie etwa Geschäftspartner, Lieferanten und strategische Partner. Durch Partnerkanäle erfolgt der Informationsaustausch (Kommunikationskanäle), aber auch die Beschaffung von extern verfügbaren Ressourcen (Beschaffungskanäle). Die Partnerbeziehung wird vor allem durch die formelle und informelle Bindung der Partner an das jeweilige Geschäftsmodell charakterisiert (Schallmo 2018, 72ff.). In dieser expliziten Form als eigene Dimension kommen Partner bei Gassmann et al. (2013) nicht vor. Natürlich können die Partner aber als Bestandteil der Wertschöpfungskette verstanden werden, wodurch dieses Element von Geschäftsmodellen auf diese Weise auch im Modell von Gassmann et al. (2013) repräsentiert wird.
Die Finanzdimension stellt die monetäre Komponente in Schallmos Geschäftsmodelldefinition dar. Sie behandelt Fragestellungen rund um Umsätze (auf welche Weise sie entstehen und wie sie dem Unternehmen zufließen) und Kosten (Schallmo 2018, 75ff.). Sie entspricht der Dimension der Ertragsmechanik im Modell von Gassmann et al. (2013, S. 252), wo es darum geht, wie in einem Unternehmen Wert erzielt wird.
Im Gegensatz zu Schallmo stellen Gassmann et al. diese Dimensionen graphisch dar. Wie in Abbildung 2 erkennbar, sind sie jeweils Teile eines Dreiecks, in dessen Zentrum die Kundendimension steht. Dadurch wird verdeutlicht, dass ein Geschäftsmodell als großes Ganzes betrachtet werden sollte, dessen Dimensionen unmittelbar miteinander verknüpft sind, wobei Veränderungen an einem Element auch Auswirkungen auf andere Bereiche nach sich ziehen (Gassmann et al. 2017, S. 7). Von einer Geschäftsmodellinnovation wird laut Gassmann et al. (2017, S. 8) dann gesprochen, wenn mindestens zwei dieser vier Dimensionen verändert werden, Details dazu werden jedoch in Abschnitt 3.3 beschrieben.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Geschäftsmodelldimensionen nach Gassmann et al. (2017, S. 7)
Nachdem im vorigen Abschnitt der Begriff des Geschäftsmodells durch die Ansätze von Schallmo und Gassmann et al. erklärt worden ist, geht es nun darum, ein Verständnis für den Begriff „Innovation“ zu schaffen. Danach werden die beiden Begriffe zusammengeführt und es wird klar gestellt, was in dieser Arbeit unter einem innovativen Geschäftsmodell verstanden wird.
Gerpott (2013, S. 37) schreibt folgendes über den Begriff „Innovation“:
„Aus betriebswirtschaftlicher Sicht sind Innovationen von Unternehmen mit der Absicht der Verbesserung des eigenen wirtschaftlichen Erfolgs am Markt oder intern im Unternehmen eingeführte qualitative Neuerungen.“
Diese Definition des Innovationsbegriffes wird in weiterer Folge auch in dieser Bachelorarbeit herangezogen, wobei sie im Anschluss noch näher erläutert wird und auf die unterschiedlichen Merkmale von Innovationen genau eingegangen wird.
Bei einer Innovation als qualitative Neuerung gilt es festzustellen, worauf sich diese Neuerung bezieht. Dieser Bezugspunkt wird Innovationsobjekt genannt (Gerpott 2013, 38ff.). Sowohl Produkte, als auch Prozesse oder auch organisationale Änderungen als soziale Innovation können gemäß Gerpott (2013, S. 38) Innovationsobjekte sein. Auch bei anderen Autoren, wie etwa bei Vahs & Burmester (2002, 73ff), werden Produktinnovationen, Prozessinnovationen und Sozialinnovationen als Möglichkeiten von Innovationsobjekten genannt.
Innovationen können nach ihrem Auslöser unterschieden werden. So gibt es einerseits sogenannte Pull-Innovationen; das sind Neuerungen, die den Unternehmen vom Markt (durch hohe Nachfrage in einem Bereich zum Beispiel) aufgedrängt werden (Vahs und Burmester 2002, S. 79; Gerpott 2013, S. 41). Andererseits gibt es Innovationen, die von einzelnen Unternehmen ausgehen und oftmals durch einen Technologievorsprung dieser Unternehmen ausgelöst werden. Diese Art von Innovationen werden Push-Innovationen genannt (Vahs und Burmester 2002, S. 79; Gerpott 2013, S. 41).
Der Grad der Innovation wird in der Literatur ebenfalls als wesentliches Merkmal von Innovationen beschrieben (Gerpott 2013, S. 43; Vahs und Burmester 2002, S. 82). Die einfachste Unterteilung von Innovationen nach ihrem Innovationsgrad besteht in einer Unterteilung zwischen inkrementalen und radikalen Innovationen, die folgendermaßen definiert werden:
„ Inkrementalinnovationen erfolgen in bereits bestehenden oder verwandten Märkten und auf bekannten Anwendungsgebieten (Basis- und Schlüsseltechnologien). […] Demgegenüber weisen Radikalinnovationen einen hohen Neuheitsgrad (Schrittmachertechnologien, neue Märkte) auf und bewirken einschneidende und komplex-interdependente Veränderungen im Unternehmen.“ (Vahs und Burmester 2002, S. 82)
Auch wenn diese grobe Unterteilung in inkrementelle und radikale Innovationen zunächst simpel erscheint, ist das in der unternehmerischen Praxis oft nicht so leicht zu unterscheiden. Gerpott (2013, S. 43) schreibt dazu:
„Im praktischen Einzelfall ist die Klassifikation einer Innovation als inkremental oder radikal bzw. die Erfassung des Innovationsgrades von Produkten oder Verfahren […] meist schwierig, da es an allgemein akzeptierten Methoden zur Gewinnung operationaler und objektiver Messkriterien des Innovationsgrades fehlt.“
Die Bezugseinheit zur Feststellung der Neuigkeitseigenschaft gibt an, aus welchem Blickwinkel eine Neuerung besteht (Gerpott 2013, S. 46). Gerpott (2013, S. 46) spricht mit einer unternehmensorientierten, einer kundenorientierten und einer wettbewerbsorientierten Perspektive von drei unterschiedlichen Sichtweisen, aus welchen eine Innovation erkennbar sein kann. Bei der unternehmensorientierten Perspektive ist die Neuerung innerhalb eines Unternehmens erkennbar und kann etwa durch Befragung von Entscheidungsträgern erhoben werden. Die kundenorientierte Perspektive gibt Aufschluss darüber, ob die Innovation aus Kundensicht erkennbar ist, was unter anderem mittels Kundenbefragungen determiniert werden kann. Bei der wettbewerbsorientierten Perspektive geht es darum, ob ein Unternehmen allein über die Innovation verfügt, oder ob auch Wettbewerber auf dem Markt, auf dem das Unternehmen agiert, diese Neuerung aufweisen (Gerpott 2013, 46f.). Eine Neuerung muss nicht zwingendermaßen aus allen drei Perspektiven erkennbar sein, damit von einer Innovation die Rede sein kann, sondern kann auch nur aus einer einzelnen Perspektive ersichtlich sein. Im Sinne einer Geschäftsmodellinnovation nach Schallmo (2014) ist es hingegen schon notwendig, wie in Abschnitt 3.3.1 näher erklärt, dass der Kunde die Innovation wahrnimmt.
Nachdem bereits definiert wurde, was in dieser Arbeit unter einem Geschäftsmodell und einer Innovation verstanden wird, sollte auch schon eine ungefähre Idee davon entstanden sein, wie der Begriff „innovative Geschäftsmodelle“ in der Forschungsfrage im Zuge dieser Arbeit aufgefasst und verwendet wird, der jetzt noch einmal kurz präzisiert wird. Ein „innovatives Geschäftsmodell“ im Sinne der Forschungsfrage ist dabei deckungsgleich mit dem vieldiskutierten Terminus „Geschäftsmodellinnovation“ zu verstehen. Für dieses Begriffsverständnis werden wiederum die populären Ansätze von Schallmo (2014) und Gassmann et al. (2017) herangezogen.
In Abbildung 3 sind die Bestandteile der Geschäftsmodellinnovation laut Schallmo (2014, 12f.) abgebildet. Wie hier erkennbar, stellen einzelne Elemente oder das gesamte Geschäftsmodell Innovationsobjekte dar. Sowohl fundamentale als auch inkrementelle Veränderungen sind dabei im Zuge einer Geschäftsmodellinnovation möglich. Als Bezugseinheit für die Feststellung der Neuigkeitseigenschaft steht vor allem der Kunde im Mittelpunkt, aus dessen Perspektive erkennbare Neuerungen vorliegen sollten (Schallmo 2014, S. 13).
Die Nutzendimension steht hierbei klar im Vordergrund – eine Geschäftsmodellinnovation erfolgt primär mit dem Ziel, für Kunden und Partner einen neuartigen Nutzen zu kreieren, sich dadurch vom Wettbewerb abzuheben und für das eigene Unternehmen einen schwer imitierbaren Wettbewerbsvorteil zu schaffen. Zudem sollten sich die innovierten Geschäftsmodellelemente gegenseitig verstärken, um das Wachstum anzukurbeln (Schallmo 2014, S. 13).
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Bestandteile der Geschäftsmodellinnovation laut Schallmo (2014, S.13)
Bei Gassmann et al. (2017, S. 8) stellt eine Geschäftsmodellinnovation, wie bereits in Abschnitt 3.1.6 erwähnt, eine innovative Veränderung von mindestens zwei der vier Dimensionen eines Geschäftsmodells, wie sie in Abbildung 2 veranschaulicht wurden, dar. Dieses Verständnis von Geschäftsmodellinnovation lässt weniger Interpretationsspielraum frei als jenes von Schallmo (2014), wo auch die Innovation einzelner Elemente eine Geschäftsmodellinnovation sein kann, wenn die Ziele damit erreicht werden. Die breitere Auffassung des Begriffs von Schallmo hat natürlich den Vorteil, dass darin mehr relevante Sachverhalte inkludiert sind, hat jedoch den Nachteil, dass die Eindeutigkeit, ob ein Geschäftsmodell ein innovatives Geschäftsmodell ist oder nicht, manchmal nicht zweifelsfrei feststellbar ist. In weiterer Folge werden daher sowohl die Ansätze von Schallmo, als auch jene von Gassmann et al. als theoretische Basis für die innovativen Geschäftsmodelle mit künstlicher Intelligenz herangezogen. Damit wird sichergestellt, dass die Geschäftsmodelle facettenreich beleuchtet werden. Sollten die Differenzen zwischen den Sichtweisen von Schallmo und Gassmann et al. Zweifel daran aufkommen lassen, ob es sich um ein innovatives Geschäftsmodell handelt oder nicht, wird explizit darauf hingewiesen.
[...]
