ArticlePDF Available

Warum wir nicht nur von Künstlicher Intelligenz sprechen sollten

Authors:
  • University of Bayreuth and Branch Business & Information Systems Engineering of the Fraunhofer FIT

Abstract

Published in: transfer - Zeitschrift für Kommunikation und Markenmanagement, 68(3), pp. 10-13. Der Hype um Künstliche Intelligenz (KI) ist gigantisch. Deshalb verzichten wir auf pauschale Aussagen über das Potenzial der damit verbundenen Technologien und Anwendungen. Im Gegenteil, mit diesem Artikel sprechen wir uns für einen Hype-bereinigten und differenzierten Blick auf den Einsatz von KI-Anwendungen in der Marktkommunikation aus und wollen mit Mythen und falschen Bildern aufräumen. Hierzu geben wir Ihnen praktische Einblicke in die Erkenntnisse angewandter Forschung, welche wir in zahlreichen Projekten mit Unternehmen gewonnen haben. Nach einer kurzen Technologieeinführung widmen wir uns dem Anwendungsspektrum von KI-Technologien in der Marktkommunikation und geben Ihnen einen praktischen Strukturierungsrahmen an die Hand. Zuletzt beantworten wir nochmals zusammenfassend die Frage, warum wir nicht nur von KI sprechen sollten.
10
schwerpunkt
transfer 03/2022 – Zeitschrift für Kommunikation und Markenmanagement, 68(3), 10-13
Warum wir nicht nur von Künstlicher
Intelligenz sprechen sollten
Der Hype um Künstliche Intelligenz (KI) ist gigantisch. Deshalb verzichten wir
auf pauschale Aussagen über das Potenzial der damit verbundenen Techno-
logien und Anwendungen. Im Gegenteil, mit diesem Artikel sprechen wir uns
für einen Hype-bereinigten und differenzierten Blick auf den Einsatz von KI-
Anwendungen in der Marktkommunikation aus und wollen mit Mythen und fal-
schen Bildern aufräumen. Hierzu geben wir Ihnen praktische Einblicke in die
Erkenntnisse angewandter Forschung, welche wir in zahlreichen Projekten mit
Unternehmen gewonnen haben. Nach einer kurzen Technologieeinführung wid-
men wir uns dem Anwendungsspektrum von KI-Technologien in der Marktkom-
munikation und geben Ihnen einen praktischen Strukturierungsrahmen an die
Hand. Zuletzt beantworten wir nochmals zusammenfassend die Frage, warum
wir nicht nur von KI sprechen sollten.
Schlagworte:
Künstliche Intelligenz
KI-Technologien
KI-Anwendungen
Prof. Dr. Nils Urbach
Frankfurt University of
Applied Sciences,
In stitutsteil Wirtschafts-
informatik des Fraunhofer
FIT,
nils.urbach@fb3.fra-uas.de
Dr. Peter Hofmann
Institutsteil Wirtschafts in-
formatik des Fraunhofer
FIT, Universität Bayreuth
peter.hofmann@fim-rc.de
1 Wie funktioniert Künstliche
Intelligenz?
Heute können intelligente Maschinen in ei-
nem breiten Spektrum an Anwendungen ein-
gesetzt werden. Die Idee, Maschinen zu ent-
wickeln, die Probleme auf intelligente Art
und Weise lösen, gibt es aber bereits seit den
1950er-Jahren. Seitdem wurden unterschied-
liche Ansätze verfolgt, Intelligenz künstlich
zu erschaffen.
Mythos 1: Es gibt die eine KI.
Oft werden wir damit konfrontiert, dass KI-
Technologien und -Anwendungen in einen
Topf geworfen werden. Dabei wird fahrläs-
sig vernachlässigt, dass deren Eigenschaften
keineswegs homogen sind. Eine beispielhaf-
te Eigenschaft ist die Autonomie. So gibt es
einerseits KI-Anwendungen, welche Aufga-
ben stumpf nach menschlichen Vorgaben au-
tomatisieren (z. B. Erkennen von hand-
schriftlichen Notizen). Anderseits gibt es
KI-Anwendungen, welche Aufgaben mit ei-
nem hohen Grad an Entscheidungsautono-
mie lösen (z. B. autonom fahrende Fahrzeu-
ge). Eine weitere beispielhafte Eigenschaft
ist die Nachvollziehbarkeit. Entgegen der
populären Annahme, dass alle KI-Technolo-
gien eine Blackbox darstellen, gibt es auch
Ansätze (z. B. Entscheidungsbäume), die ein
hohes Maß an Nachvollziehbarkeit aufwei-
sen. Wir empfehlen daher, nicht von der ei-
nen „KI“ oder mehreren „KIs“ zu sprechen.
Sprechen Sie lieber von konkreten KI-Tech-
nologien (z. B. künstliche neuronale Netze)
oder KI-Anwendungen (z. B. Spracherken-
nung) und lernen Sie die spezifischen Eigen-
schaften dieser Technologien und Anwen-
dungen kennen. Zuletzt möchten wir dafür
sensibilisieren, dass der KI-Begriff als Mo-
dewort stark verwässert wurde. Hinterfragen
Sie also kritisch, was wirklich dahinter-
steckt.
Mythos 2: KI-Anwendungen funktionieren
wie ein menschliches Gehirn, das mit Daten
gefüttert wird.
Wer nicht gerade aus dem Bereich der
Grundlagenforschung kommt, versucht
nicht selten, die meist komplexen Technolo-
gien durch bildhafte Vergleiche greifbarer
zu machen. Diese Vergleiche stellen jedoch
nicht selten eine zu starke und auch gefähr-
liche Vereinfachung der technischen als
auch medizinischen Zusammenhänge dar.
Technisch wird heutzutage maßgeblich auf
den Einsatz von Machine Learning gesetzt.
Im Rahmen des Machine Learning erlernt
ein Computer auf Basis von Trainingsdaten
neue Funktionen. Dabei werden unter ande-
rem künstliche neuronale Netze eingesetzt,
welche zwar in ihrer Funktionsweise von
den Vorstellungen über das menschliche Ge-
hirn inspiriert wurden, aber dennoch nicht
mit diesen vergleichbar sind. Im Gegensatz
zum regelbasierten Programmieren müssen
zur Entwicklung von Machine-Learning-
transfer 03/2022
11
essay
Abstract
The hype surrounding artificial intelligence (AI) is immense. Therefore, we refrain
from making sweeping statements about the potential of AI-related technologies and
applications. On the contrary, with this article, we advocate a hype-adjusted and dif-
ferentiated view on the use of AI applications in market communication and want to
dispel myths and false perceptions. To this end, we provide practical insights into
applied research findings, which we have gained in numerous projects with compa-
nies. After a brief technology introduction, we address the application spectrum of
AI technologies in market communication and provide you with a hands-on structu-
ral framework. Finally, we summarize and explain why we should not only talk about
AI.
Keywords:
Artificial Intelligence
AI technologies
AI applications
Anwendungen meist keine Regeln (z. B. Be-
dingungen) im Vorfeld bestimmt und für
verschiedenste Situationen ausspezifiziert
werden. Das Machine-Learning-Modell er-
hält seine Funktionalität durch das Genera-
lisieren von Trainingsdaten. Während viele
Wissenschaftler*innen die Lernfähigkeit als
wesentliche Eigenschaft einer intelligenten
Maschine herausstellen, führt diese Eigen-
schaft auch zu Missverständnissen. Einem
Machine-Learning-Modell, das zum Bei-
spiel für das Erkennen von Verkehrsschil-
dern entwickelt wurde, lässt sich nicht ohne
weiteres das Komponieren beibringen. Auch
ist die ewige Frage nach einem künstlichen
Bewusstsein ungeklärt. Dennoch dienen die
menschlichen Fähigkeiten noch immer als
Inspiration und Maßstab für die Entwick-
lung von KI-Anwendungen.
2 Das Anwendungsspektrum
der Künstlichen Intelligenz
In diesem Kapitel werden wir einen Ord-
nungsrahmen vorstellen, um das Anwen-
dungsspektrum von KI-Anwendungen struk-
turiert zu erschließen. Dies ist wichtig, da in
der Praxis oftmals falsche Vorstellungen
vom technologischen und wirtschaftlichen
Potenzial von KI-Anwendungen vorherr-
schen.
Mythos 3: KI-Anwendungen sind Alleskön-
ner.
Manchmal wird im KI-Kontext auch von ei-
ner Mehrzwecktechnologie (engl. general
purpose technology) gesprochen. Dieser Be-
griff kann jedoch schnell fehlinterpretiert
werden. Keineswegs sind KI-Anwendungen
– nach dem aktuellen Stand der Technik –
Alleskönner. Vielmehr deutet dieser Begriff
auf ein Dilemma hin: Der Möglichkeitsraum
von KI-Technologien ist Fluch und Segen
zugleich, denn er ist groß, aber ohne geeig-
nete Innovationsmethoden sehr unübersicht-
lich. Derzeit können Machine-Learning-An-
wendungen für einzelne Aufgaben trainiert
werden. Vor allem in jüngster Zeit gab es je-
doch Durchbrüche bei der Entwicklung gro-
ßer Sprachmodelle (z. B. GPT3), die zwar
nicht über allgemeine Intelligenz, aber zu-
mindest über die Fähigkeit zur Bearbeitung
einer Klasse von Aufgaben verfügen (z. B.
Zusammenfassen und Übersetzen von Tex-
ten). Wie wird man nun Herr über den gro-
ßen und unscharfen Möglichkeitsraum von
KI-Technologien in der Marktkommunika-
tion? Hierfür haben wir einen Ordnungsrah-
men (>Abbildung 1) entwickelt, welcher
sich auch in eine umfassende Methode zur
Identifizierung von KI-Anwendungsfällen
integrieren lässt (Hofmann, Rückel & Ur-
bach, 2020). Der Ordnungsrahmen struktu-
riert den Möglichkeitsraum anhand von zwei
Dimensionen: KI-Funktionsgruppen und
den domänenspezifischen Anwendungsbe-
reichen.
Abb. 1: Ordnungsrahmen für den Einsatz von KI-Technologien in der
Marktkommunikation
Anwendungsbereich
Marketing-
Forschung
Marketing-
Strategie
Marketing-
Aktion
KI-Funktionsgruppen
Generieren und
Handeln
z. B.
Generieren von
Inhalten wie Text
oder Bilder
Erklären, Entscheiden
und Vorhersagen
z. B.
Kunden-
segmentierung
Wahrnehmen und
Erkennen
z. B.
Social Listening
Quelle: Eigene Darstellung.
transfer 03/2022
12
schwerpunkt
Die technische Funktionalität wird in unse-
rem Ordnungsrahmen in greifbare KI-Funk-
tionsgruppen übersetzt. Hierbei wird bewusst
die Perspektive menschlicher kognitiver Fä-
higkeiten herangezogen, da diese zum einen
verständlich und zum anderen praktisch an-
wendbar sind. Die KI-Funktionsgruppe
Wahrnehmen und Erkennen beschreibt die
Fähigkeit, Signale aus der realen Welt zu er-
fassen und zu verarbeiten sowie im Wahrge-
nommenen Objekte zu identifizieren oder
enthaltene Konzepte zu verstehen. Diese KI-
Funktionsgruppe dient dabei oft als sensori-
sche Schnittstelle einer Anwendung zu des-
sen Umgebung. Die KI-Funktionsgruppe
Erklären, Entscheiden und Vorhersagen
beschreibt hingegen die Fähigkeit, verfügba-
re Daten erkenntnisstiftend auszuwerten. Die
Erkenntnis kann sich dabei sowohl auf die
Vergangenheit (Erklären) als auch Zukunft
(Entscheiden und Vorhersagen) beziehen.
Der Erkenntnisgewinn einer Erklärung liegt
darin, Ursache-Wirkungs-Paare identifizie-
ren und daraus Schlussfolgerungen ableiten
zu können. Beim Treffen der Entscheidung
liegt der Erkenntnisgewinn im Verständnis,
welche der bekannten, diskreten Alternativen
ausgewählt werden sollte. Zuletzt bieten Vor-
hersagen einen Erkenntnisgewinn hinsicht-
lich der Eintrittswahrscheinlichkeit zukünf-
tiger Ereignisse oder Zustände auf einer
kontinuierlichen Skala. Die KI-Funktions-
gruppe Generieren und Handeln beschreibt
die Fähigkeit, eine Veränderung in der Um-
gebung einer Anwendung zu bewirken. Hier-
zu können zum einen Daten erschaffen, um-
gewandelt, modifiziert oder rekonstruiert
werden. Zum anderen kann eine KI-Anwen-
dung zur kontinuierlichen Kontrolle einer Si-
tuation durch autonom aufeinanderfolgende
Handlungen vornehmen.
Der domänenspezifische Anwendungsbe-
reich von KI-Technologien in der Markt-
kommunikation wird in einem dreiphasigen
Zyklus aus Marketing-Forschung, -Strategie
und -Aktion gegliedert (Huang & Rust,
2021). In der Marketing-Forschung soll das
Verständnis für Markt, Unternehmen, Kon-
kurrenten und Kunden aufgebaut werden.
Dieses Wissen kann sodann aufgegriffen
werden, um Marketing-Strategien abzulei-
ten (d. h. Strategien für Segmentierung, Tar-
geting und Positionierung) und anschließend
in der Phase der Marketing-Aktion umzuset-
zen (Huang & Rust, 2021).
Der Ordnungsrahmen wird im Folgenden
anhand von drei beispielhaften KI-Anwen-
dungsfällen in der Marktkommunikation
veranschaulicht.
Erstes Beispiel: KI-Anwendungen können
genutzt werden, um aktuelle Marken-asso-
ziierte Konversationen kontinuierlich wahr-
nehmen und relevante Inhalte erkennen zu
können. So können KI-basierte Social-Lis-
tening-Anwendungen genutzt werden, um
Marken-assoziierte Konversationen zu iden-
tifizieren, Themen sowie Anomalien zu er-
kennen und zusätzliche Informationen, wie
das Sentiment der Konversationen, wahrzu-
nehmen.
Zweites Beispiel: Kundensegmentierung ist
in der Marktkommunikation kein neues The-
ma. Dennoch bietet der Einsatz von KI-
Anwendungen neue Möglichkeiten. Beim
Einsatz von Unsupervised-Machine-Lear-
ning-Ansätzen kann die Kundensegmentie-
rung nicht nur automatisiert werden, son-
dern die in den Daten zu Grunde liegenden
Zusammenhängen erfasst werden, auch
wenn der Mensch sich diesen nicht bewusst
ist.
Drittes Beispiel: Lange hat man kreative
Aufgaben ohne jeden Zweifel von Men-
schen durchführen lassen. Generative-Ma-
chine-Learning-Ansätze (v. a. Generative
Adversarial Networks) werden jedoch be-
reits in Forschungsprojekten zur Generie-
rung von Texten, Musik, Bildern und Videos
eingesetzt (Hofmann et al., 2021). Wer sich
vom aktuellen Stand der Technik begeistern
lassen möchte, kann durch die Ergebnisse
der KI-Anwendung DALL·E 2 stöbern
(OpenAI, 2022). So liegt es nahe, dass der
Bereich der Marketing-Aktion durch die
skalierte Erstellung personalisierter Inhalte
oder Interaktionen neue Wege gehen kann.
Diese drei Beispiele geben nur einen klei-
nen Einblick in die Anwendungsmöglichkei-
ten von KI-Technologien in der Marktkom-
munikation. Dennoch zeigen auch sie bereits
auf, dass nicht immer alles neu ist. Während
Generative-Machine-Learning-Ansätze die
Etablierung eines neuen Anwendungsfelds
erwarten lassen, sind die Beispiele des So-
cial Listening und der Kundensegmentie-
rung nicht KI-exklusiv.
Mythos 4: Je beeindruckender der techno-
logische Durchbruch, desto höher das wirt-
schaftliche Potenzial.
Nicht selten werden wir mit der Ambition
konfrontiert, die neusten Machine-Learning-
Methoden zu entwickeln oder einzusetzen,
um am technischen Puls der Zeit zu sein.
Dabei wird jedoch allzu oft vergessen, dass
sich eine Anwendung in die Wertschöpfung
sowie die Organisation einbetten muss. Die-
ser Ansatz ist auch Kerngedanke des KI-Ser-
vice-Canvas, welches es Unternehmen er-
laubt, KI-basierte Services sowohl aus einer
Innovations- als auch Technologie-Perspek-
tive zu beschreiben, zu bewerten und auszu-
gestalten (Urbach et al., 2021). So kann
beispielsweise selbst ein vermeintlich lang-
weiliger technologischer Ansatz zur Weiter-
leitung von Tickets im Support durch
entsprechende Skalierung zu hohen Kosten-
einsparungen führen. Oftmals ist es auch
ökonomisch nicht sinnvoll, hohe Investitio-
nen zu leisten, um die letzten Prozente aus
einem Machine-Learning-Ansatz herauszu-
holen. Dies führt nicht selten dazu, dass am
falschen Ende gespart wird. Vor allem bei
Investitionen in das Change Management ist
der Grenznutzen durch hohe Steigerungsra-
ten bei der Nutzungseffektivität erheblich.
Und selbst wenn es keinen Bedarf für eine
KI-Anwendung gibt, ist das nicht weiter
schlimm, denn KI-Technologien sind kein
Selbstzweck.
3 Warum wir nicht nur von
Künstlicher Intelligenz
sprechen sollten
Zuletzt möchten wir die Titelfrage erneut
aufgreifen und zusammenfassend drei Emp-
fehlungen aussprechen, wieso wir nicht nur
von KI sprechen sollten:
Wir sollten nicht nur von Künstlicher In-
telligenz sprechen, sondern über einzelne
Technologien und deren Eigenschaften.
Es braucht einen differenzierten Blick auf
KI-Technologien und -Anwendungen. Sei-
en Sie konkret und sprechen Sie nicht nur
transfer 03/2022
13
essay
über KI im Allgemeinen, denn nicht alle KI-
Technologien und -Anwendungen sind
gleich oder haben die gleichen Auswirkun-
gen auf ihr soziales System.
Wir sollten nicht nur von Künstlicher In-
telligenz sprechen, sondern auch darüber,
wofür und wie wir es einsetzen. Lernen Sie
das technoökonomische Potenzial von KI-
Anwendungen spezifisch für Ihren organi-
sationalen Kontext kennen. Vergessen Sie
dabei aber auch nicht, welche ethischen,
rechtlichen und sozialen Implikationen da-
mit einhergehen und beziehen Sie diese in
Ihre Gestaltung mit ein.
Wir sollten nicht nur von Künstlicher In-
telligenz sprechen, sondern eigene Erfah-
rungen machen. Starten Sie bei sich selbst
und bilden Sie sich weiter. Nutzen Sie KI-
spezifische Innovationsmethoden (z. B.
Hofmann et al., 2020), um KI-Anwendungs-
fälle zu identifizieren, zu bewerten und zu
konzipieren. Vergessen Sie in Ihrer KI-
Transformation aber auch nicht ihre alten
Baustellen der digitalen Transformation, da
Sie diese sonst auf kurz oder lang auch beim
Einsatz von KI-Anwendungen einholen
werden.
Management-Takeaway
Wir sollten nicht nur von der einen Künst-
licher Intelligenz sprechen, vielmehr
braucht es einen differenzierten Blick auf
spezifische KI-Technologien und -Anwen-
dungen. Dabei sollten wir berücksichtigen,
wofür und wie wir diese einsetzen wollen.
Um eigene Erfahrungen damit zu machen,
sollten KI-spezifische Innovationsmetho-
den eingesetzt werden, um KI-Anwen-
dungsfälle zu identifizieren, zu bewerten
und zu konzipieren.
Literatur
Hofmann, P., Jöhnk, J., Protschky, D., Stähle, P., Urbach, N., &
Buck, C. (2020). KI-Anwendungsfälle zielgerichtet identifi-
zieren. Wirtschaftsinformatik & Management, 12(3), 184-
193. Doi.org/10.1365/s35764-020-00257-z.
Hofmann, P., Rückel, T., & Urbach, N. (2021). Innovating with
Artificial Intelligence: Capturing the Constructive Functional
Capabilities of Deep Generative Learning. In Proceedings
of the 54th Hawaii International Conference on System
Sciences. Honolulu, HI: University of Hawai'i at Manoa,
Hamilton Library.
Huang, M.-H. & Rust, R. T. (2021). A strategic framework for
artificial intelligence in marketing. Journal of the Academy
of Marketing Science, 49(1), 30-50. Doi.org/10.1007/
s11747-020-00749-9.
OpenAI. (2022). DALL·E 2. Abruf von https://openai.com/dall-
e-2/.
Urbach, N., Häckel, B., Hofmann, P., Fabri, L., Ifland, S.,
Karnebogen, P. et al. (2021). KI-basierte Services intelli-
gent gestalten – Einführung des KI-Service-Canvas.
Bayreuth, Augsburg, Frankfurt: Institutsteil
Wirtschaftsinformatik des Fraunhofer-Instituts für
Angewandte Informationstechnik FIT, Hochschule
Augsburg, Universität Bayreuth, Frankfurt University of
Applied Sciences.
www.transfer-zeitschrift.net
Foto: © Elena Dobrova - Fotolia.com
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Die unternehmerische Relevanz von Künstlicher Intelligenz (KI) ist durch Erfolgsgeschichten aus diversen Branchen untermauert. Der erfolgreiche Einsatz von KI ist jedoch keineswegs ein Selbstläufer. So bestimmen die Fähigkeiten eines Unternehmens, KI-basierte Services innovativ zu gestalten und in deren organisationale Wertschöpfung zu integrieren, dessen Wettbewerbsfähigkeit. Aufbauend auf den Kompetenzen und praktischen Erfahrungen der Projektgruppe Wirtschaftsinformatik des Fraunhofer FIT, dem Technologietransferzentrum Data Analytics der Hochschule Augsburg sowie der Universität Bayreuth stellen wir in dieser Studie das KI-Service-Canvas vor und geben einen kurzen Einblick in die KI-Praxis. Das KI-Service-Canvas erlaubt es Unternehmen, KI-basierte Services sowohl aus einer Innovations- als auch Technologie-Perspektive zu beschreiben, zu bewerten und auszugestalten. So bieten wir ein Werkzeug, welches entlang des gesamten Innovationsprozesses eingesetzt werden kann. Mit der konsequenten Nutzung des KI-Service-Canvas können Unternehmen einen Blindflug in der Entwicklung von KI-basierten Services vermeiden. Durch eine ganzheitliche Betrachtung werden Fragestellungen von der Infrastrukturebene über die Prozess-/Systemebene bis hin zur Geschäftsebene beantwortet. Ferner geben wir durch die Ergänzung von Erfahrungsberichten aus unseren Forschungs- und Praxisprojekten einen Einblick in die praktische Anwendung von KI.
Article
Full-text available
The authors develop a three-stage framework for strategic marketing planning, incorporating multiple artificial intelligence (AI) benefits: mechanical AI for automating repetitive marketing functions and activities, thinking AI for processing data to arrive at decisions, and feeling AI for analyzing interactions and human emotions. This framework lays out the ways that AI can be used for marketing research, strategy (segmentation, targeting, and positioning, STP), and actions. At the marketing research stage, mechanical AI can be used for data collection, thinking AI for market analysis, and feeling AI for customer understanding. At the marketing strategy (STP) stage, mechanical AI can be used for segmentation (segment recognition), thinking AI for targeting (segment recommendation), and feeling AI for positioning (segment resonance). At the marketing action stage, mechanical AI can be used for standardization, thinking AI for personalization, and feeling AI for relationalization. We apply this framework to various areas of marketing, organized by marketing 4Ps/4Cs, to illustrate the strategic use of AI.
Conference Paper
Full-text available
As an emerging species of artificial intelligence, deep generative learning models can generate an unprecedented variety of new outputs. Examples include the creation of music, text-to-image translation, or the imputation of missing data. Similar to other AI models that already evoke significant changes in society and economy, there is a need for structuring the constructive functional capabilities of DGL. To derive and discuss them, we conducted an extensive and structured literature review. Our results reveal a substantial scope of six constructive functional capabilities demonstrating that DGL is not exclusively used to generate unseen outputs. Our paper further guides companies in capturing and evaluating DGL's potential for innovation. Besides, our paper fosters an understanding of DGL and provides a conceptual basis for further research.
KI-Anwendungsfälle zielgerichtet identifizieren
  • P Hofmann
  • J Jöhnk
  • D Protschky
  • P Stähle
  • N Urbach
  • C Buck
Hofmann, P., Jöhnk, J., Protschky, D., Stähle, P., Urbach, N., & Buck, C. (2020). KI-Anwendungsfälle zielgerichtet identifizieren. Wirtschaftsinformatik & Management, 12(3), 184-193. Doi.org/10.1365/s35764-020-00257-z.