ArticlePDF Available

The Advance of the Machines - Vision und Implikationen einer Machine Economy

September 2020

Authors:

Nils Urbach

Frankfurt University of Applied Sciences

Tobias Albrecht

Fraunhofer Institute for Applied Information Technology

Tobias Guggenberger

University of Bayreuth

Jan Jöhnk

FIM Research Center

Show all 9 authorsHide

Die digitale Transformation in Wirtschaft und Gesellschaft sorgt für eine Veränderung zahlreicher Prozesse. Immer kürzere Innovationszyklen, die zunehmend intelligentere Vernetzung sowie die daraus resultierenden enormen Informationsflüsse bedeuten einen herausfordernden Paradigmenwechsel für Unternehmen. Statt der reinen Entwicklung von Technologie stehen zukünftig vielmehr deren Koordination und intelligente Vernetzung im Fokus. Innovative Technologien wie das Internet der Dinge, Künstliche Intelligenz und Blockchain ermöglichen neue Arten zur Gestaltung wirtschaftlicher Prozesse und Geschäftsmodelle. Maschinen übernehmen zunehmend autonome Rollen in Geschäftsprozessen und beteiligen sich direkt am Wertschöpfungsprozess. Der Begriff Machine Economy umfasst die vollständige Integration und Partizipation von wirtschaftlich autonom handelnden Maschinen auf Basis dieser innovativen Technologien und deren Konvergenz. Die vorliegende Studie stellt die Chancen und Herausforderungen der zugrundliegenden Technologiekonvergenz aus dem Internet der Dinge, Künstlicher Intelligenz und Blockchain vor. Darauf aufbauend erfolgt eine Analyse der individuellen Rollen der Akteure im ökonomischen Umfeld der Machine Economy sowie ihrer Potenziale. Daraus wird die übergreifende Vision der Machine Economy abgeleitet. Abschließend werden mögliche Anwendungsszenarien innerhalb der Machine Economy durch ausgewählte Use Cases skizziert sowie weiterführende Fragestellungen aufgezeigt.

Content uploaded by Jan Jöhnk

Content may be subject to copyright.

Inhaltsverzeichnis

The Advance of the Machines

Vision und Implikationen einer Machine Economy

Projektgruppe Wirtschaftsinformatik

F RA U N H OF ER -I NS TI T UT F Ü R AN GE WA ND T E I NF OR MA TI O N S T E C HN IK F I T

Inhaltsverzeichnis

THE ADVANCE OF THE MACHINES

VISION UND IMPLIKATIONEN EINER MACHINE ECONOMY

Autoren

Prof. Dr. Nils Urbach, Tobias Albrecht, Tobias Guggenberger, Dr. Jan Jöhnk, Laurin Arnold, Julia Gebert, Dennis Jelito,

Luis Lämmermann, Dr. André Schweizer – in Zusammenarbeit mit der qbound GmbH

Die Projektgruppe Wirtschaftsinformatik des Fraunhofer FIT vereint die Forschungsbereiche Finanz- und Informations-

management in Augsburg und Bayreuth. Die Expertise an der Schnittstelle von Finanzmanagement, Informationsma-

nagement und Wirtschaftsinformatik sowie die Fähigkeit, methodisches Know-how auf höchstem wissenschaftlichem

Niveau mit einer kunden-, ziel- und lösungsorientierten Arbeitsweise zu verbinden, sind ihre besonderen Merkmale.

Fraunhofer-Institut für Angewandte Informationstechnik FIT

Projektgruppe Wirtschaftsinformatik

Wittelsbacherring 10

95444 Bayreuth

Die qbound GmbH ist ein deutsches IT-Sicherheitsunternehmen. Das Unternehmen, zählt zu den innovativsten Unter-

nehmen in Deutschland und nutzt neuste Technologien und wissenschaftliche Erkenntnisse zur Entwicklung zukunfts-

trächtiger IT-Sicherheitslösungen im Bereich Cloud und IoT.

qbound GmbH

Stolzingstr. 29

81927 München

Acknowledgements

Dieses White Paper wurde durch das StMWi (Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und

Energie) im Rahmen des Projekts »Wissenschaftscampus E-Commerce (20-3066-08/18)« gefördert. Wir danken an

dieser Stelle für die Unterstützung.

Disclaimer

Dieses White Paper wurde vom Fraunhofer-Institut für Angewandte Informationstechnik FIT nach bestem Wissen und

unter Einhaltung der nötigen Sorgfalt erstellt.

Fraunhofer FIT, seine gesetzlichen Vertreter und/oder Erfüllungsgehilfen übernehmen keinerlei Garantie dafür, dass

die Inhalte dieses White Papers gesichert, vollständig für bestimmte Zwecke brauchbar oder in sonstiger Weise frei

von Fehlern sind. Die Nutzung dieses White Papers geschieht ausschließlich auf eigene Verantwortung.

In keinem Fall haften das Fraunhofer FIT, seine gesetzlichen Vertreter und/oder Erfüllungsgehilfen für jegliche Schä-

den, seien sie mittelbar oder unmittelbar, die aus der Nutzung des White Papers resultieren.

Empfohlene Zitierweise

Urbach, N., Albrecht, T., Guggenberger, T., Jöhnk, J., Arnold, L., Gebert, J., Jelito, D., Lämmermann, L., Schweizer, A.

(2020) The Advance of the Machines – Vision und Implikationen einer Machine Economy. Projektgruppe Wirt-

schaftsinformatik des Fraunhofer-Instituts für Angewandte Informationstechnik FIT, Bayreuth.

Bildquellen

Inhaltsverzeichnis

Vorwort .................................................................................................. 1

1 Einleitung ......................................................................................... 2

2 Technologiegrundlagen ................................................................... 4

Internet der Dinge ............................................................................................................................. 5

Künstliche Intelligenz ........................................................................................................................ 7

Blockchain ....................................................................................................................................... 10

3 Technologiekonvergenz ................................................................ 14

Bilaterale Technologiebeziehungen in der Machine Economy .......................................................... 15

Rollen der Technologien in der Machine Economy ........................................................................... 19

Auswirkungen der Machine Economy im Unternehmen .................................................................. 21

4 Technologieanwendung ................................................................ 24

Retourenannahme und intelligente Lagerverwaltung ....................................................................... 25

Intelligente Steuerung von wirtschaftlich autonom handelnden Windparks ..................................... 29

Zero Trust Architektur als sichere Infrastruktur für die Machine Economy ........................................ 30

5 Handlungsfelder............................................................................. 32

Referenzen ........................................................................................... 34

Vorwort

The Advance of the Machines | 0

Die Machine Economy

beschreibt das

wirtschaftlich autonome

Handeln von Maschinen

in Wirtschaftsprozessen

Vorwort

The Advance of the Machines | 1

Die digitale Transformation in Wirtschaft und Gesellschaft sorgt für eine Veränderung zahlreicher Pro-

zesse. Immer kürzere Innovationszyklen, die zunehmend intelligentere Vernetzung sowie die daraus resul-

tierenden enormen Informationsflüsse bedeuten einen herausfordernden Paradigmenwechsel für

Unternehmen. Statt der reinen Entwicklung von Technologie stehen zukünftig vielmehr deren Koordina-

tion und intelligente Vernetzung im Fokus.

Innovative Technologien wie das Internet der Dinge, Künstliche Intelligenz und Blockchain ermöglichen

neue Arten zur Gestaltung wirtschaftlicher Prozesse und Geschäftsmodelle. Maschinen übernehmen zu-

nehmend autonome Rollen in Geschäftsprozessen und beteiligen sich direkt am Wertschöpfungsprozess.

Der Begriff Machine Economy umfasst die vollständige Integration und Partizipation von wirtschaftlich au-

tonom handelnden Maschinen auf Basis dieser innovativen Technologien und deren Konvergenz.

Die vorliegende Studie stellt die Chancen und Herausforderungen der zugrundliegenden Technologiekon-

vergenz aus dem Internet der Dinge, Künstlicher Intelligenz und Blockchain vor. Darauf aufbauend erfolgt

eine Analyse der individuellen Rollen der Akteure im ökonomischen Umfeld der Machine Economy sowie

ihrer Potenziale. Daraus wird die übergreifende Vision der Machine Economy abgeleitet. Abschließend

werden mögliche Anwendungsszenarien innerhalb der Machine Economy durch ausgewählte Use Cases

skizziert sowie weiterführende Fragestellungen aufgezeigt.

Wir verstehen diese Studie als Anregung zu weiteren Diskussionen zur Gestaltung des Technologieeinsat-

zes in Unternehmen sowie der damit verbundenen Wirtschaftsprozesse. Wir wünschen Ihnen viel Freude

bei der Lektüre und freuen uns auf gemeinsame Diskussionen sowie Ihre Fragen und Anregungen.

Prof. Dr. Nils Urbach

Professor für Wirtschaftsinformatik

Projektgruppe Wirtschaftsinformatik des Fraunhofer FIT, Universität Bayreuth

Einleitung

2 | The Advance of the Machines

Einleitung

The Advance of the Machines | 3

Wir befinden uns derzeit in einem revolutionä-

ren Wandel. Unsere Gesellschaft und Wirtschaft

unterliegen im Zuge der digitalen Transforma-

tion nicht nur einer zunehmenden Technologie-

durchdringung, sondern einer disruptiven

Veränderung der wirtschaftlichen Grundord-

nung. Immer kürzere Innovationszyklen, die zu-

nehmend intelligentere Vernetzung von

Unternehmensbereichen und Technologien so-

wie die daraus resultierenden enormen Informa-

tionsflüsse bedeuten einen Paradigmenwechsel.

Statt der reinen technologischen Entwicklung

stehen zukünftig deren Koordination und intelli-

gente Vernetzung im Fokus. Deshalb stehen Un-

ternehmen immer öfter vor der

Herausforderung, neue Wege bei der Implemen-

tierung von und der Interaktion mit digitalen

Technologien zu gehen. Organisationen begin-

nen heute mehr denn je zu begreifen, dass die

intelligente Verbindung autonom agierender

Maschinen ein geschäftskritisches Handlungsfeld

darstellt.

In Form von autonomen Transportfahrzeuge in

der Logistik, digitalen sprachgesteuerten Assis-

tenten im Büro oder dezentralen Smart

Contracts bei Unternehmenstransaktionen

durchdringen transformierende Technologien

wie das Internet der Dinge (IoT), Künstliche Intel-

ligenz (KI) und Blockchain (BC) schon heute mit

beträchtlicher Geschwindigkeit unsere Arbeits-

welt. Bereits zwei Drittel der Unternehmen ab ei-

ner Größe von 20 Mitarbeitern aus allen

Branchen nehmen eine direkte Veränderung des

Wettbewerbs durch die Digitalisierung war (Bit-

kom 2019). Diese Tatsache spiegelt sich auch in

den globalen Industrieprognosen wider. So wird

ein Anstieg der Anzahl vernetzter IoT-Geräte

und -Systeme auf 1,25 Mrd. bis zum Jahr 2030

vorhergesagt (DBS 2018). Gleichzeitig sollen die

Ausgaben für KI bereits im Jahr 2022 77,6 Mrd.

USD erreichen (IDC 2018) und der BC-Markt bis

2025 ein Volumen von 25 Mrd. USD überschrei-

ten (Global Market Insights 2019). Die bisherige

Diskussion beschränkt sich bisher allerdings vor-

nehmlich auf die isolierte Betrachtung von Tech-

nologien und die daraus resultierenden

Herausforderungen und Handlungsfelder. Das

gesamte ökonomische Potenzial der laufenden

Entwicklung bleibt dabei jedoch verborgen. Erst

die Kombination der Kerntechnologien IoT, KI

und BC zu einem digitalen Ökosystem ermög-

licht den Schritt in eine vernetzte, effiziente und

sichere Welt (Schweizer et al. 2020).

Diese Technologiekonvergenz steht im Zentrum

der Machine Economy. Ebenso wie unser bishe-

riges Wirtschaftsverständnis beschreibt die Ma-

chine Economy das gesamtheitliche Handeln von

Wirtschaftsteilnehmern, die Güter erstellen, aus-

tauschen und konsumieren. Der entscheidende

Unterscheid besteht jedoch darin, dass die be-

trachteten Transaktionsplattformen speziell für

autonome Maschinen konzipiert und auch pri-

mär von diesen genutzt werden (Simerman

2019). Per Definition umfasst der Begriff Ma-

chine Economy den beschriebenen Paradigmen-

wechsel auf technologischer, gesellschaftlicher

und wirtschaftlicher Ebene und bietet eine ent-

sprechende Vielzahl von Anwendungsszenarien.

Für Unternehmen sind der laufende Konvergenz-

prozess und seine Implikationen erfolgsentschei-

dend. Folgende Frage ist dabei für

Zukunftsstrategien maßgeblich: Welche Chan-

cen und Herausforderungen resultieren aus der

Kombination der zentralen Technologien IoT, KI

und BC und welche Anforderungen ergeben

sich daraus für die einzelnen Unternehmensebe-

nen?

Mit Blick auf diese Fragestellung soll in der vor-

liegenden Studie durch die Analyse der individu-

ellen Rollen der Akteure im betrachteten

ökonomischen Umfeld sowie ihrer Potenziale

eine übergreifende Vision der Machine Economy

aufgezeigt werden. Ausgewählte Use Cases sol-

len dazu Anwendungsszenarien skizzieren, auf

zukünftige Entwicklungen vorbereiten und so

zur Diskussion und gemeinsamen Gestaltung der

Machine Economy anregen.

Technologiegrundlagen

4 | The Advance of the Machines

Technologiegrundlagen

The Advance of the Machines | 5

Das Internet der Dinge verbindet die

physische und die digitale Welt

Definition und Erläuterung

Das Internet der Dinge oder auch Internet of

Things (IoT) charakterisiert die Verbindung physi-

scher Objekte mit der digitalen Welt und das da-

raus entstehende Netzwerk aus intelligenten,

miteinander vernetzten Objekten (Fähnle et al.

2018). Wegen des vorherrschenden breiten Ver-

ständnisses von IoT, das eine Reihe von Techno-

logien, Kommunikationsstandards und

Anwendungsmöglichkeiten vereint, ist IoT eher

als Paradigma denn als Technologie zu betrach-

ten. Wir folgen in dieser Studie der Definition

von Oberländer et al. (2018), die IoT als die Ver-

bindung von verschiedenen, mit Sensoren und

Aktuatoren ausgestatteten, physischen Objekten

mit dem Internet sieht. Das IoT besteht techno-

logisch aus verschiedenen Schichten (siehe Ab-

bildung 1). Diese gliedern sich in Datenerfassung

(Edge Layer), Datenverarbeitung (Gateway

Layer), Datentransport (Internet Layer), Datenin-

tegration (Middleware Layer) und Datenbereit-

stellung (Application Layer).

Intelligente Geräte (Smart Things) wie Smartpho-

nes, Saugroboter oder digitale Sprachassisten-

ten, die durch innovative Technologien neue

Funktionalitäten bereitstellen, bilden das Grund-

gerüst im IoT. Die Geräte beinhalten als soge-

nannte Randschicht (Edge Layer) Sensoren,

eingebettete Systeme, RFID-Tags oder andere

Sensorik verschiedener Form. Diese Hard-

wareelemente gewährleisten die Informations-

aufnahme, -speicherung und -verarbeitung

sowie Kommunikation, Steuerung und Antrieb.

Da die Machine Economy wesentlich durch die Konvergenz der drei Technologien IoT, KI und BC geprägt

wird, werden im Folgenden die Grundlagen für die einzelnen Technologien dargestellt. Damit sollen ein

umfassender Überblick und ein besseres Verständnis für die folgenden Kapitel geschaffen werden, welche

die Kombination der Technologien betrachten. Zur präziseren Erläuterung der drei Technologien erfolgt

deren Abgrenzung in eigenen Unterkapiteln. Hier werden zunächst die entscheidenden Begrifflichkeiten

definiert und um die jeweiligen Technologieerklärungen ergänzt, bevor deren potenzielle Anwendungsfel-

der strukturiert aufgearbeitet werden. Abgerundet werden die Fokuskapitel der drei Kerntechnologien der

Machine Economy durch das Aufzeigen von Visionen, Potenzialen und Herausforderungen in den jeweili-

gen Bereichen

Abbildung 1: Technologische Schichten der IoT-Architektur (Bandyopadhyay und Sen 2011)

Edge Layer

Application Layer

Middleware Layer

Internet Layer

Gateway Layer

Datenverarbeitung und

Kommunikation der Geräte

durch die Anbindung ans

Internet

Hardwaregeräte gewährleisten

Informations- und

Steuerungsprozesse

Schnittstelle ermöglicht die

Kommunikation zwischen

verschiedensten heterogenen

Geräten

Bereitstellung verschiedener

Anwendungen und Services

Informationsaufnahme und -weitergabe

Informationsentgegennahme und -ausführung

Technologiegrundlagen

6 | The Advance of the Machines

Die erste Stufe der Datenverarbeitung findet auf

der Zugangsschicht (Gateway Layer) statt (Ban-

dyopadhyay und Sen 2011). Hier wird die Kom-

munikation der Geräte untereinander durch die

Anbindung an das Internet ermöglicht. Die Ge-

räte werden smart und können Informationen

wahrnehmen, miteinander kommunizieren und

Prozessabläufe selbst anstoßen. Der Middleware

Layer dient als Integrationsschicht und ermög-

licht die Kommunikation zwischen heterogenen

Geräten. Sie fungiert damit als Schnittstelle zwi-

schen der Hardware-Schicht aus Geräten und

der Anwendungsschicht. Hier werden kritische

Aufgaben wie Geräte- und Informationsma-

nagement ausgeführt und Themen wie Datenfil-

terung, Datenaggregation, Zugriffskontrollen,

Informationserfassung und Informationsdienste

bearbeitet. Die Anwendungsschicht (Application

Layer) am oberen Rand der IoT-Architektur ist

für die Bereitstellung verschiedener Anwendun-

gen und Services an die Benutzer im IoT verant-

wortlich. Solche Anwendungen werden von

verschiedenen Branchen (Fertigung, Logistik,

Einzelhandel etc.) angeboten (Bandyopadhyay

und Sen 2011) und über verschiedene Geräte

bereitgestellt.

Anwendungscluster

Aufgrund dieser unterschiedlich ausgeprägten

Eigenschaften von Smart Things kann dahinge-

hend eine Einordnung von IoT-Technologien in

Anwendungsfelder erfolgen. Die Nutzung von

IoT ist sowohl im betrieblichen als auch im priva-

ten Bereich vielfältig, wobei sich die Anwen-

dungsmöglichkeiten in drei Kategorien

charakterisieren: Industrie, Gesundheit und

Wohlbefinden sowie Intelligente Stadtkonzepte

(Borgia 2014). Diese lassen sich wiederum in

weitere dazugehörige Anwendungskonzepte

aufgliedern.

Im Bereich der Industrie kann zwischen drei Un-

terkategorien unterschieden werden. Im Kontext

der industriellen Weiterverarbeitung wird das IoT

beispielsweise bei der Überwachung von Indust-

rieanlagen, für mobile Tickets oder Fahrassistenz

(z.B. durch Autopilotfunktionen) eingesetzt. In

der Landwirtschaft und in der Viehzucht erleich-

tern Ortungstechnologien für Tiere oder auch

IoT-basierte Bewässerungssysteme (z.B. sensor-

gestützte Apps) den Arbeitsalltag. Intelligente

Fabriken und Logistiksysteme gewinnen im Be-

reich Logistik und Management der Produktle-

bensdauer (z.B. durch smarte Wartungssysteme)

an Bedeutung und verhelfen zu verbessertem

Lagerverwaltungsmanagement (z.B. durch Be-

standsverfolgung) sowie innovativen Einkaufs-

(z.B. durch Sensoren, die Engpässe melden) und

Bezahlungsprozessen.

Das Anwendungsfeld Gesundheit und Wohlbe-

finden wird zum einen durch Themen im Bereich

der medizinischen Versorgung und des Gesund-

heitswesens gebildet. Hier finden Technologien

wie intelligente Krankenhaus- und Remote-

Überwachungs-Systeme (z.B. Überwachung des

Zustands von Patienten über Sensoren) Anwen-

dung. Zum anderen bildet die Thematik der

selbstständigen Lebensführung einen weiteren

Bereich, der unter anderem mobile Assistenzsys-

teme für Senioren und Menschen mit Behinde-

rung oder zur Nachverfolgung der persönlichen

Fitness (z.B. Fitnesstracker und Smart Watches)

umfasst.

Die Kategorie Intelligente Stadtkonzepte umfasst

bisher den größten Anwendungsbereich. Intelli-

gente Mobilität und Tourismus verweisen auf

IoT-Anwendungen wie Verkehrsmanagement,

Car- und Bikesharing (z.B. vernetzte Fahrradver-

leihsysteme) sowie Parksysteme, aber auch auf

Abfallerfassung oder Services für Reiseleitungen.

Intelligente Netze schließen beispielsweise das

Energiemanagement mit Energiegewin-

nung, -distribution und -speicherung, nachhal-

tige Mobilität und Laststeuerung ein. Im Bereich

intelligenter Haustechnik wird IoT zu Zwecken

der Anlagenwartung, des Energiemanagements

(z.B. Smarte Heizungen oder Steckdosen), der

Videoüberwachung und anderer Sicherheitsan-

wendungen (z.B. Einbruch-Schutz) sowie für Un-

terhaltung und Wohnkomfort (z.B. durch eine

App steuerbare smarte Kaffeemaschinen) ge-

nutzt. Aber auch für die öffentliche Sicherheit

wird IoT zur Umweltüberwachung, für Radar-

kontrollen und die Notfallrettung eingesetzt.

Potenziale, Herausforderungen, Vision

Dank des raschen Fortschritts der dem IoT zu-

grundeliegenden Technologien eröffnen sich

enorme Möglichkeiten für eine Vielzahl neuer

Anwendungen, die eine Verbesserung der Le-

bens- und Servicequalität versprechen (Xia et al.

2012). So schafft das IoT neue Perspektiven in

der Organisation und Verwaltung von Wert-

schöpfungsnetzwerken sowie in hochflexibler

Produktion, sodass Produkte beispielsweise kos-

tengünstig individualisiert werden können.

Technologiegrundlagen

The Advance of the Machines | 7

Weiterhin wird erwartet, dass der Einsatz von

Smart Devices (z.B. intelligente, tragbare Geräte,

die Produktionsarbeiter in ihren Prozessen unter-

stützen) oder von cyberphysikalischen Systemen

(z.B. Systeme intelligenter vernetzter Maschinen)

in Fertigungsprozessen die Produktivität steigern

wird (Fähnle et al. 2018). Darüber hinaus ermög-

licht das IoT Unternehmen, ihren Kunden inno-

vative digitale Dienstleistungen anzubieten

(Anderl et al. 2015). Solche IoT-basierten Dienste

werden durch intelligente Produkte ermöglicht,

die komplexere Dienste als lediglich physische

Güter anbieten können (z.B. das Angebot von

vorausschauenden Wartungen für IoT-fähige

Produkte) (Fähnle et al. 2018). Zukünftig werden

intelligente Gegenstände zu weitgehend auto-

nomen Akteuren in digitalen Wertschöpfungs-

netzwerken, welche weitreichende Business-to-

Thing (B2T) Interaktionen zur Folge haben. Der

Kunde, der bisher für die Umsetzung solcher

Services selbst zuständig war, wird dadurch ent-

lastet (Oberländer et al. 2018).

Neben den genannten Potenzialen sind jedoch

auch die Herausforderungen zu berücksichtigen,

die durch die Marktdurchdringung des IoT ent-

stehen. Aufgrund der explosionsartigen Zu-

nahme der von IoT-Geräten erzeugten Daten

werden sich Rechenzentren den Problemen in

den Bereichen Sicherheit, Verbraucherschutz

und Speicherverwaltung stellen müssen (Lee und

Lee 2015). Zu den zentralen Herausforderungen

zählen dabei zum einen die Limitationen der ak-

tuellen Netzwerkarchitektur in Bezug auf Mobili-

tät, Verfügbarkeit und Skalierbarkeit sowie zum

anderen das Management heterogener Anwen-

dungen, Umgebungen und Geräte. Vor dem

Hintergrund der Sicherheit muss ein besonderer

Fokus auf die Themen IoT-Sicherheitsarchitektur,

proaktive Identifizierung und Schutz des IoT vor

Angriffen (z.B. DDoS-Angriffe), schädlicher Soft-

ware und Missbrauch gelegt werden. Zu den

Herausforderungen im Bereich Verbraucher-

schutz zählen insbesondere die Gewährleistung

der Sicherheit personenbezogener Daten und

Bewegungsdaten.

Künstliche Intelligenz generiert neues

Wissen und smarte Lösungen

Definition und Erläuterung

Künstliche Intelligenz (KI) hält heute bereits in

verschiedensten Formen Einzug in unser Privat-

und Berufsleben. Entsprechend gilt KI als Tech-

nologietrend, der potenziell jeden Industriebe-

reich und alle Unternehmensebenen maßgeblich

beeinflussen kann (Panetta 2018). Für Unterneh-

men ist es demnach unerlässlich, den grundsätz-

lichen Charakter von KI in Form seiner

technologischen Grundzüge sowie die Implikati-

onen für eigene Unternehmensentscheidungen

zu kennen und zu verstehen. Der Begriff KI hat

sich, seit seiner erstmaligen Verwendung in der

Informatik durch John McCarthy (1956), in vie-

len Bereichen von Wissenschaft, Gesellschaft

und Wirtschaft als ganzheitliches Konzept etab-

liert und weiterentwickelt. Grundsätzlich be-

schreibt KI dabei die Übernahme von

menschlichen Fähigkeiten und Handlungen

durch Maschinen.

Zunächst stand vor allem die Konzeptionierung

des menschlichen Denkens und Entscheidens als

System vorprogrammierter Endergebnisse im Fo-

kus. Das heute neu entfachte Interesse an KI be-

ruht dagegen insbesondere auf Entwicklungen

im Bereich des Machine Learning. Dieses Teilge-

biet der KI beschreibt den Vorgang, wie Compu-

tersysteme aus Daten lernen und neues Wissen

generieren. Dadurch können Maschinen neue Si-

tuationen erkennen, sich an unbekannte Gege-

benheiten anpassen und situativ auf

Veränderungen reagieren. Im Sinne dieser neuen

Möglichkeiten der KI lässt sich heute von lernfä-

higen Systemen zur datenbasierten Bewältigung

vordefinierter Aufgabenstellungen unterschiedli-

cher Komplexität sprechen.

KI umfasst typischerweise drei funktionale Kom-

ponenten, die aus technologischer Perspektive

Inputsignale empfangen, daraus Informationen

generieren und diese abschließend zu einem

Output umsetzen. Der Computerwissenschaftler

Kristian Hammond (2006) greift diese Verarbei-

tungsbestandteile auf und kategorisiert im »Peri-

odensystem der KI« (siehe Abbildung 2)

insgesamt 28 verschiedene KI-Fähigkeiten in die

Gruppen »Wahrnehmen« (z.B. Erfassen der Ver-

kehrssituation um ein autonom fahrendes Auto

in Millisekunden), »Problemlösen und Lernen«

Technologiegrundlagen

8 | The Advance of the Machines

(z.B. Berechnen der Wahrscheinlichkeit einer

Kollision für die nächsten drei Fahrsekunden)

und »Handeln« (z.B. Einleiten eines notwendi-

gen Brems- oder Ausweichmanövers). Durch die

Systematisierung der komplexen Zusammen-

hänge verschiedener KI-Fähigkeiten soll so eine

Grundlage für die einfachere Beurteilung von

Einsatzpotenzialen und Herausforderungen in

verschiedenen Anwendungsfällen geschaffen

werden (Hofmann et al. 2020).

Anwendungscluster

Heute sorgen die exponentiell steigende Daten-

verfügbarkeit, stark verbesserte Rechenkapazitä-

ten und die Weiterentwicklung von Machine

Learning-Algorithmen zur Lösung immer neuer

Problemstellungen für eine Vielzahl potenzieller

KI-Anwendungsfälle. So erfassen die Fähigkeits-

komponenten der KI inzwischen von der

medizinischen Diagnostik über virtuelle Assisten-

ten bis hin zu autonomen Fahrzeugen das ge-

samte gesellschaftliche und wirtschaftliche

Leben. Spezifische Anwendungsfälle lassen sich

jedoch nicht durch das reine Kopieren von Use

Cases anderer Unternehmen oder die beliebige

Kombination von Teilbausteinen identifizieren

und umsetzen. Vielmehr müssen Anwendungs-

fälle unter Beachtung unternehmensspezifischer

Kontextfaktoren individuell analysiert und entwi-

ckelt werden. Dabei gilt es sowohl die Integra-

tion in Geschäftsprozesse als auch die

Interaktion mit dem menschlichen Anwender in

unternehmerische Überlegungen einzubeziehen

(Alan et al. 2019).

Je nach Rolle, Umfang und Wert der KI-Integra-

tion in Systeme und Prozesse lassen sich dem-

nach vier verschiedene Typen von KI-

Lösungsansätzen identifizieren: Regelbasierte

Abbildung 2: Das Periodensystem der KI gruppiert übersichtlich 28 verschiedene KI-Funktionalitäten

(Bitkom 2018, Hammond 2016)

Ms Ma

Speech

Recognition

Speech

Identification

Audio

Recognition

Face

Recognition

Image

Recognition

General

Recognition

Predictive

Inference

Explanatory

Inference

Synthetic

Reasoning

Data Analytics

Audio

Identification

Face

Identification

Image

Identification

General

Identification

Planning

Problem

Solving

Decision

Making

Text Extraction

Language

Generation

Language

Understanding

Relationship

Learning

Category

Learning

Knowledge

Refinement

Mobility Large

Mobility Small Manipulation

Communi-

cation

Control

Technologiegrundlagen

10 | The Advance of the Machines

neu geschaffenen Tätigkeitsfeldern besonders

hoher Bedarf an KI-Kompetenz, um konzeptio-

nelle, strategische und kontrollierende Funktio-

nen ausfüllen zu können. Diese Verschiebung

hat tiefgreifende Veränderungen der Arbeitswelt

zur Folge. Auf die daraus resultierenden Chan-

cen und Herausforderungen gilt es sich aus Un-

ternehmensperspektive durch zusätzliche

Expertise im Umgang mit KI vorzubereiten. Um

KI-Potenziale bestmöglich ausschöpfen zu kön-

nen, sind sowohl Aufgaben technologischer Na-

tur bei der Integration als auch auf der Ebene

der Mensch-Maschine-Interaktion im Unterneh-

men zu meistern (Rzepka und Berger 2018).

Daten bilden das Fundament für KI. Entspre-

chend ergeben sich insbesondere in diesem Be-

reich zentrale Herausforderungen für die

erfolgreiche Nutzung von KI. Enorme Rechenleis-

tung und immer komplexere Modelle sind für

die Informationsgewinnung nötig. Datenquali-

tät, Datensicherheit und Datenschutz müssen

gewährleistet werden. Ethische Bedenken und

Zweifel bezüglich der Fehlbarkeit und der Anfäl-

ligkeit für den Missbrauch von KI müssen ernst

genommen werden. Vertrauen in die KI-ge-

stützte Entscheidungsfindung muss geschaffen

werden (Dwivedi et al. 2019). Kurzum: Auf allen

Unternehmensebenen braucht es KI-Spezialisten,

damit die Transformation zum digitalen und in-

telligenten Unternehmen gelingt. KI-Kompetenz

wird somit zunehmend zu einem gewichtigen

Faktor für die Industrie und entscheidend für

den Erfolg von Unternehmen in unterschiedlichs-

ten Branchen (Esser und Sallaba 2019).

Blockchain ermöglicht ein neues Para-

digma für digitale Transaktionen

Definition und Erläuterung

In den letzten Jahren ist das globale Interesse an

der Blockchain (BC) erheblich gestiegen, nach-

dem verschiedene Fachleute und Forscher ihr

enormes Potenzial bei der Optimierung von Ge-

schäftsprozessen erkannt haben (Arnold et al.

2019; Wright und Filippi 2015). Während die

Technologie allgemein als das Grundgerüst von

Bitcoin bekannt ist, gehen viele Anwendungen

weit über die ursprüngliche Nutzung als Kryp-

towährung hinaus (Crosby et al. 2016; Schütte

et al. 2017).

Die BC kann als eine dezentrale Transaktions-

und Datenverwaltungstechnologie beschrieben

werden (Yli-Huumo et al. 2016), welche den Da-

tenaustausch zwischen zahlreichen Teilnehmern

über ein Netzwerk ermöglicht (Xu et al. 2017).

Transaktionen werden in Blöcke gruppiert, diese

kryptografisch miteinander verbunden und chro-

nologisch sortiert – daher der Name BC (engl.

für Blockkette).

Ein Konsensalgorithmus, welcher auf allen Netz-

knoten der Teilnehmer läuft, garantiert die Rich-

tigkeit und Reihenfolge der Transaktionen. Eine

Vielzahl dieser Algorithmen ermöglicht die Opti-

mierung für unterschiedliche Anwendungsfälle

wie Sicherheit, Latenz, Energieverbrauch oder

den Einsatz in einem Unternehmensumfeld.

Die BC-Technologie kann auf unterschiedlichste

Weise verwendet werden. Anwendungspotenzi-

ale reichen von neuen Möglichkeiten verteilter

Softwarearchitekturen bis zum Einsatz von To-

kens. Deren Nutzung erstreckt sich wiederum

von verteilten virtuellen Währungen (Kryptowäh-

rungen genannt) über die Darstellung von Ver-

mögenswerten bis hin zur digitalen

Rechteverwaltung auf der BC (Conley 2017;

Schweizer et al. 2017). Zusammengefasst wei-

sen BC-Implementierungen die in Abbildung 3

aufgeführten Charakteristika auf (Schlatt et

al. 2016).

Anwendungscluster

Seit der Einführung der Technologie im Jahr

2008 durch Satoshi Nakamoto, durchlief diese

eine dreistufige Entwicklung: BC 1.0, 2.0 und

3.0. Diese Aufteilung veranschaulicht jene

Technologiegrundlagen

The Advance of the Machines | 11

Entwicklung der BC-Technologie als Zahlungs-

mittel (1.0), der Implementierung von Program-

men auf der BC (2.0, sogenannte Smart-

Contracts) und der Adressierung von Problemen

konventioneller BC-Implementierungen, allen

voran der Skalierbarkeit, Interoperabilität und

Nachhaltigkeit (3.0). Im Laufe der Zeit haben si-

cher hieraus eine Reihe verschiedene Anwen-

dungscluster ergeben (Arnold et al. 2019). Ein

öffentliches Interesse an der ersten Generation

der BC entstand erst mit der Veröffentlichung

von Bitcoin, wodurch deren Rolle als Grundge-

rüst für Kryptowährungen bekannt wurde. Da

zum ersten Mal verteilte Netzwerke, kryptografi-

sche Algorithmen wie Hashfunktionen und

asymmetrische Kryptografie in einem gemeinsa-

men Kontext verwendet wurden, gelang ein

Durchbruch in der Informatik. Die Technologie

löste als Erste das Problem des Double Spending,

indem sie eindeutige digitale Repräsentationen

ermöglicht, wodurch zweimalige Verwendung

eines Coins oder Tokens effizient in einem de-

zentralen System verhindert wird (Kopf-

stein 2013). Hiermit wurde der Grundstein für

die BC als ein dezentrales Zahlungssystem ge-

legt.

Die zweite Generation der BC entstand 2013

durch die Einführung von Ethereum und ging

weit über die Ausführung von Finanztransaktio-

nen hinaus. Ethereum implementiert eine inte-

grierte, universell programmierbare Sprache

namens Solidity, welche eine universelle Pro-

grammierinfrastruktur bietet. Dank dieser Infra-

struktur werden Smart Contracts ermöglicht,

deren Konzept bereits 1994 von Nick Szabo vor-

gestellt wurde und ein computerbasiertes Trans-

aktionsprotokoll zur Ausführung von

Programmcode auf der BC beschreibt. Obwohl

nicht alle Smart Contracts Verträge in der

eigentlichen Form des Vertragsrechts sind, er-

möglichen sie eine erhebliche Automatisierung

der Prozesse, da gegenseitig misstrauische Ver-

tragspartner auf die Fälschungssicherheit der BC

vertrauen können (Lauslahti et al. 2017). Auf Ba-

sis dieser Smart Contracts ist die Abbildung fast

jeglicher Geschäftslogik möglich. Diese reichen

vom einfachen Abspeichern von Prozessinforma-

tionen, beispielsweise im Supply Chain Manage-

ment, bis hin zur Repräsentation ganzer

Unternehmen in Form von dezentralen selbst-

steuernden Organisationen (Schlatt et al. 2016).

Die dritte Generation der BC geht über Transak-

tionen und Smart Contracts hinaus und fokus-

siert sich hauptsächlich auf drei Anforderungen:

Skalierbarkeit, Interoperabilität und Nachhaltig-

keit. Bezogen auf Kryptowährungen ergeben

sich hinsichtlich der Skalierbarkeit drei Heraus-

forderungen: Transaktionen pro Sekunde, das

Netzwerk und das Datenvolumen. Diese Heraus-

forderungen sind miteinander verknüpft, denn je

mehr Personen dem Netzwerk beitreten, desto

mehr Datenverkehr fällt an und desto mehr

Transaktionen pro Sekunde müssen verarbeitet

werden. Interoperabilität beschreibt die Fähig-

keit unterschiedlicher Systeme, möglichst naht-

los zusammenzuarbeiten. Dabei gibt es nicht die

eine BC, sondern es existieren bereits einige

Netzwerke wie Bitcoin, Ethereum, Ripple oder Li-

tecoin. Jedes dieser Systeme hat seine eigene

Anwendungslogik und Regeln. Derzeit ist es für

jedes Netzwerk noch schwierig, mit einem ande-

ren zu kommunizieren. Aus diesem Grund müs-

sen Standards entwickelt werden, welche diese

unterschiedlichen Technologien und Netzwerke

ohne eine dritte Partei miteinander verbinden.

Nachhaltigkeit beschreibt die Fähigkeit einer be-

reits implementierten BC sich dynamisch an

Technologieentwicklungen und

Abbildung 3: Charakteristika von Blockchain-Implementierungen

Kryptographie:

Gewährleistung der

Datensicherheit und

Datenintegrität

Datenredundanz:

Sicherstellung der

Lebensdauer von

Transaktionen und Daten

Transparenz:

Nachvollziehbarkeit und

Nachprüfbarkeit aller

Aktionen im Netzwerk

Konsensalgorithmen:

Koordinierung der Transaktionen

zwischen den Teilnehmern

des Netzwerkes

Dezentralisierung:

Sicherstellung einer vertrauens-

würdigen Interaktion zwischen

den Netzteilnehmern

Technologiegrundlagen

12 | The Advance of the Machines

Anwendungsfälle anzupassen, statt statisch auf

Veränderungen zu reagieren. Mit der Umset-

zung dieser Anforderungen sollen zukünftig

weitreichende BC-basierte Ökosysteme aufge-

baut werden. Die Anwendungsszenarien bauen

nahtlos auf den Ideen der BC 2.0 auf, erlauben

jedoch eine nachhaltige Verwendung jenseits

der zuvor genannten Limitationen.

Potenziale, Herausforderungen und Vision

Der Anforderung, viele Mikrotransaktionen, bei-

spielsweise im IoT-Kontext, zeitnah auszuführen,

werden BCs der ersten und zweiten Generation

in der Regel nicht gerecht. Langfristig werden

zwar die Eigenschaften einer BC der dritten Ge-

neration angestrebt, aktuelle Lösungsansätze

befinden sich jedoch noch in der Konzeptionie-

rungs- oder zumindest noch in der frühen Test-

phase. Um jedoch eine nachhaltige Infrastruktur

für eine Vielzahl an Anwendungen aufzubauen,

bedarf es noch einiger Entwicklungsarbeit und

der Suche nach neuen Technologien. Denn ob-

wohl die BC den Oberbegriff der Distributed-

Ledger-Technologie erst geprägt hat, existieren

mittlerweile zahlreiche Projekte, welche nicht

alle Eigenschaften einer BC erfüllen, aber dem

Grundgedanken eines verteilten Kontobuchs fol-

gen. So werden Merkmale wie die verketteten

Blöcke von neuen Konzepten ersetzt, um unter-

schiedliche Limitierungen der BC zu umgehen.

Beispielsweise implementieren der Tangle von I-

OTA oder Swirlds Hashgraph einen gerichteten,

azyklischen Graphen, um die Begrenzungen der

BC hinsichtlich Skalierbarkeit und Mikrotransak-

tionen für (IoT-) Anwendungen aufzulockern

(Bashir 2017). Die zielgerichtete Identifikation

und Entwicklung von zukunftsträchtigen BC-An-

wendungsfällen erfordert daher ein ganzheitli-

ches Vorgehensmodell (Fridgen et al. 2018).

Technologiegrundlagen

The Advance of the Machines | 13

Das Internet der Dinge,

Künstliche Intelligenz und

Blockchain-Technologien

bilden das technologische Fundament

der Machine Economy

Technologiekonvergenz

14 | The Advance of the Machines

Technologiekonvergenz

The Advance of the Machines | 15

Bei der Betrachtung der Kombination aus KI und

BC ist anzumerken, dass beide Technologien die

Ergänzung der jeweils anderen ermöglichen. KI

kann vor allem dabei helfen, Konsensmechanis-

men traditioneller BC-Systeme zu verbessern.

Durch die Analyse von Transaktionen können

Fehlverhalten und Betrug schneller erkannt wer-

den. Ein KI-gestützter Konsensmechanismus

könnte nicht nur eine formale Prüfung von

neuen Transaktionen vornehmen, sondern auch

eine inhaltliche Validierung erlauben. Diese

Fähigkeit kann auch bei der Erstellung neuer

Smart Contracts helfen. Bereits kleine Fehler in

solch einem Programmcode können zu schwer-

wiegenden Konsequenzen führen. Im Pro-

grammcode von The DAO, einer auf der BC

existierenden Organisation, hat beispielsweise

ein unerkannter Bug dazu geführt, dass Unbe-

kannte Ether (die Währung der Ethereum-BC) im

Wert von 50 Mio. US Dollar stehlen konnten.

Speziell trainierte KIs könnten dabei helfen,

komplexe Smart Contracts auf solche Fehler zu

Aufbauend auf den individuellen Erläuterungen der drei Einzeltechnologien wird nun deren Zusammen-

spiel betrachtet. Dabei werden im Rahmen der übergreifenden Vision der Machine Economy zunächst die

bilateralen Technologiebeziehungen dargelegt. Im Anschluss wird die Konvergenz der drei Technologien

IoT, KI und BC als Trias der Machine Economy aufgezeigt. Aus den gewonnenen Erkenntnissen werden

daraufhin die Rollen und Anforderungen der einzelnen Kerntechnologien in der Machine Economy abge-

leitet.

Bilaterale Technologiebeziehungen in der Machine Economy

Hinsichtlich der Zweierkombinationen der jeweiligen Technologien konnte sowohl in der Forschung als

auch in der Praxis bereits umfassend dargelegt werden, dass durch die Kombination der Technologien völ-

lig neue Anwendungsfälle entstehen, welche durch Einzeltechnologien jeweils nicht realisierbar sind. Die

explizite Analyse jeder bilateralen Beziehung erlaubt eine Abbildung der abstrakten Nutzenvorteile der

einzelnen Technologien, wodurch das grundlegende Verständnis für eine Machine Economy geschaffen

wird, in der IoT, KI und BC symbiotisch wirken.

Künstliche Intelligenz – Blockchain

- ACTION -

Künstliche Intelligenz - INTERACTION -

Blockchain

•KI ermöglicht intelligente Konsens-

mechanismen für Blockchain-Lösungen

•Blockchain ermöglicht vertrauensvolles

Training von KI-Modellen

Technologiekonvergenz

16 | The Advance of the Machines

untersuchen oder sogar von vornherein sichere

Smart Contracts zu programmieren.

KI kann im Gegenzug von der BC-Technologie

durch dezentrale Abrechnung von Trainingspro-

zessen profitieren. Das Trainieren einer KI ist

sehr rechenaufwendig und zeitintensiv. Unge-

nutzte Geräte wie Roboter und Maschinen kön-

nen jedoch Rechenkapazität zur Verfügung

stellen, wenn sie nicht ausgelastet sind. BC kann

hier zur Koordination und automatischen Ent-

lohnung eingesetzt werden. An den vorher ge-

nannten Punkt anknüpfend, ist auch die Vision

einer vollständig dezentralen KI vorstellbar. Der-

zeit ist das Potenzial von KI noch durch lokale

Rechenleistungen beschränkt. Es wäre jedoch

ein globales Netzwerk mit theoretisch unbe-

schränkter Rechenleistung denkbar. Die Fähig-

keit einer KI könnte so von verschiedenen

Akteuren bei Bedarf als »KI-as-a-Service« gemie-

tet und verbrauchsgerecht über BC bezahlt

werden. In Verbindung mit Smart Contracts

wäre so ein hoher Grad an Automatisierung und

Komplexitätsbewältigung möglich.

Blockchain – Internet der Dinge

- ACTOR -

Internet der Dinge

- INTERACTION -

Blockchain

•Sensordaten aus dem Internet der Dinge

dienen als Grundlage für innovative

Blockchain-Lösungen

•Blockchain stellt sichere Identitäten für

das Internet der Dinge bereit

Die Kombination von BC und IoT verspricht

ebenso weitreichende Potenziale. Beispielsweise

kann die BC durch ein hochverfügbares, krypto-

graphisches Public-Key-Infrastructure-System in

der IoT für sichere Identitäten sorgen. Damit

wird ein Single Point-of-Failure eines Systems o-

der zentraler Entscheidungsträger vermieden.

Denn im IoT gewährleisten Identitäten die

Adressierung des richtigen Geräts in der gemein-

samen Kommunikation. Die BC erlaubt hier Me-

chanismen für eine sichere Zugangskontrolle via

dezentraler und hochverfügbarer Zugriffsrechte.

Technologiekonvergenz

The Advance of the Machines | 17

Allgemein wäre durch BC auch das Wiederher-

stellen von Datensouveränität und Datenschutz

im Zusammenhang mit KI möglich. Derzeit wird

KI in der Praxis oft durch Daten von Privatperso-

nen trainiert, welche dafür weder entlohnt wer-

den noch sich dessen überhaupt bewusst sind.

BC ermöglicht in diesem Fall die Kontrolle, selek-

tive Freigabe, Vergütung und Nachvollziehbar-

keit der Datennutzung. Damit bleibt die

Datenhoheit bei den Privatpersonen. Auch im

Unternehmensbereich wird so das einmalige An-

lernen von KI ermöglicht, ohne dass die Daten

das Unternehmen verlassen müssen (z. B. An-

passung von Gewichtungen in neuronalen Net-

zen). Eine weitere Ergänzung in der betrachteten

Beziehung ist die Anwendung von BC zur Proto-

kollierung von KI-Entscheidungen. Diese sind

häufig zu komplex und so für Menschen nicht

mehr nachvollziehbar. BC eignet sich in diesem

Kontext zur fälschungssicheren Protokollierung

im Falle von Unfällen an denen KI beteiligt ist.

Identitäten können so auch Reputation erlan-

gen, wodurch sie sich als vertrauenswürdige Ge-

räte ausweisen können. Auch die allgemeine

Sicherheit von IoT-Devices kann durch BC-Tech-

nologien verbessert werden. Mit Hilfe von De-

vice Firmware Hashing wird der Hash der

Firmware auf der BC gespeichert. Im nächsten

Schritt gleicht das IoT-Gerät die erhaltene Firm-

ware mit dem Eintrag auf der BC ab. Wenn der

Wert der BC gleich dem der erhaltenen Firm-

ware ist, erfolgt ein Update. Wenn die Werte

ungleich sind, wird ein Update verweigert und

damit die Verwendung einer manipulierten Firm-

ware verhindert. Die ergänzende Kombination

von IoT und BC ist auch in Form von BC-basier-

ten Marktplätzen (z.B. IOTA Marketplace) von

Nutzen. Hier werden Mikrotransaktionen abge-

wickelt, um die Bereitstellung von Sensordaten

zu vergüten. Bei diesem Vorgang fragt Device A

Daten an, woraufhin Device B die Daten freigibt.

Danach erfolgt eine Zahlung von Device A an

Device B. Solch ein Szenario ist dann gegeben,

wenn eine Maschine von gewissen Daten profi-

tiert, diese aber nicht selbst erheben oder verar-

beiten kann. Bei zunehmender Anzahl an

Geräten und ggf. eintretender Ressourcen-

knappheit erlaubt ein solches Vorgehen ökono-

misches Kalkül und damit eine optimale

Allokation der Ressourcen.

Darüber hinaus kann nicht nur IoT von den Ei-

genschaften der BC profitieren. Auch viele BC-

spezifische Anwendungsfälle sind zwangsläufig

auf die Bereitstellung von Sensordaten angewie-

sen. Hierbei wird auch von sogenannten Oracles

gesprochen. Diese Oracles haben die Aufgabe,

Informationen über die Echtwelt für die BC be-

reitzustellen. Beispielsweise erlaubt es die BC,

Zahlungen automatisch auf Basis von Wetterer-

eignissen auszuführen, wozu es jedoch verlässli-

che Temperaturdaten braucht. Maschinen mit

den entsprechenden Sensoren könnten diese In-

formationen aufzeichnen und der BC zur Verfü-

gung stellen. Um eine sichere Abbildung der

Realität zu gewährleisten, ist hier vor allem eine

Vielzahl an Oracles notwendig. Da einzelne Ge-

räte manipuliert werden könnten, bedarf es vor

allem einem Netz aus möglichst vielen Sensoren,

welche sich anschließend auf einen bestimmten

Wert einigen. Die große Zahl an IoT-Geräten

könnten genau solch ein Netz bereitstellen.

Technologiekonvergenz

18 | The Advance of the Machines

Weltweit nutzen Unternehmen zunehmend das

IoT, um neue Netzwerke von Produkten und

Dienstleistungen zu schaffen und innovative Ge-

schäftsmöglichkeiten zu eröffnen. Um das dar-

aus resultierende Potenzial voll auszuschöpfen,

ist intelligentes Verhalten in Form von fundierten

Entscheidungen innerhalb dieser Netzwerke nö-

tig. Durch die Kombination mit KI entstehen so

digitale Ökosysteme, deren Wert den der einzel-

nen Technologiestränge deutlich übersteigt. Da-

ten sind die Währung der digitalen Wirtschaft

und als solche auch die zentrale Komponente in

der Verknüpfung von IoT und KI.

Exponentielles Wachstum des Datenvolumens

wird durch IoT ausgelöst und weiter aufrecht-

erhalten. Diese Flut an Daten bietet allerdings

nur dann einen Mehrwert, wenn daraus Infor-

mationen generiert und diese umsetzbar ge-

macht werden können. An diesem Punkt kommt

KI als Provider von Kontext und Bedeutung ins

Spiel, der eine vernetzte Intelligenz erst ermög-

licht. Dabei basiert diese smarte Vernetzung so-

wohl auf Echtzeit-Austausch als auch auf

Informationsbereitstellung durch Analysen über

einen längeren Zeitraum hinweg.

KI erweitert den Handlungsspielraum von IoT-

Anwendungen durch die Beantwortung der Fra-

gestellungen »Was wird passieren?« (Predictive

Analytics), »Was sollen wir tun?« (Prescriptive

Analytics) sowie »Welche Veränderungen stehen

an und welche Anpassungen sollen wir vorneh-

men?« (Adaptive / Continuous Analytics).

Gleichsam profitiert auch KI vom IoT. So ist die

Fähigkeit des IoT, Echtzeit-Feedback zu generie-

ren, für adaptive Lernsysteme von entscheiden-

der Bedeutung.

Die Kombination von IoT und KI durch die kluge

Nutzung ihrer Interdependenzen verändert da-

mit potenziell ganze Branchen sowie die Bezie-

hungen, die Unternehmen zu ihren Kunden

haben. Unabhängig davon, ob ein Unternehmen

IoT und KI verwendet, um Kunden zu gewinnen,

Gesprächspartner für Kunden zu implementie-

ren, Benutzererfahrungen anzupassen, Analysen

zu erhalten oder die Produktivität zu optimieren,

schafft der Einsatz von IoT und KI neue Dynami-

ken im Unternehmen. Es wird ein Einblick in je-

des Datenelement aus internen und externen

Beziehungen bis hin zur Auswertung von Ge-

schäftsprozessen ermöglicht. Der Raum für Er-

kenntnisgewinne erstreckt sich von den

tatsächlichen Abläufen zwischen Fertigung und

Internet der Dinge – Künstliche Intelligenz

- ACTOR -

Internet der Dinge

- ACTION -

Künstliche Intelligenz

•Sensordaten aus dem Internet der Dinge

trainieren KI-Modelle

•KI erweitert den Handlungsspielraum

von intelligenten physischen Objekten

Technologiekonvergenz

The Advance of the Machines | 19

Vertrieb bis hin zu dem, was Kunden effektiv be-

wegt und wie Mitarbeiter, Lieferanten und Part-

ner in den verschiedenen Bereichen des

gesamten Ökosystems interagieren. Anstatt Ge-

schäftsprozesse nur softwaregestützt zu model-

lieren, geben IoT-Geräte Systemen eine direkte

Schnittstelle zur realen Welt. Überall dort, wo

Sensoren oder Geräte zum Messen, Interagieren

oder Analysieren platziert werden, kann ein IoT-

Gerät durch die Kombination mit KI-Systemen

mit einem erheblichen Mehrwert ausgestattet

werden (Schmelzer 2019). Frühzeitigen Anwen-

dern und Innovatoren verspricht diese Konstella-

tion enorme Vorteile in Form von niedrigeren

Kosten, besseren Kundenerfahrungen und ei-

nem Vorsprung bei der Erschließung neuer Ge-

schäftsmöglichkeiten (PwC 2017).

Rollen der Technologien in der Machine

Economy

Die Realisierung der beschriebenen bilateralen

Technologiebeziehungen verspricht bereits einen

erheblichen ökonomischen Mehrwert für Unter-

nehmen. Erst die Kombination aller drei identifi-

zierten Kerntechnologien zu einem digitalen

Ökosystem setzt jedoch das komplette Potenzial

autonom agierender Maschinen am Markt frei.

In der Machine Economy stehen das Zusammen-

spiel der Einzeltechnologien und dessen wirt-

schaftliche Auswirkungen im Fokus. Sie ist daher

vom oft synonym verwendeten Begriff der Ma-

chine-to-Machine Economy abzugrenzen, der

insbesondere die technologische Perspektive und

den Informationsaustausch zwischen Maschinen

in den Vordergrund stellt.

In der Machine Economy ermöglicht die Trias

aus IoT, KI und BC vernetzte, effiziente und si-

chere Marktaktivitäten, ohne dass Menschen in

die ablaufenden Prozesse direkt einbezogen

werden. Autonome Maschinen übernehmen

also einen Großteil der wirtschaftlichen Transak-

tionen in der Wertschöpfung. Das Ausmaß die-

ser technologischen Autonomie lässt sich

anhand des heutigen Stands digitaler Ökosys-

teme bisher nur in Teilen beispielhaft veran-

schaulichen. So wird sich etwa die Vorstellung

von autonomem Fahren in Zukunft grundlegend

verändern. Führerlose Autos werden nicht nur

Personen sicher an ihr Ziel bringen können, son-

dern als autonom agierende Marktteilnehmer

bedarfsorientierte Services anbieten, Zahlungen

entgegennehmen und individuelle Budgets für

Transaktionskosten wie elektrische Tankladun-

gen, Mautgebühren und Versicherungen bereit-

stellen.

IoT, KI und BC nehmen in der Machine Economy

individuelle Rollen ein, die das intelligente Agie-

ren von Maschinen und deren sicheren Aus-

tausch in Echtzeit ermöglichen. Dabei leistet jede

der Technologien einen eigenen Beitrag für die

Abwicklungsprozesse in der Machine Economy

und fördert gleichzeitig die Potenziale der übri-

gen Technologien. Für Unternehmen ist es ent-

scheidend, die jeweilige Technologierolle im

digitalen Ökosystem zu verstehen. Nur so kön-

nen Anwendungsszenarien identifiziert, Prozesse

und Strukturen adaptiert und ein optimales Zu-

sammenspiel von IoT, KI und BC erreicht wer-

den.

IoT – Der ACTOR in der Machine Economy

Das IoT bildet im Wirtschaftssystem der Machine

Economy die physische Repräsentanz und tritt

damit als Bindeglied zwischen digitaler und phy-

sischer Welt auf. In Form von vernetzten Gerä-

ten und Systemen, die Daten sammeln,

Informationen austauschen und Handlungen

ausführen, übernimmt das IoT die Rolle des »Ac-

tors«, der aktiv als Teilnehmer des wirtschaftli-

chen Marktgeschehens der Machine Economy in

Erscheinung tritt.

Durch die Vernetzung einer immer größeren An-

zahl an Geräten, die durch immer kleinere, preis-

wertere und flexibler einsetzbare

Rechenkomponenten exponentiell ansteigt, ste-

hen immer größere Mengen an Sensordaten zur

Verfügung. Das wiederum eröffnet ein neues

Spektrum an Möglichkeiten, um die ausgeführ-

ten Handlungen der physischen Instanzen durch

Anwendung von KI intelligenter und effizienter

zu gestalten und so die Produkte und Services

kontinuierlich zu verbessern. Gleichzeitig ent-

steht durch die Verbindung besserer und leis-

tungsstärkerer IoT-Geräte eine stabilere Struktur

aus Netzknoten für die BC als sichere, dezentrale

Transaktionsplattform.

Mit der steigenden Zahl smarter Geräte wächst

also nicht nur die Menge an bereitgestellten Da-

ten, sondern durch den Informationsgewinn so-

wie effizienteren und sichereren

Informationsaustausch erhöht sich auch deren

Nutzungspotenzial als »Actor« in der Machine

Economy.

Technologiekonvergenz

20 | The Advance of the Machines

KI – Initiator der ACTION in der Machine Eco-

nomy

In der Trias der Machine Economy übernimmt KI

die Planung und Steuerung von Aktivitäten, in-

dem relevante Informationen auf Basis gesam-

melter Daten bereitgestellt werden. Durch die

Generierung von neuem Wissen leitet KI ab,

welche Handlungen, Anpassungen und Reaktio-

nen im digitalen Ökosystem für optimale Ab-

läufe zwischen den Technologiekomponenten

sowie in der Interaktion mit der Umwelt sorgen.

KI tritt demnach als Initiator für die »Action« in

der Machine Economy auf.

KI zeichnet sich durch seine charakteristische

Lernkomponente aus. Die daraus resultierende

Fähigkeit, Erkenntnisse aus den schier endlosen

Datenströmen der physischen Welt zu gewin-

nen, macht sie zu einer unverzichtbaren Ergän-

zung des IoT. Davon profitiert sowohl die

Konnektivität als auch die Aktivität von Geräten

in Form von steigender Effizienz durch intelligen-

tes Monitoring, Echtzeitprognosen und smartem

Entscheidungsmanagement. Zugleich ist die Effi-

zienzsteigerung auch für den BC-gestützten, de-

zentralen Datenaustausch relevant. Die

Implementierung von dezentralisierten Lernsys-

temen bietet die Möglichkeit, Transaktionen be-

züglich ihrer Relevanz im System zu bewerten

und so mit der Problemstellung hoher

Transaktionsfrequenz sowie mit dem damit ein-

hergehenden immensen Energiebedarf umzuge-

hen.

Im Zuge der Entwicklung immer leistungsfähige-

rer Algorithmen ist ein Fortschreiten der KI-An-

wendung entlang des Komplexitätsspektrums

der Aufgaben zu beobachten. Der erzielbare In-

formationsgewinn erhält technologieübergrei-

fend durch die steigende Konnektivität von

Geräten, rasant wachsende Datenmengen und

den Bedarf an Sicherheit und Skalierbarkeit des

Datenaustauschs zusätzliche Relevanz. Deshalb

ist KI als Initiator der »Action« ein entscheiden-

des Element der Machine Economy.

Blockchain – Provider der INTERACTION in

der Machine Economy

Für die Kommunikation und den multidirektio-

nalen Austausch der Akteure der Machine Eco-

nomy sorgt die BC als dezentrale

Transaktionsplattform. Durch Bereitstellung der

ökonomischen Rahmenbedingungen übernimmt

die BC die Rolle als Provider der »Interaction« in

der Machine Economy.

Die BC ermöglicht die unveränderliche Abbil-

dung aller wirtschaftlichen Vorgänge innerhalb

des digitalen Ökosystems durch die Bereitstel-

lung einer sicheren und transparenten Infra-

struktur. Dadurch kann sowohl ein höheres Maß

- ACTOR -

Internet der Dinge

Das Bindeglied zwischen

physischer und digitaler Welt

- ACTION -

Künstliche Intelligenz

Die autonome Planung und Steuerung

von intelligenten Handlungen

- INTERACTION -

Blockchain

Die sichere und transparente

Kommunikationsinfrastruktur

MACHINE

ECONOMY

Technologiekonvergenz

The Advance of the Machines | 21

an Datensicherheit und -integrität als auch die

ständige und allumfassende Datenverfügbarkeit

bezüglich abgewickelter Transaktionen gewähr-

leistet werden. Die eindeutige Identifikation von

Geräten mittels individueller Signaturen oder

vollständig digitaler Identitäten schafft innerhalb

eines Netzwerks von IoT-Geräten rechtssichere

Nachvollziehbarkeit und damit Vertrauen bei al-

len Marktteilnehmern. Durch Echtzeittransfers

und das Wegfallen von Intermediären steigt zu-

dem die Effizienz der Interaktionen im IoT. Von

effizienterem und sichererem Datenaustausch

profitiert wiederum auch die KI durch die daraus

folgende erhöhte Datenverfügbarkeit. Zudem

führt gesteigertes Vertrauen in die genutzte Da-

tengrundlage und die Aufzeichnung von Ent-

scheidungsprozessen in der BC zu einer besseren

Nachvollziehbarkeit von KI-Anwendungen durch

die Marktteilnehmer.

Durch Gewährleistung von Sicherheit und Trans-

parenz beim Austausch von Informationen zwi-

schen Geräten sowie von Vertrauen in und

Effizienz von KI-gesteuertem Entscheidungsma-

nagement leistet die BC als Provider der »Inter-

action« einen wesentlichen Beitrag in der

Machine Economy.

Auswirkungen der Machine Economy

im Unternehmen

In einer digitalen Wirtschaft stehen Unterneh-

men vor vielfältigen Herausforderungen. Die

Ausrichtung am Kunden ist dabei unerlässlich.

Um den Kunden als zentralen Werttreiber stets

im Blick zu haben und Handlungen an diesem

Bezugspunkt auszurichten, können Unterneh-

men sich entlang der fünf Ebenen einer Unter-

nehmensarchitektur gliedern (siehe Abbildung 4)

(Urbach und Röglinger 2019).

Im Rahmen der Machine Economy ist es für Un-

ternehmen essenziell, Strukturen und Prozesse

zu etablieren, in denen das Zusammenspiel der

Ebenen reibungslos funktioniert und weiterent-

wickelt werden kann. Die Auswirkungen, die die

drei betrachteten Technologien auf die einzel-

nen IS-Ebenen haben, sollen im Folgenden an-

hand der Geschäftsmodell-, Geschäftsprozess-,

Daten- und Informations- sowie der Infrastruk-

turebene näher betrachtet werden.

Das Geschäftsmodell umfasst die globale Unter-

nehmensaufgabe mitsamt den zugehörigen Zie-

len, Strategien und Rahmenbedingungen. Es

definiert unter anderem, wie das Unternehmen

agiert und welche Kosten und Erlösmodelle es

nutzt, um erfolgreich zu sein. Darüber hinaus

legt es eine passende Organisationsstruktur fest,

mit dem Zweck, Unternehmen durch gezielte

Vernetzung mit Partnern in ein funktionierendes

digitales Wertschöpfungsnetz zu integrieren.

Diese Sichtweise auf Geschäftsmodelle war

lange Zeit sinnvoll und erfolgreich, gerät in der

Machine Economy jedoch zunehmend unter

Druck. Denn durch KI werden nicht nur Ge-

schäftsprozesse, sondern auch gesamte Ge-

schäftsmodelle neu gedacht. Durch die BC

werden Geschäftswelten nicht nur untereinan-

der, sondern auch übergreifend miteinander ver-

netzt. Diese Vernetzung wird insbesondere die

Beziehung von Geschäftspartnern untereinander

spürbar verändern. Denn während heutzutage

noch die persönliche Beziehung und Vertrauen

untereinander ein großer Faktor ist, wird dieser

zukünftig durch die zugrundeliegende Technolo-

gie abgebildet. KI-basierte Managementunter-

stützungssystem erlauben es, bevorstehende

Entscheidungen stärker datenbasiert und ratio-

nal zu treffen.

Die Geschäftsprozesse eines Unternehmens or-

ganisieren die Zusammenarbeit über

Technologiekonvergenz

22 | The Advance of the Machines

Funktionsbereiche hinweg. Für eine effiziente

Unternehmensführung ist die Ausrichtung an

diesen deshalb essenziell. Geschäftsprozesse

spezifizieren, welche Aufgaben durchgeführt

werden müssen und wie diese miteinander ver-

flochten sind. Im Zuge der Entwicklungen hin

zur Machine Economy wird es auch hier große

Veränderungen geben. Moderne Techniken wie

Process Mining werden durch das IoT ermöglicht

und lassen neue Rückschlüsse auf die Effizienz

und Gestaltung von Geschäftsprozessen zu. BCs

und Smart Contracts ermöglichen eine sichere

Abwicklung von Geschäftsprozessen über Unter-

nehmensgrenzen hinweg, sogar dann, wenn

Unklarheit über die wirkliche Informationslage

besteht.

Neue Geschäftsprozesse entstehen und werden,

wie in Kapitel 3.1 beschrieben, durch den Ein-

satz von KI gesteuert.

Aufgaben aus Geschäftsprozessen können ent-

weder manuell (durch Mitarbeiter), automatisiert

(durch Anwendungssysteme) oder durch eine

Kombination beider durchgeführt werden. Bis-

her wurden Informationssysteme hauptsächlich

dafür benutzt, Mitarbeiter in ihrer Tätigkeit zu

unterstützen (siehe zum Beispiel ERP-Systeme,

Business-Intelligence-Systeme etc.) und somit

bessere Prozessleistung zu erreichen. Dieses Sys-

tem bietet verschiedene Vor- und Nachteile.

Zum einen ist der Mensch als Mitarbeiter an Fle-

xibilität und Anpassung unübertroffen. Anderer-

seits müssen Mitarbeiter auch aufwendig

geschult werden, damit sie ihre Aufgabe erledi-

gen können, was Skalierungslimitationen mit

sich bringt. Diese entfallen jedoch, sobald Ma-

schinen kognitiv anspruchsvolle Aufgaben über-

nehmen können, welche bis dato Menschen

vorbehalten waren. Dies führt unter anderem

dazu, dass Dinge im IoT nicht mehr eigenständig

betrachtet werden, sondern sie sich zu neuen

Systemen zusammenschließen, die wiederum je-

weils ein »System of Systems« bilden (siehe Ab-

bildung 5).

In der Machine Economy wird das insbesondere

zu noch größerer Prozessleistung führen. Zur

Veranschaulichung dient der Kundenberater als

gutes Beispiel. Während dieser täglich von 8 bis

20 Uhr erreichbar ist, um Kundenanfragen zu

bearbeiten, kann ein Chatbot dieselbe Aufgabe

quasi ununterbrochen und sogar für mehrere

Kunden gleichzeitig erledigen. Für die Durchfüh-

rung dieser Aufgaben, werden Daten und Infor-

mationen benötigt. Im Zuge der Digitalisierung

hat sich die Anzahl verfügbarer Daten rapide ge-

steigert, sodass heut sogar ein Überangebot an

Abbildung 4: Fünf-Ebenen Modell einer Unternehmensarchitektur (Urbach und Röglinger 2019)

Technologiekonvergenz

The Advance of the Machines | 23

Daten herrscht. Es gilt, durch Kombination ver-

schiedener Daten Informationen zu gewinnen,

die wiederum in größerem Umfang Wissen be-

gründen. Einige Verfahren werden bereits heute

eingesetzt. Diese beruhen jedoch auf statisti-

schen Analysemethoden und sind nicht in der

Lage, mit der Fülle und Menge an Daten vollum-

fänglich umzugehen. Durch maschinelles Lernen

und neue Analysemethoden können zukünftig

Verknüpfungen zwischen Daten hergestellt und

somit Informationen generiert werden, die bis-

her undenkbar waren (zum Beispiel frühzeitiges

Erkennen von Trends oder Kundenbedürfnissen).

Um die Potenziale des Einsatzes digitaler Tech-

nologien nutzen zu können, wird eine passende

Infrastruktur benötigt. Dazu gehören alle Hard-

warekomponenten und Systemsoftware, die zur

technischen Umsetzung notwendig sind.

Hier gibt es im Bereich Hardware bereits große

Veränderungen durch den Fortschritt des IoT, in-

dem erstens viel mehr Dinge hinzugekommen

sind und sich zweitens deren Diversität erhöht

hat. Im Rahmen der Machine Economy werden

diese Veränderungen noch intensiver werden.

Während das Internet aktuell als ein Internet der

Informationen fungiert, wird die BC dabei hel-

fen, ein Internet der Werte zu etablieren.

Abbildung 5: Die Entwicklung von physischen Produkten zu einem System of Systems durch das IoT am

Beispiel einer Landmaschine (Porter und Heppelmann 2014)

Technologieanwendung

24 | The Advance of the Machines

Technologieanwendung

The Advance of the Machines | 25

Retourenannahme und intelligente

Lagerverwaltung

In Deutschland ist der Versand von Päckchen

und Paketen in den vergangenen zehn Jahren

von 2,1 Mrd. auf 3,6 Mrd. angestiegen, was ei-

nem Zuwachs von 71 % entspricht (BIEK 2019).

Die gesamte Logistikindustrie steht vor großen

Umbrüchen im Zuge der Digitalisierung, insbe-

sondere zurückzuführen auf zwei Aspekte: Zum

einen arbeiten viele Unternehmen in der Paket-

verarbeitung noch per Hand. Einer aktuellen Stu-

die zufolge sehen sich lediglich 28 % der

Transport- und Logistikunternehmen auf die Di-

gitalisierung vorbereitet (Tipping und Kauschke

2016). Im Vergleich mit anderen Wirtschafts-

zweigen wie der Automobilbranche (41 %) und

dem Elektroniksektor (45 %) ist das eher wenig.

Zum anderen sind die Grundvoraussetzungen

für technologische Durchbrüche im Logistiksek-

tor besser als jemals zuvor. Noch nie gab es Zu-

gang zu so vielen Daten und bisher wird

lediglich ein Bruchteil davon analysiert. Es bieten

sich also enorme Potenziale, die durch den Ein-

satz von Analysetechniken wie maschinellem

Lernen gehoben werden können.

Anhand eines selbst entwickelten Proof-of-Con-

cepts (PoC) wird die Funktionsweise der Ma-

chine Economy in diesem Bereich deutlich.

Insbesondere die Retourenabwicklung, welche

im Moment noch größtenteils von Personen er-

ledigt wird, kann dadurch optimiert werden.

Darüber hinaus ermöglicht eine intelligente La-

gerverwaltung neue Geschäftsmodelle, etwa

eine nutzungsgenaue und transparente Abrech-

nung eines Logistikdienstleisters für ihre Kunden

(Pay-per-Use).

Die Machine Economy lässt sich in verschiedenen Kontexten vorstellen und verwirklichen. Es sind beson-

ders diejenigen Märkte betroffen, deren Teilnehmer zunehmend Maschinen ausmachen, die durch auto-

nomes Agieren die menschliche Beteiligung an Transaktionen verzichtbar machen. Gerade

Wirtschaftsbereiche, die sich nicht mehr im Anfangsstadium der digitalen Transformation befinden und

solche, die über ein hohes Potenzial für den Einsatz intelligenter Maschinen verfügen, können von der

Technologiekonvergenz profitieren. Nachfolgend werden drei Anwendungsfälle der Machine Economy

diskutiert, die bereits heute prototypisiert, getestet und evaluiert werden (siehe Abbildung 6).

Abbildung 6: Ausgewählte Anwendungsfälle der Machine Economy

Intelligente Steuerung von

wirtschaftlich autonom

handelnden Windparks

Retourenannahme

und intelligente

Lagerverwaltung

Zero Trust Architektur als

sichere Infrastruktur für

die Machine Economy

Technologieanwendung

26 | The Advance of the Machines

Betriebswirtschaftliche Betrachtung

Die Verschmelzung von physischen Geräten mit

verschiedenen Technologien ermöglicht neue

Wege den Retourenprozess sowie nachfolgende

Prozesse der Lagerverwaltung effizienter und au-

tomatisiert abzuwickeln.

In Logistikzentren erfolgt die Kontrolle von an-

kommenden Paketen und deren Inhalten hin-

sichtlich Quantität und Qualität aktuell zumeist

per Hand und verursacht dadurch im bundes-

deutschen Mittel circa 19,51 Euro an Abwick-

lungskosten pro Retoure (Asdecker und Sucky

2019). Vor dem Hintergrund zunehmender Pa-

ketversendungen sowie -rücksendungen stellen

diese Kosten für viele Unternehmen eine zuneh-

mend große Belastung dar. Abhilfe kann dabei

durch Prozessautomatisierung und den Einsatz

von Informationstechnologie geschaffen wer-

den. Die Abwicklung einer Paketretoure wird im

beschriebenen Anwendungsfall durch den Ein-

satz verschiedener Kameras mit entsprechender

Bilderkennungssoftware übernommen. Im ersten

Schritt werden Absender und Sendungsnummer

über eine Kamera erfasst und ausgewertet. Im

ERP-System kann daraufhin die entsprechende

Versanddokumentation aufgerufen werden.

Nachdem das Paket geöffnet wurde, erfasst eine

zweite Kamera den Inhalt und überprüft, ob es

sich um die laut Versanddokumentation bzw.

Retourenangaben richtigen Inhalte handelt.

Sollte ein Fehler vorliegen, wird das Paket vom

Förderband sortiert und ein Mitarbeiter schaut

sich diesen Fall gesondert an. Meldet das System

keine Auffälligkeiten, wird das Paket zur nächs-

ten Verarbeitungsstation weitergeleitet.

Im darauffolgenden Prozessschritt wird das Pa-

ket vermessen, damit es in ein entsprechendes

Lagerregal sortiert werden kann. Für externe

Nutzer von Lagerkapazitäten (z.B. kleine Online-

händler, die sich kein eigenes Lager- und Ver-

sandsystem aufbauen können, sondern diesen

Dienst bei anderen Unternehmen in Anspruch

nehmen) bietet diese Vermessung den Vorteil,

dass Lagerplätze volumengerecht abgerechnet

werden können und somit nur für den wahren

Lagerplatz bezahlt werden muss (Pay-per-Use).

Ein intelligentes Lagerverwaltungssystem legt

den optimalen Ablageplatz für das Paket fest,

damit Lagerfläche möglichst effizient genutzt

wird.

Technologieanwendung

The Advance of the Machines | 27

Technische Funktionsweise

Abbildung 7 zeigt schematisch den technischen

Aufbau des Anwendungsfalls. Zwei Industriero-

boter (Nr. 1, Nr. 2) sowie ein Förderband bilden

den Grundaufbau des Prototyps. Die Roboter

können jeweils über eine Computereinheit mitei-

nander kommunizieren. Das Förderband ist mit

Roboter 2 verbunden und wird über diesen ge-

steuert. Es werden zwei verschiedene Kameras

zur Bilderkennung verwendet. Eine handelsübli-

che Webcam (Nr. 3) wird zur Überprüfung der

Paketinhalte verwendet. Zur Ermittlung der Pa-

ketgröße wird eine Infrarotkamera mit Tiefener-

kennung (Nr. 4) eingesetzt. Die Steuerung des

Demonstrators erfolgt über ein webbasiertes In-

terface, welches sowohl die Informationen aller

Akteure bündelt als auch Befehle entgegen-

nimmt.

Internet-of-Things-Komponente

Die beiden Industrieroboter sowie das Förder-

band sind die physischen Objekte, die mithilfe

der Computer gesteuert werden und so ein

Netzwerk bilden, welches mit dem Internet ver-

bunden ist. Über das Netzwerk können bidirekti-

onal Nachrichten und Daten ausgetauscht

werden, wodurch ein kontinuierlicher Informati-

onsfluss erreicht wird, was eine wichtige Voraus-

setzung für die Prozessautomatisierung darstellt.

Alle anfallenden Daten werden über die Netz-

werkschnittstelle mit einem Server synchronisiert

und über ein Webinterface ausgegeben. Bei-

spielsweise kann der erste Roboter am Waren-

eingang ankommende Pakete auf das

Förderband legen und den Start des Bandes

beim zweiten Roboter anfordern, welcher

schließlich die Lieferung im Lager einsortiert.

Künstliche-Intelligenz-Komponente

Die Bilderkennung im PoC erfolgt über zwei un-

terschiedliche Systeme. Kamera eins (Nr. 3) ver-

wendet eine vollvernetzte neuronale

Netzwerkarchitektur (fully connected neural net-

work), um Paketinhalte zu klassifizieren und zu

zählen. Zur Vereinfachung erfolgt die Klassifizie-

rung über Zahlen auf den einzelnen Paketinhal-

ten. Die zweite Kamera (Nr. 4) kann mittels

Infrarotsensorik das Paket präzise dreidimensio-

nal vermessen und ermöglicht somit dem zwei-

ten Roboter die Auswahl eines geeigneten,

platzsparenden Lagerplatzes.

Abbildung 7: Technischer Aufbau des Dobot Use Cases mit zwei Robotern und einem Förderband

Technologieanwendung

28 | The Advance of the Machines

Technologieanwendung

The Advance of the Machines | 29

Blockchain-Komponente

Als BC-Lösung bietet Hyperledger Fabric eine

gute Antwort auf die Anforderungen in einem

konsortialen Umfeld und wurde speziell für diese

Anwendung entwickelt. Dabei handelt es sich

um ein privates, zugangsbeschränktes System,

welches nur die gewünschten Akteure am Netz-

werk teilnehmen lässt. Die BC wird primär zu

vertrauensstiftenden und fälschungssicheren Do-

kumentationszwecken eingesetzt. Beispielsweise

kann der Kunde überprüfen, wann seine Re-

toure im Lager angekommen ist und von Robo-

ter 1 bearbeitet wurde oder ob die Analyse der

Ware durch die KI ein positives Ergebnis geliefert

hat und der Käufer mit einer zeitigen Rückerstat-

tung rechnen kann. Des Weiteren ermöglichen

Smart Contracts die automatisierte Interaktion

der beiden Industrieroboter. Da Hyperledger

Fabric keine native Kryptowährung implemen-

tiert, muss mithilfe von Chaincode ein interner

Token programmiert werden. Anschließend

kann jede Partei Zahlungen mittels einer Trans-

aktion empfangen und versenden. Beispiels-

weise muss das Unternehmen sich nicht

selbstständig um das Trainieren der KI zur Ob-

jekterkennung kümmern, sondern kann aufge-

nommenes Bildmaterial einem Dienstleister zur

Auswertung zusenden und diesen automatisch

über das Netzwerk bezahlen.

Intelligente Steuerung von wirtschaft-

lich autonom handelnden Windparks

Im Zuge der Energiewende und der damit ein-

hergehenden Förderung von erneuerbaren Ener-

gien – bis 2030 sollen die erneuerbaren Energien

über 60% am Energiemix betragen – erfolgt die

Energieerzeugung zunehmend dezentral (Bun-

desministerium für Wirtschaft und Energie 2018,

Draht 2020). Entsprechend steigen auch die An-

forderungen an die Flexibilität bei der Energieer-

zeugung, um den Anteil der erneuerbaren

Energien in die Strommärkte und das Stromver-

sorgungssystem integrieren zu können, ohne da-

bei die Versorgungssicherheit zu gefährden

(Bundesnetzagentur 2017). Zunehmend wird da-

bei auch die die Rolle des (autarken) Peer-to-

Peer Energiehandels diskutiert und evaluiert

(Kraus 2020). Einen konkreten Anwendungsfall

repräsentierten hierbei die intelligente und auto-

nome Steuerung von Windparks sowie deren In-

tegration in Energiemarktplätze. Die

Koordination von Windparks als »Energiequelle«

erfolgt hier vermehrt dezentral, dynamisch und

intelligent, um Erzeugungsmengen in Echtzeit

an den aktuellen Bedarf sowie die Nachfrage an-

zupassen. Dabei agieren die einzelnen Windrä-

der, basierend auf einer Vielzahl von

Parametern, wie Strombörse, Verbrauchserwar-

tung, und Wettervorhersagen, autonom und re-

geln entsprechend unterschiedlicher

Maximierungsziele, wie z.B. Gewinn und Netz-

stabilität, die Erbringungsmenge.

Bei diesem Anwendungsfall handelt sich um

eine Neuordnung des Energiemarkts, bei der die

Kunden ihren Strom direkt vom Produzenten er-

werben und der ursprüngliche Stromlieferant

ggf. lediglich einen Marktplatz bereitstellt, der

für die Transaktionsabwicklung und den Aus-

tausch von Informationen genutzt wird. Die Ma-

chine Economy ermöglicht im Energiemarkt also

den Paradigmenwechsel von passiven Markteil-

nehmern zum proaktiven Energiehandel durch

autonom und intelligent agierende Maschinen.

Daraus resultieren nicht nur neuartige Fragestel-

lungen hinsichtlich zukunftsträchtiger Geschäfts-

modelle und den Rollen des neuen Systems,

sondern auch Ansätze hinsichtlich der Energie-

speicherung und der Dimensionierung von

Stromtrassen. Zudem wird sehr deutlich, dass

die Ausfallsicherheit und Integrität der intelligen-

ten Windparks höchste Priorität besitzen müs-

sen. Fehlfunktionen und IT-Schwachstellen, die

Technologieanwendung

30 | The Advance of the Machines

von Dritten böswillig ausgenutzt werden, könn-

ten weitreichende und schwerwiegende Folgen

haben.

Mit Blick auf die einzelnen Technologieelemente

lässt sich die Konvergenz im Sinne der Machine

Economy in diesem Szenario besonders greifbar

darstellen.

Internet-of-Things-Komponente

Die einzelnen Windräder, als Komponenten der

Energiegewinnung eines Windparks, sind mit in-

ternetfähigen Steuerungseinheiten ausgestattet

und bilden die erzeugerseitige physische IoT-Re-

präsentanz. Die intelligente Steuerung dieser

IoT-Komponenten ermöglicht nicht nur die Ko-

ordination der generierten Energiemengen, son-

dern auch die Integration von relevanten

Kontextdaten, wie Wettervorhersagen und Da-

ten von unterschiedlichen Strombörsen, in Echt-

zeit. Auf Energieverbraucherseite stellen Smart

Meter, als moderne und intelligente Messein-

richtungen, ebenfalls physische Bestandteile des

IoT dar. Hier zeigt sich auch, dass die intelligente

Steuerung von Windparks Echtzeit-Verbraucher-

informationen sowie deren Vorhersage berück-

sichtigen muss.

Künstliche-Intelligenz-Komponente

Um die steuerungsrelevanten Informationen

(z.B. gegenwärtiger Verbrauch, momentane

Strompreise auf den Börsen oder generierte

Wetterprognosen) sowie historische und zukünf-

tige Daten (z.B. historische und zukünftige Ent-

wicklung des Strompreises und

Nachfragesimulationen) verarbeiten und eine

Optimierung hinsichtlich der Einspeisemenge

vorzunehmen, sind KI-Algorithmen auf den

CPUs der Windräder integriert.

Blockchain-Komponente

Die BC dient in diesem digitalen Ökosystem der

Machine Economy als IT-Infrastruktur zur revisi-

onssicheren und nachvollziehbaren Speicherung

von Logdaten sowie zur Peer-to-Peer Ab-wick-

lung von Micropayments über Tokens. Darüber

hinaus bildet die BC die Datenbasis der KI-Algo-

rithmen, um die sichere Steuerung und das Rei-

bungslose Zusammenspiel der IoT-Komponenten

zu gewährleisten.

Zero Trust Architektur als sichere

Infrastruktur für die Machine Economy

Die immer weiter voranschreitende Vernetzung

von Produkten, Maschinen und kritischen Infra-

strukturen bietet nicht nur enorme Potenziale,

sondern bringt auch verstärkt digitale Risiken

und Gefahren. Insbesondere die Cyberkriminali-

tät steigt rasant an und die eine Kompromittie-

rung von IT-Systemen der Machine Economy

kann zu weitreichenden Störungen und Gefah-

ren für Leib und Leben führen (Brühl 2020).

Heutige Ansätze zur Absicherung vor Cyberatta-

cken sind den aktuellen Entwicklungen und zu-

künftigen Herausforderungen wie bspw. der

immer stärkeren Dezentralisierung im Energie-

sektor oder der wachsenden Anzahl an internet-

fähigen Geräten (IoT), die eine starke Integration

von internen und externen Systemen notwendig

machen, nicht mehr gewachsen (Wellershoff

2020). Eine zukunftsträchtige Absicherung kriti-

scher Infrastrukturen bedarf daher eines ganz-

heitlichen und integrierten Ansatzes, der die

individuelle und feingranulare Absicherung von

Anwendungen und Geräten ermöglicht, die

Analyse des Verhaltens sowie Kontextfaktoren

einschließt und eine Echtzeitüberprüfung des

Datentransfers integriert. Dieses holistische Kon-

zept wird als Zero Trust Architektur bezeichnet

(Bird 2019). Zur Schaffung einer sicheren Infra-

struktur für die Machine Economy bedarf es die

Kombination mehrerer innovativer Technologien

(Schweizer et al. 2020).

Internet-of-Things-Komponente

Die Akteure der Machine Economy (z.B. Indust-

rieroboter, autonome Fahrzeuge und Windkraft-

analage) sind IoT-Geräte. Sie werden durch

spezifische IoT-Gateways individuell und feingra-

nular abgesichert. Dadurch wird ermöglicht,

dass jedes Gerät hinter einer geräte- und kon-

textspezifischen Firewall abgesichert ist. Jeder

Akteur ist dadurch zur Authentifizierung vor jeg-

lichem Datenaustausch verpflichtet. Ferner sind

die IoT-Geräte für Unautorisierte nicht sichtbar

und per Design geschützt (qbound 2019). Zur

Operationalisierung dieses Ansatzes kommt ins-

besondere das Konzept Software Defined Peri-

meter (SDP) zum Einsatz. Diese Absicherung auf

Gerätebasis statt Netzwerkebene eliminiert Cy-

berangriffsvektoren und Angriffe auf die Teil-

nehmer der Machine Economy.

Technologieanwendung

The Advance of the Machines | 31

Künstliche-Intelligenz-Komponente

Durch die Einbeziehung von KI lassen sich basie-

rend auf Geräteidentität, historischen Gerätever-

haltensdaten und Kontextinformationen

Analysen hinsichtlich der Vertrauenswürdigkeit

der Anfrage noch vor dem Verbindungsaufbau

erstellen. Sollte ein Fehl- oder Angriffsverhalten

vorliegen, kann eine solche Analyse dieses er-

kennen und den Akteur noch vor dem Verbin-

dungsaufbau und Datenaustausch vom

Netzwerk ausschließen. Dabei werden im Au-

thentifizierungsprozess auf dem Controller KI-Al-

gorithmen eingesetzt, die ermöglichen, dass das

System einem selbstlernenden Konzept folgt.

Blockchain-Komponente

Die BC-Technologie übernimmt im Rahmen der

Zero Trust Architektur mehrere Aufgaben. Unter

anderem kann durch die dezentrale Datenver-

waltung eine manipulationssichere Speicherung

von Protokolldateien sichergestellt werden. Die

Nachvollziehbarkeit der Datenübertragung ist

also per Design sichergestellt. Darüber hinaus

können potenzielle Angriffspunkte und

Schwachstellen von traditionellen zentralisti-

schen SDP-Konzepten adressiert und eliminiert

werden (qbound 2019).

Handlungsfelder

32 | The Advance of the Machines

Handlungsfelder

5 5

Handlungsfelder

The Advance of the Machines | 33

Die Konvergenz aus IoT, KI und der BC-Techno-

logie ist der wesentliche Treiber für die Vision ei-

ner Machine Economy. Dadurch können

Maschinen zu eigenständigen Akteuren in Wert-

schöpfungsprozessen werden und somit innova-

tive, autonome Prozessabläufe ermöglichen.

Dabei leisten alle drei Technologien auf Basis ih-

rer individuellen Eigenschaften und Potenziale

einen spezifischen Beitrag für das Gelingen der

Machine Economy. Das IoT vernetzt physische

Objekte untereinander sowie mit dem Internet.

Dadurch werden in Prozessen beispielsweise

durch Sensoren zusätzliche Informationen zu-

gänglich gemacht und durch die physische Re-

präsentanz der Objekte neue

Handlungsoptionen ermöglicht. KI nutzt mit sei-

nen vielfältigen Methoden und Anwendungs-

möglichkeiten diese zusätzlichen Informationen,

um Prozessabläufe dynamisch zu gestalten und

über den Zeitverlauf hinzuzulernen. Daraus erge-

ben sich Möglichkeiten der Selbstregulierung

und -optimierung von Maschinen, um höhere

Autonomielevel zu erreichen. Schließlich werden

Interaktionen zwischen Maschinen durch die BC-

Technologie dezentral, nachvollziehbar und

ohne zentralen Intermediär unterstützt. Somit

stärkt die BC-Technologie das Vertrauen in die

autonomen Prozessabläufe der Machine Eco-

nomy. Unsere Studie beschreibt das Zusammen-

spiel der Technologien detailliert aus den

Perspektiven »Actor« (IoT), »Action« (KI) und

»Interaction« (BC-Technologie).

Aus diesem Zusammenwirken der drei Technolo-

gien entstehen für Unternehmen große Potenzi-

ale, wie die Anwendungsfälle aus Handels- und

Energiebranche in Kapitel 4 beispielhaft unter-

streichen. Damit gehen jedoch auch weitrei-

chende Veränderungen für Unternehmen

einher, welche zu einer Vielzahl von Herausfor-

derungen für die erfolgreiche Umsetzung füh-

ren. Für Entscheider in Unternehmen genügt es

nicht länger digitale Technologien separat oder

in ihrem Zusammenspiel mit der bestehenden IT-

Infrastruktur in Organisationen zu analysieren,

um sie anschließend in isolierten Anwendungs-

fällen einzusetzen. Vielmehr entstehen aus der

Konvergenz digitaler Technologien in der Ma-

chine Economy vollkommen neue Anwendungs-

möglichkeiten. Diese Potenziale erfordern

andere Strukturen, Prozesse, Kenntnisse und Fä-

higkeiten, um im Vergleich mit etablierten Wett-

bewerbern und innovativen Startups bestehen

zu können. Sind Sie gewappnet für die Machine

Economy? Wir können Ihnen dabei helfen, die

passenden Lösungen für Ihr Unternehmen und

Ihr Geschäftsmodell zu entwickeln und erfolg-

reich zu implementieren.

In den vergangenen Jahren konnten wir ein tief-

gehendes Verständnis der Technologien sowie

ihres Zusammenspiels entwickeln und wenden

dieses zielgerichtet für konkrete Fragestellungen

in Unternehmen an. Aus zahlreichen Praxis- und

Forschungsprojekten verfügen wir über die nöti-

gen Kenntnisse zu den Anwendungsmöglichkei-

ten der Technologien und ihrem

Geschäftseinfluss. Experten der Fraunhofer-Pro-

jektgruppe Wirtschaftsinformatik arbeiten mit

Ihnen daran, die richtigen Antworten für Ihr Un-

ternehmen zu finden.

• Die disruptiven Veränderungen der Machine

Economy betreffen Unternehmen und ganze

Wirtschaftszweige. Sind Sie innovativ genug?

Wir begleiten Sie durch die komplette digitale

Transformation.

• Der Erfolg der Machine Economy ist auch eine

Frage der Technologie. Verfügen Sie über die

nötigen technologischen Ressourcen? Wir un-

terstützen Sie bei der zukunftssicheren Mo-

dernisierung bestehender IT-Infrastruktur.

• Das IoT ermöglicht neue Interaktionsformen

mit physischen Objekten. Haben Sie die Mög-

lichkeiten in Ihren Prozessen bereits geprüft?

Mit Innovationsmethoden suchen wir gemein-

sam nach neuen Potenzialen.

• Daten sind die Grundlage aller KI-Lösungen.

Kennen Sie Ihre verfügbaren Daten und deren

Wert? Wir helfen Ihnen dabei, Daten gewinn-

bringend zu nutzen.

• Anwendungsfälle in der Machine Economy

müssen skalierbar sein. Wissen Sie, welche

BC-Technologien sich dafür eignen? Unsere

Erfahrung erleichtert es Ihnen, die passende

BC-Technologie zu finden.

• Menschen bleiben auch in der Machine Eco-

nomy das Herz jedes Unternehmens. Kennen

Sie die Rolle neuer, kollaborativer Arbeitsfor-

men in der Machine Economy? Mit uns kön-

nen Sie Ihre Organisation erfolgreich

transformieren und agile, flexible Modelle

etablieren.

Referenzen

34 | The Advance of the Machines

Alan, Y., Urbach, N., Hinsen, S., Jöhnk, J., Beisel, P.,

Weißert, M., Blumenthal, S. und Hofmann, P.

(2019) KI, mein Freund und Helfer - Herausforde-

rungen und Implikationen für die Mensch-KI-Inter-

aktion. EY Think Beyond Tomorrow.

Anderl, R., Picard, A., Wang, Y., Fleischer, J., Dosch,

S., Klee, B. und Bauer, J. (2014) Leitfaden Industrie

4.0, abgerufen am 23.06.2020 von

https://www.vdmashop.de/refs/VDMA_Leitfa-

den_I40_neu.pdf.

Arnold, L., Brennecke, M., Camus, P., Fridgen, G.,

Guggenberger, T., Radszuwill, S., Rieger, A.,

Schweizer, A. und Urbach, N. (2019) Blockchain

and Initial Coin Offerings: Blockchain´s Implica-

tions for Crowdfunding, Business Transformation

through Blockchain (Hrsg. Treiblmaier, H., Beck,

R.)

Asdecker, B. und Sucky, E. (2019) Retourentacho

2018/2019 ausgewertet, abgerufen am

23.06.2020 von http://www.retourenfor-

schung.de/info-retourentacho2019-ausgewer-

tet.html.

Bandyopadhyay, D. und Sen, J. (2011) Internet of

Things: Applications and Challenges in Technology

and Standardization, Wireless Personal Communi-

cations, 58, 1, 49–69.

Bashir, I. (2017) Mastering Blockchain: Deeper insights

into decentralization, cryptography, Bitcoin, and

popular blockchain frameworks, Packt Publishing,

Birmingham, UK.

BIEK (2019) KEP-Studie 2019 – Analyse des Marktes in

Deutschland, abgerufen am 23.06.2020 von

https://www.biek.de/download.html?

getfile=2335.

Bird, R. (2019) Why a ‘zero trust’ security strategy is

the future for your business, abgerufen am

23.06.2020 von https://www.csoonline.com/arti-

cle/3501795/why-a-zero-trust-security-strategy-is-

the-future-for-your-business.html.

Bitkom (2018) Digitalisierung gestalten mit dem Perio-

densystem der Künstlichen Intelligenz – Ein Navi-

gationssystem für Entscheider, abgerufen am

23.06.2020 von https://www.bitkom.org/

sites/default/files/2018-12/181204_LF_

Periodensystem_online_0.pdf.

Bitkom (2019) Digitalisierung kommt in den deut-

schen Unternehmen an, abgerufen am

23.06.2020 von https://www.bitkom-rese-

arch.de/de/pressemitteilung/digitalisierung-

kommt-den-deutschen-unternehmen.

Borgia, E. (2014) The Internet of Things vision: Key

features, applications and open issues, Computer

Communications, 54, 1–31.

Brühl, J. (2020) Cyberkrieg im Dunkeln, Süddeutsche

Zeitung, abgerufen am 23.06.2020 von

https://www.sueddeutsche.de/digital/iran-usa-

hack-trump-stuxnet-kritis-1.4750506.

Brynjolfsson, E. und Mcafee, A. (2017) The business

of artificial intelligence, Harvard Business Review

Bundesministerium für Wirtschaft und Energie (2018)

Erneuerbare Energien, abgerufen am 23.06.2020,

von https://www.bmwi.de/Redaktion/DE/

Dossier/erneuerbare-energien.html.

Bundesnetzagentur (2017) Flexibilität im Stromversor-

gungssytem: Bestandsaufnahme, Hemmnisse und

Ansätze zur verbesserten Erschließung von Flexibi-

lität, abgerufen am 23.06.2020 von

https://www.bundesnetzagentur.de/DE/Sachge-

biete/ElektrizitaetundGas/Unternehmen_Institutio-

nen/NetzentwicklungundSmartGrid/Flexibilitaet/Fle

xibilitaet_node.html.

Chitkara, R., Rao, A. und Yaung, D. (2017) Leveraging

the upcoming disruptions from AI and IoT,

abgerufen am 23.06.2020 von

https://www.pwc.com/gx/ en/industries/

communications/assets/pwc-ai-and-iot.pdf.

Crosby, M., Pattanayak, P. und Verma, S. (2016)

Blockchain technology: Beyond bitcoin, Applied

Innovation Review, 2, 2, 6–10.

DBS Bank (2018), Internet of Things, abgerufen am

23.06.2020, von https://www.dbs.com/aics/tem-

platedata/article/generic/data/en/GR/062018/

180625_insights_internet_of_things_the_pil-

lar_of_artificial_intelligence.xml#.

Dellermann, D., Lipusch, N., Ebel, P. und Leimeister, J.

M. (2019) Design principles for a hybrid intelli-

gence decision support system for business model

validation, Electronic Markets, 29, 3, 423–441.

Draht, M. (2020) Dezentrale Versorgung auf Block-

chain-Basis ist die Zukunft, abgerufen am

23.06.2020 von https://www.btc-echo.de/dezent-

rale-versorgung-auf-blockchain-basis-ist-die-zu-

kunft/.

Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G.,

Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Ed-

wards, J., Eirug, A., Galanos, V., Ilavarasan, P. V.,

Janssen, M., Jones, P., Kar, A. K., Kizgin, H.,

Kronemann, B., Lal, B., Lucini, B., Medaglia, R., Le

Meunier-FitzHugh, K., Le Meunier-FitzHugh, L. C.,

Misra, S., Mogaji, E., Sharma, S. K., Singh, J. B.,

Raghavan, V., Raman, R., Rana, N. P., Samo-

thrakis, S., Spencer, J., Tamilmani, K., Tubadji, A.,

Walton, P. und Williams, M. D. (2019) Artificial In-

telligence (AI): Multidisciplinary perspectives on

emerging challenges, opportunities, and agenda

for research, practice and policy, International

Journal of Information Management.

Referenzen

The Advance of the Machines | 35

Esser, R. und Sallaba, M. (2019) State of AI in the En-

terprise Survey 2019, abgerufen am 23.06.2020

von https://www2.deloitte.com/de/de/pages/

technology-media-and-telecommunications/

articles/ki-studie-2019.html.

Fähnle, A., Püschel, L., Roeglinger, M. und Stohr, A.

(2018) Business Value of the Internet of Things –

A Project Portfolio Selection Approach, Proceed-

ings of the 26th European Conference on Infor-

mation Systems, Portsmouth, UK.

Fridgen, G., Lockl, J., Radszuwill, S., Rieger, A.,

Schweizer, A. und Urbach N. (2018) A Solution in

Search of a Problem: A Method for the Develop-

ment of Blockchain Use Cases, Proceedings of the

24th Americas Conference on Information Sys-

tems (AMCIS), New Orleans, USA.

Fridgen, G., Regner, F., Schweizer, A., und Urbach, N.

(2018) Don't Slip on the Initial Coin Offering (ICO)

- A Taxonomy for a Blockchain-enabled Form of

Crowdfunding, Proceedings of the 26th Interna-

tional Conference on Information Systems (ICIS),

San Francisco, USA.

Global Market Insights (2019) Global Blockchain Mar-

ket Size to hit $25 Bn by 2025, abgerufen am

23.06.2020 von https://www.gminsights.com/

pressrelease/blockchain-market.

Hammond, K. (2016), The Periodic Table of AI,

abgerufen am 23.06.2020 von https://www.data-

sciencecentral.com/profiles/blogs/the-periodic-ta-

ble-of-ai.

Hofmann, P., Jöhnk, J., Protschky, D. und Urbach, N.

(2020) Developing Purposeful AI Use Cases - A

Structured Method and Its Application in Project

Management, Proceedings of 15th International

Conference on Wirtschaftsinformatik (WI), Pots-

dam, Germany.

International Data Corporation (2018) Worldwide

Spending on Cognitive and Artificial Intelligence

Systems Forecast to Reach $77.6 Billion in 2022,

According to New IDC Spending Guide, abgerufen

am 23.06.2020 von https://www.idc.com/get-

doc.jsp?containerId=prUS44291818.

Kauschke, P. und Tipping, A. (2016) Shifting Patterns,

abgerufen am 23.06.2020 von

https://www.pwc.com/sg/en/publications/as-

sets/future-of-the-logistics-industry.pdf.

Kopfstein, J. (2013) The Mission to Decentralize the

Internet, abgerufen am 23.06.2020 von

https://www.newyorker.com/tech/elements/the-

mission-to-decentralize-the-internet.

Kraus, T. (2020) Lokaler Energiehandel: Mit Block-

chain die Energiewende antreiben, abgerufen am

23.06.2020 von https://www.pv-

magazine.de/2020/02/11/lokaler-energiehandel-

mit-blockchain-die-energiewende-antreiben/.

Lauslahti, K., Mattila, J. und Seppälä, T. (2017) Smart

Contracts – How will Blockchain Technology Af-

fect Contractual Practices?, abgerufen am

23.06.2020 von https://pub.etla.fi/ETLA-Raportit-

Reports-68.pdf.

Lee I. und Lee, K. (2015) The Internet of Things (IoT):

Applications, investments, and challenges for en-

terprises, Business Horizons, 58, 4, 431–440.

McCarthy, J., Minsky, M. L., Rochester, N. und Shan-

non, C. E. (2006) A Proposal for the Dartmouth

Summer Research Project on Artificial Intelligence,

AI Magazine, 27, 4.

Porter, M. E. und Heppelmann, J. E. (2014) How

Smart, Connected Products Are Transforming

Competition, 92, 11, 64–88.

Oberländer, A. M., Röglinger, M., Rosemann, M. und

Kees, A. (2018) Conceptualizing business-to-thing

interactions – A sociomaterial perspective on the

Internet of Things, European Journal of Infor-

mation Systems, 27, 4, 486–502.

Panetta, K. (2018) Gartner Top 10 Strategic Techno-

logy Trends for 2019, abgerufen am 23.06.2020

von https://www.gartner.com/

smarterwithgartner/gartner-top-10-strategic-tech-

nology-trends-for-2019/.

qbound (2019) IoT Access, abgerufen am 23.06.2020

von https://www.qbound.io/cloud-iot-integration/.

Russell, S. und Norvig, P. (2016) Artificial Intelligence:

A Modern Approach, 3. Auflage, Pearson Educa-

tion Limited.

Rzepka, C. und Berger, B. (2018) User Interaction with

AI-enabled Systems: A Systematic Review of IS Re-

search, Proceedings of the 26th International Con-

ference on Information Systems, San Francisco,

USA.

Schlatt, V., Schweizer, A., Urbach, N. und Fridgen, G.

(2016) Blockchain: Grundlagen, Anwendungen

und Potenziale, Projektgruppe Wirtschaftsinforma-

tik des Fraunhofer-Institut für Angewandte Infor-

mationstechnik FIT, Bayreuth.

Schmelzer, R. (2019) Making The Internet Of Things

(IoT) More Intelligent With AI, abgerufen am

23.06.2020 von https://www.forbes.com/sites/

cognitiveworld/2019/10/01/making-the-internet-

of-things-iot-more-intelligent-with-

ai/#5a2f111bfd9b.

Schütte, J., Fridgen, G., Prinz, W., Rose, T., Urbach,

N., Hoeren, T., Guggenberger, N., Welzel, C.,

Holly, S., Schulte, A., Sprenger, P., Schwede, C.,

Weimert, B., Otto, B., Dalheimer, M., Wenzel, M.,

Kreutzer, M., Fritz, M., Leiner, U. und Nouak, A.

Referenzen

36 | The Advance of the Machines

(2017) Blockchain und Smart Contracts: Technolo-

gien, Forschungsfragen und Anwendungen, abge-

rufen am 23.06.2020 von https://www.fim-

rc.de/Paperbibliothek/

Veroeffentlicht/747/wi-747.pdf

Schweizer, A., Knoll, P., Urbach, N., von der Gracht,

H. und Hardjono, T. (2020) To what extent will

blockchain drive the machine economy? Perspec-

tives from a prospective study, IEEE Technology

and Engineering Management Society.

Simerman, D. (2019) Connecting The Human Econ-

omy and The Machine Economy, abgerufen am

23.06.2020 von https://blog.iota.org/

connecting-the-human-economy-and-the-ma-

chine-economy-ec00c3236843.

Urbach, N. und Röglinger, M. (2019) Introduction to

Digitalization Cases: How Organizations Rethink

Their Business for the Digital Age, Digitalization

Cases: How Organizations Rethink Their Business

for the Digital Age (Hrsg. Urbach, N., Röglin-

ger, M.).

Wellershoff, S. (2020) Mobiles Arbeiten gefährdet die

IT-Sicherheit, Springer Professional, abgerufen am

23.06.2020 von https://www.springerprofessio-

nal.de/risikomanagement/it-sicherheit/mobiles-ar-

beiten-gefaehrdet-die-it-sicherheit/17587064.

Wright, A. und Filippi, P. de (2015) Decentralized

Blockchain Technology and the Rise of Lex Cryp-

tographia, abgerufen am 23.06.2020, von

https://ssrn.com/abstract=2580664.

Xia, F., Yang, L. T., Wang, L. und Vinel, A. (2012) In-

ternet of Things, International Journal of Commu-

nication Systems, 25, 9, 1101–1102.

Xu, X., Weber, I., Staples, M., Zhu, L., Bosch, J., Bass,

L., Pautasso, C. und Rimba, P. (2017) A Taxonomy

of Blockchain-Based Systems for Architecture De-

sign, Proceedings of the IEEE International Confer-

ence on Software Architecture, Gothenburg,

Sweden.

Yli-Huumo, J., Ko, D., Choi, S., Park, S. und Smo-

lander, K. (2016) Where Is Current Research on

Blockchain Technology? – A Systematic Review,

PLoS ONE, 11, 10.

Designing and Managing Artificial Intelligence-Enabled Information Systems

Thesis

Jul 2021

Peter Hofmann

Artificial Intelligence (AI) applications are said to have far-reaching potentials. While some organizations already lever AI technologies’ potentials, others have not kept pace. Motivated by organizations’ need to sustainably realize business value from AI-enabled IS, the aim of this thesis is to guide organizations in designing and managing AI-enabled IS. I structured my thesis along three research goals (RG): identifying relevant organizational capabilities to lever AI technologies’ potentials (RG1), guiding organizations in designing AI-enabled IS (RG2), and guiding organizations in managing AI-enabled IS (RG3). Approaching RG1, I derive organizational capabilities requirements to inform the organizational design and digital practices, frame the thesis’ results, and shed light on issues that need (scientific) guid-ance (Essay 1). RG2 deals with guidance for organizations to foster preparatory capabilities, while RG3 addresses the realization capabilities. Besides informing the organizational design and digital practice by rigorously developed knowledge, this thesis provides several artifacts that scholars and practitioners can use. The introduced artifacts guide organizations in identi-fying AI use cases (Essay 2), deconstructing the creation of AI applications’ business value (Essay 3), assessing the evolution of component technologies (Essay 4), managing AI appli-cations (Essay 5), and measuring system risks (Essay 6). My thesis provides novel theoretical perspectives on the identification of value-creating and value-capturing paths, their evaluation, their actualization, and management practices that sustain them. Accordingly, the essays provide theoretical lenses on, above all, the interplay between the technical and social subsystems of AI-enabled IS. The essays’ relevance stems from providing design-oriented or management-oriented knowledge and the development of artifacts following the design science research paradigm.

To What Extent Will Blockchain Drive the Machine Economy? Perspectives From a Prospective Study

Article

Full-text available

Apr 2020

The advancements in the fields of IT and robotics are provoking the fourth industrial revolution and transforming our economy toward the machine economy. Billions of economically autonomous machines engaging in business relationships raise novel requirements regarding security, privacy, regulation, business models, trustful transaction processing, and interoperability. A technology that promises to provide solutions to these challenges is blockchain. Neither practice has spawned productive solutions nor has research been able to assess the phenomenon profoundly. First investigations focus on specific use cases, but existing work does not examine the overall impact and role of blockchain in the machine economy. However, this knowledge is of particular importance for various stakeholders. In this article, we address this research and knowledge gap by conducting a study with 50 blockchain and machine economy experts. We establish a sound research fundament by following a literature assessment, group discussion, interviews, and qualitative data analysis. As main research instrument, we chose a Delphi study, which has a long-proven record of application in prospective studies and has been applied to examine future premises, estimates, and challenges across nearly all disciplines. This allows us to derive six key findings leading to a transparent picture of blockchain's role in the machine economy.

Developing Purposeful AI Use Cases - A Structured Method and Its Application in Project Management

Conference Paper

Full-text available

Mar 2020

An appropriate problem-solution-fit is essential to develop purposeful artificial intelligence (AI) applications. However, in domains with an unintuitive problem-solution-fit, such as project management (PM), organizations require methodological guidance. Hence, we propose a five-step method to develop organization-specific AI use cases: First, companies must consider the context factors technology, organization (in particular data and application domain), and environment. Second, companies must identify existing domain problems and AI solutions. Third, our method facilitates abstraction to understand the underlying nature of the identified problems and AI solutions. Fourth, our problem-solution-matrix assists companies to match AI functions with the domain context. Fifth, companies derive necessary implications for the subsequent use case implementation. To construct and evaluate our method, we followed the design science research paradigm complemented by situational method engineering and based on 14 interviews. Our method addresses a relevant practical problem and contributes to identifying purposeful AI use cases in unintuitive application domains.

Business Value of the Internet of Things – A Project Portfolio Selection Approach

Conference Paper

Full-text available

Jun 2018

The Internet of Things (IoT) counts among the most disruptive digital technologies on the market. De-spite the IoT’s emerging nature, there is an increasing body of knowledge related to technological and business topics. Nevertheless, there is a lack of prescriptive knowledge that provides organizations with guidance on the economic valuation of investments in the IoT perspective. Such knowledge, however, is crucial for pursuing the organizational goal of long-term value maximization. Against this backdrop, we develop an economic decision model that helps organizations determine an optimal IoT project port-folio from a manufacturer’s perspective and complies with the principles of project portfolio selection and value-based management. For our purposes, IoT project portfolios are compilations of projects that aim to implement IoT technology in an organization’s production process, products, or infrastructure. Our decision model schedules IoT projects for multiple planning periods and considers monetary as well as monetized project effects. On this foundation, it determines the project sequence with the highest value contribution. To evaluate our decision model, we discussed its real-world fidelity and under-standability with an industry expert renowned for its proficiency in IoT technology, implemented a soft-ware prototype, and demonstrated its applicability based on real-world data. Keywords: Internet of Things, economic valuation of IoT, value-based management, project portfolio management. Full-text: https://www.fim-rc.de/Paperbibliothek/Veroeffentlicht/731/wi-731.pdf

User Interaction with AI-enabled Systems: A Systematic Review of IS Research

Conference Paper

Full-text available

Dec 2018

The improved performance of technological capabilities in the field of artificial intelligence (AI), including computer vision and natural language processing, makes it possible to enhance existing and to develop new types of information systems. We refer to such systems as AI-enabled systems. User interaction with these systems is an important topic for information systems (IS) research because they are supposed to bring about substantial change for individuals, organizations, and society. Despite the recent public and academic interest in AI, AI-enabled systems are not a new phenomenon. However, previous research is separated into research streams on different AI-enabled system types. We conducted a literature review to aggregate the dispersed knowledge regarding individual user interaction with such systems in IS research. Our results show common behavioral patterns in interactions between users and various types of AI-enabled systems and provide a solid foundation for future research on this topic.

Introduction to Digitalization Cases: How Organizations Rethink Their Business for the Digital Age

Book

Full-text available

Jan 2018

Design principles for a hybrid intelligence decision support system for business model validation

Article

Full-text available

Aug 2018

One of the most critical tasks for startups is to validate their business model. Therefore, entrepreneurs try to collect information such as feedback from other actors to assess the validity of their assumptions and make decisions. However, previous work on decisional guidance for business model validation provides no solution for the highly uncertain and complex context of early-stage startups. The purpose of this paper is, thus, to develop design principles for a Hybrid Intelligence decision support system (HI-DSS) that combines the complementary capabilities of human and machine intelligence. We follow a design science research approach to design a prototype artifact and a set of design principles. Our study provides prescriptive knowledge for HI-DSS and contributes to previous work on decision support for business models, the applications of complementary strengths of humans and machines for making decisions, and support systems for extremely uncertain decision-making problems.

Don't Slip on the Initial Coin Offering (ICO) - A Taxonomy for a Blockchain-enabled Form of Crowdfunding

Conference Paper

Full-text available

Jun 2018

Blockchain is rapidly evolving and there is an increasing interest in the technology in both practice and academia. Recently, a blockchain use case called Initial Coin Offering (ICO) draws a lot of attention. ICO is a novel form of crowdfunding that utilizes blockchain tokens to allow for truly peer-to-peer investments. Although, more than 4.5 billion USD have been invested via ICOs, the phenomenon is poorly understood. Scientific research lacks a structured classification of ICOs to provide further insights into their characteristics. We bridge this gap by developing a taxonomy based on real-world ICO cases, related literature, and expert interviews. Further, we derive and discuss prevailing ICO archetypes. Our findings contribute to theory development in the field of ICOs by enriching the descriptive knowledge, identifying design options, deriving ICO archetypes, and laying the foundation for further research. Additionally, our research provides several benefits for practitioners. Our proposed taxonomy illustrates that there is no one-size-fits-all model of ICOs and might support the decision-making process of start-ups, investors and regulators. The proposed ICO archetypes indicate how common ICOs are designed and thus might serves as best practices. Finally, our analysis indicates that ICOs represent a valid alternative to traditional crowdfunding approaches.

A Solution in Search of a Problem: A Method for the Development of Blockchain Use Cases

Conference Paper

Full-text available

Aug 2018

Blockchain technology is a very recent and fast evolving phenomenon with the potential to disrupt various industries. Organizations are thus increasingly looking at the technology and are forming multi-functional teams to evaluate the technology and its impact on their businesses. However, researchers and practitioners still lack a technology-driven, systematic approach to understand the potential of blockchain and to develop convincing use cases. We address this research gap by applying an action design research approach and situational method engineering to propose a method for the development of blockchain use cases. Following this approach, we iteratively evaluated and further developed the proposed method through application and testing in four distinct industries. We thus derive constructive knowledge at the cutting edge of digital transformation, innovation management, and utilization of emerging technologies. In addition, our research supports practitioners in systematically developing blockchain use cases.

Conceptualizing business-to-thing interactions – A sociomaterial perspective on the Internet of Things

Article

Nov 2017

The Internet of Things (IoT) is recognised as one of the most disruptive technologies in the market as it integrates physical objects into the networked society. As such, the IoT also transforms established business-to-customer interactions. Remote patient monitoring, predictive maintenance, and automatic car repair are examples of evolving business-to-thing (B2T) interactions. However, the IoT is hardly covered by theoretical investigations. To complement the predominant technical and engineering focus of IoT research, we developed and evaluated a taxonomy of B2T interaction patterns. Thereby, we built on sociomateriality as justificatory knowledge. We demonstrated the taxonomy’s applicability and usefulness based on simple and complex real-life objects (i.e., Nest, RelayRides, and Uber). Our taxonomy contributes to the descriptive knowledge on the IoT as it enables the classification of B2T interactions and facilitates sense-making as well as theory-led design. When combining weak and strong sociomateriality, we found that the IoT enables and requires a new perspective on material agency by considering smart things as independent actors.

Decentralized Blockchain Technology and the Rise of Lex Cryptographia

Article

Jan 2015

The Advance of the Machines - Vision und Implikationen einer Machine Economy

Abstract

Recommended publications

The Rise of the Machines: Conceptualizing the Machine Economy

Blockchain and Initial Coin Offerings: Blockchain’s Implications for Crowdfunding

Understanding the Machine Economy: Combining Findings from Science and Practice

How Can Organizations Design Purposeful Human-AI Interactions: A Practical Perspective From Existing...