Technical ReportPDF Available

Künstliche Intelligenz in Nichtregierungsorganisationen: Explorative Studie in einem neuen Forschungsfeld

March 2024

DOI:10.13140/RG.2.2.10671.75685/1

Affiliation: Ostbayerische Technische Hochschule Regensburg

Authors:

Maximilian Schultz

Regensburg University of Applied Sciences

Anna Scharf

Special Olympics Deutschland

Franziska Hauer

Regensburg University of Applied Sciences

Sonja Haug

Regensburg University of Applied Sciences

Show all 5 authorsHide

Es wurden fünf explorative Interviews mit Vertreter*innen von Nichtregierungsorga-nisationen (NROs) zum Thema Wissen, Akzeptanz, Bedarfe und Risikoeinschätzungen geführt und ausgewertet. Dabei sind NROs aus verschiedenen Handlungsfeldern und Größe interviewt. Es wurden informelle Vorgespräche geführt, um eine erste Orien-tierung im Forschungsfeld zu generieren. Aus den Erkenntnissen der Vorgespräche und den Ergebnissen des Scoping Reviews ist ein Leitfaden erstellt worden, der zur Orientierung für die Expert*inneninterviews dient. Im Anschluss wurden dann fünf explorative leitfadengestützte Expert*inneninterviews durchgeführt und qualitativ ausgewertet. Künstliche Intelligenz in Nichtregierungsorganisationen ist ein aufkommendes und sich entwickelndes Forschungsthema. Die Interviews unterstreichen den Bedarf an mehr Wissen, ethischen Richtlinien und finanziellen Ressourcen für eine effektive Nutzung von KI in NROs. Ein umfassendes Verständnis von KI und eine tiefergehende, systematische Integration in Arbeitsabläufe in diesen Organisationen müssen noch entwickelt werden.

Content uploaded by Anna Scharf

Content may be subject to copyright.

KINiro

Künstliche Intelligenz für

Nichtregierungsorganisationen

Bedarf, Akzeptanz und Umsetzungsmöglichkeiten

2. Arbeitspapier

Künstliche Intelligenz in Nichtregierungsorganisationen:

Explorative Studie in einem neuen Forschungsfeld

Autor*innen: Schultz, Maximilian; Scharf, Anna; Hauer, Franziska; Haug, Sonja; Weber,

Karsten

Wissenschaftliche Projektleitung: Prof. Dr. Karsten Weber

Herausgeber: Institut für Sozialforschung und Technikfol-

genabschätzung (IST), Ostbayerische Technische Hoch-

schule (OTH) Regensburg

KINiro – 2. Arbeitspapier    Schultz et al. (2024) 
Künstliche Intelligenz in Nichtregierungsorganisationen 
2 
Inhalt 
Zusammenfassung .................................................................................................. 3 
Abstract .................................................................................................................. 5 
1 Hintergrund .................................................................................................... 7 
2 Methode .......................................................................................................... 9 
2.1 Überblick ................................................................................................ 9 
2.2 Befragungsinstrument ........................................................................... 10 
2.3 Transkription und Auswertungsmethodik .............................................. 12 
2.4 Sampling ............................................................................................... 13 
3 Ergebnisse .................................................................................................... 14 
3.1 Verständnis von KI ................................................................................ 15 
3.2 Aktueller Einsatz von KI ......................................................................... 17 
3.3 Akzeptanz und Nichtakzeptanz ............................................................. 19 
3.4 Ressourcen ........................................................................................... 21 
3.5 Bedenken .............................................................................................. 25 
3.6 Zukunftsperspektiven ............................................................................ 28 
4 Fazit .............................................................................................................. 29 
Anhang ................................................................................................................. 36 
Abbildungsverzeichnis .................................................................................. 36 
Tabellenverzeichnis ....................................................................................... 36 
Abkürzungsverzeichnis ................................................................................. 36 
Interviewleitfaden .......................................................................................... 36 
 

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Zusammenfassung

Hintergrund und Fragestellung

Nichtregierungsorganisationen (NRO) sind ein wichtiger Bestandteil der Zivilgesell-

schaft und interagieren auch mit Regierungen, Unternehmen und anderen gesell-

schaftlichen Akteuren. Aufgrund der komplexer werdenden Arbeit von NROs scheint

Künstliche Intelligenz (KI) Möglichkeiten zur Bewältigung aktueller und zukünftiger

Herausforderungen zu bieten. Jedoch ist wenig über die Arbeit von NROs mit KI be-

kannt.

Methodik

Es wurden fünf explorative Interviews mit Vertreter*innen von Nichtregierungsorga-

nisationen (NROs) zum Thema Wissen, Akzeptanz, Bedarfe und Risikoeinschätzungen

geführt und ausgewertet. Dabei sind NROs aus verschiedenen Handlungsfeldern und

Größe interviewt. Es wurden informelle Vorgespräche geführt, um eine erste Orien-

tierung im Forschungsfeld zu generieren. Aus den Erkenntnissen der Vorgespräche

und den Ergebnissen des Scoping Reviews ist ein Leitfaden erstellt worden, der zur

Orientierung für die Expert*inneninterviews dient. Im Anschluss wurden dann fünf

explorative leitfadengestützte Expert*inneninterviews durchgeführt und qualitativ

ausgewertet.

Ergebnisse

Ein zentraler Befund ist, dass das Thema KI gerade in den NROs ankommt und es noch

keine gefestigten Strukturen und Vorstellungen zum Einsatz von KI gibt. KI wird in

einzelnen spezifischen Projekten eingesetzt, ohne dass diese umfassend in Arbeits-

abläufe integriert ist. Die Akzeptanz von KI ist generell positiv; die Technologie wird

als potenzielle Lösung für strukturelle Herausforderungen und Unterstützung im All-

tag gesehen. Die Nutzung von KI-Anwendungen beschränkt sich jedoch mit Aus-

nahme von Large Language Models auf Pilotprojekte. Mit jüngerem Alter und Techni-

kaffinität ist eine höhere Akzeptanz verbunden. Besonders kritisch werden Anwen-

dungen von KI im Sozial- oder Gesundheitsbereich als Ersatz für menschliche Inter-

aktionen gesehen. Betont werden auch ethische Bedenken und eine hohe Bedeutsam-

keit von Datenschutz.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Schlussfolgerung

Künstliche Intelligenz in Nichtregierungsorganisationen ist ein aufkommendes und

sich entwickelndes Forschungsthema. Die Interviews unterstreichen den Bedarf an

mehr Wissen, ethischen Richtlinien und finanziellen Ressourcen für eine effektive

Nutzung von KI in NROs. Ein umfassendes Verständnis von KI und eine tiefergehende,

systematische Integration in Arbeitsabläufe in diesen Organisationen müssen noch

entwickelt werden.

Schlüsselwörter

Künstliche Intelligenz, KI, Nichtregierungsorganisationen, NRO, explorative Interviews

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Abstract

Background and research question

Non-Governmental Organizations (NROs) are a pivotal component of civil society and

engage in interactions with governments, corporations, and other societal actors. With

the increasingly complex nature of NRO operations, Artificial Intelligence (AI) appears

to offer potential solutions for addressing current and future challenges. However,

there is a paucity of knowledge regarding NRO utilization of AI. Thus, this initial work-

ing paper of the KINiro project focuses on examining the existing scholarly and non-

scholarly knowledge surrounding the nexus of NROs and AI.

Methods

Five exploratory interviews were conducted and analyzed with representatives of Non-

Governmental Organizations (NROs) on topics including knowledge, acceptance,

needs, and risk assessments. These NROs varied in their fields of action and size.

Informal preliminary conversations were held to gain an initial orientation in the re-

search field. Insights from these preliminary discussions, along with the findings of a

scoping review, informed the creation of a guideline that served to direct the expert

interviews. Subsequently, five guided exploratory expert interviews were conducted

and analyzed qualitatively.

Results

A key finding is that the topic of AI is just starting to be addressed by NGOs and that

there are still no established structures and ideas on the use of AI. AI is used in indi-

vidual specific projects without being fully integrated into work processes. The ac-

ceptance of AI is generally positive; the technology is seen as a potential solution for

structural challenges and support in everyday life. However, except for large language

models, the use of AI applications is limited to pilot projects. A higher level of ac-

ceptance is associated with a younger age and affinity for technology. Applications of

AI in the social or healthcare sector as a substitute for human interaction are viewed

particularly critically. Ethical concerns and a high level of data protection are also

emphasized.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Conclusion

Artificial intelligence in non-governmental organizations is an emerging and evolving

topic. The interviews emphasize the need for more knowledge, ethical guidelines and

financial resources for the effective use of AI in NGOs. A comprehensive understand-

ing of AI and a deeper, systematic integration into the workflows of these organiza-

tions still needs to be developed.

Keywords

Artificial Intelligence, AI, non-government organization, NRO, explorative interviews

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

1 Hintergrund

Nichtregierungsorganisationen (NROs)

sind zum einen ein wichtiger Bestandteil der

Zivilgesellschaft (z.B. Hall und O'Dwyer 2017; Pogorelskaja 2015). Zum anderen ar-

beiten sie in der Regel an verschiedenen Schnittstellen wie bspw. zur öffentlichen

Hand, zu Wirtschaft und Politik, aber auch zur Wissenschaft und weiteren gesell-

schaftlichen Subsystemen.

NROs sind, in Abgrenzung vom staatlichen und wirtschaftlichen Bereich, Akteure des

so genannten „Dritten Sektors“, zu dem Stiftungen, Vereine, Verbände, Interessen-

gruppen, Initiativen, Soziale Bewegungen, Soziale Dienstleister und Wohlfahrtsorga-

nisationen gehören (Frantz und Martens 2006).

Die Bundesregierung hat sich zum Ziel gesetzt, Künstliche Intelligenz (KI) sozial,

nachhaltig und partizipativ zu gestalten. Dabei geht es auch darum, neben der Wirt-

schaft und der öffentlichen Verwaltung die Zivilgesellschaft zu erreichen. Hierzu sind

auch Rahmenbedingungen einer gemeinwohlorientierten Entwicklung und Nutzung

von KI erforderlich, deren Entwicklung bisher noch am Anfang steht (Bundesministe-

riums für Familie, Senioren, Frauen und Jugend (BMFSFJ) 2022).

Im Rahmen des Projekts KINiro wird in diesem Kontext die Rolle der Nichtregierungs-

organisationen (NROs) untersucht. Nichtregierungsorganisationen bieten, zumindest

potenziell, bereits einen geeigneten organisatorischen Rahmen (in Deutschland bspw.

durch deren Rechtsform unterstützt), in dem die Nutzung von KI-Systemen dazu bei-

tragen könnte, das Gemeinwohl zu befördern. Eine geeignete Organisationsstruktur

allein garantiert aber noch nicht, dass das notwendige Know-how und andere unab-

dingbare (materielle) Ressourcen für einen sinnvollen KI-Einsatz zur Unterstützung

der Arbeit einer NRO vorhanden sind. Wie der durchgeführte Scoping Review zeigt,

liegt aktuell nur wenig Wissen über die Nutzung von KI im Kontext von NROs vor

(Scharf et al. 2023). Von 2752 gesichteten Studien konnten lediglich 14 (nicht-)wis-

senschaftliche Titel eingeschlossen werden. Es zeigt sich, dass sich NROs entweder

theoretisch mit KI beschäftigen (McKeon 2022, Waver 2021, Schiff et al. 2021,

Im Rahmen des Projektes verstehen wir unter Nichtregierungsorganisationen sowohl

NROs als auch Non-Profit-Organisationen (NPOs). Zur ausführlichen Definition von NROs in-

nerhalb des Projektes (siehe Scharf et al. 2023: 6-7).

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Alnamrouti et al. 2022) und an Diskursen hierzu teilnehmen, ohne die Technik selbst

zu nutzen, oder dass NROs KI aktiv nutzen oder Projekte hierzu durchführen und ihre

Use-Cases vorstellen (bspw. Berger und Landstorfer 2022, Heggie-Collins 2019,

Wong 2017, Reid und Gurfein 2018; Dellinger 2016).Durch den Einsatz von KI erhof-

fen sich NROs einen gezielteren Einsatz von Ressourcen, beispielsweise von mensch-

licher Expertise durch die Analyse medizinischer Daten (bspw. Dellinger 2016, Feld-

hay und Gronau 2022, Hayne 2018, Wong 2017) oder durch einen Chatbot aufge-

nommene und bewertete Verbraucher*innenanfragen (Heggie-Collins 2019) sowie

auch der Einsatz finanzieller Ressourcen, durch die Optimierung von Werbeschaltun-

gen (Omidi 2017). Daten sind für die Erstellung und das Training von KI-Systemen

zentral. Hierbei zeigt sich, dass für die Nutzung in KI-Systemen ein interdisziplinärer

Konsens über Standards in Datenerhebung und Speicherung als notwendig angesehen

wird (McKeon 2022, Prior 2018). Dabei ist es wichtig, dass bestehende Regulierungen

auf neue Gegebenheiten flexibel angepasst werden (McKeon 2022). Dass sich NROs

mit KI-Ethik verstärkt auseinandersetzen und hierzu Texte bereitstellen sowie mit ih-

ren ethischen Fokussen ihrer Schutz- und Wachfunktion nachkommen, zeigt die Stu-

die von Schiff et al. (2021). Zudem weisen Alnamrouti et al. (2022) darauf hin, dass

die Integration von KI in die Organisation Schulungen der Mitarbeiter*innen erfordert

sowie das Schaffen und den Erhalt von Vertrauen in die KI bspw. durch Datenethik.

Um die identifizierte Forschungslücke zu verringern, werden im Projekt KINiro empi-

rische Studien durchgeführt. Zur systematischen Generierung des Wissens in einem

so jungen und wenig erforschten Feld wird ein Mixed-Methods-Design (Kuckartz

2014) angewendet, bei dem auf eine qualitative explorative Vorstudie eine quantita-

tive Erhebung sowie darauf vertiefte qualitative Interviews folgen (qual-QUAN-QUAL).

Die vorliegende explorative qualitative Studie (qual

) fokussiert daher die aktuelle

Nutzung von KI in NROs und gibt einen ersten Einblick in Bedarfe, wahrgenommene

Hürden und Risikoeinschätzungen im Kontext von KI und NROs.

Explorative qualitative Studie in Form von Expert*innen-Interviews.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

2 Methode

Für die empirische Studie liegt ein Ethikvotum der Gemeinsamen Ethikkommission

der Hochschulen Bayerns vor (GEHBa-202307-V-120 vom 27.07.2023).

2.1 Überblick

Es wurden n=5 explorative Expert*innen-Interviews mit Vertreter*innen von NROs

über

Zoom on Premise

geführt und für die Transkription aufgezeichnet. Das virtuelle

Format wurde aufgrund der deutschlandweiten Verteilung der NROs gewählt und um

den Aufwand für die Befragten so gering wie möglich zu halten; denn bei der Akquise

der Interviewpartner*innen zeigte sich, dass Zeit in den NROs eine sehr knappe Res-

source ist. Die Länge der Interviews variiert deutlich. Das kürzeste Interview dauerte

19 Minuten, das längste 80 Minuten. Die durchschnittliche Interviewlänge beträgt 47

Minuten. Die Abweichung der Länge der Gespräche spiegelt die Diversität der Inhalte

wider und wie unterschiedlich das Thema Künstliche Intelligenz in den Organisationen

aktuell präsent ist. Abbildung 1 gibt einen Überblick über den Forschungsprozess.

Abbildung 1: Flussdiagramm Ablauf der Interviews

Die explorativen Interviews wurden durch einen Leitfaden gestützt (Entstehung und

Aufbau des Leitfadens siehe Kapitel 2.2). Leitfadengestützte Interviews, nach Bogner

et al. (2014) konzipiert, stellen eine semi-strukturierte qualitative Befragungsme-

thode dar, die eine Balance zwischen Offenheit und thematischer Fokussierung er-

möglicht. Explorative Experteninterviews sind in der Sozialwissenschaft wichtig, um

eine erste Orientierung im Forschungsfeld zu ermöglichen, Problembewusstsein zu

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

schärfen und um Hypothesen generieren zu können. Sie bieten erste Einblicke in Or-

ganisations- und Kontextwissen der Expert*innen, so schreibt auch Kaiser (2014: 29):

„Im explorativen Forschungsinterview wird Expert*innenwissen zur Informationsge-

winnung über aktuelle und bisher wenig erforschte Fragestellungen genutzt. Explo-

rative Studien werden unternommen, wenn zu einem wissenschaftlich relevanten

Problembereich bisher keine gesicherten theoretischen Annahmen oder belastbare

empirische Daten vorliegen“.

Definition Expert*in

Nach Schütze ist jeder Mensch ein*e Expert*in über sich selbst (Bogner et al. 2014)und

nach Gläser und Laudel sind Expert*innen „Menschen, die ein besonderes Wissen über

soziale Sachverhalte besitzen“ (in Bogner et al. 2014:10). Dies hätte allerdings zur

Folge, dass alle qualitativen Interviews unter dem Begriff Experteninterviews zusam-

mengefasst werden würden (Bogner et al. 2014: 11). Daher wird die Definition von

Expert*in von Bogner et al. (2014) herangezogen. Nach diesen ist „der Experte ein

Konstrukt des Forschers und der Gesellschaft“ und „nicht allein ein individuelles Kon-

strukt“. Daraus resultiert, dass Expert*innen Personen sind, welche aufgrund von spe-

zifischem Wissen, sich „die Möglichkeit geschaffen haben, mit ihren Deutungen das

konkrete Handlungsfeld sinnhaft und handlungsleitend für Andere zu strukturieren“

(Bogner et al. 2014:14 ). Ein*e Expert*in inkorporiert damit Wissen und eine Art von

Macht zugleich in sich (Bogner et al. 2014: 14).

„Schütze (1992) paraphrasierend kann man abschließend festhalten: Experten

besitzen die Möglichkeit zur (zumindest partiellen) Durchsetzung ihrer Orien-

tierungen. Experten zeichnen sich dadurch aus, dass sie maßgeblich bestimmen,

aus welcher Perspektive und mithilfe welcher Begrifflichkeiten in der Gesellschaft

über bestimmte Probleme nachgedacht wird. Genau diese Praxisrelevanz macht

die Experten für viele empirische Forschungsprojekte und Forschungsfragen in-

teressant.“ (Bogner et al. 2014:15)

2.2 Befragungsinstrument

Die Inhalte des Leitfadens basieren aus informellen Vorgesprächen (n=6) und den

Ergebnissen des Scoping Reviews (Scharf et al. 2023) (siehe auch Abbildung 1). Auf-

grund positiver Erfahrungen bei der Leitfadenerstellen mit informellen Vorgesprächen

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

(Haug und Scharf 2022: 113) und um das sehr jungen Forschungsfeldes von NROs

und KI zu öffnen, wurden diese thematisch offen geführt. Die dafür ausgewählten

NROs stammen aus den Handlungsfeldern Menschenrechte, Umweltschutz, Bildung

und Gesundheit und variieren in Größe, bemessen an Mitgliedern und Beschäftigten,

sowie in Bezug auf ihre organisatorische Reichweite, die von lokalen Aktivitäten bis

hin zu Tätigkeiten auf nationaler und internationaler Ebene reicht.

Da die explorativen Interviews in unserem Forschungsdesign qual-QUAN-QUAL das

Forschungsfeld eröffnen und Grundlage für die weiteren Erhebungen (quantitative

Studie, vertiefende qualitative Interviews) sind, ist die Entwicklung des Leitfadens von

besonderer Bedeutung. Denn das Leitfadeninterview bietet einen analytischen Zugang

um als Teil eines methodenpluralistischen Ansatzes zwischen qualitativer und quan-

titativer Forschungsansätze zu fungieren (Kaiser 2014 :30 f.) .

Der Leitfaden wurde so konzipiert, dass er sowohl Bedarfe, Erwartungen und Risiken

bei NROs erheben kann, die bereits KI in ihrer Organisation verwenden, als auch für

NROs passt, die aktuell noch keine KI einsetzen. Insgesamt umfasst der Leitfaden acht

Kategorien mit je einer Leitfrage sowie weiterführenden Fragen (siehe Anhang: Inter-

viewleitfaden). Die Kategorien des Leitfadens sind:

A. Organisation und Rolle

B. Verständnis von KI

C. Aktueller Einsatz von KI

D. Ressourcen, Kompetenzen und Möglichkeiten

E. Akzeptanz und Einstellung gegenüber KI

F. Bedenken, Risiken und ethische Überlegungen bezüglich KI

G. Zukunftsperspektiven und die Weiterentwicklung von KI

H. Anmerkungen

Bei der Befragung diente der Leitfaden zur Strukturierung und Orientierung sowie der

Sicherstellung, dass über alle Kategorien gesprochen wurde. Die Reihenfolge der In-

halte variierte während der Interviews, um den Gesprächsfluss der/mit den Befragten

nicht entgegenzuwirken und individuell agieren zu können.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

2.3 Transkription und Auswertungsmethodik

Die Interviews wurden per Videogespräch mit

Zoom on Premise

geführt; die Gesprä-

che wurden mit Zustimmung der Befragten aufgezeichnet. Die Transkription der Au-

dio-Aufnahmen fand KI-gestützt mit FasterWhisper statt. FasterWhisper ist eine Neu-

konzipierung des Whisper-Modells von OpenAI. Es ist leistungsfähiger als das erste

Whisper-Modell und ist darauf konzipiert, Audiodateien effizient zu transkribieren

(Radford et al. 2022).

Vor der Entscheidung für diese Transkriptionsmethode wurde ein Qualitätstest durch-

geführt. Hierzu wurde eine Transkription einer verfügbaren Audiodatei aus einem an-

deren Forschungsprojekt durch eine studentische Hilfskraft verglichen mit einer KI-

gestützten Transkription durch Whisper einerseits und durch f4x

andererseits. Hier-

bei stellte sich heraus, dass die Transkription durch Whisper die besten Resultate er-

brachte. Die Entscheidung für Whisper als Transkriptionstool wurde aufgrund seiner

hohen Geschwindigkeit und damit Zeitersparnis sowie der sehr hohen Genauigkeit

und Textqualität getroffen,

Whisper wurde bereits in der automatischen Spracherkennung (ASR) in verschiedenen

Sprachen getestet. Unter anderem wurde es in Englisch, Deutsch und Tschechisch in

verschieden Einstellungen erprobt, dabei kam heraus, dass es bei aktiviertem

voice

acitvity detection

(VAD) vor allem in Deutsch und Tschechisch höhere Werte erreichte.

(Macháček et al. 2023) Die

word error rate

(WER) ist bei dem verwendeten Modell sehr

gering, zudem ist die Transkriptionszeit durch das neue Modell FasterWhisper erheb-

lich niedriger als bei der vorherigen Version des Models.

Da die Hochschule bereits mit dem Model arbeitet, konnten die Audiodateien intern

mit dem Model ausgewertet werden und so wurde ein hoher Datenschutz gewährleis-

tet. Die Transkripte wurden auf Fehler überprüft und ggf. korrigiert. Die Entscheidung

für Whisper als Transkriptionstool wurde aufgrund seiner hohen Geschwindigkeit und

Genauigkeit getroffen, was zu einer erheblichen Zeitersparnis führte. Die Hochschule

(OTH Regensburg) hatte bereits positive Erfahrungen mit Whisper gesammelt. Zudem

https://www.audiotranskription.de/f4x/

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

ermöglicht die Plattform eine eigenständige und zeitlich flexible Transkription der

Interviews, was die Abhängigkeit von externen Fachleuten reduziert.

Abbildung 2: Kategorien und Subkategorien

Die strukturierte Inhaltsanalyse nach Mayring (2022) fand softwaregestützt mit

MAXQDA 2023 statt. Die Oberkategorien wurden deduktiv auf Basis der Kategorien

des Leitfadens gebildet. Die Bildung der Subkategorien erfolgte induktiv anhand der

Interviewinhalte; denn die datenbasierte induktive Kategorienbildung spielt in der

Auswertung eine wichtige Rolle, da sie direkt am Material gebildet wird und ein aktiver

Prozess in der Auseinandersetzung mit den Daten der Interviews bedeutet (Kuckartz

& Rädiker 2019: 102). Abbildung 2 bietet einen Überblick über das hierarchische

Codesystem.

2.4 Sampling

Die Grundlage der Auswahl der NROs bildet ein

purposive sampling

, eine gezielte

Auswahl von Expert*innen, die für das Forschungsfeld stehen (Patton 1990). Die

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Anzahl der Interviews ist auf fünf festgelegt. Bei den Handlungsfeldern der angefrag-

ten Expert*innen wurde auf Diversität im Hinblick auf Organisationsgröße und The-

mengebiet geachtet. Dies gewährleistet eine breite Abdeckung verschiedener Per-

spektiven und Expertisen (Bogner et al. 2014).

So wurden Expert*innen aus den Handlungsfeldern Umweltschutz, Menschenrechte,

Bildung und aus dem Gesundheitsbereich für die Interviews eingeladen und ausge-

wählt (siehe Tabelle 1). Alle Organisationen wurden per E-Mail angeschrieben. Bei

Rückfragen zu den möglichen Interviewpartner*innen wurde teilweise ein ergänzen-

des Telefonat geführt. Die Interviews wurden im Zeitraum 20.Oktober bis 27.Novem-

ber 2023 geführt.

Themenfeld

Klein

Groß

Bildung

OG3

OG5

Menschenrechte

OG1

Umweltschutz

OG4

Gesundheit

OG2

Tabelle 1: Matrix zur Auswahl der befragten Organisationen

Die angesprochenen Organisationen haben jeweils die möglichen Inter-

viewpartner*innen vorgeschlagen, die meist aus Leitungsfunktionen, IT-Stabsstellen

und dem Aufgabenbereich der Öffentlichkeitsarbeit stammten und sich bereits mit

dem Thema KI beschäftigt haben. Sie konnten einen guten Überblick über die aktuelle

Situation in ihren Organisationen geben. Für einen ersten explorativen Zugang waren

die Interviewpartner*innen gut geeignet.

3 Ergebnisse

Die Ergebnisse sind wie folgt strukturiert: Die Hauptteile des Berichts, die Oberkate-

gorien, wurden anhand des Leitfadens als deduktive Kategorien zur Auswertung ge-

nutzt. Die Unterpunkte, die Subkategorien, entstanden induktiv aus der Analyse des

Materials. Die Organisationen (OG) sind in der Reihenfolge der Interviewzeitpunkte

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

durchnummeriert. Direkte Zitate aus den Interviews werden durch die Organisations-

nummer und die entsprechenden Absätze gekennzeichnet.

3.1 Verständnis von KI

Definition

In keiner der befragten Organisationen existiert eine einheitliche, organisationsweite

Definition von KI. Die Definitionen der Befragten variieren stark zwischen den Orga-

nisationen, was die Komplexität und Vielseitigkeit des Feldes widerspiegelt. Während

einige Befragte KI allgemein als Technologie verstehen, die Fragen beantwortet und

Ergebnisse liefert, definieren andere sie in Abgrenzung zu Data Science und Machine

Learning. Die Vielschichtigkeit der Aussagen zeigt die große Bandbreite, auf der sich

die Organisationen beim Verständnis zu KI bewegen. Auf die Frage nach der Definition

zeigen sich sehr unterschiedliche Verständnisse von KI. Während die Aussage: „Ich

glaube, ich kann KI nicht definieren, also mir fehlt das Wissen dazu. Es ist ja Künstliche

Intelligenz. Man kann Fragen stellen, bekommt Antworten.“ (OG2

:31) darauf hin-

weist, das KI ein sehr schwer fassbares Konzept ist, zeigen andere Inter-

viewpartner*innen ein sehr differenzierteres Verständnis: „Wir definieren das [...] eher

so einen engeren Definitionsbegriff [...] eher unter maschinelles Lernen fassen und KI

im Sinne von neuronalen Netzen und LLMs und sowas.“ (OG3

:16) Zuweilen wird sogar

eine sehr klare und enge Definition angeboten, gerade in Bezug auf die aktuell sehr

verbreiteten Large Language Models: „Wir haben eine enge Definition, die KI be-

schränkt auf, ja, LLMs, neuronale Netze, Deep Learning.“ (OG3:16). Einige Organisa-

tionen betonen eine engere Definition von KI, die sich auf fortgeschrittene Aspekte

wie Large Language Models konzentriert. Diese unterschiedlichen Definitionsansätze

spiegeln den variierenden Wissensstand der Organisationen bzw. der Befragten wider.

Des Weiteren definieren Organisationen KI auch im Kontext ihrer Anwendungsfälle:

„Das hängt immer sehr stark vom Kontext ab. [...] Ich versuche, die Definition mög-

lichst weit zu fassen [...], also alles, was im Bereich Machine Learning ist, fällt da schon

mit rein.“ (OG4:20) Abschließend fasst eine Interviewpartner*in die Situation zusam-

men: „Keine feste. Keine Definition wie festgeschrieben, nein.“ (OG4:16). Dies zeigt,

OG2: Interview mit großer Organisation im Handlungsfeld Gesundheit.

OG3: Interview mit kleiner Organisation im Handlungsfeld Bildung.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

dass es in den Organisationen keine feste Definition und keinen Konsens beim Begriff

KI gibt.

Information

In den befragten NROs zeigt sich eine deutliche Varianz in der Informationsgewinnung

zu KI, wobei meist Einzelpersonen die treibenden Kräfte sind. Dies ist vor allem durch

den Grad der Berührungspunkte mit KI bedingt: „Manche Leute kennen sich sehr gut

aus, weil sie die Anwendung nutzen [...] Andere Menschen haben ihr Wissen aus der

Zeitung.“ (OG3:40) „Die holen sich das privat rein, weil es mit ihrem Leben nicht so

viel zu tun hat [...] daher kommen Informationen aus den Medien natürlich.“ (OG1

:35)

Organisationen, die in engerem Bezug zu KI stehen, verfügen über umfassenderes

Expert*innenwissen, das durch den Austausch mit in der KI-Entwicklung engagierten

Mitgliedern und die Einbindung neuer Technologien und Mitglieder entsteht. Teil-

weise werden diese Informationen in der eigenen Organisation an andere Mitarbei-

ter*innen weitergegeben.

Die Einzelpersonen in diesen Organisationen eignen sich KI-Wissen oft durch selbst-

gesteuerte Weiterbildungsmaßnahmen, wie Online-Lektüre und Fachveranstaltungen,

an. Viele Personen erlangen ihr Wissen über KI auch auf privatem Weg, häufig durch

Informationen aus den Medien: „Ich informiere mich viel aus meiner Arbeit, in Ge-

sprächen mit zivilgesellschaftlichen Organisationen oder Fachveranstaltungen [...]

und sonst auch auf Twitter, Blogs und GitHub.“ (OG3:22)

Die Bedeutung des persönlichen Interesses bei Informationen zum Thema KI ist deut-

lich. Die Quellen für Informationen über KI sind umfangreich und reichen von persön-

lichen Netzwerken und Medien bis zu digitalen Plattformen wie Twitter, Blogs und

GitHub: „Viele Bereiche bei uns haben nicht viele Berührungspunkte zu KI [...] das

Wissen dazu ist auch nicht sonderlich tief.“ (OG2:37)

KI wird in allen NROs unterschiedlich definiert und benannt. Einige Organisationen

betrachten KI als allgemeine Technologie zum Lösen von Problemen, andere haben

OG1: Interview mit kleiner Organisation im Handlungsfeld Menschenrechte

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

detailliertere Vorstellungen von Machine Learning und dem Einsatz von KI zur Daten-

verarbeitung.

Es zeigt sich, dass die Organisationen, die aktiv mit KI arbeiten und erste Projekte

umsetzen, bereits eine klarere Vorstellung von KI haben, während andere Organisa-

tionen gerade anfangen, mit Large Language Models zu experimentieren und noch

wenig Vorstellungen zum Einsatz haben. Diese Unterschiede im Verständnis zeigen,

dass KI ein facettenreiches Konzept ist, dessen Interpretation stark vom Kontext und

dem Wissensstand innerhalb der Organisationen abhängt. Die Informationen zum

Thema KI werden vor allem von einzelnen, engagierten und technologieaffinen Mit-

arbeiter*innen in die Organisation getragen.

3.2 Aktueller Einsatz von KI

Die aktuellen Use Cases der Organisationen lassen sich vor allem in zwei Bereiche

unterteilen: Datenanalyse und den Einsatz von Large Language Models (LLMs) wie

ChatGPT.

LLM-Anwendungen (z.B. ChatGPT)

Sonstige KI-Anwendungen

Backoffice-Tätigkeiten

Umweltmonitoring und Datenanalyse

Kommunikationsunterstützung

Gesundheitswesen (Pflege)

Schreibhilfe

Kampagnenerstellung

Bildgenerierung für Präsentationen

Digitale Assistenten in der Sozialen

Arbeit

Öffentlichkeitsarbeit

Tabelle 2: Anwendungen KI

Large Language Models

Wie in der Tabelle 2 ersichtlich sind geben die Nutzer*innen an, dass sie sowohl grö-

ßerer spezifische KI-Anwendungen verwenden als auch im Alltag LLMs wie ChatGPT

verwenden. In der Kategorie der LLM-Anwendungen finden sich beispielsweise Back-

office-Aktivitäten, bei denen ChatGPT für die Erstellung von Stellenanzeigen genutzt

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

wird. Ein Interviewteilnehmer erläutert: „ChatGPT nutzen wir für Kommunikationspro-

zesse, um eine Anfrage zu machen oder eine Stellenanzeige erstellen zu lassen.“

(OG2:43) „Wir experimentieren mit KI im Backoffice, hauptsächlich im Bereich der Da-

tenverwaltung und Kommunikation.“ (OG2:43) Ein weiteres Beispiel ist die Kommuni-

kationsunterstützung, bei der ChatGPT zur Verbesserung von Kommunikationspro-

zessen eingesetzt wird. Die Schreibhilfe, besonders bei der Strukturierung von Ge-

danken, wird ebenfalls hervorgehoben: „Außer, dass ich auch ChatGPT nutze, um ir-

gendwelche Texte zusammenzufassen oder manchmal irgendwelche – gibt mir einen

Titel für diesen Projektantrag – ein paar Ideen rausspucken lasse.“ (OG3:14) Ein Nutzer

bemerkt dazu: „Die Erfahrung ist da ganz klar, also mein Highlight ist immer die blu-

mige Sprechweise der Algorithmen.“ Vor allem wird ChatGPT als Schreibhilfe verwen-

det: „Bei der Zusammenfassung oder Erstellung von Texten nutzen wir auch ChatGPT,

um Ideen zu generieren.“ (OG3:14) Für Präsentationen wird ChatGPT zur Bildgenerie-

rung verwendet, um visuell ansprechende Inhalte zu kreieren.

Sonstige KI-Anwendungen

In der Kategorie der sonstigen KI-Anwendungen stehen unterschiedliche Einsatzbe-

reiche im Fokus. Beispielsweise wird KI für die Analyse politischer Inhalte genutzt,

insbesondere zur Zusammenfassung und Aufbereitung politischer Regulierungen. Im

Bereich des Umweltmonitorings kommt KI zur Erkennung von Umweltphänomenen

wie Ölflecken auf Satellitenbildern zum Einsatz. „Wir haben verschiedene Prototypen

entwickelt. Zum Beispiel visuelle Anwendungen, wo es darum geht, auf Satellitenbil-

dern bestimmte Muster zu erkennen, automatisiert zu erkennen.“ (OG4

:23) Im Ge-

sundheitssektor werden KI-Anwendungen für diagnostische Unterstützung und in der

Pflege verwendet, beispielsweise wurden Pflegeroboter erwähnt. Digitale Assistenten

in der sozialen Arbeit tragen zur Verbesserung von Dienstleistungen bei, indem sie

Verwaltungsvorgänge vereinfachen: „Ja, auch sehr unterschiedlich. Also genau, wie

gesagt, in Werkstätten für Menschen mit Behinderung, in Krankenhäusern, manches

eben in der Beratungsarbeit, die dann eher so im Chatbot-Bereich und so unterwegs

OG4: Interview mit großer Organisation im Handlungsfeld Umweltschutz.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

sind.“ (OG1:18) Schließlich wird KI auch zur Kampagnenerstellung eingesetzt, um ef-

fizient Inhalte zu generieren.

Insgesamt sind die Large Language Models wie ChatGPT in der Anwendung eher ver-

breitet und werden häufiger eingesetzt, während KI-Systeme zur Auswertung von Da-

ten wie Satellitenbildern oder Beratungsdaten sich eher auf vereinzelte Projekte be-

ziehen.

3.3 Akzeptanz und Nichtakzeptanz

Akzeptanz

Insgesamt haben die Interviews ergeben, dass KI in den Organisationen aktuell oft

noch ein Randthema ist. Es gibt keine größeren KI-Einsätze, sondern eher kleinere

Projekte. Ein Interviewpartner beschreibt dies mit den Worten: „Bei uns gibt es kein

klassisches großes Rollout … es ist dann eher so, hey, guck mal, mit was ich hier

rumgespielt habe.“ (OG3) In den befragten Organisationen wird KI generell eher po-

sitiv wahrgenommen, ohne Ängste wie z.B. Arbeitsplatzverlust. Die genannten Be-

denken beziehen sich mehr auf die Arbeit im jeweiligen Handlungsfeld und auf ge-

samtgesellschaftliche Themen (siehe Abschnitt 3.5).

Dennoch ist die Stimmung in Bezug auf den Einsatz von KI oft optimistisch: „Ich

glaube, es gibt eine relevante Menge von Leuten, die das interessant finden, dass sie

Chat-GPT jetzt für ihre Arbeit einsetzen können.“ (OG1:51) Dabei wird in KI vor allem

die Hoffnung gesteckt, das es aktuelle Strukturprobleme lösen kann: „Also, es gibt

Entscheider*innen, die haben da eine Hoffnung drauf, dass das eben zum Beispiel ihr

Fachkräftethema lösen wird [...]“ (OG1:53) Auf der anderen Seite ist das Thema KI

aktuell noch nicht wirklich in den Strukturen der Organisationen angekommen: „Ich

glaube, das kann ich eigentlich eher dahin beantworten, dass ich noch nie, glaube

ich, irgendwo in einem Meeting oder so war, wo KI überhaupt ansatzweise Thema

war.“ (OG2:79) In vielen Organisationen ist KI derzeit ein Randthema, das in Meetings

und Diskussionen kaum aufgegriffen wird. Die Befragten vermuten, dass jüngere Mit-

arbeiter*innen, die eine Affinität zum Thema Technologie haben, tendenziell positi-

vere Assoziationen zu KI aufweisen als diejenigen, die sich weniger mit dem Thema

beschäftigen: „[...]aber es gibt natürlich auch ganz viele, die da sehr enthusiastisch

sind, auch aus einer technischen Perspektive so natürlich das cool finden und das ist

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

auch natürlich sehr berechtigt, weil das natürlich auch aufregend ist und spannend.“

(OG3:44) „Generell ist die Wahrnehmung natürlich jede Person, die sich stärker mit

Technologie, also im privaten als auch im geschäftlichen Bereich beschäftigt, ist,

glaube ich, generell eher aufgeschlossen.“ (OG5

:50)

Die Organisationen sind grundsätzlich positiv zum Thema KI eingestellt, allerdings

fehlen oft Ressourcen – vor allem Zeit und Daten. Es mangelt an konkreten Anwen-

dungsbeispielen, die einen Mehrwert bringen könnten. Ein Befragter führt aus: „Ja,

und genau, also keine Daten, zu wenig Daten, kein klarer Mehrwert und ja, also feh-

lende, auf jeden Fall auch fehlende Zeit. Das hängt mit dem Mehrwert zusammen.

Wenn der Mehrwert sehr groß wäre, dann würde man auch die Zeit finden oder sich

schaffen, aber da so viel auf unserer Backlog-Liste von Dingen steht, die wir eigentlich

tun sollten, ist etwas mit KI zu machen, glaube ich, ganz, ganz, ganz am Ende.“ (OG3)

Nichtakzeptanz

Die Nichtakzeptanz von KI in den Organisationen wird vor allem durch ältere Mitar-

beiter*innen und deren teilweise fehlendes Interesse an Technologie begründet. Zu-

dem wird eine Angst beschrieben, von der neuen Technologie abhängig zu werden.

Insbesondere im sozialen Bereich wird eine Verschiebung von Arbeitsschwerpunkten

hervorgehoben. Ein Zitat einer Interviewperson lautet: „Ich habe Soziale Arbeit stu-

diert, weil ich etwas mit Menschen machen will, nicht mit Computern.“ (OG1:51) Es

wird auch angeführt, dass Mitarbeiter*innen mit einer ohnehin hohen Arbeitsbelas-

tung abwehrend reagieren, da sie Angst haben, Fehler im Umgang mit KI bzw. neuen

Technologien zu machen. Insofern beziehen sich Ängste auf mangelnde Kompeten-

zen in der Nutzung der Technik. „Es ist wirklich einfach also Berührungsangst und

auch Angst, was falsch zu machen, soweit ich das beobachten konnte.“ (OG1:55).

„Eine Verschlossenheit gegenüber der Technologie eher bei den Personen, die sich

weniger damit beschäftigen und auch vielleicht vom Typ her nicht zwingend die sind,

die etwas Neues lernen möchten.“ (OG5: 50)

OG5: Interview mit großer Organisation im Handlungsfeld Bildung.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Ein weiterer Aspekt der Nichtakzeptanz ist die Befürchtung, dass durch den Einsatz

von KI andere Probleme zu wenig Aufmerksamkeit bekommen. Eine Interviewpartne-

rin äußert: „Wir haben noch viele Dinge, die nicht funktionieren und die wir eigentlich

zuerst angehen müssten.“ (OG3:44) Vor allem die Datengrundlage spielt in diesem

Kontext eine wichtige Rolle. Oft sind die Datenstrukturen noch nicht ausreichend vor-

handen, um KI sinnvoll einsetzen zu können.

3.4 Ressourcen

Priorität

Für viele Organisationen hat KI derzeit keine hohe Priorität, Die Organisationen nä-

hern sich dem Thema KI, wie zuvor beschrieben, vor allem in kleineren Use Cases an

oder über einzelne Projekte und besonders durch engagierte, technikaffine Mitarbei-

ter*innen. Dabei treten immer wieder Konflikte mit den zeitlichen Ressourcen und

dem Interesse an KI auf. „Im Berufsalltag ist es schwer, sich dafür Zeit zu nehmen.“

(OG4:112) Die Prioritäten liegen oft auf sofort umsetzbaren Anwendungen, während

viele KI-Lösungen oder die erforderlichen Rahmenbedingungen (z.B. Daten) häufig

noch nicht ausreichend entwickelt sind, um direkt eingesetzt zu werden. „[…] dass

jetzt halt KI einzusetzen für uns selbst, es halt einfach keine Prion hat, […]“ (OG3:46)

Zudem gibt es oft andere wichtige Themen, die es nicht zulassen, sich weitergehend

mit dem Thema KI zu beschäftigen. Eine Interviewperson äußerte dazu, dass Kol-

leg*innen aus der Pflege aktuell damit konfrontiert sind, Pflegeeinrichtungen zu

schließen, weil nicht genügend Pflegefachkräfte gefunden werden können. Sie zitiert:

„Ich muss hier gerade meine Pflegeeinrichtung schließen, weil ich nicht genügend

Pflegerinnen und Pfleger finde.“ Besonders bei kleineren NROs sind die Organisati-

onsaufgaben so umfangreich, dass kaum Zeit bleibt, sich eigenständig mit dem

Thema KI zu beschäftigen.

Daten

Die Organisationen berichten, dass sie aktuell nur über kleine Datensätze oder unzu-

reichend aufbereitete Daten verfügen, um eine KI selbst zu trainieren oder sie sinnvoll

einzusetzen. Viele der vorhandenen Daten sind uneinheitlich, beispielsweise hand-

schriftlich notiert, in Excel-Tabellen oder CRM-Systemen gespeichert. Bei größeren

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Organisationen sind die Daten zudem über verschiedene Einheiten verteilt und in un-

terschiedlichen Formaten gespeichert, ohne eine einheitliche Vernetzung.

Dies führt zu einer überschaubaren Datenmenge, die den Einsatz von KI nicht attraktiv

macht. Eine befragte Person verdeutlicht dies mit dem Zitat: „Wir haben halt, ich

schaue gerade hier auf unsere Projektdatenbank, das sind halt circa 100 Projekte […]

aber das ist ja sehr small data.“ (OG3:30)

Die technologische Infrastruktur und die finanziellen Ressourcen für das Datenma-

nagement werden ebenfalls als sehr begrenzt beschrieben.

Ein weiterer wichtiger Aspekt in Bezug auf die Datennutzung ist die Heterogenität,

Qualität und Menge der Daten sowie der Datenschutz, insbesondere bei personenbe-

zogenen und gesundheitlichen Daten (siehe auch den Abschnitt 4.7. Bedenken): „Aber

das ist ja eher was Grundsätzliches, das hat jetzt nicht explizit mit KI zu tun und im

Bereich Datenschutz als Hürde zur Umsetzung von KI-Projekten […]“ (OG1:67)

Die Daten sind oft personenbezogen und im Sinne der Klient*innen einzusetzen, was

die Anwendungsmöglichkeiten einschränkt: „der Wertschöpfungsauftrag des [deut-

schen Wohlfahrtsverbandes] ist auf sozialen Mehrwert ausgerichtet, insofern ist das

allererste natürlich, die Daten letztlich wieder zum Wohle von Klient*innen einzuset-

zen.“ (OG1:48)

In anderen Organisationen, z.B. im Umweltschutzbereich, gibt es allerdings bereits

gute Datenstrukturen, die teilweise übergeordnet zur Verfügung gestellt werden. Al-

lerdings fehlt es dort häufig an Knowhow und personellen Kapazitäten, um diese

sinnvoll auszuwerten: „Es gibt bereits eine Vielzahl an Daten, die wir auswerten könn-

ten, die auch oft jetzt vom Staat selbst zur Verfügung gestellt werden.“ (OG4:56)

Kompetenzen

Bei den Kompetenzen zum Thema KI beziehen sich die Organisationen sowohl auf

interne Kompetenzen als auch auf externe Netzwerke. Beim internen Knowhow er-

kennen fast alle befragten NROs, dass sie einen Mehrbedarf an Wissen und mehr Of-

fenheit für den Einsatz von KI benötigen: „Im digitalen Bereich sind wir da relativ neu.“

(OG1:3) Einigen Organisationen fehlt das Wissen über die möglichen Potenziale von

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

KI abseits von LLMs zum Texterstelle“. „Mehr Wissen, mehr Bereitschaft, das zu nut-

zen, mehr [...] vielleicht manchmal auch Offenheit.“ (OG2:64)

Ein Bedarf an Schulungen und Weiterbildungen zum Thema KI wird von einigen Or-

ganisationen gesehen. Diejenigen Organisationen, die bereits intern Mitarbeiter*in-

nen schulen, tun dies oft durch engagierte und kompetente Einzelpersonen: „Das ist

natürlich, also Zugang zu kompetenten Personen und zu ja, praktischem Umsatzwis-

sen, Umsetzungswissen ist eine sehr große Ressource, die wir haben. (OG3:34)

Externe Informationsgewinnung erfolgt oft entweder durch Eigeninitiative von Mitar-

beiter*innen, die ihr privates Wissen in die Organisation einbringen, oder durch In-

formationen, die auf Veranstaltungen gesammelt und in die Organisation getragen

werde: „Ressourcen kann man zweigeteilt sehen. Für die Entwicklung direkt sozusa-

gen, wenn man die Menschen dahinter ansieht.“ (OG4:60)

Während einige NROs über gute Netzwerke verfügen, geben viele an, wenig eigene

Entwicklungsressourcen zu haben und deshalb oft externe Agenturen anfragen zu

müssen, was häufig mit hohen Kosten verbunden ist.

Die NROs berichten, dass sie von einem Austausch und Zugang zu Expert*innenwis-

sen profitieren würden. Oft ist theoretisches Wissen zu KI vorhanden, allerdings man-

gelt es an praktischen Erfahrungen und Anwendungen. Einige Organisationen versu-

chen ihre eigenen Strukturen im Bereich KI aufzubauen.

Finanzen

Die NROs geben an, nur wenige langfristige Investitionen aus Eigenmitteln für den KI-

Einsatz zur Verfügung zu haben. Externe Expertise ist oft mit sehr hohen Kosten ver-

bunden; ein Interviewpartner berichtet, dass die Organisation bis zu 1.000 Euro Ta-

gessätze für Expert*innen investieren musste: „Manche Agenturen bieten uns natür-

lich auch Sachen an, die sind immer sehr spezifisch und vom Knowhow ungefähr dem,

was meinem Background sozusagen entspricht. Das heißt, die Tagesätze, die sind

damals gewesen, so was wie 1.000 Euro pro Tag für eine Person. Das heißt, das kann

natürlich viel werden, hängt immer vom Projekt ab.“ (OG4:97)

Fördermittel sind häufig zweckgebunden und oft nur für Pilotprojekte vorgesehen,

was eine langfristige Entwicklung von KI-Lösungen erschwert: „Letztlich sind

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Fördermittel immer stark zweckgebunden und im Moment gibt es relativ viele För-

dermittel für die KI-Entwicklung. Wir rechnen alle damit, dass das nicht mehr lange

so sein wird, nachdem ja alle Sozialgelder, also nachdem an den Sozialgeldern so

krass gekürzt worden ist, sodass es da schon etwas Sorgen gibt.“ (OG1:38)

Daher müssen die Organisationen Eigenmittel für die digitale Transformation aufwen-

den, die jedoch im Rahmen der oft sparorientierten Finanzmittel sehr begrenzt sind:

„Eine sehr strategische Frage, also klar kann man immer sagen mehr Ressourcen, man

kann auch immer sagen das mit den Projektförderungen macht keinen Sinn, weil die

sind ja irgendwann zu Ende, …“ (OG1:40) „Das ist auch eine der Aufgaben, […], das

jetzt aus Eigenmitteln im Verband tätig sein wird.“ (OG1:40)

Die finanzielle Ausstattung in den NROs ist sehr unterschiedlich, was die Nutzung von

KI und das Entwickeln von Anwendungen stark beeinflusst. Selbst innerhalb der Wohl-

fahrtsverbände, die finanziell oft bessergestellt sind als kleinere NROs, gibt es Unter-

schiede in der Mittelausstattung der einzelnen Einheiten: „Ja, also wenn wir von fi-

nanziellen Ressourcen sprechen, ist das natürlich total problematisch in dem Bereich.“

(OG1:38) Die finanziellen Mittel und die personellen Ressourcen sind oft eng mitei-

nander verknüpft. Generell geben alle NROs an, mehr und langfristigere finanzielle

Mittel und somit mehr personelle Ressourcen zu benötigen, um effektiv langfristige

Strukturen aufzubauen und KI in Zukunft einsetzen zu können – nicht nur für die

Entwicklung von KI-Prototypen, sondern auch für den längeren Einsatz dafür: „Dann,

also finanzielle Ressourcen ist ein bisschen schwieriger. Wir sind aber bei dem, also

wir haben jetzt, waren jetzt, oder wir sind immer noch bei Azure auch registriert für

dieses Non-Profit-Programm. Wo man so 3.500 Credits bekommt pro Jahr, was aber,

glaube ich, jetzt nicht so viel wäre, wenn man jetzt wirklich ernsthaft ein größeres KI-

Modell machen würde.“ (OG3:34) Einige Organisationen nutzen das Potenzial ehren-

amtlicher Teams für die Entwicklung von KI-basierten Softwarelösungen.

Aktuell hat KI in den NROs keine hohe Priorität. Es gibt wenig praktische Use Cases,

von denen die NROs profitieren können. Dies liegt auch daran, dass die Datengrund-

lage der NROs einen sinnvollen KI-Einsatz oft nicht möglich macht. Das Wissen zum

Thema KI wird sehr unterschiedlich eingeschätzt. Alle Organisationen geben aber an,

mehr Wissen zum Thema KI zu benötigen und wünschen sich mehr Vernetzung zu

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

dem Thema KI in NROs. Die finanziellen Ressourcen werden grundsätzlich bemängelt.

So sind viele Anwendungen eher kleinere Pilotprojekte.

3.5 Bedenken

Allgemeine und ethische Bedenken

In einigen befragten Organisationen gibt es aktuell keine großen Bedenken beim Ein-

satz von KI, was teilweise daran liegt, dass das Thema momentan kaum präsent ist.

Insbesondere in den Bereichen der Sozialarbeit und Pflege besteht die Befürchtung,

dass wichtige menschliche Interaktionen durch den Einsatz von KI verdrängt werden

könnten oder dass Mehraufwand damit verbunden ist: „Also, ich könnte mir vorstel-

len, so eine Art Entmenschlichung des Kontaktes. [...] und entgegen aller Verspre-

chungen haben die meisten Technologieeinführungen eher zum Mehraufwand in die-

sem Bereich geführt als zu weniger.“ (OG1:61)

Als allgemeine Bedenken bezüglich KI werden vor allem generative Technologien, wie

beispielsweise das Erstellen von Deepfakes, genannt, die für den Handlungsauftrag

einiger Organisationen problematisch sein könnten: „Ja, natürlich. Aber nicht die, die

man in den Medien sozusagen liest. Nicht die KI, die uns alle irgendwie beherrschen

wird oder sowas. Sondern es geht eher dann um die Erstellung von Desinformation

und sowas. Also die instabilisierte Demokratie zu verstärken durch Bildgenerierung

zum Beispiel, dass es extrem leicht ist, Fake News zu erstellen oder falsches Bildma-

terial zu erstellen. Dass man sehr einfach Desinformation verbreiten kann. Jetzt noch

viel einfacher als früher. Von Deepfakes bis einfach nur eine Website, wo was Falsches

draufsteht.“ (OG4:109)

Zudem werden Ängste geäußert, dass Menschen in Zukunft den KI-Systemen zu sehr

vertrauen, eigene Analysefähigkeiten verlieren könnten und dass die Daten, mit denen

gearbeitet wird, bei großen Tech-Unternehmen möglicherweise nicht sicher sind bzw.

die erhobenen Daten könnten aufgrund von Sicherheitslücken oder Hackerangriffen

potenziell kompromittiert werden, was zu einer unautorisierten Aneignung oder Nut-

zung der Daten durch Dritte führen könnte: „Für die soziale Richtung haben wir sowas

wie, wie nennt sich das, Overtrust AI, also vertraut dem am Ende zu viel, was dort

erzählt wird, anstatt das hier in den Faktencheck selbst zu machen. Das gleiche gilt

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

intern, aber auch für die Menschen draußen außerhalb von [Umweltorganisation].“

(OG4:120)

„Genau, an seinen Daten anzusetzen, Mapping zu betreiben und dann zu gucken, wie

müssen wir es organisieren, sodass wir irgendwie gut drauf zugreifen können, ohne

irgendwelche Sicherheitslücken zu schaffen. Sicherheitslücken sind übrigens auch

noch ein wichtiges Thema. Je mehr wir als eigentlich analoge Organisationen anfan-

gen, unsere Services ins Digitale zu treiben, desto mehr machen wir uns natürlich

auch angreifbar in großem Stile.“ (OG1:79)

Neben diesen Bedenken gibt es auch Vorbehalte gegenüber dem Einsatz von KI im

Arbeitsverhältnis, beispielsweise zur Auswertung der Arbeit von Mitarbeiter*innen:

„Am Ende muss man sich dann tatsächlich einen Anwalt holen, um so ein Vertragswerk

aufzusetzen. Das kann man nicht selber machen und das kostet wieder richtig viel

Geld, das muss man schon auch sagen.“ (OG1:67)

Besonders Organisationen, die Aufklärungsarbeit in Bereichen wie Umweltschutz oder

Menschenrechte leisten, sehen diese Gefahren. Weitere Bedenken betreffen mögliche

Verzerrungen (Bias) in KI-Daten, insbesondere hinsichtlich einer Diskriminierung von

Personengruppen durch Algorithmen, sowie den Energieverbrauch von KI-Servern.

Umgang mit Bedenken

Mit den Bedenken wird in den NROs unterschiedlich umgangen. In den Organisatio-

nen, in denen es durch kaum Einsatz von KI auch wenig Bedenken gibt, findet sich

auch wenig Umgang mit den Bedenken. In den Organisationen, die teilweise mit KI

arbeiten oder in denen KI als Thema auftaucht geht es vor allem um Aufklärung. Vor

allem bei KI-Projekten werden Entwickler von Anfang an mit Eingebunden umso

Transparenz zu schaffen. Teilweise gibt es bereits erarbeitete Leitprinzipien und Ethi-

sche Richtlinien, in denen zum Beispiel der Umgang mit generativer KI beschrieben

wird (z.B. keine generierten Bilder zu nutzen): „Wir entwickeln intern quasi so eine Art

Guideline für die Nutzung von KI und haben ein paar ethische Grundprinzipien auf-

geschrieben.“ (OG4:116) „Wir haben sehr strenge Regularien, zusätzlich natürlich

noch ein bisschen härtere, sowas wie Google Analytics und sowas nutzen wir alles

jetzt seit neuestem auch sowieso nicht mehr.“ (OG4:153) Des Weiteren haben vor al-

lem die Organisationen, die mit Datenmanagement arbeiten, bereits Checklisten, auf

die Mitarbeiter*innen bei Unsicherheiten zurückgreifen können. In den befragten

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Organisationen gibt es außerdem Ethikkommissionen, die bei negativer Bewertung

der Mitarbeiter*innen die Einzelfälle prüfen können: „Genau, also dieses Companion-

Dokument, so heißt das, ist Begleitdokument für ein Online-Formular oder den Ques-

tionnaire [...] entscheidet die Ethikkommission [...] soll dieses Projekt durchgeführt

werden.“ (OG3:52) In den meisten Organisationen wurden zu dem Umgang auch auf

Datenschutzbeauftragte und Datenschutzmaßnahmen verwiesen. Des Weiteren wur-

den das KI-Gütesiegel und eine Entmystifizierung durch Aufklärungskampagnen und

praktische Anwendung genannt: „Ich vermeide es, irgendwelche Bilder von humanoi-

den Robotern zu verwenden [...], um irgendwie Menschen Vertrauen zu schenken, da

rein und solche Ängste abzunehmen.“ (OG5:57) Im Kontext der Rechtsicherheit wur-

den Datenschutzbeauftrage oder Fachanwälte in einzelnen Fällen hinzugezogen.

Vorfälle

In den befragten Organisationen gab es bisher keine direkten Vorfälle im Zusammen-

hang mit KI: „Mir fallen keine ein, gerade im Moment [...] keine problematischen Er-

fahrungen gemacht.“ (OG1:57) Es gibt allerdings dennoch die normalen Vorfälle im

digitalen Bereich, die allerdings eher mit der neuen digitalen Struktur zu tun haben,

als direkt mit KI-Einsatz.

Allerdings weisen alle Organisationen auf die erschwerten Arbeitsbedingungen, ins-

besondere in der Aufklärungsarbeit der Bevölkerung, durch das Aufkommen von

Deepfakes hin. Gerade die Desinformation, die aktuell häufig in den Medien zu sehen

ist und gleichzeitig sehr schwer zu erkennen ist, stellt für die NROs ein Problem dar:

„So was wie Bildgenerierung oder sowas ist für uns quasi ein No-Go [...] Und wir kön-

nen das nicht mit Fake-Bildern zeigen, wie ein Wald brennt, obwohl wir die echten

Bilder sowieso davon hätten.“ (OG4:112) Auch in ihrer eigenen Arbeit sind die Orga-

nisationen sensibel im Umgang mit der Weiterverbreitung von Informationen. Sie ver-

weisen auf einen Fall, in dem eine namhafte Menschenrechtsorganisation versehent-

lich ein künstlich erzeugtes Bild aus den Medien weiterverbreitet hat: „Ich glaube,

[Menschenrechtsorganisation] hat in Südamerika [...] eine Veröffentlichung gehabt,

wo ein Bild mal veröffentlicht worden ist, was generiert war und das hat sehr kontro-

verse Diskussionen.“ (OG4:124) „Aber es gab auch noch keine Vorfälle, wo wir sagen

können, da haben wir was genutzt oder da haben wir was veröffentlicht oder sowas.“

(OG4:126)

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Bedenken haben die Organisationen vor allem in Bezug auf ethische Fragen wie Ver-

zerrung (Bias), Datenschutz und Entmenschlichung des sozialen Kontakts im Gesund-

heitssektor. Insgesamt sind vor allem allgemeine Bedenken wie Deepfakes und Des-

informationen ein wichtiges Thema für die befragten NROs. Die Organisationen er-

stellen gerade teilweise eigene Konzepte, wie sie mit den Bedenken umgehen. Ein

einheitliches Handeln im Umgang mit ethischen Bedenken gibt es jedoch noch nicht.

3.6 Zukunftsperspektiven

Die Zukunftsaussichten der KI in NROs sehen die Organisationen vor allem im Effizi-

enzgewinn durch die Reduzierung von Schreibverkehr und repetitiven Aufgaben,

wodurch mehr Zeit für ihre Kernaufgaben frei wird: „Also es ist schon jetzt so, dass

manche Berufsgruppen, gerade im Büromanagementbereich und so, deutlich weniger

gebraucht werden[...]“ (OG1:71) Zudem werden Potenziale im Büromanagement und

im Controlling gesehen. Die Organisationen gehen überwiegend davon aus, dass KI

zu einer unter vielen Technologien werden und selbstverständlich im Alltag genutzt

wird, beispielsweise durch Tools in Anwendungen wie Office, Zoom usw.: „Ich glaube,

es nimmt Fahrt auf, also ich glaube, durch die Sachen, die jetzt gerade, also durch

Generative AI sozusagen, wird das Thema quasi überall präsent [...]“ (OG4:132)

Ein wichtiger Aspekt für die Zukunft ist die ethische Transparenz bei der Verwendung

von KI. Im Sozial- und Gesundheitssektor erkennen die befragten Inter-

viewpartner*innen Potenziale und mögliche Use Cases, beispielsweise in der Sozial-

beratung oder der Pflege: „Ja, also ich glaube, es wird relevanter werden in unserer

Arbeit mit zivilgesellschaftlichen Organisationen [...]“ (OG3:56) Allerdings wird auch

das Problem gesehen, dass der Arbeitsbereich aufgrund geringer Bezahlung für IT-

Spezialisten weniger attraktiv sein könnte: „Wobei man auch zugeben muss, dass der

soziale Sektor gerade für IT-Spezialist*innen wenig attraktiv ist [...]“ (OG1:48) „Und

dann die viele, viele strukturelle Grundlagenarbeit, die notwendig ist, um irgendwann

zu einer KI-Entwicklung hinzukommen [...]“ (OG1:79)

Der fachliche Austausch und Kollaborationen zwischen den Organisationen werden

als Chance betrachtet, um die aktuellen Herausforderungen zu bewältigen. Insbeson-

dere wird die Bedeutung von Grundlagenarbeit im Datenmanagement und der Schaf-

fung von Strukturen für den KI-Einsatz hervorgehoben: „Ja, also letztlich wird es,

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

glaube ich, seine Bedeutung als neues schillerndes Thema auch irgendwann wieder

verlieren [...]“ (OG1:69)

Zukünftig wird erwartet, dass KI eine größere Rolle in der Effizienzsteigerung und im

Management administrativer Aufgaben spielen wird. Es gibt Potenziale für den Einsatz

von KI in Bereichen wie Sozialberatung und Pflege, aber finanzielle und personelle

Ressourcen stellen weiterhin eine Herausforderung dar.

4 Fazit

Zusammenfassung und Diskussion

Insgesamt haben die Interviews einen ersten breitgefächerten Eindruck zu den The-

men Bedarf, Akzeptanz und Umsetzungsmöglichkeiten von KI-Anwendungen in NROs

aufgezeigt. Die zentralen Erkenntnisse sind, dass das Thema KI gerade in den NROs

ankommt und es noch keine Vorstellungen oder gar gefestigten Strukturen zum Ein-

satz von KI gibt. Dem entspricht, dass auch in aktuellen Handbüchern für die Orga-

nisation von Nichtregierungsorganisationen nicht auf das Thema KI oder auch nur

Digitalisierung eingegangen wird (Frantz und Martens 2006; Meyer et al. 2022).

Wie im Scoping Review (Scharf et al. 2023) bereits festgestellt wurde, ist KI in Verbin-

dung mit NROs ein relativ neues Forschungsfeld. In den Ergebnissen der internatio-

nalen Fachliteratur wie auch in der qualitativen Auswertung der vorliegenden Inter-

views zeigt sich, dass ein Verständnis über KI in NROs noch wenig vorhanden ist und

es keine gefestigten Strukturen oder Vorstellungen zur Anwendung gibt.

Die Interviews bestätigen auch die im Scoping Review beobachtete Tendenz, dass

NROs KI in einzelnen spezifischen Projekten einsetzen, ohne dass diese umfassend in

die Arbeitsabläufe integriert ist. Ausnahmen sind hier der breite, aber niederschwel-

lige Einsatz von Large Language Models wie ChatGPT.

Die Akzeptanz von KI ist generell positiv; die Technologie wird als potenzielle Lösung

für strukturelle Herausforderungen und Unterstützung im Alltag gesehen. Die Nut-

zung von KI-Anwendungen beschränkt sich meist auf Pilotprojekte und ist aktuell oft

noch ein Randthema. Einzig der Einsatz von Large Language Models wie ChatGPT wird

kontinuierlich getestet und genutzt.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Mit Widerstand reagieren in den befragten NROs eher ältere Mitarbeiter*innen, die

weniger technikaffin sind und wenige Berührungspunkte zu KI haben. Besonders kri-

tisch werden Anwendungen von KI im Sozial- oder Gesundheitsbereich als Ersatz für

menschliche Interaktionen gesehen.

Die festgestellten ethischen Bedenken und die Bedeutsamkeit von Datenschutz und

Datenethik in den befragten NROs zeigten sich ebenfalls in den Ergebnissen des Sco-

ping Reviews zum internationalen Forschungsstand.

Schlussfolgerungen

Die Untersuchung verdeutlicht, dass Künstliche Intelligenz in Nichtregierungsorgani-

sationen ein aufkommendes und sich entwickelndes Therma ist. Trotz eines generel-

len Interesses und einer positiven Einstellung gegenüber KI bestehen sowohl ein Man-

gel an festen Strukturen als auch unterschiedliche Auffassungen und Einsatzbereiche

von KI in den Organisationen. Während einige NROs bereits spezifische Anwendungen

und insbesondere Large Language Models nutzen, steht die Mehrheit der Organisati-

onen noch am Anfang des Technikdiffusionsprozesses und ist sich dessen bewusst.

Die Interviews unterstreichen das Bedürfnis nach mehr Wissen, ethischen Richtlinien

und finanziellen Ressourcen für eine effektive Nutzung von KI in NROs.

Dies bestätigen auch die Ergebnisse des Forschungsberichts „Civic Coding. Grundla-

gen und empirische Einblicke zur Unterstützung gemeinwohlorientierter KI“ von Zü-

ger et al. (2022) die bereits auf den Mangel an Wissen und spezifischer Expertise

(edb.: 78), den hohen Ressourcenaufwand und Schwierigkeiten bei den finanziellen

Ressourcen eingehen (edb.: 83). Ebenfalls bestätigt werden die ethischen Bedenken

(edb.: 87), die auch bei den von uns befragten NROs eine wichtige Rolle spielten.

Insgesamt zeigt die Untersuchung, dass die Auseinandersetzung mit KI in NROs zu-

nimmt, jedoch ein umfassendes Verständnis von KI und eine tiefergehende, systema-

tische Integration in die Arbeitsabläufe in diesen Organisationen noch entwickelt wer-

den müssen.

Ausblick

Die Studie stützt sich auf ein begrenztes Sample von Interviews (n=5), was nur einen

ersten Einblick in das Forschungsfeld geben kann. Um ein umfassenderes und tiefer-

gehendes Verständnis zu erlangen, werden diese Erkenntnisse im Rahmen des

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Projekts KINiro durch eine breit angelegte quantitative Studie ergänzt. Zudem werden

weitere qualitative In-depth-Interviews (n=10) durchgeführt. Diese zusätzlichen In-

terviews sollen dazu beitragen, die vorläufigen Ergebnisse zu vertiefen und zu erwei-

tern, um eine robustere Datenbasis für Schlussfolgerungen über die zukünftige Nut-

zung von KI bei NROs zu schaffen.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

5 Literaturverzeichnis

Alnamrouti, Amal; Rjoub, Husam; Ozgit, Hale (2022): Do Strategic Human Resources

and Artificial Intelligence Help to Make Organisations More Sustainable? Evi-

dence from Non-Governmental Organisations. In:

Sustainability

14 (12). DOI:

10.3390/su14127327.

Berger, Angela; Landstorfer, Johannes (2022): Lernende Systeme in der Beratung. In:

Bundesministeriums für Familie, Senioren, Frauen und Jugend (BMFSFJ) (Hg.):

Zivilgesellschaft 4.0. Civic Coding. Rostock: Publikationsversand der Bundesre-

gierung.

Bogner, Alexander; Littig, Beate; Menz, Wolfgang (2014): Interviews mit Experten.

Eine praxisorientierte Einführung. Wiesbaden: Springer Fachmedien Wiesbaden.

Online verfügbar unter 978-3-531-19416-5.

Bundesministeriums für Familie, Senioren, Frauen und Jugend (BMFSFJ) (Hg.) (2022):

Zivilgesellschaft 4.0. Künstliche Intelligenz sozial, nachhaltig udn partizipativ

gestalten. Civic Coding. Rostock: Publikationsversand der Bundesregierung.

Online verfügbar unter https://www.civic-coding.de/fileadmin/Doku-

mente/Civic_Coding_Zivilgesellschaft_4.0_bf.pdf.

Dellinger, A. J. (2016): Microsoft And AI: Using Machine Learning, Artificial Intelli-

gence To Diagnose Blindness. In:

ICT Monitor Worldwide

. Online verfügbar un-

ter https://www.wiso-net.de/document/ICT__83640507.

Feldhay, Eran; Gronau, Viki (2022): OpenDNA announces know-how and research

agreement with Mayo Clinic as part of pilot clinical study for cardiovascular

disease prevention. In:

Pharma & Healthcare Monitor Worldwide

. Online verfüg-

bar unter https://www.wiso-net.de/document/PHM__74068909.

Frantz, Christiane; Martens, Kerstin (2006): Nichtregierungsorganisationen (NGOs).

1. Aufl. Wiesbaden: VS Verl. für Sozialwiss (Lehrbuch).

Hall, Matthew; O'Dwyer, Brendan (2017): Accounting, non-governmental organiza-

tions and civil society: The importance of nonprofit organizations to under-

standing accounting, organizations and society. In:

Accounting, Organizations

and Society

63, S. 1–5. DOI: 10.1016/j.aos.2017.11.001.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Haug, Sonja; Scharf, Anna (2022): Berufsbegleitend Studieren aus der Perspektive

von Studieninteressierten, Dozierenden und Beratungsstellen. Bedarf im Be-

reich virtuelle Lehre und Diversität der Studierenden. In: Nicolas Schöpf (Hg.):

Akademische Weiterbildung für soziale Berufe. Theoretische, empirische und

praktische Aspekte (Volume 7). 1st ed. [Erscheinungsort nicht ermittelbar]: wbv

Media (Hochschulweiterbildung in Theorie und Praxis), 107–126.

Hayne, Susie (2018): Eko Collaborates with Mayo Clinic on a Machine Learning-

Based Algorithm to Help Physicians Better Screen for Potentially Dangerous

Heart Diseases. In:

Education Monitor Worldwide

. Online verfügbar unter

https://www.wiso-net.de/document/EAWW__129276192.

Heggie-Collins, Sam (2019): AI Chatbot helps The Cyber Helpline fight nationwide

cyber crime. In:

Cyber Security Monitor Worldwide

. Online verfügbar unter

https://www.wiso-net.de/document/SCMW__146663596.

Kaiser, Robert (2014): Qualitative Experteninterviews. Konzeptionelle Grundlagen

und praktische Durchführung. Wiesbaden: Springer VS (Elemente der Politik).

Kuckartz, Udo (2014): Mixed Methods. Methodologie, Forschungsdesigns und Ana-

lyseverfahren. Wiesbaden: Springer Fachmedien Wiesbaden; Imprint: Springer

VS (Springer eBook Collection). Online verfügbar unter

http://link.springer.com/978-3-531-93267-5.

Macháček, Dominik; Dabre, Raj; Bojar, Ondřej (2023): Turning Whisper into Real-

Time Transcription System. In:

ProQuest SciTech Collection

, 2023. Online ver-

fügbar unter https://ar5iv.labs.arxiv.org/html/2307.14743.

Mayring, Philipp (2022): Qualitative Inhaltsanalyse. Grundlagen und Techniken. Neu-

ausgabe. Weinheim: Beltz Verlagsgruppe. Online verfügbar unter http://nbn-

resolving.org/urn:nbn:de:bsz:31-epflicht-2019387.

McKeon, Jill (2022): AI in Healthcare Presents Need for Security, Privacy Standards.

In:

Pharma & Healthcare Monitor Worldwide

. Online verfügbar unter

https://www.wiso-net.de/document/PHM__69601242.

Meyer, Michael; Simsa, Ruth; Badelt, Christoph (Hg.) (2022): Handbuch der Nonpro-

fit-Organisation. Strukturen und Management. 6. aktualisierte und erweiterte

Auflage 2022. Freiburg: Schäffer-Poeschel Verlag für Wirtschaft Steuern Recht

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

GmbH. Online verfügbar unter https://www.wiso-

net.de/document/SPEB,ASPE,VSPE__9783791055633558.

Omidi, Sam (2017): Artificial Intelligence Tested to Improve Mens Health - Canadian

Men`s Health Foundation. In:

Pharma & Healthcare Monitor Worldwide

. Online

verfügbar unter https://www.wiso-net.de/document/PHM__93063300.

Patton, M. Q. (1990): Qualitative evaluation and research methods. Second edition.

2. ed., [Nachdr.]. Newbury Park Calif: Sage.

Pogorelskaja, Swetlana W. (2015): Stimmgewaltige Zivilgesellschaft – Die Nichtregie-

rungsorganisationen. In: Kurt-Jürgen Maass (Hg.): Kultur und Aussenpolitik.

Handbuch für Wissenschaft und Praxis. Unter Mitarbeit von Kurt-Jürgen Maaß.

3. vollständig überarbeitete und erweiterte Auflage. Baden-Baden: Nomos, S.

277–286.

Prior, David (2018): Call for collaboration around AI in life sciences industry. In:

Pharma & Healthcare Monitor Worldwide

. Online verfügbar unter

https://www.wiso-net.de/document/PHM__107360732.

Radford, Alec; Kim, Jong Wook; Xu, Tao; Brockman, Greg; McLeavey, Christine;

Sutskever, Ilya (2022): Robust Speech Recognition via Large-Scale Weak Super-

vision. Hg. v. ProQuest SciTech Collection. Chicago: Cornell University. Chi-

cago.

Reid, Laurence; Gurfein, Kody (2018): Transparency International UK Adopts Ex-

iger`s AI-Powered Technology, Setting New Standard for Fighting Corruption.

In:

Governance

. Online verfügbar unter https://www.wiso-

net.de/document/GRCM__125884808.

Scharf, Anna; Hauer, Franziska; Schultz, Maximilian; Haug, Sonja; Weber, Karsten

(2023): Künstliche Intelligenz in Nichtregierungsorganisationen. Ein Scoping

Review über ein junges Forschungsfeld. Hg. v. Institut für Sozialforschung und

Technikfolgenabschät-zung (IST), Ostbayerische Technische Hochschule (OTH)

Regensburg.

Schiff, Daniel; Borenstein, Jason; Biddle, Justin; Laas, Kelly (2021): AI Ethics in the

Public, Private, and NGO Sectors: A Review of a Global Document Collection. In:

IEEE Trans. Technol. Soc.

2 (1), S. 31–42. DOI: 10.1109/tts.2021.3052127.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Wong, Sarah (2017): NLP Logix Announces Joint Product Development Agreement

with Mayo Clinic using Deep Learning and Deployment onto Microsoft Azure.

In:

Pharma & Healthcare Monitor Worldwide

. Online verfügbar unter

https://www.wiso-net.de/document/PHM__96665801.

Züger, Theresa; Faßbender, Judith; Kuper, Freia; Nenno, Sami; Katzy-Reinshagen,

Anna; Kühnlein, Irina (2022): Civic Coding. Grundlagen und empirische Einblicke

zur Unterstützung gemeinwohlorientierter KI. hrsg. im Rahmen der Initiative

Civic Coding vom Bundesministerium für Umwelt, Naturschutz, nukleare Sicher-

heit und Verbraucherschutz, Bundesministerium für Arbeit und Soziales, Bun-

desministerium für Familie, Senioren, Frauen und Jugend, Berlin. Online verfüg-

bar unter https://www.civic-coding.de/fileadmin/civic-ai/Dateien/Civic-

Coding_Forschungsbericht_barrierefrei.pdf, zuletzt geprüft am 01.02.2024.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Anhang

Abbildungsverzeichnis

Abbildung 1: Flussdiagramm Ablauf der Interviews.................................................. 9

Abbildung 2: Kategorien und Subkategorien .......................................................... 13

Tabellenverzeichnis

Tabelle 1: Matrix Organisationen ........................................................................... 14

Tabelle 2: Anwendungen KI ................................................................................... 17

Abkürzungsverzeichnis

Bias: Verzerrung des Ergebnisses bei einer Erhebung oder Datenauswertung. Im Kon-

text von KI bezeichnet Bias systematische Fehler in KI-Entscheidungen, oft verursacht

durch verzerrte Datengrundlagen der Algorithmen. Da KI-Modelle keine Objektivität

besitzen, reproduzieren sie die vorhandene Datenverzerrungen, was zu ungerechten

oder diskriminierenden Ergebnissen führen kann.

LLM: Large Language Models (z.B. ChatGPT).

NRO: Nichtregierungsorganisation NGO: Non-Governmental Organisation.

NPO: Non-Profit-Organisation.

Interviewleitfaden

Kürzel Interviewee: ________________________________________

Interview Datum, Uhrzeit, Ort: ________________________________________

Interviewer*in (F.H. / M.S.): ________________________________________

DSGVO: ________________________________________

Setting (Erhebungsmethode): ________________________________________

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Bemerkung für Interviewer*in:

Am Anfang Aufklärung über Datenschutz, Verarbeitung der Daten und Einverständnis

zur Aufzeichnung.

Einstieg

Künstliche Intelligenz ist gegenwärtig ein dominierendes Thema. Es gib viele Beispiele

in denen soziales Engagement und Künstliche Intelligenz Hand in Hand gehen. Hierbei

zeigt sich das Potenzial von Technologie in Kombination mit sozialem Engagement.

Das Bundesfamilienministerium finanziert die Entwicklung von Projekten, die mit

Künstlicher Intelligenz (KI) das Gemeinwohl fördern wollen.

Künstliche Intelligenz bietet scheinbar unbegrenzte Möglichkeiten. Welchen Beitrag

KI aber für das Gemeinwohl leisten kann, ist bisher kaum bekannt. Im Projekt KINiRO

wollen wir durch Interviews mit Nichtregierungsorganisationen mehr darüber heraus-

finden.

Wir wollen die Akzeptanz, die Bedarfe und Einsatzmöglichkeiten von KI in verschie-

denen NGOs / NPOs erforschen und freuen uns, dass wir sie zu dem Interview gewin-

nen konnten.

Gibt es denn in Ihrem Tätigkeitsbereich bereits Anwendungsbeispiele für Künstliche

Intelligenz

A Organisation und Rolle

Leitfrage

Check –

Wurde das

erwähnt?

Konkrete Fragen – falls

Gesprächsfluss abbricht

oder Interviewee keine

Antwort hat

Zweck der Frage

Stellen sie bitte

Ihre Organisa-

tion vor?

Handlungs-

feld der Or-

ganisation

(z.B. Um-

weltschutz,

Wie würden sie ihre Or-

ganisation einer Freun-

din oder einem Freund

beschreiben?

Variablen der Or-

ganisation erfra-

gen, um später

vergleichen zu

können.

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Menschen-

rechte,

usw.)

Aktuelle

Aktivitäten

Welche Stelle

haben sie bei

*Organisation*?

Aufgaben-

bereich

Tätigkeiten

Welche Tätigkeiten füh-

ren Sie bei *Organisa-

tion* aus?

Aus welcher Per-

spektive spricht

der/die Intervie-

wee

Mit welchen

Themen be-

schäftigt sich

ihre *Organisa-

tion* gerade

am meisten?

Aktuelle

Herausfor-

derungen

Vergleichbarkeit

zwischen ver-

schiedenen NGOs

aus einem Hand-

lungsfeld ermög-

lichen

Haben Sie im

Rahmen Ihrer

Tätigkeiten bei

*Organisation*

Berührungs-

punkt mit KI?

Beispiele

von KI-Ein-

satz

B Verständnis von KI

Leitfrage

Check –

Wurde das

erwähnt?

Konkrete Fragen – falls

Gesprächsfluss abbricht

oder Interviewee keine

Antwort hat

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Wie definieren

Sie in Ihrer Or-

ganisation KI?

Wie würden Sie KI ei-

nem/einer Kolleg*in er-

klären?

Welches Grund-

verständnis hat

der/die Intervie-

wee von KI.

Wie differenziert

sind die Antwor-

ten einzuordnen

Welche Erfah-

rungen haben

Sie bei *Organi-

sation* mit dem

Thema KI bei

*Organisation*

gemacht?

Beispiele

Wenn keine: Weshalb

denken sie, dass KI ak-

tuell noch keine Rolle

bei *Organisation*

spielt?

Wo kommen sie

an Informatio-

nen zu KI?

Beispiele

Wenn sie sich über KI

informieren wollen, wo

machen sie das aktuell?

Welche Quellen

werden genutzt

Wie würden Sie

den Wissens-

stand Ihrer Or-

ganisation in

Bezug auf KI

einordnen?

Gibt es bei Ihnen Kol-

leg*innen, die sich gut

mit KI auskennen?

C Aktueller Einsatz von KI und potenzielle Vorteil

Leitfrage

Check –

Wurde das

erwähnt?

Konkrete Fragen – falls

Gesprächsfluss abbricht

oder Interviewee keine

Antwort hat

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Gibt es bereits

aktuelle Anwen-

dungsbeispiele

von KI in Ihrer

Organisation?

Beispiele

Wenn kein Einsatz: Wo-

ran liegt es, dass Sie

aktuell noch nicht mit

KI arbeiten?

Wo und wie wird

KI gerade einge-

setzt

Wie kann Ihre

Organisation in

Zukunft vom

Einsatz von KI

profitieren?

Welchen Mehr-

wert kann KI für

die Organisation

bieten.

Welches Wissen

über potential zu

KI ist da.

Welche Daten

gibt es, gerade

oder in Zukunft,

die mithilfe von

KI auswerten

werden könn-

ten?

Welche Daten erfassen

sie so in ihrer Organi-

sation?

Gibt es potenziel-

len Nutzen für die

Verarbeitung von

Daten der Orga-

nisation

D Ressourcen, Kompetenzen und Möglichkeiten

Leitfrage

Check – Wurde

das erwähnt?

Memo für mögli-

che Nachfragen –

nur stellen, wenn

nicht von allein

angesprochen.

Formulierung an-

passen.

Konkrete Fragen

– falls Ge-

sprächsfluss ab-

bricht oder In-

terviewee keine

Antwort hat

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Auf welche Res-

sourcen können

sie beim Einsatz

von KI bei *Or-

ganisation* be-

reits zurück-

greifen?

Knowhow

IT-Ausstattung

Aktueller Stand

der Ressourcen

und Kompeten-

zen, um heraus-

zufinden, was

die Organisatio-

nen noch brau-

chen

Welche Ressour-

cen brauchen sie

in Zukunft um KI

konstruktiv bei

*Organisation*

einzusetzen?

Auf welche

Netzwerke und

Kooperationen

in Bezug auf den

Einsatz von KI

zurückgreifen?

Wo tauschen Sie

sich zu KI-The-

men außerhalb

ihrer Organisa-

tion aus?

Was wäre für sie

noch unterstüt-

zend, um KI in

Zukunft besser

einsetzen zu

können?

E Akzeptanz und Einstellung gegenüber KI

Leitfrage

Check – Wurde

das erwähnt?

Konkrete Fragen

– falls

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Memo für mögli-

che Nachfragen –

nur stellen, wenn

nicht von allein

angesprochen.

Formulierung an-

passen.

Gesprächsfluss

abbricht oder

Interviewee

keine Antwort

hat

Wie nehmen Sie

die Stimmung in

Ihrer Organisa-

tion in Bezug

auf KI wahr?

Wieviel Prozent

Ihrer Kolleg*in-

nen sind eher

aufgeschlossen

und wieviel zu-

rückhaltend?

Allgemeines

Stimmungsbild

Welches Narrativ

von KI haben die

Organisationen.

Wer reagiert

eher aufge-

schlossen auf

das Thema KI?

Gibt es Kol-

leg*innen, die

sich mit dem

Thema KI be-

schäftigen?

Wer reagiert

eher zurückhal-

tend / ableh-

nend in Bezug

auf KI

Welchen Grund

hat die Zurück-

haltung beim

Thema KI

F Bedenken, Risiken und ethische Überlegungen bezüglich KI

Leitfrage

Check – Wurde

das erwähnt?

Memo für mögli-

che Nachfragen –

nur stellen, wenn

nicht von allein

Konkrete Fragen

– falls Ge-

sprächsfluss ab-

bricht oder

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

angesprochen.

Formulierung

anpassen.

Interviewee keine

Antwort hat

Gibt es in Ihrer

Organisation Be-

denken oder Ri-

siken, die mit KI

verbunden sind?

Für die Organi-

sation Für das

Arbeitsfeld der

Organisation

Welches Risiko

und welche Be-

denken haben

die Organisatio-

nen?

Warum haben sie

diese?

Welche Bedenken

gibt es?

Welche Bedenken

und Risiken

Grund für Risiken

und Bedenken

Wie geht ihre Or-

ganisation Sie

mit den Beden-

ken und Risiken

zu KI um?

Gab es schon

Vorfälle im Um-

gang mit KI?

Beispiele

G Zukunftsperspektiven und Weiterentwicklung von KI:

Leitfrage

Check – Wurde

das erwähnt?

Konkrete Fragen

– falls Ge-

sprächsfluss ab-

bricht oder

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Interviewee keine

Antwort hat

Wie sehen sie

das Thema KI in

Zukunft in Ihrer

Organisation?

Welche Zu-

kunftsperspekti-

ven gibt es von

KI.

Wie wird KI Ihrer

Meinung nach

Ihre Arbeit in

der Organisation

verändern?

Interne Verände-

rungen

Veränderungen

des Arbeitsfelds

Gibt es Anwen-

dungen von KI,

ihm Bereich von

NGO/NPOs, die

Sie sich für die

Zukunft wün-

schen würden?

H Offene Fragen und Anmerkungen

Leitfrage

Check – Wurde

das erwähnt?

Memo für mögli-

che Nachfragen

– nur stellen,

wenn nicht von

allein angespro-

chen. Formulie-

rung anpassen.

Konkrete Fragen

– falls Gesprächs-

fluss abbricht

oder Interviewee

keine Antwort hat

Zweck der Frage

KINiro – 2. Arbeitspapier Schultz et al. (2024)

Künstliche Intelligenz in Nichtregierungsorganisationen

Gibt es noch et-

was, das wir

nicht bespro-

chen haben, was

für Sie wichtig

wäre zu erwäh-

nen?

Spezifische The-

men, die den In-

terviewee oder

die Organisation

beschäftigen, die

nicht im Vornhe-

rein erkennbar

waren.

Bemerkung für Interviewer*in:

Danksagung, Verabschiedung, weiteres Vorgehen (Transkription, usw.) Informationen

zur Forschung anbieten

ResearchGate has not been able to resolve any citations for this publication.

Artificial Intelligence To Diagnose Blindness

Jan 2016

A J Dellinger

Dellinger, A. J. (2016): Microsoft And AI: Using Machine Learning, Artificial Intelligence To Diagnose Blindness. In: ICT Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/ICT__83640507.

Eko Collaborates with Mayo Clinic on a Machine Learning-Based Algorithm to Help Physicians Better Screen for Potentially Dangerous Heart Diseases

Jan 2018

Susie Hayne

Hayne, Susie (2018): Eko Collaborates with Mayo Clinic on a Machine Learning-Based Algorithm to Help Physicians Better Screen for Potentially Dangerous Heart Diseases. In: Education Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/EAWW__129276192.

AI Chatbot helps The Cyber Helpline fight nationwide cyber crime

Jan 2019

Sam Heggie-Collins

Heggie-Collins, Sam (2019): AI Chatbot helps The Cyber Helpline fight nationwide cyber crime. In: Cyber Security Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/SCMW__146663596.

Jan 2014

Udo Kuckartz

Kuckartz, Udo (2014): Mixed Methods. Methodologie, Forschungsdesigns und Analyseverfahren. Wiesbaden: Springer Fachmedien Wiesbaden; Imprint: Springer VS (Springer eBook Collection). Online verfügbar unter http://link.springer.com/978-3-531-93267-5.

Artificial Intelligence Tested to Improve Mens Health -Canadian Men`s Health Foundation

Jan 2017

Sam Omidi

Omidi, Sam (2017): Artificial Intelligence Tested to Improve Mens Health -Canadian Men`s Health Foundation. In: Pharma & Healthcare Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/PHM__93063300.

Qualitative evaluation and research methods

Jan 1990

M Q Patton

Patton, M. Q. (1990): Qualitative evaluation and research methods. Second edition. 2. ed., [Nachdr.]. Newbury Park Calif: Sage.

Call for collaboration around AI in life sciences industry

Jan 2018

David Prior

Prior, David (2018): Call for collaboration around AI in life sciences industry. In: Pharma & Healthcare Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/PHM__107360732.

Robust Speech Recognition via Large-Scale Weak Supervision

Jan 2022

Ilya Sutskever

Sutskever, Ilya (2022): Robust Speech Recognition via Large-Scale Weak Supervision. Hg. v. ProQuest SciTech Collection. Chicago: Cornell University. Chicago.

NLP Logix Announces Joint Product Development Agreement with Mayo Clinic using Deep Learning and Deployment onto Microsoft Azure

Jan 2017

Sarah Wong

Wong, Sarah (2017): NLP Logix Announces Joint Product Development Agreement with Mayo Clinic using Deep Learning and Deployment onto Microsoft Azure. In: Pharma & Healthcare Monitor Worldwide. Online verfügbar unter https://www.wiso-net.de/document/PHM__96665801.

Künstliche Intelligenz in Nichtregierungsorganisationen: Explorative Studie in einem neuen Forschungsfeld

Abstract

Recommended publications

Barát vagy ellenség? A mesterséges intelligenciával is támogatható aszinkron videóinterjú (AVI) beép...

Proyecto integrador estrategia pedagógica constructivista: límites y alcances en el caso del program...

Integrated Organization of Coins and Bills in Museums

Challenges and Acceptance of AI Integration in Classroom Learning: A Preliminary Study