Content uploaded by Alexander Maximilian Röser
Author content
All content in this area was uploaded by Alexander Maximilian Röser on May 23, 2024
Content may be subject to copyright.
Auswirkungen von Künstlicher Intelligenz auf Unternehmen in der Immobilienbranche
Kristoph Frauenkron, Alexander Maximilian Röser, Alexander Zureck
Abstract
Vor dem Hintergrund des aktuellen wissenschaftlichen Diskurses über den Fachkräftemangel in der
Immobilienbranche gewinnen KI-Technologien im digitalen Zeitalter zunehmend an Bedeutung. Die
Verfügbarkeit von qualifizierten Fachkräften über den gesamten Lebenszyklus einer Immobilie stellt
eine zunehmende Herausforderung für Immobilienunternehmen dar. Ziel dieser Forschungsarbeit ist es
daher, mittels einer umfassenden Literaturanalyse und einer empirischen Untersuchung herauszufinden,
welchen Einfluss der Einsatz von Künstlicher Intelligenz auf das Arbeitsleben in der
Immobilienwirtschaft hat und welche organisatorischen Voraussetzungen erfüllt sein müssen, damit eine
Akzeptanz von KI-Technologien innerhalb der Unternehmen erfolgt. Der Fokus liegt dabei auf der
Selbstbestimmungstheorie von Deci und Ryan in Verbindung mit dem integrativen TAM-Modell. Die
Ergebnisse der Analyse verdeutlichen, dass der Einsatz von Künstlicher Intelligenz einen spürbaren
Einfluss auf die Menschen hat, wobei eine wahrgenommene Akzeptanz und Nutzung mit einem
respektvollen Umgang mit der Technologie in der Immobilienwirtschaft einhergeht. Die Integration
neuer KI-Technologien verändert die Dynamik am Arbeitsplatz und bietet gleichzeitig Chancen für die
Kompetenzentwicklung der Mitarbeitenden im Rahmen ihrer täglichen Arbeit. Die gewonnenen
Erkenntnisse ermöglichen einen Ausblick auf die Chancen und Herausforderungen, denen sich
Mitarbeitende und Unternehmen in der Immobilienwirtschaft stellen müssen, um den notwendigen
Einsatz von KI-Technologien erfolgreich mitzugestalten.
Im Ergebnis kann ein adäquater Einsatz von KI in der Immobilienbranche zu einer gesunden und
effizienten Interaktion zwischen Mensch und Maschine führen und damit eine attraktive und
zukunftsträchtige Basis für die Digitalisierung in der Immobilienbranche schaffen. Dabei ist es
entscheidend, dass die Unternehmen der Immobilienwirtschaft gezielt darauf achten, ihre Mitarbeitende
durch gezielte Weiterbildungsmaßnahmen im Umgang mit KI-Tools zu fördern, um eine aktive Teilhabe
und Mitbestimmung zu ermöglichen.
Keywords: Fachkräftemangel, Künstliche Intelligenz, Immobilienwirtschaft, Technologieakzeptanz
II
Inhaltsverzeichnis
Abkürzungsverzeichnis .................................................................................................... III
Abbildungsverzeichnis ..................................................................................................... IV
Tabellenverzeichnis .......................................................................................................... V
1 Einleitung ............................................................................................................... 1
1.1 Problemstellung und Zielsetzung der Arbeit ................................................. 2
1.2 Struktur der Arbeit ........................................................................................ 5
2 Theoretische Grundlagen zur Arbeitswelt im Digitalisierungszeitalter .................. 7
2.1 Verständnis und Leistungsbestandteile von Künstlicher Intelligenz ............. 7
2.2 Nutzung, Motivation und Akzeptanz von Künstlicher Intelligenz .............. 14
2.3 Die Säulen und Kernbereiche der Immobilienbranche ................................ 24
3 Anwendungsfälle von Künstlicher Intelligenz in der Immobilienbranche ........... 29
3.1 Unternehmen und Arbeitsplatzwandel......................................................... 29
3.2 KI-Anwendungen nach den Leistungsbereichen der Immobilienbranche ... 33
3.3 Sichtweise, Nutzer und Immobilienart beeinflussen KI-Einsatz ................. 38
4 Empirische Untersuchung in der Immobilienbranche .......................................... 41
4.1 Hypothesenmodell ....................................................................................... 41
4.2 Datenerhebung und Methodik ..................................................................... 42
4.3 Aufbau des Fragebogens und Pretest .......................................................... 44
4.4 Deskriptive Statistik .................................................................................... 47
4.5 Datenauswertung ......................................................................................... 54
4.6 Ergebnisdarstellung und Überprüfung der Hypothesen .............................. 57
4.7 Diskussion und Forschungslimitationen ...................................................... 65
5 Fazit und Ausblick ................................................................................................ 69
Literaturverzeichnis ......................................................................................................... 71
Anhang ............................................................................................................................ 79
III
Abkürzungsverzeichnis
CREM
Corporate Real Estate Management
KMU
Klein und Mittlere Unternehmen
REIM
Real Estate Investment Management
SDT
Self-Determination-Theory
TAM
Technologie-Akzeptanz-Modell
VDIV
Verband der Immobilienverwalter Deutschland e. V.
IV
Abbildungsverzeichnis
Abbildung 1: Unternehmen mit KI-Nutzung im EU-Vergleich ........................................ 3
Abbildung 2: Ablaufschema und Forschungsdesign der Arbeit ........................................ 5
Abbildung 3: Verschiedene Schichten des neuronalen Netzwerks ................................. 10
Abbildung 4: Die Leistungsbestandteile der Künstlichen Intelligenz ............................. 11
Abbildung 5: Die Selbstbestimmungstheorie in Anlehnung von Deci und Ryan ........... 14
Abbildung 6: Das Integrative Modell zur Nutzung und Akzeptanz von KI in
Unternehmen auf Basis der Selbstbestimmungstheorie ................................................... 18
Abbildung 7: Die Rollen der Menschen unter KI-Einsatz .............................................. 21
Abbildung 8: Lebenszyklus einer Immobilie innerhalb verschiedener Kernbereiche ..... 25
Abbildung 9: Der Gartner Hype Cycle August 2023 ...................................................... 30
Abbildung 10: Change-Management beim Einsatz von KI-Technologien ..................... 31
Abbildung 11: Basistechnologie der PropTech Unternehmen ........................................ 33
Abbildung 12: Einsatzbereiche von PropTech Lösungen ............................................... 37
Abbildung 13: Die Sichtweise und Betrachtung aus Sicht des Immobiliennutzers ......... 39
Abbildung 14: Nutzen und Sichtweise der Immobilienarten........................................... 40
Abbildung 15: Das konzeptionelle Hypothesenmodell der Künstlichen Intelligenz im
Kontext der Nutzung, Motivation und Akzeptanz in der Immobilienbranche ................ 41
Abbildung 16: Geschlechterdarstellung der Stichprobe .................................................. 47
Abbildung 17: Generationsdarstellung der Stichprobe.................................................... 48
Abbildung 18: Unternehmensgröße gemessen an der Mitarbeiteranzahl nach KMU-
Definition ......................................................................................................................... 49
Abbildung 19: Angst vor dem Jobverlust durch KI-Technologien ................................. 50
Abbildung 20: Chancen und Risiken von KI-Technologien am Arbeitsplatz ................. 51
Abbildung 21: Notwendige Kompetenzfelder der Mitarbeiter für KI-Technologien...... 52
Abbildung 22: Einsatzbereiche von KI-Technologien in der Immobilienbranche .......... 53
V
Tabellenverzeichnis
Tabelle 1: Gruppierung der Fragebogen Items in Variablen ........................................... 45
Tabelle 2: Reliabilitätstest der Variablen durch das Cronbachs Alpha ........................... 55
Tabelle 3: Regressionsanalyse von der Selbstbestimmungstheorie (x1) auf Nutzen und
Akzeptanz (y) .................................................................................................................. 57
Tabelle 4: Regressionsanalyse von TAM (x1) auf Nutzen und Akzeptanz (y) ................ 58
Tabelle 5: Regressionsanalyse zum Testen des direkten Effekts - Pfad A ...................... 59
Tabelle 6: Regressionsanalyse zum Testen des direkten Effekts - Pfad B und C ........... 60
Tabelle 7: Die Mediationsanalyse zur Hypothese Nr. 3 - Bootstrap-Methode ................ 60
Tabelle 8: Regressionsanalyse von Immobilienbranche (x1) auf die
Selbstbestimmungstheorie (y) ......................................................................................... 62
Tabelle 9: Regressionsanalyse von Immobilienbranche (x1) auf TAM (y) ..................... 63
Tabelle 10: Regressionsanalyse von Immobilienbranche (x1) auf die Nutzung und
Akzeptanz (y) .................................................................................................................. 64
1
1 Einleitung
Der Philosoph Aristoteles war einer der ersten Wissenschaftler, der sich zwischen 384
und 322 v. Chr. mit der Idee befasste, menschliches Denken zu formalisieren und zu
imitieren.1 Aristoteles prägte die Auffassung von Künstlicher Intelligenz bis heute in
einem solchen Ausmaß, dass es kaum Einigkeit über eine endgültige Definition gibt. In
den 1950er Jahren präsentierte Alan Turing einen Lösungsansatz dafür, wann ein von
Menschen entworfenes System als ,,intelligent" bezeichnet werden kann. Turing
entwickelte einen Test, bei dem es darum ging, ob ein menschlicher Gesprächspartner
den Unterschied zwischen einer Konversation mit einer Maschine und einer mit einem
anderen Menschen erkennen kann. Wird innerhalb dieses Tests kein Unterschied erkannt,
handelt es sich um ein intelligentes System oder eine Künstliche Intelligenz. Alan Turing
gilt bis heute als einer der Pioniere der Künstlichen Intelligenz und zählt zu den
bekanntesten Wissenschaftlern in der Geschichte der Künstlichen Intelligenz. Zusätzlich
zu Alan Turing präsentierte John McCarthy im Jahr 1956 eine erste und einflussreiche
Definition. Er postulierte, dass Künstliche Intelligenz in Bezug auf jegliches Lernen oder
andere Merkmale genau so beschrieben werden kann, dass eine Maschine es nachbilden
und simulieren kann.2
Seit 1956 findet man in der Literatur viele verschiedene theoretische Konzepte der
Künstlichen Intelligenz. Die Vielfalt und das Verständnis dieser Konzepte bleiben jedoch
weitgehend umstritten. Die meisten Ansätze konzentrieren sich auf begrenzte Aspekte
der Kognition und vernachlässigen die politischen, psychologischen und philosophischen
Aspekte des Intelligenzbegriffs.
Infolgedessen ist Künstliche Intelligenz zunehmend relevant geworden und erfreut sich
weiterhin großer Aufmerksamkeit in der Forschung. Im Jahr 2005 wies Raymond
Kurzweil mit seinem Konzept der sechs Epochen auf den Weg zur Singularität hin.3
Demnach schreitet der technologische Fortschritt so stark exponentiell voran, dass eine
technologische Singularität wahrscheinlich ist. Dies bedeutet, dass Maschinen
irgendwann
so
intelligent
werden,
dass
der
technologische
Fortschritt
nicht
mehr
1 Vgl. Popenici & Kerr 2017, S. 22.
2 Vgl. Russell & Norvig 2010, S. 17.
3 Vgl. Mead & Kurzweil 2006, S. 7.
2
vorhersehbar ist. Im Jahr 2023 ergibt sich durchschnittlich ein Return on Investment von
3,5 Dollar für jeden investierten Dollar in Künstliche Intelligenz.4 Mittlerweile
beeinflusst Künstliche Intelligenz die Unternehmen in Bezug auf ihre
Organisationsstruktur, ihre Fähigkeiten und ihre Mitarbeitenden am Arbeitsplatz selbst.
Insbesondere in der Immobilienbranche lässt sich eine Entwicklungsfähigkeit feststellen.5
Angefangen von der Einführung computergestützter Systeme zur Verwaltung von
Immobilienunterlagen
in
den
1980er
Jahren
bis
hin
zur
Schaffung
von Online-
Marktplätzen für Immobilientransaktionen. In den 2000er Jahren hat die Branche
konsequent neue Technologien eingeführt, um Effizienz und Wettbewerbsvorteile zu
steigern.
1.1 Problemstellung und Zielsetzung der Arbeit
In jüngster Zeit hat die rasante Entwicklung von Künstlicher Intelligenz
(KI)-Technologien ein starkes Interesse bei den kleinen und mittleren Unternehmen
(KMU) der Immobilienbranche geweckt.6 In Deutschland verwenden 11 Prozent der
KMU das Verfahren der Künstlichen Intelligenz, wie aus Abbildung Nr. 1 zu entnehmen
ist. Fortschritte im Bereich des maschinellen Lernens, der Datenanalyse und der
Automatisierung eröffneten im Jahr 2023 neue Möglichkeiten zur Optimierung von
Immobilienprozessen. Hierzu zählen zum Beispiel die Bewertung von Immobilien, die
Vorhersage von Markttrends und die Personalisierung von Kundenerfahrungen.7 Die
Nutzung von KI-Verfahren zeigen bei Großunternehmen bereits eine Auswirkung.
Demnach nutzen rund 35 Prozent der deutschen Großunternehmen KI. Dieser Wert liegt
nicht nur über dem EU-weiten Durchschnitt von 30 Prozent, sondern verdeutlicht auch
die Problematik im KMU-Bereich in Deutschland. In einer aktuellen Studie des VDIV,
basierend auf einer Befragung von 400 Immobilienunternehmen, wurde festgestellt, dass
die
Integration
von
KI
als
vielversprechendes
Mittel
zur
Bewältigung
4 Vgl. Marshall 2023
5 Vgl. Pfnür Andreas u. a. 2022, S. 9.
6 Vgl. Singh u. a. 2022, S. 49.
7 Vgl. Piazolo & Dogan 2021, S. 49.
3
des Fachkräftemangels dienen kann. Zukünftig planen etwa 45,1 Prozent der befragten
Unternehmen aus der VDIV-Umfrage die Implementierung von KI-Technologien ein.8
Abbildung 1: Unternehmen mit KI-Nutzung im EU-Vergleich9
Aus dieser Perspektive ist es von besonderer Bedeutung, die Auswirkungen von
Künstlicher Intelligenz explizit auf Unternehmen in der Immobilienbranche zu
untersuchen. Trotz des Potenzials von Künstlicher Intelligenz ergeben sich Fragen
hinsichtlich der Auswirkungen auf Arbeitsplätze in der Branche. Forscher wie Taylor und
Drucker haben bereits früh den Wandel der Arbeitswelt erforscht.10 Insbesondere die
Frage, welche Aufgaben KI-Systeme in Unternehmen übernehmen können und wie sich
dies auf Arbeitsplätze und die Fähigkeiten von Menschen auswirkt, muss zum jetzigen
Zeitpunkt untersucht werden.
Zielsetzung und zentrale Hypothesen
Die vorliegende Arbeit verfolgt im Kern vier Ziele. Zu Beginn sollen die
Grundbedürfnisse eines Menschen bei der Nutzung von KI-Technologien am
8 Vgl. Verband der Immobilienverwalter Deutschland e. V. 2024
9 Vgl. IfM Bonn 2023
10 Vgl. Au 2011, S. 26.
4
Arbeitsplatz analysiert werden. Im Folgenden soll der Einfluss von KI auf Basis des
integrativen Technologie-Akzeptanz-Modells (TAM) untersucht werden.
Im Nächsten werden die spezifischen Grundbedürfnisse und deren Verbindung zum
integrativen TAM-Modell untersucht. Abschließend wird auf die Einsatzbereiche der
Immobilienbranche, in welchen die KI-Technologien eingesetzt werden können,
eingegangen. Zur Beantwortung der Ziele sind folgende Hypothesen aufgestellt wurden,
die aus der Theorie im Kapitel Nr. 2 (siehe S. 7) abgeleitet wurden und im
Hypothesenmodell in Kapitel Nr. 4.1 (siehe S. 41) veranschaulicht werden:
H1: Das Vorherrschen der Grundbedürfnisse der Selbstbestimmungstheorie hat einen
signifikanten Einfluss auf die Nutzung von KI-Technologie.
H2: Die Anwendung vom integrativen TAM-Modell wirkt sich signifikant auf
die Akzeptanz von Künstlicher Intelligenz aus.
H3: Zwischen den Grundbedürfnissen der Selbstbestimmungstheorie und dem integra-
tiven TAM-Modell herrscht ein Mediator-Effekt, sodass die Grundbedürfnisse der
Selbstbestimmungstheorie einen signifikanten Einfluss auf das integrative TAM-
Modell haben, welches anschließend die Akzeptanz und Nutzung ebenfalls signi-
fikant beeinflusst.
H4: Der Einsatz von Künstlicher Intelligenz in der Immobilienbranche wirkt sich
signifikant auf die Leistungsbereiche der Selbstbestimmungstheorie, TAM und
Nutzung und Akzeptanz aus.
Infolgedessen lässt sich anhand der Hypothesen eine zentrale Forschungsfrage der Arbeit
ableiten:
F1: Welche Auswirkungen hat der Einsatz von Künstlicher Intelligenz auf den Menschen
im Arbeitsalltag der Immobilienbranche und welche Voraussetzungen müssen im
Unternehmen gegeben sein, damit eine KI-Technologie akzeptiert wird?
5
1.2 Struktur der Arbeit
Die Arbeit verfolgt die Ziele, die Auswirkungen von Künstlicher Intelligenz auf die
Unternehmen in der Immobilienbranche zu analysieren und dieses Wissen anschließend
auf die Allgemeinheit zu transferieren. Besonders der Einfluss auf den Arbeitsplatz und
den Menschen durch KI-Technologie soll hierbei aufgezeigt werden.
Abbildung 2: Ablaufschema und Forschungsdesign der Arbeit11
Aus der Abbildung Nr. 2 der vorliegenden Arbeit wird das zugrundeliegende
Forschungsdesign erörtert, mit dem Ziel, praktische Erkenntnisse zu ermitteln. Um
Wissen im Kontext der formulierten Forschungsfragen zu gewinnen, wird diese Arbeit in
zwei wesentliche Teile gegliedert: einen theoretischen und grundlagenorientierten
Abschnitt nach von Brocke et al.12 einerseits und einem empirischen Abschnitt nach Karl
Popper andererseits.13 Vor dem Hintergrund der Notwendigkeit einer adäquaten
11 Eigene Darstellung
12 Vgl. Brocke u. a. 2009
13 Vgl. Wilkinson 2013, S. 919-920.
Fazit und Ausblick
Künstliche Intelligenz in der Immobilienbranche
Unternehmen und neue Technologien
Anwendungsfälle in der Immobilienbranche
Unternehmen,Arbeitsplatzwandel undKI-Anwendungen
Empirische Studie
Menschen, Veränderungen und Akzeptanz
Theoretischer Rahmen –Die Arbeitswelt im Digitalisierungszeitalter
Selbstbestimmungstheorie nach Deci und Ryan und das integrative TAM-Modell
Einleitung
6
Bewertung der empirischen Untersuchung wurde im Vorfeld eine gründliche und
umfassende Literaturrecherche durchgeführt, welche als fundierte Grundlage dient.
Dies schließt insbesondere wissenschaftliche Veröffentlichungen in Form von
Fachartikeln ein, die sich gegenwärtig mit dem Themenbereich dieser Arbeit
auseinandersetzen. Zur Sicherstellung der Qualität wird darauf geachtet, dass die
Fachartikel einen hohen wissenschaftlichen Rang aufweisen. Daran anschließend erfolgt
die empirische Untersuchung, die als Grundlage für die Beantwortung der
Forschungsfragen und die Überprüfung der zuvor festgelegten Hypothesen dient. Die
vorliegenden Abschnitte und Texte wurden in Eigenarbeit erstellt und verfasst. Lediglich
die rhetorische Ausformulierung wurde mittels ChatGPT verbessert.14
Das erste Kapitel der Arbeit beinhaltet die Einleitung mit der Einführung in die Thematik.
Die Problemstellung und Zielsetzung (Vgl. Kap.1.1, S. 2) befasst sich mit der
Kernforschungsfrage, welche innerhalb der Arbeit beantwortet werden soll. Nachfolgend
wird der Struktur der Arbeit (Vgl. Kap.1.2, S. 5) näher erläutert. Das darauffolgende
zweite Kapitel beschäftigt sich mit den wissenschaftlichen Fundierungen. Kapitel Nr. 2.1
(siehe S. 7) wird die Künstliche Intelligenz theoretisch betrachtet. Anschließend wird in
Kapitel Nr. 2.2 (siehe S. 14) zunächst die Selbstbestimmungstheorie nach Deci und Ryan
vorgestellt, bevor die Einführung in das integrative TAM-Modell erfolgt. Hier wird
bereits ein dedizierter Bezug hergestellt, sodass die Selbstbestimmungstheorie und das
TAM-Modell aufeinander aufbauen und der Faktor Mensch thematisiert wird.
Nachfolgend erfolgt die theoretische Betrachtung der Immobilienbranche (Vgl. Kap.2.3,
S. 24). In Kapitel Nr. 3 wird die Aktualität des Themas widergespiegelt, sodass der
aktuelle Stand bei den Arbeitsplätzen und innerhalb der Unternehmen (Vgl. Kap.3.1, S.
29) aufgezeigt wird. Nachfolgend werden Praxisbeispiele von KI-Anwendungen nach
den Leistungsbereichen der Immobilienbranche (Vgl. Kap.3.2, S. 33) erörtert. Dies
ermöglicht es, die methodischen Grundlagen direkt miteinander zu verknüpfen, sodass ein
Transfer zwischen Theorie und Praxis hergestellt wird. Im letzten Abschnitt wird
schließlich die Sichtweise des Nutzers und der Immobilienart erörtert (Vgl. Kap.3.3, S.
38). Das vierte Kapitel beschäftigt sich
14 Vgl. Open AI 2023
7
mit der empirischen Untersuchung und den abgeleiteten Hypothesen. Im ersten Schritt
wird ein konzeptionelles Hypothesenmodell (Vgl. Kap.4.1, S. 41) aufgestellt, welches
mittels der empirischen Forschungsmethode und Datenauswertungen zu
Forschungserkenntnissen führen soll. Infolgedessen werden ebenfalls im vierten Kapitel
die Ergebnisse ausgewertet und anhand der Hypothesen überprüft (Vgl.
Kap.4.6, S. 57). Im siebten Unterabschnitt von Kapitel Nr. 4 erfolgt abschließend eine
eingehende Diskussion einschließlich Betrachtung der Forschungslimitationen und
weitere Forschungsfelder (Vgl. Kap. 4.7, S. 65), wodurch im fünften Abschnitt eine
Zusammenfassung samt Fazit und Ausblick der Arbeit gezogen werden kann (Vgl. Kap.5,
S. 69).
2 Theoretische Grundlagen zur Arbeitswelt im Digitalisierungszeitalter
Die Gesellschaft und die Immobilienbranche befinden sich in einer digitalen Revolution,
die einen tiefgreifenden Wandel in der Art und Weise, wie gearbeitet wird, auslöst.
Hierbei handelt es sich nicht nur um oberflächliche Veränderungen, sondern um
grundlegend neue Strukturen und Prozesse innerhalb der Arbeitswelt. In diesem
Abschnitt werden die theoretischen Grundlagen erarbeitet, welche dem
Paradigmenwechsel der Arbeitswelt zugrunde liegen. Insbesondere sollen in diesem
Abschnitt die Auswirkungen, wie die Nutzung, Motivation und Akzeptanz von
Künstlicher Intelligenz im Kontext der Digitalisierung, thematisiert werden. Daher
werden nachfolgendend zusätzlich die Grundlagen von Künstlicher Intelligenz und der
Immobilienbranche vermittelt und im weiteren Verlauf näher beleuchtet.
2.1 Verständnis und Leistungsbestandteile von Künstlicher Intelligenz
Die Künstliche Intelligenz im 21. Jahrhundert hat einen raschen Wandel eingeläutet,
sodass ihre Anwendungen immer häufiger im Alltag verwendet werden.15 Spätestens der
30. November 2022, die Veröffentlichung der generativen Künstlichen Intelligenz
,,ChatGPT“ hat dafür gesorgt, dass sich die Welt mit den außergewöhnlichen Fähigkeiten
15 Vgl. Baidoo-Anu & Owusu Ansah 2023, S. 53.
8
von Künstlicher Intelligenz verstärkt auseinandersetzen muss.16 Bei ChatGPT handelt es
sich um eine Künstliche Intelligenz in Form eines Sprachmodells, welche von der Firma
OpenAI trainiert wird. Die Entwicklung von ChatGPT wurde vorgenommen, um
menschähnliche Texte basierend auf bestimmter Eingabeaufforderungen bzw.
verschiedener Kontexte zu generieren. Dies ermöglicht unter anderem, die natürliche
Sprache zu verarbeiten und Texte umzuschreiben oder zu übersetzen.17 In der Praxis
handelt es sich bei ChatGPT daher um eine sogenannte generative
Künstliche Intelligenz.18 Ein Bitkom Research zeigt auf, dass über 50 Prozent der
Befragten bereits heute die KI-Anwendungen, wie Textvorschläge oder
Sprachassistenten als größte Revolution nach dem Smartphone empfinden.19 Zunehmend
steigt auch die Bedeutung bei Unternehmen, KI-Anwendungen im Alltag zu nutzen. Dies
zeigt auch der Umsatz von Hardware, Software und Services, welcher weltweit von 383,3
Milliarden Dollar im Jahr 2022 auf bis zu 554,3 Milliarden Dollar bis 2024 steigen soll.20
Durch diese Zahlen wird verdeutlicht, dass Künstliche Intelligenz ein wichtiges Thema
für viele Menschen und Organisationen ist. Allerdings ist eine einheitliche Definition von
Künstlicher Intelligenz schwierig, da der Begriff ,,Intelligenz“ nicht einfach definiert
werden kann. Deshalb bietet es sich an, vorher den multiplen Intelligenzansatz zu
verfolgen, damit die unterschiedlichen menschlichen Leistungsbereiche der Intelligenzen
betrachtet werden können.21 Folgende Bereiche bildet eine menschliche Intelligenz ab:
- Sprachliche Intelligenz
- Musikalische Intelligenz
- Logisch-mathematische Intelligenz
- Räumliche Intelligenz
- Körperlich-kinästhetische Intelligenz
- Intrapersonale und interpersonale Intelligenz
- Naturalistische und existenzielle Intelligenz
- Kreative/schöpferische Intelligenz
16 Vgl. Baidoo-Anu & Owusu Ansah 2023, S. 52.
17 Vgl. Baidoo-Anu & Owusu Ansah 2023, S. 54.
18 Vgl. ebd., S. 54.
19 Vgl. Streim & Beerlink 2023
20 Vgl. Statista 2022
21 Vgl. Davis u. a. 2019, S. 488.
9
Diese genannten Intelligenzfelder eines Menschen zeigen die Vielfalt an Intelligenz auf.
Bis die Maschinen in Form von Künstlicher Intelligenz die Gesamtheit an Intelligenz
eines Menschen abbilden können, wird es noch einige Zeit dauern. Dennoch kann
Künstliche Intelligenz schon heute als ein System bezeichnet werden, welches ein
menschenähnliches Verhalten aufweisen kann.22 Künstliche Intelligenz verfolgt das Ziel
,,intelligentes“ Verhalten zu analysieren und mögliche Probleme ,,intelligent“ auf Basis
der gewonnenen Erkenntnisse zu lösen.23
Der Ansatz der Vorgehensweise der Künstlichen Intelligenz hängt von der Art und Weise
ab. Hier wird in der Praxis zwischen einer schwachen (engl. ,,Weak AI“) und starken
Künstlichen Intelligenz (engl. ,,Strong AI“) unterschieden. Die schwache Künstliche
Intelligenz konzentriert sich auf spezifische Anwendungsfälle und entscheidet auf Basis
von verschiedenen Daten und mathematischen Algorithmen. Die starke Künstliche
Intelligenz hingegen, soll wie ein Mensch intellektuell antworten.24 Eine starke künstliche
Intelligenz soll zunehmend Eigenschaften, wie Empathie oder Bewusstsein erlernen.25
Derzeit wird von der Forschung bereits eine ,,Super Künstliche Intelligenz“ entwickelt,
welche
darauf
abzielt,
das
menschliche
Denken,
Fühlen
und Handeln zu
überwinden. Ein häufiges Beispiel in der Praxis, ist der Einsatz von Prothesen, sodass
zerstörte Zellfunktionen anhand von neurotechnologischen Implantaten biologisch
erweitert werden. Dies ermöglicht es, beeinträchtigte Körperteile wieder leistungsfähig
zu machen. Zum heutigen Stand sind allerdings überwiegend schwache Künstliche-
Intelligenzen-Systeme am Markt vertreten.26
Um dennoch ein tieferes Verständnis von Künstlicher Intelligenz zu erlangen, ist eine
vertiefte Auseinandersetzung mit den Bestandteilen und den Leistungsbereichen relevant.
Künstliche Intelligenz besteht aus neuronalen Netzen. Diese neuronalen Netze
bestehen aus drei wesentlichen Komponenten: den Trainingsdaten, den Modellen und
dem Algorithmus selbst. Der Algorithmus hat die Aufgabe das Modell dahingehend
zu trainieren, Muster in den vorliegenden Daten zu identifizieren. Bei diesem Ansatz
handelt es sich um eine Nachbildung der Neurowissenschaft, sodass
22 Vgl. Knappertsbusch & Gondlach 2021, S. 390.
23 Vgl. Kreutzer & Sirrenberg 2019, S. 3.
24 Vgl. Buxmann Peter Hrsg. & Schmidt Holger 2021, S. 6.
25 Vgl. Pennachin & Goertzel 2007, S. 1-3.
26 Vgl. Moellhoff & Giunta 2020, S. 187.
10
neuronale Netze wie als Verbindung zwischen Neuronen im Nervensystem betrachtet
werden.27 Die biologischen und künstlichen neuronalen Netze verfolgen dabei das gleiche
Ziel, Informationen zu empfangen, zu verarbeiten und weiterzuleiten. Eine beachtliche
Eigenschaft der neuronalen Netze ist, dass die Verarbeitung von Informationen nicht
linear vonstattengeht. Die spezielle Verknüpfung der Neuronen ermöglicht eine
gleichzeitige, parallele Verarbeitung der Informationen. Dies ermöglicht die
Modellierung von äußerst komplexen Zusammenhängen auf Basis der zugrundeliegenden
Informationen. Die neuronalen Netze können Zusammenhänge auf Basis der
Trainingsdaten autonom erlernen. 28
Das neuronale Netzwerk besteht aus mehreren Schichten, wie aus der dargelegten
Abbildung Nr. 3 entnommen werden kann. Die Eingangsschicht (Input-Layer) besteht
ausschließlich aus Rohdaten mit bestimmten Teilausschnitten. Die jeweiligen
nachfolgenden Schichten (Hidden-Layer 1 & Hidden-Layer 2) erhalten den Output der
vorherigen Schicht, sodass nicht die ursprünglichen Daten geteilt werden. Sondern bereits
verschiedene Zusammenhänge identifiziert wurden. Dies ist insbesondere wichtig, da das
künstliche Intelligenzsystem kontinuierlich und inkrementell lernt, indem es Schicht für
Schicht fortschreitet. Im Output-Layer (Ausgabeschicht) wird schließlich das endgültige
Ergebnis generiert. Das System trainiert sich mit dem hinterlegten Algorithmus
dementsprechend eigenständig, indem es die ursprünglichen Daten mittels
zugrundeliegender Regel nutzt. Dieser Prozess wird als maschinelles Lernen
(Machine-Learning) bezeichnet.29
Abbildung 3: Verschiedene Schichten des neuronalen Netzwerks30
27 Vgl. Kreutzer & Sirrenberg 2019, S. 4.
28 Vgl. ebd., S. 4.
29 Vgl. Greiner u. a. 2022, S. 75-76.
30 Vgl. Kreutzer & Sirrenberg 2019, S. 5.
11
Die genannten Grundlagen der Künstlichen Intelligenz, die neuronalen Netze und das
Machine-Learning können ebenfalls visuell in den Leistungsbestandteilen dargestellt
werden. Hierzu können aus Abbildung Nr. 4 die einzelnen Leistungsbestandteile der
Künstlichen Intelligenz entnommen werden.
Abbildung 4: Die Leistungsbestandteile der Künstlichen Intelligenz31
Das zuvor bereits thematisierte maschinelle Lernen kann mit immer leistungsstärkeren
Algorithmen versehen werden, sodass es zu verschiedenen Arten des Lernens kommen
kann:
Supervised-Learning (Beaufsichtigtes Lernen)
Der Lernprozess des KI-Systems kennt bereits die korrekten Antworten und muss die
Algorithmen nur minimal anpassen, sodass die Antworten präzise aus dem vorhandenen
Datensatz abgeleitet werden können. Dieser Ansatz erfordert, dass der Mensch jedes
Element der Eingangsdaten kennzeichnet und die Ausgabevariablen definiert.32 Ein
Beispiel für die Anwendung eines solchen KI-Systems kann die Erläuterung von Preisen
verschiedener Automodelle anhand ihrer Merkmale (Marke, PS, Ausstattungsmerkmal)
sein. Dieses Szenario lernt das System eigenständig aus einem vordefinierten
Datensatz und identifiziert relevante Erklärungsmuster. Hierbei können lineare
Regressionen oder Entscheidungsbäume als Methode eingesetzt werden.33
31 Vgl. Kreutzer & Sirrenberg 2019, S. 4.
32 Vgl. Wiegand u. a. 2023, S. 592.
33 Vgl. Kreutzer & Sirrenberg 2019, S. 7.
12
Unsupervised-Learning (Unbeaufsichtigtes Lernen)
Im unbeaufsichtigten Lernprozess verfügt das KI-System nicht über einen vordefinierten
Zielwert. Das KI-System muss Ähnlichkeiten und Muster eigenständig erkennen. Die
Muster sind dem Benutzer im Voraus nicht ersichtlich, da es die Verantwortung des
Algorithmus ist.34 Das System extrahiert Erkenntnisse aus nicht gekennzeichneten Daten,
in denen eine Struktur erkannt wird. Das funktioniert anhand dessen, dass der
Algorithmus Datengruppen identifiziert, die ein vergleichbares oder ähnliches Merkmal
aufweisen. Hier werden etwa hierarchische Clusterung oder die K-Means-Clusterung als
Methode verwendet. Ein Anwendungsbespiel hierfür ist exemplarisch die Kaufhistorie
eines Kunden. Auf Basis des Unsupervised-Learning kann das Kaufverhalten analysiert
werden. Zum Beispiel kauft der Kunde, der ein Fahrrad gekauft hat, ebenfalls meistens
eine Fahrradpumpe.35
Reinforcement-Learning (Verstärkendes Lernen)
In diesem Lernprozess wird kein optimaler Lösungsweg vorgegeben. Das
KI-System muss iterativ durch einen Trial-and-Error-Prozess eigenständige
Lösungswege erarbeiten. Diese werden im Anschluss vom System evaluiert, um das
Modell zu verwerfen oder weiterentwickeln zu können.36 Der immer wieder angewandte
Prozess wird mittels Belohnungen bei guten Prozessen oder Bestrafungen bei weniger
erfolgreichen Prozessen vorangetrieben. Dieser Lernprozess kann vor allem bei
begrenzten Trainingsdaten zum Einsatz kommen oder wenn das System durch die
Interaktion mit der Umgebung dazu lernen kann. Der Algorithmus optimiert stetig seine
Handlung, indem diese kontinuierlich korrigiert wird. Ein Anwendungsbeispiel in der
Praxis kann die Strategie für Preise in Abhängigkeit von Angebot und Nachfrage sein.
Die Preisgestaltung kann mittels historischer Daten auf das Kaufverhalten trainiert
werden und Produktpreisfindungsprozesse vorschlagen.37
Abschließend muss der Kern aus Abbildung Nr. 4, das sogenannte ,,Deep-Learning“
forciert werden. Das Deep Learning ist eine spezialisierte Unterklasse von neuronalen
34 Vgl. Denny & Spirling 2018, S. 5.
35 Vgl. Wennker 2020, S. 15-16.
36 Vgl. Arulkumaran u. a. 2017, S. 4.
37 Vgl. Kreutzer & Sirrenberg 2019, S. 8.
13
Netzen, um auf äußerst umfangreiche Datenmengen über Optimierungsverfahren
Anwendung zu finden. Im Kern bestehen speziell diese neuronalen Netzwerke und
Unterklassen aus mehreren Schichten (Input, Output und Hidden Layer).38
Die Optimierung erfolgt auf Basis noch komplexerer Strukturen innerhalb der neuronalen
Netze, sowie durch die Identifikation tieferliegender Muster und Korrelationen, welche
die Datenpunkte miteinander verknüpfen.39 Das Deep-Learning wird sowohl für
die zuvor genannten supervised und unsupervised Dimensionen eingesetzt. Klassische
Anwendungsfelder im Deep-Learning lassen sich in verschiedene Typen einstufen:
- Recurrent Neural Networks (RNN)
- Convolutional Neural Networks (CNN)
- Generative Adversarial Networks (GAN)
Die genannten Typen unterscheiden sich vor allem in der Art und Weise, wie der Layer
und Neuronen zum Beispiel im Modell trainiert werden. Im Detail auf all die
Anwendungsfelder einzugehen, würde den Rahmen der Arbeit ausschöpfen. Dennoch
haben die RNNs und CNNs im Bereich der Sprach-, Bild-, Video- und Texterkennung
dazu beigetragen, dass eine Vielzahl an neuen Anwendungen am Markt verfügbar sind.
Auch die GANs zum Beispiel fotorealistische Bilder zu generieren oder die sogenannten
Deep Fakes zu entwickeln kann den Verfahren zugeordnet werden.40
Das KI-System erwirbt Wissen aus den eigenen Erfahrungen und ist fähig, neue
Eingabedaten in Beziehung mit bereits vorhandenen Daten zu erstellen. Die Maschine
erlernt, sukzessive komplexe Konzepte mit elementaren Bestandteilen
zusammenzuführen. Häufig wird Deep-Learning ebenfalls mit Big Data in Verbindung
gebracht, da die großen Datenmengen aus verschiedenen Quellen der Treiber für
Künstliche Intelligenz sind. Angesichts der steigenden Geschwindigkeit und Menge der
Daten ist eine gezielte Auswertung nur noch durch Data Mining und algorithmische Big-
Data-Analysen und KI-Systemen möglich. Die Analysen werden hoch angesehen, da sie
einen
ökonomischen
Nutzen
haben
und
in
die
Unternehmensentscheidungen
38 Vgl. Greiner u. a. 2022, S. 91.
39 Vgl. McKinsey & Company 2020
40 Vgl. Greiner u. a. 2022, S. 92.
14
einfließen können. 41 Im weiteren Verlauf wird die Nutzung, Motivation und Akzeptanz
von Künstlicher Intelligenz in diesem Kontext fokussiert.
2.2 Nutzung, Motivation und Akzeptanz von Künstlicher Intelligenz
Die Selbstbestimmungstheorie, auch bekannt als die Self-Determination Theory (SDT)
ist eine umfangreiche Konzeption zur Beschreibung von Motivation, individuellen Zielen
und dem psychischen Wohlbefinden.42 Die Selbstbestimmungstheorie stammt
ursprünglich aus den 1970er- und 80er-Jahren und wurde von den Psychologen Edward
Deci und Richard Ryan entwickelt. Im wesentlichen Kern untersucht die SDT den
Unterschied zwischen extrinsischer und intrinsischer Motivation. Hierbei befasst sich die
extrinsische Motivation mit äußeren Einflüssen, wie bspw. Belohnungen oder
Bestrafungen. Die intrinsische Motivation hingegen kennzeichnet sich durch das innere
Vergnügen und Wohlbefinden.43 Die Selbstbestimmungstheorie unterscheidet allerdings
nicht nur extrinsische und intrinsische Motivation, sondern identifiziert insgesamt fünf
Formen der Motivation (siehe Abbildung Nr. 5). Die fünf Formen unterscheiden sich in
ihrer Kontinuität und Qualität, sodass eine Kategorisierung von sehr niedrig bis sehr hoch
vorgenommen werden kann. Zusätzlich kann der Grad der Selbstbestimmung klassifiziert
werden. Eine kontrollierte Motivation kann bspw. auf äußeren oder inneren Druck
zurückgeführt werden. Eine selbstbestimmende Motivation hingegen entsteht meistens
aus einer Identifikation oder Unterstützung einer bestimmten Aktivität.
Abbildung 5: Die Selbstbestimmungstheorie in Anlehnung von Deci und Ryan44
41 Vgl. Sarker 2021, S. 3.
42 Vgl. Deci & Ryan 2000, S. 227.
43 Vgl. Buchkremer u. a. 2020, S. 63.
44 Vgl. Rigby & Ryan 2018, S. 137.
15
Bei der Demotivation handelt es sich um das untere Ende der Selbstbestimmungstheorie.
Hierbei geht es nicht mehr um eine echte Motivation, sondern eher um den Zustand,
dass der Mensch keinen Wert oder Sinn mit einer bestimmten Tätigkeit verknüpft.45 Der
externale Druck entsteht aus der prototypischen extrinsischen Motivation.
Dementsprechend fühlt sich der Mensch gezwungen, auf eine bestimmte Art und Weise
zu handeln, da ein positiver oder negativer Anreiz verkörpert wird, wie Gehalt,
Bonuszahlung oder Lob und Anerkennung.46 Im Umkehrschluss kann die Handlung der
Tätigkeit auch dazu führen, dass der Mensch negative Konsequenzen vermeiden will, wie
die Kündigung. Eine der nächsten Formen von intrinsischer Motivation ist die sogenannte
introjizierte Motivation, welche durch den Menschen selbst gesetzt wird. Die introjizierte
Motivation entsteht durch den internalen Druck. Hierbei geht es typisch um den Drang,
sich selbst etwas zu beweisen oder zu wünschen. Gleichgestellt zum externalen Druck
fühlt sich der Mensch beim internalen Druck gezwungen ein bestimmtes Verhalten
aufzuweisen, weshalb in der Praxis auch von einer kontrollierten Form der Motivation
gesprochen wird. Ein Beispiel aus der Praxis wäre, dass eine Person länger bei der Arbeit
bleibt, um seine Teammitglieder nicht im Stich zu lassen.
Der selbstbestimmte Persönliche Wert ist eine Vorstufe der intrinsischen Motivation, da
persönliche Werte oder Sinnhaftigkeit der Tätigkeit maßgeblich zur Motivation
angesehen werden. Ein Beispiel hierfür ist eine Person, die aus Sinnhaftigkeit Blut
spendet, allerdings beim Vorgang der Blutabnahme keine Freude empfindet.
Die letzte Qualitätsstufe ist die intrinsische Motivation, welche selbstbestimmt aus
Tätigkeiten entsteht, die Spaß und Freude machen. Es sind keine weiteren Anreize
notwendig, damit die Person der Tätigkeit nachgeht. Eine positive Auswirkung und
Orientierung ist hierbei beachtlich. Die Produktivität, Zufriedenheit und das
Wohlbefinden sowie das Engagement steigen, wenn Aufgaben im Kontext als interessant
und bereichernd wahrgenommen werden.
Demnach verhilft die Selbstbestimmungstheorie zu einer wesentlichen Rolle bei der
Entstehung von intrinsischer Motivation. Die Selbstbestimmungstheorie zeigt ebenfalls,
dass Grundbedürfnisse nach Autonomie, Kompetenz und Zugehörigkeit entscheidend
45 Vgl. Buchkremer u. a. 2020, S. 64.
46 Vgl. ebd., S. 64.
16
sind. Nur wenn die Bedürfnisse kontinuierlich erfüllt sind, kann eine intrinsische
Motivation erhalten und gefördert werden. Gerade das Bedürfnis nach Autonomie, dass
ein Mensch eigenverantwortlich handeln möchte, ohne die Interessen anderer zu
vernachlässigen, ist ein wichtiger Punkt, da Handlungsspielraum und Kontrolle in der
eigenen Hand liegen. Der Wunsch nach Kompetenz, also die Umwelt zu beeinflussen und
neue Fähigkeiten zu entwickeln, ist ebenfalls ein entscheidender Faktor. Denn gerade
Dinge mitzugestalten, hilft dabei die Zugehörigkeit zu fördern und die Menschen im
Unternehmen zu verbinden.
Unternehmen, die Mitarbeiter langfristig binden wollen, müssen vor allem auf die
Bedürfnisse der Autonomie, Kompetenz und Zugehörigkeit abzielen.47 Dies gilt auch für
die Einführung und Nutzung von KI-Technologien.48
Zur Akzeptanz und Nutzung von Künstlicher Intelligenz zeigt sich, dass das Feld
wissenschaftlicher Arbeiten derzeit spärlich besetzt ist .49 Außerdem gibt es verschiedene
Sichtweisen auf das Thema, sodass sich einige Studien der höheren Akzeptanz in
bestimmten Unternehmenskontexten widmen50, wohingegen sich andere Untersuchungen
mit allgemeinen Fragestellungen, Zusammenhängen und der Risikowahrnehmung von
Künstlicher Intelligenz befassen.51 Zusätzlich gibt es oftmals den Ansatz der
technologischen Wahrnehmung. Hierbei rücken die Technologien und die Auswirkungen
aus der Sicht der Mitarbeitenden in den Fokus.
Eines
der
bekanntesten
Modelle
in
diesem
Kontext
ist
das
sogenannte Technik-
Akzeptanz-Modell (TAM).52 Es stammt aus der Weiterentwicklung der Theorie des
überlegten Handelns, was besagt, dass das Verhalten einer Person maßgeblich von ihrer
Absicht geprägt ist. Das ursprüngliche TAM-Modell befasste sich mit der Nutzung von
Abhängigkeiten der wahrgenommenen Nützlichkeit unter verschiedenen Aspekten der
Benutzerfreundlichkeit.
47 Vgl. Buchkremer u. a. 2020, S. 66.
48 Vgl. ebd., S. 66.
49 Vgl. Buchkremer u. a. 2020, S. 68.
50 Vgl. Dahm & Dregger 2019, S. 250.
51 Vgl. Wissing & Reinhard 2018, S. 150.
52 Vgl. Ajzen 1985, S. 11-39.
17
Das TAM-Modell hat in der Vergangenheit zunehmend Erweiterungen und Kritiken
erfahren müssen. Häufig werden die Aspekte der Motivation oder die Frage der
Begeisterung in Form von intrinsischer Motivation für eine verantwortungsbewusste
Anwendung von Künstlicher Intelligenz in der Praxis nicht beantwortet.53 Daher wurde
das integrative Modell entwickelt, um die Nutzung von Künstlicher Intelligenz in
Unternehmen vorzustellen. Ein besonderes Augenmerk liegt bei den Grundbedürfnissen
der Selbstbestimmungstheorie. Die drei Grundbedürfnisse Autonomie, Kompetenz und
Zugehörigkeit sollen zunehmend die Nutzung von Künstlicher Intelligenz beschreiben,
aus dem Ansatz der selbstbestimmten Motivation. Eine eingesetzte Technologie der
Künstlichen Intelligenz im Unternehmen sollte dazu beitragen, dass die Bedürfnisse
erfüllt werden und es nicht zur Frustration kommt. Sollte es zu einer Frustration kommen,
so wird gemäß der Selbstbestimmungstheorie keine selbstbestimmte Motivation
entstehen, bzw. vorhandene Motivationen wird zerstört.
Das ursprüngliche TAM-Modell hat zwischen der wahrgenommenen Nutzung und den
identifizierten Herausforderungen unterschieden, die sich aus Anwendungen der
Künstlichen Intelligenz ergeben haben. Daher gibt es sowohl positive als auch negative
Konsequenzen, welche sich auf die Faktoren der Befriedigung der Bedürfnisse beziehen.
Ein konkretes Beispiel hierzu, wie die Künstliche Intelligenz zur Bedürfnisbefriedigung
beitragen kann, wäre die Automatisierung bestimmter Aufgaben. Schließlich könnten die
Mitarbeitenden mit der gewonnenen Zeit neue Aufgaben oder
Weiterbildungsmaßnahmen wahrnehmen.
53 Vgl. Buchkremer u. a. 2020, S. 69.
18
Abbildung 6: Das Integrative Modell zur Nutzung und Akzeptanz von KI in Unternehmen auf Basis der Selbstbestimmungstheorie54
Im Zusammenhang der Nutzung und Implementierung von Künstlicher Intelligenz in
Unternehmen bzw. der Immobilienbranche ist es von wissenschaftlichem Interesse,
neben bereits etablierten Ansätzen wie dem TAM, auch die Mitarbeitermotivation zu
berücksichtigen. Aus Abbildung Nr. 6 kann das erweiterte integrative TAM-Modell
entnommen werden. Die Selbstbestimmungstheorie als Erweiterung des TAM (das
integrative Modell nach Hudecek und Mc Auley) eignet sich als theoretischer Rahmen
ideal, da die drei bedeutenden Grundbedürfnisse der Mitarbeitermotivation explizit
berücksichtigt werden. Für zukünftige Strategien der Künstlichen Intelligenz ist es daher
unerlässlich, dass die Kernelemente Autonomie, Kompetenz und Zugehörigkeit stets
evaluiert und neu bewertet werden. Es ist dementsprechend zu Beginn angebracht,
verschiedene Aspekte in Bezug der wahrgenommenen Nützlichkeit sowie der
wahrgenommenen Herausforderungen von Künstlicher Intelligenz aus Sichtweise der
54 Vgl. Buchkremer u. a. 2020, S. 70.
19
Belegschaft anzunehmen. Jedes Grundbedürfnis muss einzeln analysiert werden, sodass
mögliche Beeinträchtigungen abgeleitet werden können. Abschließend werden Lösungen
entwickelt, die einen konstruktiven Umgang mit den zuvor analysierten
Beeinträchtigungen ermöglichen, sodass ein möglicher Schaden der Grundbedürfnisse
vorgebeugt wird. Der Faktor Mensch muss demnach gesondert thematisiert werden.
Faktor Mensch
Der Faktor Mensch hat sich in den letzten zwei Jahren anpassen müssen. Die
Arbeitskollegen und Teams nutzen heutzutage für die Arbeitskommunikation
verschiedenste digitale Tools, um sich möglichst schnell und effizient abzustimmen.55
Die Applikationen, die dabei tagtäglich zum Einsatz kommen, sind häufig über den
Browser oder als Apps über das Smartphone, Laptop oder Tablet verfügbar. Besonders
wichtig hierbei ist, dass die Applikationen den Anforderungen gerecht werden. Die
Menschen, welche diese nutzen, benötigen eine moderne und zeitgemäße
Anwenderfreundlichkeit. Deshalb müssen diese Tools die Arbeit sowohl remote als auch
asynchron zu unterschiedlichen Zeitpunkten unterstützen können.
Innerhalb der letzten zwei bis drei Jahren in der Corona-Pandemie hat sich einiges am
Arbeitsplatz und deren Anwender getan. Kommunikationstool, wie Microsoft Teams,
Trello oder Slack sind nicht mehr wegzudenken.56 Die zunehmende Automatisierung
verändert für den Menschen die Art und Weise, wie gearbeitet wird. Zunehmend
verändert sich die Grenze, wie sich Effizienz definiert. Eine Studie von McKinsey im
Jahr 2020 bestätigt, dass zwei Drittel der Führungskräfte verstärkt in Automatisierung
oder künstliche Intelligenz investieren.57 Dies deutet, wie im vorherigen Abschnitt
erläutert, auf einen Wandel der Organisationen hin. Eine weitere Studie von der Boston
Consulting Group thematisiert, dass bis 2025 allein in Deutschland 1,3 Millionen
Arbeitsplätze durch Automatisierung wegfallen könnten.58 Die menschliche Arbeit wird
bereits seit der Erfindung des Rades im 4. Jahrhundert vor Christus von Maschinen
ersetzt. Gerade im modernen digitalen Zeitalter kann neue Technologie nicht nur die
55 Vgl. Riemer & Schellhammer 2019, S. 1.
56 Vgl. Bitkom 2022
57 Vgl. Lund u. a. 2021, S. 11.
58 Vgl. Boston Consulting u. a. 2022
20
körperliche Arbeit übernehmen, sondern auch die menschliche Intelligenz nachahmen.59
Dennoch bieten die Automatisierungen noch keinen Ersatz für menschliche Intelligenz,
da das menschliche Eingreifen zunehmend wichtig bleibt. Der Mensch als Faktor verfügt
über diverse Eigenschaften, wie Intuition, Emotion und Sensibilität, wohingegen
Maschinen systematisch und exakt sind. Daher ist es wichtig, dass die Grundbedürfnisse
Autonomie, Kompetenz und Zugehörigkeit, wie nach der Selbstbestimmungstheorie nach
Deci und Ryan, berücksichtigt werden. Eine ausgewogene Mischung aus beiden
Eigenschaften von Menschen und Maschinen kann entstehen.60 Als Beispiel können
heutzutage KI basierte Chatbots eine Vielzahl an Daten sammeln, allerdings müssen die
Erkenntnisse auch in einer Kundensituation in einem freundlichen Ton bspw. durch einen
Kundenberater vermittelt werden. Demnach haben Unternehmen innerhalb der Pandemie
weitestgehend auf Automatisierung und die neue Gestaltung von Prozessen gesetzt. Die
Hauptziele dabei waren Kosten und Risiko zu minimieren.61 Daher kommt es bei
Unternehmen zunehmend zu einem Mensch-Maschinen-Paradigma. Infolgedessen wird
eine hybride Belegschaft fokussiert, um die Konvergenz zu gewährleisten. Der Faktor
Mensch muss sich im ersten Schritt mit Qualifikationslücken auseinandersetzen. Eine
weltweite Studie von der Wirtschaftsprüfungsgesellschaft Deloitte zeigt auf, dass 68
Prozent der Führungskräfte von mäßigen bis extremen Qualifikationsdefiziten bei den
eingesetzten Mitarbeitern ausgehen.62 Bei weiteren 27 Prozent handelt es sich um extreme
oder gar große Qualifikationsdefizite. Demnach wird der Faktor Mensch eine tektonische
Verschiebung am Arbeitsplatz spüren, da technologische, soziale, emotionale und höhere
kognitive Kompetenzen zunehmend in den Vordergrund rücken. Die Rolle und Faktor
des Menschen ist entscheidend. Grob gesagt lassen sich zunächst drei unterschiedliche
Rollen identifizieren. Diese können nachfolgend der Abbildung Nr. 7 entnommen
werden.
59 Vgl. Beims u. a. 2022, S. 63.
60 Vgl. Beims u. a. 2022, S. 63.
61 Vgl. Beims u. a. 2022, S. 64.
62 Vgl. The Deloitte Center for Technology Media & Telecommunications 2020
21
Abbildung 7: Die Rollen der Menschen unter KI-Einsatz63
Die Rollen des Anwenders oder des Nutzers zeigen erneut deutlich eine Bandbreite
möglicher Interaktionen zwischen Menschen und Künstlicher Intelligenz.64 Ob es um die
konkrete Ausführung einer Aufgabe geht, welche durch den Menschen oder die
Künstliche Intelligenz ausgeführt wird, hängt von der Planbarkeit und Struktur der
Aufgabe ab. In Fällen, in denen die Aufgaben gut planbar und strukturiert sind und die
Datenkomplexität beherrschbar ist, ergibt es Sinn, dass die KI die Aufgabe übernimmt.65
Der Mitarbeiter übernimmt hingegen die Steuerungs- und Kontrollfunktion. Bei Fällen,
die weniger planbar und strukturiert sind, in denen Erfahrungswerte von entscheidender
Rolle für das Verständnis und die Entscheidung sind, ist es angebracht, dass die
Mitarbeiter die Aufgabe in Zusammenarbeit mit der KI übernehmen, sofern
entsprechende Unterstützung benötigt wird. In Anbetracht der facettenreichen
Einsatzgebiete der KI-Systeme eröffnet sich eine Palette von potenziellen erforderlichen
Kompetenzen, die je nach spezifischem Problem und Aufgabenstellung vorhanden sein
müssen. Im Folgenden werden für die Mastarbeit drei relevante Kompetenzfelder
hervorgehoben und in den Fokus gestellt:
63 Eigene Darstellung
64 Vgl. Neuburger 2021, S. 20.
65 Vgl. ebd., S. 20.
22
1.
Technologisches Grundwissen:
Der Mensch muss unabhängig von seiner Rolle ein Grundwissen an KI-Verständnis
mitbringen, damit die Awareness für KI-Systeme vorhanden sein kann.66 Des Weiteren
sollte eine Bereitschaft zur Offenheit gegenüber der im Unternehmen eingesetzten
KI-Systeme und der grundlegenden Leistungsfähigkeiten bestehen. Letztlich müssen die
KI-Systeme im angemessenen Arbeitskontext eingesetzt werden. Deshalb sind
grundlegende Kenntnisse in Programmierung und Kompetenzen im Kontext zu Big-Data
wichtig. Im Endeffekt sind Unterschiede in den Anwendungsmöglichkeiten durch
verschiedene maschinelle Lernverfahren oder Algorithmen bereits von wesentlicher
Bedeutung. Zur Unterstützung des Wissenstransfers können verschiedene Tools und
Menschen als Trainer sowie Programmierer verwendet werden.67
2.
Mensch-Maschinen-Interaktionsfähigkeit
Die Interaktion von Menschen und Maschinen ist für den direkten Umgang mit
KI-Systemen essenziell. Als Nutzer und Anwender werden die Fähigkeiten benötigt die
Anwendung auszuführen, was als Prompting bezeichnet wird.68 Dies ermöglicht ein rei-
bungsloses Zusammenspiel zwischen Menschen und der KI. Besonders wichtig ist, dass
vermehrt kognitive Fähigkeiten, wie Reflexion und Beurteilungsvermögen angewendet
werden. Der Mensch sollte die Schlussfolgerung und Entscheidung der KI beurteilen und
bewerten können – gerade im Zusammenhang mit unterschiedlichen Fragestellungen. Der
Mensch muss zusätzlich die Grenzen der jeweiligen KI kennen.
3.
Personelle und soziale Fähigkeiten
Die Veränderung von Arbeitsprozessen und Arbeitsumgebungen werden durch
Menschen mittels eingesetzten KI-Systemen weiterentwickelt. Dabei zählen
Kompetenzen, wie personelle und soziale Fähigkeiten zu den besonders wichtigen. Denn
durch die KI können neue individuelle Aufgabenschwerpunkte auf nicht routinierte
Tätigkeiten verlagert werden. Das bedeutet, dass diese dezentral eigenverantwortlich oder
66 Vgl. Aschemann 2023
67 Vgl. Knappertsbusch & Gondlach 2021, S. 286.
68 Vgl. Aschemann 2023
23
im Team erledigt, werden müssen. Zusätzliche notwendige Kompetenzen, wie
Selbstorganisation, Eigenverantwortung, Lernbereitschaft, Kommunikation oder
Teamarbeit sind entscheidend, da durch den Einsatz von KI zunehmend die strategischen
und lösungsorientierten Fragestellungen bei dem Menschen liegen. Ebenfalls muss
sichergestellt werden, dass die bereits vorhandenen Kompetenzen weiter gefordert
werden. Der Mensch soll nach der Einführung von KI-Systemen nicht die Fähigkeit
verlieren, bei kritischen Situationen eingreifen zu können.
Zusammenfassend sind KI-Systeme entscheidend für die zukünftige Entwicklung der
Arbeitswelt und beeinflussen den Menschen dahinter. Es lassen sich große Potenziale
erkennen, welche zu Entlastung, Unterstützung und Produktivität führen können. Wichtig
ist, dass die frühzeitige Qualifizierung und Befähigung der Menschen fokussiert wird.69
Denn nur der Mensch dahinter kann den passgenauen Einsatz in der Arbeitsumgebung
und das Zusammenspiel mit der KI beeinflussen.70
Die Anwendung vom integrativen TAM-Modell sowie die Selbstbestimmungstheorie
nach Deci und Ryan lassen auf folgende Hypothesen schließen:
H1: Das Vorherrschen der Grundbedürfnisse der Selbstbestimmungstheorie hat einen
signifikanten Einfluss auf die Nutzung von KI-Technologie.
H2: Die Anwendung vom integrativen TAM-Modell wirkt sich signifikant auf die
Akzeptanz von Künstlicher Intelligenz aus.
H3: Zwischen den Grundbedürfnissen der Selbstbestimmungstheorie und dem integrati-
ven TAM-Modell herrscht ein Mediator-Effekt, sodass die Grundbedürfnisse der
Selbstbestimmungstheorie einen signifikanten Einfluss auf das integrative TAM-Modell
haben, welches anschließend die Akzeptanz und Nutzung ebenfalls signifikant
beeinflusst.
69 Vgl. Knappertsbusch & Gondlach 2021, S. 147-148.
70 Vgl. Stowasser u. a. 2020, S. 15.
24
Im Verlauf der weiteren Ausarbeitung der Arbeit wird die Künstliche Intelligenz und die
Immobilienbranche näher thematisiert. Im nachfolgenden Kapitel wird die
Immobilienbranche näher beleuchtet.
2.3 Die Säulen und Kernbereiche der Immobilienbranche
Die deutsche Immobilienbranche stellt eine bedeutende Säule der deutschen
Volkswirtschaft dar. Dieser Fakt wird bereits seit einigen Jahren von
Forschungseinrichtungen, Branchenverbänden und Unternehmen betont. Es ist
bemerkenswert, dass diese Branche inzwischen auch verstärkte Aufmerksamkeit von
internationalen Investoren erhält, was mitunter über das hinausgeht, was für eine
nachhaltige und ausgewogene Entwicklung wünschenswert ist. Die Immobilienbranche
hat sich zu einem stillen Kernbereich der wirtschaftlichen Aktivitäten in Deutschland
entwickelt, sodass bereits allein das Grundstücks- und Wohnungswesen 11,1 Prozent der
deutschen Bruttowertschöpfung ausmacht.71 Im Jahr 2020 lag das Bruttoinlandsprodukt
bei 3,29 Billionen Euro mit einer Bruttowertschöpfung von 3,02 Billionen Euro. Von
diesen betreffen ca. 334,5 Mrd. Euro das Grundstücks- und Wohnungswesen. Die circa
800.000 Unternehmen mit rund 3,5 Millionen sozialversicherungspflichtigen
Beschäftigten bilden daher mit Abstand den größten Wirtschaftszweig von Deutschland.72
Das führt zunehmend dazu, dass sich die Unternehmen auch in die Zukunft
weiterentwickeln müssen, sodass die Digitalisierung im Wesentlichen für die
Unternehmen, Kundschaft und die Immobilien zugänglich gemacht werden müssen.
Letztlich werden sich Unternehmen im Rahmen der Digitalisierung in ihrem
Geschäftsmodell und den Geschäftsprozesse weiterentwickeln und anpassen müssen, da
die Kundschaft (=Mieter/Investor) ebenfalls auf die aktuellen digitalen
Herausforderungen und Chancen reagieren müssen.73 Die Vielzahl an Daten, die heute in
71 Vgl. Knüfermann 2021, S. IX
72 Vgl. ZIA & Dr. Michael Hellwig 2022
73 Vgl. Pfnür Andreas u. a. 2022, S. 2.
25
der Immobilienbranche gesammelt werden können, bieten viele Möglichkeiten, neue
Technologien effektiv einzusetzen.74
In der Praxis wird derzeit das Thema Energiemanagement durch die Energiekrise samt
Smart-Building stark fokussiert, um Kosten und Ressourcen einsparen zu können. Dies
ist nicht der einzige Bereich, der innerhalb der Immobilienbranche digitalisiert werden
muss. Eine von vielen Studien zeigt, dass die Digitalisierung in der Immobilienbranche
im Vergleich zu anderen Wirtschaftszweigen derzeit stark zurück liegt.75 Häufig sind
dennoch Probleme, wie Fachkräftemangel oder Kostensenkung durch Renditedruck
zwingende Maßnahmen, um auch über Digitalisierung und Prozessautomatisierung in
Immobilienunternehmen nachzudenken. Zum weiteren Verständnis der Chancen und
Herausforderungen der einzelnen Kernbereiche und Strukturen der Immobilienbranche
wird zunächst der Begriff Immobilienbranche anhand des Immobilienlebenszyklus näher
differenziert.
Abbildung 8: Lebenszyklus einer Immobilie innerhalb verschiedener Kernbereiche76
In der oben dargestellten Abbildung Nr. 8 lassen sich verschiedene Kernbereiche und
Phasen aus dem Lebenszyklus einer Immobilie ableiten. Zunächst gibt es die Phase der
74 Vgl. Moring & Inholte 2022, S. 126.
75 Vgl. ZIA & EY Real Estate 2023
76 Vgl. HS Mittweida o. J.
26
Brache, in der das Land auf dem Grundstück unbebaut oder ungenutzt ist. Hier finden
sich die Akteure die sogenannten Projektentwickler wieder, sodass diese eine Vision für
die ungenutzte Fläche entwickeln. Anschließend wird das Projekt in die Phase des
Neubauprojektes übergeben, bei dem eine neue Immobilie auf Basis der
Projektentwicklung gebaut wird. Sobald die Immobilie fertiggestellt ist, tritt die Phase
der Nutzung ein, in der die Immobilie vermietet oder vermarktet wird. Dies hängt vom
jeweiligen Geschäftszweck ab.
Im Rahmen der Lebenszeit kann es zu Leerständen kommen, wenn die Immobilie nicht
mehr vollständig genutzt wird. Um den Leerstand zu reduzieren, erfolgt häufig eine
Revitalisierung bzw. Wiedernutzung, bei der die Immobilie neugestaltet oder für andere
Geschäftszwecke aufbereitet wird. Die Umstrukturierung kann anhand einer Renovierung
oder Modernisierung mit einem spezialisierten Projektentwickler durchgeführt werden.
Nach erfolgreicher Umstrukturierung oder Wiedernutzung tritt erneut die Phase der
Nutzung ein. Häufig befinden sich in der gesamten Nutzungsphase die Akteure des
Property- und Asset Management für die kaufmännische Verwaltung der Immobilie,
sowie das Facility Management für das technische Immobilienmanagement. Diese
fungieren als Kontrollorgan und steuern die Prozesse im Hintergrund. Zum Schluss kann
die Immobilie am Ende ihres Lebenszyklus abgerissen werden, um Platz für neue
Innovationen und Vision in der Entwicklung zu fördern. Der Immobilienlebenszyklus ist
stets flexibel und passt sich den Bedürfnissen des Marktes an. Besonders wichtig ist die
langfristige Planung, die Verwaltung und das Management der verschiedenen Akteure,
die im Lebenszyklus der Immobilie tätig werden.
Oftmals liegen hier bereits die Herausforderungen innerhalb der digitalen Transformation
der Immobilienwirtschaft.77 Jedes Unternehmen arbeitet derzeit mit einer anderen
Softwarelösung in seinem Bereich. Um einen besseren Überblick zu verschaffen, werden
nun die Kernleistungsspektren der Immobilienbranche näher erläutert.
77 Vgl. Peyinghaus u. a. 2022, S. 262.
27
Investment Management
Personen, die Immobilien mit dem Ziel der Rendite- und Wertoptimierung (REIM
= Real Estate Investment Management) sowie der Verbesserung der Immobilieneffizient
(CREM= Corporate Real Estate Management) betreiben. Der Schwerpunkt ihrer
Tätigkeiten liegt vor allem in der strategischen Entwicklung des Immobilienportfolios,
der Finanzierung, der Beziehungspflege zu Investoren und dem Management von Fonds
oder Portfolios.78
Asset Management
Vertreter für Immobilieneigentümer, die darauf abzielen, den Wert der Immobilie zu
steigern und die Vermietungs- sowie Transaktionserfolge zu maximieren. Zu den
Hauptaufgaben gehören die Planung und Überwachung der Immobilienprojekte, der An-
und Verkauf von Immobilien, das Management von Bauprojekten und die Vermietung
von Objekten bei Erstbezug.79
Property Management
Das kaufmännische Management von Immobilien mit dem Ziel, die Einnahmen aus
Immobilien zu maximieren und die Kosten zu senken. Zu den Hauptaufgaben gehören
die Buchführung von Immobilien, das Management von Immobiliendaten, die
Vermietung von Einheiten, die Betreuung der Mieter, die Übergabe von Flächen und die
Durchführung von Objektbesichtigungen.80
Facility Management
Das technische und kundenorientierte Management bzw. die Betreuung von Immobilien
mit
dem
Ziel,
die
Betriebsbereitschaft
sicherzustellen.
Ebenfalls
sollen
unter den
Aspekten der Verbrauch und die Kosten der Immobilien stetig optimiert
78 Vgl. Peyinghaus u. a. 2022, S. 262 ff..
79 Vgl. Piazolo 2023, S. 15-16.
80 Vgl. Piazolo 2023, S. 18-20.
28
werden. Zu den Hauptaufgaben zählen Reparaturen, Wartungen, Inspektionen,
Versorgerdienstleistungen, Reinigungen, sowie Sicherheits- und Servicemaßnahmen.81
Das oben genannte Leistungsspektrum bedient für die Arbeit den Kern der
Immobilienbranche, allerdings gibt es darüber hinaus auch noch weitere Bereiche, wie
Vermarktung, Projektentwicklung oder Bewertung. Ebenfalls die gesamte Bauwirtschaft
und weitere Akteure bspw. mit politischen Interessen. Diese Bereiche werden im weiteren
Verlauf dieser Arbeit Thesis jedoch nicht weiter berücksichtigt.
In der Arbeit wird das Immobilienmanagement aus Sichtweise des Geschäftszwecks der
Managementdisziplin Real Estate Investment Management (REIM) und Corporate Real
Estate Management (CREM) fokussiert. REIM verfolgt das Ziel der Ertragssteigerung
der Immobilie, wohingegen CREM darauf abzielt, die Sicherstellung der Verfügbarkeit
sowie die Maximierung der Nutzungseigenschaften als Produktionsstätte zu verfolgen.82
Aufgrund der Komplexität der einzelnen Leistungsspektren und der jeweiligen
Verwaltungstätigkeiten werden derzeit viele verschiedene Softwarelösungen für
unterschiedliche Geschäftszwecke eingesetzt. Im weiteren Verlauf der Arbeit wird
geprüft, inwiefern Künstliche Intelligenz in den Leistungsspektren der
Immobilienbranche zum Einsatz kommen kann. Basierend auf den Informationen und
Aufgabenbereichen der Immobilienbranche lässt sich die folgende Hypothese ableiten:
H4: Der Einsatz von Künstlicher Intelligenz in der Immobilienbranche wirkt sich
signifikant auf die Leistungsbereiche der Selbstbestimmungstheorie, TAM und Nutzung
und Akzeptanz aus.
81 Vgl. Piazolo 2023, S.20-21.
82 Vgl. Peyinghaus u. a. 2022, S. 263.
29
3 Anwendungsfälle von Künstlicher Intelligenz in der Immobilienbranche
Vor der weiteren Ausarbeitung von spezifischen Komponenten ist es von wesentlicher
Bedeutung, die theoretischen Grundlagen auf die Praxis der Immobilienbranche
anzuwenden. In diesem Abschnitt wird dementsprechend die Organisation
(= Unternehmen) und der damit verbundene Arbeitsplatzwandel näher betrachtet.
Abschließend werden beispielhafte Anwendungsfälle aufgezeigt, um die bereits heute
bestehenden Integrationen von Künstlicher Intelligenz in der Immobilienbranche zu
verdeutlichen.
3.1 Unternehmen und Arbeitsplatzwandel
Im vorherigen Abschnitt wurde die Wichtigkeit und Komplexität der Immobilienbranche
in Deutschland thematisiert, sodass diverse Chancen und Herausforderungen innerhalb
der Organisationen und den Arbeitsplätzen bestehen. Speziell zur Corona Zeit wurde das
Thema der digitalen Transformation in Organisationen und auf Arbeitsplätze bezogen,
zunehmend diskutiert. Schließlich ist bis heute nicht jedes Unternehmen in der Lage seine
Mitarbeitenden aus dem Homeoffice arbeiten zu lassen. Doch die Corona-Krise hat auch
gezeigt, dass Unternehmen unter Zwang funktionieren müssen. Besonders zu
Krisenzeiten machen digitale Innovationen die Unternehmen und Organisationen
anpassungs- und überlebensfähig.83 Das World Economic Forum hat die aktuelle Phase
als vierte industrielle Revolution eingeleitet. Die Treiber dieser neuen
Industrialisierungszeit sind vor allem die neuen digitalen Technologien, wie die
Künstliche Intelligenz, Internet der Dinge (IoT), virtuelle Realität und Blockchain.84
Künstliche Intelligenz und lernende Systeme zeigen einen signifikanten Einfluss auf die
zukünftige Arbeitswelt und die langfristige Transformation von Organisationen.85 Dies
ermöglicht den Organisationen ein breites Spektrum an Möglichkeiten und Potenzialen
sowohl für die Arbeitnehmer als auch für die Unternehmen selbst. Die Optimierungen
tragen zur Steigerung der Wettbewerbsfähigkeit im deutschen Technologiebereich bei.
Dies kann durch Entlastung von Mitarbeitern und Mitarbeiterinnen, Optimierung von
83 Vgl. Linz u. a. 2020, S. 116.
84 Vgl. Pfnür Andreas u. a. 2022, S. 116.
85 Vgl. Stowasser u. a. 2020, S. 5.
30
Arbeitsprozessen sowie Einführung neuer Geschäftsmodelle, die auf KI basieren, erzielt
werden.
Demnach können die Interaktion und Zusammenarbeit zwischen Mitarbeitenden, Kunden
und Partnern auch am Arbeitsplatz beeinflusst werden. Um die aktuellen KI-Treiber der
Organisationen und Arbeitsplätze noch besser zu verstehen, wird in der folgenden
Abbildung Nr. 9 der Hype-Zyklus nach Gartner näher betrachtet:
Abbildung 9: Der Gartner Hype Cycle August 202386
Der Hype-Zyklus in Abbildung Nr. 9 oder auch als Gartner Hype Cycle bekannt, stellt
visuell die Entwicklungsstadien und die Akzeptanz von neuer Technologie und deren
Anwendungen dar. Der Hype Cycle lässt neue Herausforderungen und Chancen
erschließen. Hierbei besteht der Zyklus aus fünf verschiedenen Phasen: Technologischer
Auslöser (= Innovation Trigger), Gipfel der überzogenen Erwartungen (= Peak of inflated
Expectations), Tal der Enttäuschung (= Trough of Disillusionment), Pfad der
Erleuchtung (= Slope of Enlightenment) und Plateau der Produktivität (= Plateau
of Productivity). Demnach können aus Abbildung Nr. 7 in der Phase Technologischer
Auslöser, diverse Trends erkannt werden. Auf dem derzeitigen Gipfel
86 Vgl. Perri 2023
31
der überzogenen Erwartungen befindet sich die Generative AI und die AI-Augmented,
welche bereits im Rahmen der Arbeit thematisiert wurden. Die zunehmende Diversität
von Trends, von denen einige in absehbarer Zukunft potenzielle Auswirkungen auf die
Gesellschaft und den Arbeitsplatz haben könnten, verstärkt den Anforderungsdruck auf
das Changemanagement von Organisationen. In der nachfolgenden Abbildung werden
die Bedingungen und Elemente für einen vielversprechenden Arbeitsplatzwandel im
Kontext der Künstlichen Intelligenz aufgezeigt.87 Zusätzlich werden mögliche
Lösungsansätze näher thematisiert. Besonders die Veränderungsprozesse im Rahmen der
verschiedenen Phasen sind von Wichtigkeit, da diese in den Organisationen und am
Arbeitsplatz umgesetzt werden müssen (siehe Abbildung Nr. 10).
Abbildung 10: Change-Management beim Einsatz von KI-Technologien
Ein entscheidender Faktor, der maßgeblichen Einfluss auf die effektive Anwendung von
Künstlicher Intelligenz in Unternehmen hat, ist die Zustimmung und Akzeptanz der
Menschen am Arbeitsplatz in Bezug auf die KI-Systeme.88 Laut des integrativen Modells
auf Basis der Selbstbestimmungstheorie nach Deci und Ryan, braucht es Akzeptanz
seitens der Mitarbeitenden, damit die Arbeit als sinnvoll und nützlich erachtet wird.
87 Vgl. Knappertsbusch & Gondlach 2021, S. 148.
88 Vgl. Stowasser u. a. 2020, S. 8.
32
Demensprechend ist die Phase der ,,Zielsetzung und Folgeabschätzung“ von enormer
Bedeutung, da alle Akteure aus der Organisation die Verantwortung tragen.89
Das bedeutet, dass hierbei sorgfältig das Potenzial und die Notwendigkeit im
betrieblichen Kontext geprüft werden muss. Oftmals wird mit Einführung von
Künstlicher Intelligenz Bedenken im Bereich des Datenschutzes thematisiert. Schließlich
müssen die Arbeitsbedingungen menschenwürdig sein und der Umgang mit persönlichen
Daten stets gesichert werden.
Eine transparente und nachvollziehbare Gestaltung des Einsatzes von KI-Technologie
sowie die prozessorientierte Einbindung der Mitarbeitenden sind von Bedeutung, was aus
der Phase ,,Planung und Gestaltung“ zu entnehmen ist. Eine angemessene Vorbereitung
der Mitarbeitenden ist für die Integration von KI-Systemen in bestehende Arbeitsprozesse
notwendig, da für die Implementierung erforderliche Qualifizierungsmaßnahmen
getroffen werden müssen. Deshalb ist die Phase ,,Vorbereitung und Implementierung“
wichtig für die Qualifizierung. Repräsentativ beinhaltet dies die Neugestaltung von
Aufgaben und Tätigkeitsprofilen für Mitarbeitende sowie die Anpassung der
Arbeitsorganisation an das sich verändernde Verhältnis zwischen Menschen und
Maschinen. Es werden verstärkt Pilot- und Experimentierphasen avisiert, damit
KI-Technologien in Unternehmen eingeführt werden können. Schließlich werden die
gesammelten Erfahrungen genutzt, um auf bewährte Praktiken Anwendung zu finden.
Wichtig ist hierbei die Auswirkung und Schnittstellen der KI-Systeme im Hinblick auf
die Unternehmensziele und die Förderung von menschengerechter Arbeitsbedingung zu
überprüfen. Unerwünschte Effekte sollen möglichst minimiert und positive Erfahrungen
mit den Systemen am Arbeitsplatz gesammelt werden. Nach erfolgreicher
Implementierung eines KI-Systems ist es von entscheidender Bedeutung, eine
fortlaufende Überprüfung und Bewertung durchzuführen. Hieraus können potenzielle
Erkenntnisse bezüglich Anwendungen, Arbeitsorganisation und der fortlaufenden
Weiterbildung der Mitarbeitenden abgeleitet werden. Die regelmäßige Evaluierung
ermöglicht es ebenfalls, die Erfahrungen der Mitarbeitenden zu nutzen, sodass
gemeinsam neue Innovationsprozesse angestoßen werden können. Diese Innovationen
89 Vgl. Knappertsbusch & Gondlach 2021, S. 151.
33
führen dazu, die Entwicklung und das Geschäftsmodell der Organisation zu beeinflussen,
wobei die Mitarbeitenden als aktive Mitgestalter des Wandels fungieren.
3.2 KI-Anwendungen nach den Leistungsbereichen der Immobilienbranche
Durch die rasante Entwicklung in den letzten Jahren und die zunehmenden
Zukunftsherausforderungen hat sich für die Immobilienbranche eine ganze
Forschungs- und Entwicklungseinheit von sogenannten PropTech Unternehmen
entwickelt.90
PropTech Unternehmen sind innovative Start-Up Unternehmen, welche mit ihren
Lösungen bereits alle Wertschöpfungsstufen im Immobilienlebenszyklus abdecken.91
Abbildung 11: Basistechnologie der PropTech Unternehmen92
Bereits heute ist KI (engl. AI), wie aus Abbildung Nr. 11 zu entnehmen ist, in einer
Vielzahl von Softwarelösungen mit 17,1 Prozent in der Immobilienbranche neben Big
Data mit 32,9 Prozent als relevanteste Basistechnologie eingesetzt und wird dazu genutzt,
die Arbeitsprozesse und den Menschen am Arbeitsplatz zu entlasten. Im nachfolgenden
90 Vgl. Rock & Schlesinger 2023, S. 1.
91 Vgl. Rock & Schlesinger 2023, S. 9.
92 Vgl. Rock & Schlesinger 2023, S. 2.
34
Verlauf werden einige KI-Anwendungen aus der Praxis der Immobilienbranche
aufgezeigt.
Investment- und Portfoliomanagement – Das Energiemanagement mit KI-PAUL:
Im Investment Management können KI-Systeme dazu eingesetzt werden, um bessere
Analysen und Anlageentscheidungen zu treffen und die Rendite zu maximieren. Häufig
kommt es in der Praxis zu datengesteuerten Entscheidungen. Die Daten können mittels
KI-Systemen auf Muster und Trends der wirtschaftlichen Marktlage in der
Immobilienbranche identifiziert werden. Ebenso können die Daten zur Optimierung
genutzt werden, damit Anlagestrategien und Risiko minimiert werden. Häufig wird im
Investment Management das Portfolio auf die Nachhaltigkeit geprüft. Schließlich
werden knapp 40 Prozent der weltweiten CO2-Emissionen von Ge- bäuden produziert.
Nachhaltigkeit steht bei Investoren an oberster Stelle, da bei Immobilien die ,,grün“ sind,
häufig bessere Renditen erzielt werden können. Ein Beispiel für
die
Anwendung
von
Künstlicher
Intelligenz
ist
das
System
PAUL, welches hydraulische Abgleiche
übernimmt die mittelfristig durch die Energiesicherungsmaßnahmenverordnung
vorgeschrieben sind. PAUL von der Firma PAUL TECH AG kann dementsprechend
Warmwasser- und Heizungsanlagen digitalisieren, sodass die Temperatur und der
Volumenstrom optimal, permanent und konstant genutzt werden können, ohne die
Wohnung zu betreten. Das System PAUL kann zunehmend den Kosten- und Renditedruck
durch CO2-Steuer und hohe Zinsen vorbeugen und durch den Einsatz effektiv
Energieeinsparungen erzeugen.93
Asset Management– Die Transaktionsdatenräume von EVANA:
Im Asset Management wird Künstliche Intelligenz bereits für das
Dokumentenmanagement und die Verwaltung von Transaktionsdatenräumen verwendet.
Die virtuellen Datenräume ermöglichen es, die vertraulichen Informationen während der
Ankaufsphase innerhalb Immobilientransaktionen sicher auszutauschen. Künstliche
Intelligenz kann verschiedene Dokumente klassifizieren und automatisch verarbeiten. Je
größer die Datenmenge hierbei ist, desto besser kann die Klassifizierung und
93 Vgl. Paul Tech AG o. J.
35
Verifizierung besonders wichtiger Dokumente im Transaktionsprozess kristallisiert
werden. Künstliche Intelligenz bzw. der Algorithmus im Asset Management ist in der
Lage Muster, Abweichungen oder Inkonsistenz im Rahmen von Due-Diligence Analysen
der Transaktionsdaten zu erkennen. Die EVANA AI ermöglicht es dementsprechend, per
Knopfdruck intelligente Sortierungen und Auswertungen sämtlicher Unterlagen
vorzunehmen. Die Kombination aus Künstlicher Intelligenz und Robotik Prozessen hilft
dabei präzise und extrahiert an Schlüsselinformationen aus den Unterlagen zu kommen.
Die Informationen werden anschließend für Workflows, Reportings oder datengetriebene
Entscheidungen benutzt. Die EVANA AI ist dabei auf das Immobilienmanagement im
Asset Management spezialisiert.94
Property Management – Der smarte KI-Anrufbeantworter:
Im Property Management ist es wichtig für Mieter, Eigentümer oder potenzielle Kunden
telefonisch und persönlich erreichbar zu sein. Oftmals sind in der Praxis die
Personalkapazitäten nicht gegeben, sodass ein normaler Anrufbeantworter eingeschaltet
wird. Der Anrufbeantworter führt zu viel Sachbearbeitung, da dieser anschließend
manuell abgehört und dokumentiert werden muss. Hier können KI-Tools, wie von der
Firma MANAGBL.AI in Form von smarten Anrufbeantwortern helfen.
Die KI-Mailbox kann eine Empfangseinrichtung für Telefonate sein, indem sie
eingehende Anrufe annimmt. Anschließend werden die Stammdaten in Form von Namen
und Adressen im System abgeglichen und der Grund des Anrufs dokumentiert. Mittels
Künstlicher Intelligenz wird das Telefonat anschließend in eine Transkription
umgewandelt. Die transkribierte Nachricht kann schließlich per E-Mail oder Schnittstelle
in einem externen System, wie einem ERP-System integriert werden. In diesem Beispiel
kann die Effizienz im Property Management erheblich verbessert werden, da häufig das
qualifizierte Personal knapp ist, aber eine hohe Erreichbarkeit von großer Bedeutung ist.
Im Umkehrschluss kann durch den Einsatz von KI-Anrufbeantwortern ein erheblicher
Anteil an Personalkosten reduziert werden bzw. kann sich das Personal um wichtigere
Aufgaben kümmern.95
94 Vgl. EVANA AG o. J.
95 Vgl. MANAGBL.AI o. J.
36
Facility Management – Das KI-Schadensmanagement:
Das Schadensmanagement ist ein zentrales Element vom Facility Management,
weswegen zu den Hauptaufgaben Reparaturen, Wartungen, Inspektionen u.v.m. gehören.
Im Facility Management besteht das Ziel, den Betrieb der Immobilie zu gewährleisten.
Gerade hier können unterschiedliche KI-Tools zum Einsatz kommen, die im
Tagesgeschäft unterstützen. Das Unternehmen Preventio ist auf vorrausschauende
Wartungen von Wasserleitungen spezialisiert und kann auf Basis von Künstlicher
Intelligenz potenzielle Schäden erkennen. Die vorrausschauende Wartung wird lediglich
auf datengetriebenen Quellen betrieben, sodass keine Sensorik zum Einsatz kommen
muss. Der Kern der Softwarelösung basiert auf einem maschinellen Lernalgorithmus, der
stetig trainiert und validiert wird. Besonders wichtig hierbei ist der
branchenübergreifende Datenpool, der eine Vielzahl an neuen Erkenntnissen einbringen
kann, um Schadensübersichten zu erstellen. Die Vielzahl an internen- und externen
Datenquellen, wie Gebäudedaten führt dazu, dass Rohrverschlechterungen und mögliche
Ausfälle vorhergesagt werden können. Anschließend kann die KI-Technologie mögliche
Maßnahmen der Schadensbekämpfung ableiten. Das ermöglicht in der Praxis, den
Schaden der heute noch ,,unsichtbar“ ist, anschließend sichtbar zu machen. Demnach
können schnell mögliche Risikofaktoren identifiziert werden und dementsprechende
Wartungsmaßnahmen geplant werden.96
Die oben genannten Auszüge und Beispiele zeigen bereits aktuelle Anwendungsfälle für
Künstliche Intelligenz, welche schon heute in der Immobilienbranche fest verankert sind.
Dieser Eindruck von KI-Anwendungen kann im Allgemeinen durch die PropTech
Germany Studie weiter belegt werden. Demnach nutzen Digitale Leader, bei denen es
sich ausschließlich um berufserfahrene Experten der Immobilienbranche handelt, bereits
in vielen Bereichen des Immobilienlebenszyklus PropTech Softwarelösungen.97
In Abbildung Nr. 12 werden die Einsatzbereich von PropTech Lösung nochmal im Detail
dargestellt.
96 Vgl. Preventio o. J.
97 Vgl. Rock & Schlesinger 2023, S. 8.
37
Abbildung 12: Einsatzbereiche von PropTech Lösungen98
Aus Abbildung Nr. 12 ist ersichtlich, dass die oben genannten Beispiele mit aktuell 27,6
Prozent verstärkt in den Bereichen Investment- und Portfoliomanagement in Ver-
bindung mit Asset Management genutzt werden. Das Property Management hingegen ist
aktuell mit 41,4 Prozent vertreten und das Facility Management mit 17,2 Prozent. Die
PropTech Germany Studie zeigt zusätzlich auf, dass zukünftig Bereiche stärker wachsen
sollen. Dementsprechend ist der Bereich um das Facility Management aktuell rückläufig
zu betrachten und zeigt auf, dass das Thema hier relevanter werden könnte.
98 Vgl. Rock & Schlesinger 2023, S. 9.
38
Infolgedessen wird Künstliche Intelligenz auch in Zukunft weitere Bereiche der
Immobilienbranche aktiv mit beeinflussen. Ein entscheidender Faktor bleibt die
Sichtweise und Nutzung der Immobilie.
3.3 Sichtweise, Nutzer und Immobilienart beeinflussen KI-Einsatz
Es wird ersichtlich, dass die Anwendung von KI und PropTech Unternehmen nicht nur
auf die primären, bereits dargelegten Immobilienbereiche beschränkt ist. Vielmehr ist es
von Relevanz, diese Technologie ebenso aus der Perspektive der Immobiliennutzung und
der Immobilienart zu betrachten.
Eine wesentliche Rolle spielt die Nutzung und Funktion der Immobilie. Bei dem
Immobiliennutzer wird davon ausgegangen, dass eine bestimmte Immobilienart von einer
speziellen Nutzergruppe nachgefragt wird. Letztlich können daher verschiedene
Nutzergruppen entstehen. Neben den privaten Haushalten und Non-Profit Organisationen
lassen sich demnach Handels-, Dienstleistungs- und Industrieunternehmen unterscheiden.
Diese sind aus Abbildung Nr. 13 zu entnehmen. Entsprechend der Abbildung kann eine
Eigentumswohnung den privaten Haushalten zugeordnet werden, wohingegen ein
Einkaufszentrum eher einem Handelsunternehmen unterstellt wird. Eine genaue
Zuordnung in der Praxis kann allerdings nicht festgehalten werden, da Flächen zum
Beispiel Lagerhallen ebenfalls verschiedenen Nutzern, wie Industrie-, Dienstleistungs-
und Handelsunternehmen zugeordnet werden können. 99
99 Vgl. Arens 2015, S. 84.
39
Abbildung 13: Die Sichtweise und Betrachtung aus Sicht des Immobiliennutzers100
In der wissenschaftlichen Betrachtung fällt auf, dass zunehmend die Immobilien
klassifiziert und nach ihren Funktionalitäten in verschiedene Standardkategorien
einsortiert werden. Die Anzahl der Immobilienarten lassen sich in der Fachliteratur
differenziert betrachten. Dabei kann eine Aufteilung in verschiedene Hauptkategorien
erfolgen, wie die Wohnimmobilien, Gewerbeimmobilien, Industrieimmobilien sowie
Sonderimmobilien. Die Kategorien werden in Abbildung Nr. 14 kurz visualisiert
dargestellt.
100 Vgl. Arens 2015, S. 84.
40
Abbildung 14: Nutzen und Sichtweise der Immobilienarten101
Den oben dargestellten Immobilienarten werden untergeordnet spezifische Funktionen
zugewiesen, um dem Zweck der Verwaltung gerecht zu werden. Ein Beispiel für eine
Wohnimmobilie ist deren Zweck, Raum zur Deckung des Wohnbedarfs zur Verfügung
zu stellen. Hingegen eine Gewerbeimmobilie verschiedene Typen an Immobilie
darstellen kann, mit dem Ziel ein wirtschaftliches Interesse zu verfolgen und Gewinne zu
erzielen.
Die Differenzierung des Nutzens zeigt insbesondere auf, dass die Anforderungen an
eingesetzten KI-Technologien aus unterschiedlichen Interessen vertreten werden kann.
Ein Investor mit dem Blickwinkel auf eine Gewinnmaximierung wird andere KI-Tools
einsetzen als ein Familienvater mit drei Kindern. Der Blickwinkel entscheidet darüber in
welche Richtung eine KI-Technologie eingesetzt werden muss. In der vorliegenden
Arbeit wird die Betrachtung von Immobilien aus der Perspektive von Unternehmen und
Investoren vorgenommen, wobei das primäre Ziel die langfristige Steigerung der Erträge
darstellt. Die Sichtweise privater Eigentümer findet in dieser Analyse keine weitere
Berücksichtigung. Deshalb werden in der empirischen Untersuchung die Mitarbeitenden
aus Immobilienunternehmen fokussiert.
101 Vgl. Walzel 2008, S. 120.
41
4 Empirische Untersuchung in der Immobilienbranche
Um die theoretischen Grundlagen des konzeptionellen Modells und seine Hypothesen zu
untersuchen, wird im Anschluss an die Literaturrecherche eine empirische Studie
durchgeführt. Der Zweck dieser Studie besteht darin, die Gültigkeit auf Basis des
theoretischen Rahmens in praktische Anwendung zu beziehen und durch primäre
Forschungsuntersuchung
in
Form
einer
quantitativen
Umfrage
zu
bewerten.
Die
Erkenntnisse und Ergebnisse werden Aufschluss darüber geben, ob das konzeptionelle
Modell und seine einzelnen Hypothesen unterstützt bzw. widerlegt werden können.
Darüber hinaus soll die Umfrage Aufschluss darüber geben, wie das Selbstbild der
Befragten hinsichtlich der Nutzung von Künstlicher Intelligenz in der Immobilienbranche
aktuell ist.
4.1 Hypothesenmodell
In diesem Abschnitt wird ein konzeptionelles Modell erarbeitet, das auf den theoretischen
Grundlagen basiert. Dieses Modell dient dazu, die in der vorliegenden Mastarbeit
aufgestellten Hypothesen ausführlich darzustellen. Für die empirische Untersuchung der
Konstrukte wird ein systematischer Ansatz benötigt. Die Visualisierung der Hypothesen
erfolgt in der nachfolgend dargestellten Abbildung Nr. 15.
Abbildung 15: Das konzeptionelle Hypothesenmodell der Künstlichen Intelligenz im Kontext der Nutzung, Motivation und Akzeptanz
in der Immobilienbranche102
102 Eigene Darstellung
42
Erste-Hypothese (H1):
Das Vorherrschen der Grundbedürfnisse der Selbstbestimmungstheorie hat einen
signifikanten Einfluss auf die Nutzung von KI-Technologien.
Zweite-Hypothese (H2):
Die Anwendung vom integrativen TAM-Modell wirkt sich signifikant auf die Akzeptanz
von Künstlicher Intelligenz aus.
Dritte-Hypothese – Prüfung eines Mediator-Effekts von H1 und H2 (H3):
Zwischen den Grundbedürfnissen der Selbstbestimmungstheorie und dem integrativen
TAM-Modell herrscht ein Mediator-Effekt, sodass die Grundbedürfnisse der
Selbstbestimmungstheorie einen signifikanten Einfluss auf das integrative TAM-Modell
haben, welches anschließend die Akzeptanz und Nutzung ebenfalls signifikant
beeinflusst.
Vierte-Hypothese (H4):
Der Einsatz von Künstlicher Intelligenz in der Immobilienbranche wirkt sich signifikant
auf die Leistungsbereiche der Selbstbestimmungstheorie, TAM und Nutzung und
Akzeptanz aus.
4.2 Datenerhebung und Methodik
Die empirische Datenerhebungsmethode wird angewendet, um die zentrale
Forschungsfrage anhand der Hypothesen dieser Arbeit zu beantworten. In diesem
Kontext wurde die quantitative Forschungsmethode in Form eines standardisierten
Fragebogens ausgewählt. Der Fragebogen verfolgt das Ziel, mithilfe verschiedener
Kommunikationskanäle im Rahmen einer Online-Befragung einen Eindruck zu erlangen,
wie Künstliche Intelligenz in Unternehmen der Immobilienbranche wahrgenommen wird.
Die Wahl der quantitativen Forschungsmethode erfolgte aufgrund des praktischen
43
Forschungskontexts, in dem Daten zum jungen Thema der Künstlichen Intelligenz in der
Immobilienbranche erhoben werden sollen. Die Hypothesen, welche zuvor aus der
Theorie gewonnen und in das konzeptionelle Hypothesenmodell übertragen wurden,
lassen sich anhand von numerischen und objektiven Datenerhebungen in Form einer
Stichprobe überprüfen. Die Daten und relevanten Messwerte werden durch die Online-
Befragung gesammelt und anschließend mittels statistischer Analysen
ausgewertet.
Dies soll für die Erklärung von kausalen Zusammenhängen dienen. Dieser Ansatz der
Forschung wird als deduktives Vorgehen bezeichnet.103
Die aus dem Fragebogen hervorgehenden Untersuchungsvariablen sollen auf die Ziele
hinweisen und eine Vergleichbarkeit von Daten in wissenschaftlichen
Forschungsarbeiten ermöglichen. Anschließend können diese dazu beitragen weitere
statistische Auswertungen voranzutreiben.
Besonders wichtig hierbei ist, dass die Gütekriterien Objektivität, Reliabilität und
Validität in diesem Kontext betrachtet werden.104 Objektivität tritt auf, wenn die,
Ergebnisse der Untersuchung in ihrer Durchführung als auch bei der Interpretation und
Auswertung nicht vom Forschenden beeinflusst wurden. Die Reliabilität hingegen
bezieht sich auf die Zuverlässigkeit der Messmethode und weist auf, wie genau ein
Messinstrument misst. Ein hohes Maß an Reliabilität wird erreicht, wenn wiederholte
Messungen die Beantwortung des Fragebogens zu ähnlichen Ergebnissen führen. Die
Gültigkeit, auch als Validität bezeichnet, beurteilt die Eignung der Testmethode im
Kontext zu seinem Ziel. Demensprechend prüft die Gültigkeit inwiefern die
Erhebungsinstrumente tatsächlich das misst, was es messen soll.
Die vorliegende Arbeit hat die Gütekriterien berücksichtigt und erfüllt. Durch den
Forschenden wurde sichergestellt, dass die Kriterien eingehalten wurden. Die
Objektivität wurde im Rahmen der Durchführung der Befragung sowie in der Phase der
Interpretation und Auswertung gewährleistet. Die Reliabilität kann zum derzeitigen
Zeitpunkt nur auf die Arbeit bezogen werden, sodass keine abschließende Aussage
getroffen werden kann. Innerhalb der Arbeit wurde dies gewährt, allerdings wurden keine
Messungen außerhalb der Arbeit in Betracht gezogen. Die Daten des
103 Vgl. Boßow-Thies u. a. 2022, S. 482.
104 Vgl. Baur & Blasius 2014, S. 666.
44
Fragebogens wurden mittels Online-Befragung erfasst, sodass hinsichtlich der Validität
der Messzweck im Kontext des Ziels verfolgt wurde. Ein statistischer Test zur
Bestätigung oder Ablehnung der Validität ist Gegenstand der weiteren Untersuchung.
4.3 Aufbau des Fragebogens und Pretest
In der vorliegenden Arbeit wird ein Fragebogen zur Datenerhebung genutzt, welcher auf
der Website ,,Umfrageonline“ erstellt wurde. Die Erhebung fand im Zeitraum vom
10.12.2023 bis 17.01.2024 online statt.
Der Fragebogen besteht aus insgesamt 19 Fragen, die auch als Items bezeichnet
werden.105 Bei der Entwicklung des Fragebogens lag der Fokus besonders darauf, einen
allgemeingültigen Umfang zu wahren. Das Hauptziel des Fragebogens besteht darin,
sicherzustellen, dass die Teilnehmenden gemäß der Selbstbestimmungstheorie von Deci
und Ryan eine intrinsische Motivation entwickeln, ein Selbstbild im Bereich Künstlicher
Intelligenz
aus
Unternehmen
der
Immobilienbranche
zu
schaffen. In diesem
Zusammenhang wurden bewusst keine Fachbegriffe oder Fremdwörter verwendet, um zu
gewährleisten, dass das Selbstbild der Probanden nicht durch derartige Begriffe
beeinflusst wird. Die typischen und unverzichtbaren sozio-
demographischen Fragen (Geschlecht = Weiblich, Männlich, Divers; Alter = 18-25
Jahre, 26-35 Jahre, 36-45 Jahre, 46-55 Jahre, 56-65 Jahre, >65 Jahre; Mitarbeiteranzahl
= 1-9 MA, 10-49 MA, 50-249 MA, über 250 MA) wurden zum Start fokussiert.106 Die
Mitarbeiteranzahl ist angelehnt an die Größenzuordnung der KMU-Definition.107 Die
Fragen wurden überwiegend mit einem einheitlichen Antwortformat in Form einer 6-
Punkt Likert-Skala verwendet. Der Abstand wurde im Vorfeld von Stufe 1-6 definiert (1
= Stimme gar nicht zu, 6 = Stimme voll zu). Die möglichen Antwortformate wurden
bewusst auf eine gerade Anzahl ausgelegt. Demnach wurde darauf geachtet, dass eine
Tendenz zur Mitte vermieden wurde, welche sonst gegebenenfalls den Probanden als
neutrale Ausweichfläche gedient hätte. Die Probanden
werden
somit
gezwungen
eine
Tendenz
ihrer
Antwort
abzugeben.108
105 Vgl. Schäfer 2016, S. 30.
106 Vgl. Theodoridis & Kraemer 2014, S. 676.
107 Vgl. IfM Bonn 2021
108 Vgl. Jonkisz u. a. 2012, S. 60.
45
Zusätzlich wurden ebenfalls dichotome Fragen mit zwei Ausprägungen, mit
Antwortmöglichkeiten ,,ja“ und ,,nein“ verwendet. Die Fragenblöcke sind in die
Kernbereiche der Grundbedürfnisse, Nützlichkeit und Problematik sowie der Akzeptanz
der Künstlichen Intelligenz und Einsatzmöglichkeiten der Immobilienbranche aufgeteilt.
Diese spiegeln die wissenschaftlichen Fundierungen der Selbstbestimmungstheorie nach
Deci und Ryan sowie dem TAM-Modell wider. Demnach wurden die Items in der
Konzeptionsphase des Fragebogens, wie folgt gruppiert:
Tabelle 1: Gruppierung der Fragebogen Items in Variablen
Im gesamten Fragebogen wurden die ,,zehn Gebote der Frageformulierung“ nach Rolf
Porst angewandt.109 Das Initialschreiben zu Beginn der Befragung versorgte die
Probanden prägnant mit Informationen bezüglich des Umfragegegenstands, der damit im
Zusammenhang stehenden Kriterien, der voraussichtlichen Bearbeitungszeit, den
Datenschutzbestimmungen, der Gewährleistung von Anonymität sowie weiteren kurzen
Hinweisen und einer entsprechenden Dankesbekundung.
109 Vgl. Schröder 2020, S. 286.
46
Pretest
Die quantitative Forschung zeichnet sich durch eine lineare Logik aus, die eine vorherige
Spezifikation aller Forschungsinstrumente vor der eigentlichen Datenerhebung erfordert.
Dieser Ansatz beruht darauf, dass auftretende Probleme während des
Forschungsprozesses nur schwer zu korrigieren sind.110 Daher besteht das Ziel darin,
mithilfe eines Pretests die Datenerhebung bereits vor ihrem tatsächlichen Beginn zu
optimieren.111 Dieser Schritt ist von besonderer Bedeutung innerhalb der quantitativen
Forschung, um Fehler zu vermeiden. Primär dient der Pretest dazu, die Bedeutung, das
Verständnis sowie die voraussichtliche Dauer und Struktur der Befragung im Vorfeld zu
überprüfen. Im Falle von Unklarheiten oder Ablehnung seitens der Testperson bezüglich
der gestellten Fragen, ermöglicht der Pretest dem Forschenden, Anpassungen oder
Neuformulierungen vorzunehmen. Zu Beginn empfiehlt es sich, den Fragebogen an eine
kleine Stichproben-Gruppe von ca. 10-15 Personen zu versenden, welche aus der gleichen
Zielgruppe stammt.112 Nach dem Erhalt von entsprechendem Feedback und
Rückmeldungen können erforderlichenfalls Anpassungen am Fragebogen vorgenommen
werden. Die Identifizierung potenzieller Probleme oder Fehler während des Pretests dient
dazu, Fehler und andere Komplikationen bei der späteren Onlinebefragung zu vermeiden.
Es ist von Relevanz zu beachten, dass Fragen, die infolge eines Pretests in den Fragebogen
integriert wurden, erneut einem eigenen Pretest unterzogen werden sollten.113 Im Rahmen
der vorliegenden Arbeit wurde ein umfangreicher Pretest an 10 Personen innerhalb der
Immobilienbranche durchgeführt. Im Nachgang wurden Anpas- sungen hinsichtlich der
Formulierungen der Fragen getätigt und der anschließende Pretest als erfolgreich
empfunden.
110 Vgl. Baur & Blasius 2014, S. 49.
111 Vgl. Baur & Blasius 2014, S. 50.
112 Vgl. Weichbold 2019, S. 351.
113 Vgl. Weichbold 2019, S. 299.
47
4.4 Deskriptive Statistik
In der empirischen Erhebung, die im Rahmen der vorliegenden Arbeit durchgeführt wurde,
umfasst das Sample insgesamt N = 119 Probanden. Die Durchführung der Stichprobe
dient der Exploration und Validierung der Forschungsfrage sowie der Überprüfung der
theoretisch fundierten Hypothesen. Im Zuge der Datenerhebung wurden spezifische
Attribute der Samplepopulation erhoben, um charakteristische Merkmale zu analysieren.
Die erhobenen Daten umfassen unter anderem Variablen wie Geschlecht,
Generationenzugehörigkeit und Mitarbeiteranzahl der Untersuchungssubjekte. Obgleich
die Stichprobe eine gewisse Repräsentativität in Bezug auf die deutsche Bevölkerung
aufweist, lässt die Samplegröße von N = 119 keine generalisierbaren Aussagen über
Repräsentativität zu. Abbildung Nr. 16 illustriert die Geschlechterverteilung innerhalb
der erhobenen Stichprobe.
Abbildung 16: Geschlechterdarstellung der Stichprobe114
Die in der Abbildung dargestellten Daten reflektieren die Geschlechtsverteilung der
befragten Population. Es wird ersichtlich, dass männliche Teilnehmende mit einem Anteil
von 52,1 Prozent (n = 62) vertreten sind. Die weiblichen Teilnehmenden stellen 47,06
Prozent (n = 56) der Befragten dar, während Individuen, die sich als divers identifizieren,
0,84 Prozent (n = 1) des Samples ausmachen.
114 Eigene Darstellung
48
Die altersbezogene Zusammensetzung der Stichprobe wurde durch die Erfassung des
Geburtsjahrgangs der Probanden entsprechend der Fragestellung „Wann sind Sie
geboren?“ eruiert. Die Analyse der Daten ergab, dass 37,82 Prozent (n = 45) der
Teilnehmenden der Generation der Generation Y zuzuordnen sind, welche die
Geburtenjahre 1981 bis 1996 repräsentieren. Ein Anteil von 36,13 Prozent (n = 43) der
Stichprobe entstammt aus der Generation Z (1997-2010), den sogenannten Zoomern,
während 23,53 Prozent (n = 28) der Generation X (1965-1980), zugehörig sind. Die
Generation Boomer (1946-1964), oft als Baby Boomer bezeichnet, macht 2,52
Prozent (n = 3) der Stichprobe aus. Diese Verteilung suggeriert eine
Stichprobenkomposition, die den erwarteten Proportionen und der Segmentation der
Gesamtbevölkerung nahekommt. Die graphische Repräsentation in Abbildung Nr. 17
veranschaulicht die Verteilung der Generationsdarstellung innerhalb der Stichprobe.
Abbildung 17: Generationsdarstellung der Stichprobe115
Die Quantifizierung der Unternehmensgrößen, in denen die Probanden der Stichprobe
beschäftigt sind, erfolgte mittels der Frage: „Wie viele Mitarbeiter sind in Ihrem
Unternehmen tätig?“ Ziel war es, ein Verständnis für die Verteilung innerhalb der
Struktur kleiner und mittlerer Unternehmen (KMU) zu gewinnen. Die Analyse der Daten
115 Eigene Darstellung
49
offenbart, dass 37,82 Prozent (n = 45) der Befragten in mittleren Unternehmen der
Immobilienbranche tätig sind. Weiterhin arbeiten 26,05 Prozent (n = 31) der Stichprobe
in Kleinunternehmen, die gemäß der KMU-Definition 10 bis 49 Mitarbeitende
beschäftigen. Großunternehmen, definiert durch eine Mitarbeiterzahl von über 250
Mitarbeitende, repräsentieren 18,49 Prozent (n = 22) der Stichprobe, während 17,65
Prozent (n = 21) der Probanden in Unternehmen mit einer kleinen Belegschaft von 1 bis
9 Mitarbeitern tätig sind. Addiert man die Anteile der kleinen und mittleren Kategorien,
so ergibt sich, dass 63,87 Prozent (n = 76) der Probanden in klein und mittelständischen
Unternehmen der Immobilienbranche in Deutschland arbeiten. Diese Daten reflektieren
nicht die erwarteten Strukturen der Gesamtpopulation in Deutschland, sondern
illustrieren die prominente Rolle, welche KMUs in der deutschen Immobilienbranche ein-
nehmen.
Abbildung 18: Unternehmensgröße gemessen an der Mitarbeiteranzahl nach KMU-Definition116
116 Eigene Darstellung
50
Abbildung 19: Angst vor dem Jobverlust durch KI-Technologien117
Die in Abbildung Nr. 19 dargestellte Auswertung reflektiert die Angst der Probanden
aufgrund von KI-Technologien den Arbeitsplatz im Unternehmen zu verlieren. Mit der
geschlossenen Fragestellung ,,Haben Sie durch den Einsatz von Künstlicher Intelligenz
Angst um Ihren Arbeitsplatz?“ wird eruiert, wie die Mitarbeitenden zur KI eigestellt sind.
Es wird deutlich, dass ein Anteil von 68,91 Prozent (n = 82) der Teilnehmenden keine
Bedenken hat, ihren Arbeitsplatz aufgrund von KI-Technologien zu verlieren. Lediglich
rund 31,09 Prozent (n = 37) der Stichprobe haben Bedenken geäußert, dass sie den
Arbeitsplatz durch den Einsatz von KI-Technologien bedroht ansehen. Im weiteren
Verlauf der deskriptiven Statistik sollten demnach die Chancen und Risiken von KI
thematisiert werden.
117 Eigene Darstellung
51
Abbildung 20: Chancen und Risiken von KI-Technologien am Arbeitsplatz118
Die Betrachtung von Chancen und Risiken der KI-Technologien wurde mittels der Frage
,,Bringt die Einführung von Künstlicher Intelligenz mehr Chancen oder Risiken in Ihren
Beruf?“ innerhalb der Stichprobe thematisiert. Die in Abbildung Nr. 20 ersichtlichen
Daten weisen auf, dass 52,94 Prozent (n = 63) der Befragten eher Chancen von KI-
Technoligen im Beruf einschätzen. Hingegen rund 35,29 Prozent (n = 42) der Probanden
hauptsächlich Chancen beim Einsatz von KI-Technologien am Arbeitsplatz ausmachen.
Eher Risiken von KI-Technologien werden von 10,08 Prozent (n = 12) repräsentiert,
wobei ein Anteil von 1,68 Prozent (n = 2) hauptsächlich Risiken in den KI-Technoligen
erkennt. Werden die Anteile der Chancen und der Risiken addiert lässt sich schnell
feststellen, dass mit einem Anteil von 88,23 Prozent (n = 105) die Chancen gegenüber
den Risiken mit einem Anteil von 11,76 Prozent (n = 14) überwiegen. Die Mehrheit der
Teilnehmenden weist auf eine höhere Chance durch KI-Technoligen am Arbeitsplatz hin.
118 Eigene Darstellung
52
Abbildung 21: Notwendige Kompetenzfelder der Mitarbeiter für KI-Technologien119
Die
notwendigen
Kompetenzfelder
der
Mitarbeitenden
wurden
mittels
der
Frage
,,Welche Kompetenzen sind aus Ihrer Sicht besonders wichtig, um KI-Technologie
anzuwenden?“ in einer Rangfolge thematisiert. Abbildung Nr. 21 weist auf, dass 51
Stimmen der Befragten das Kompetenzfeld Technologisches Grundwissen am
wichtigsten finden. Die Mensch-Maschinen Interaktion folgt darauf mit 43 Stimmen,
wobei lediglich 25 Stimmen eine Personelle und soziale Fähigkeit für wichtig empfinden.
Demnach sind vor allem das Verständnis und die Anwendung von KI bei über der Hälfte
(n = 94) der befragten Personen für besonders wichtig erachtet worden, um KI effektiv
anzuwenden.
119 Eigene Darstellung
51
43
25
53
Abbildung 22: Einsatzbereiche von KI-Technologien in der Immobilienbranche120
Abbildung Nr. 21 zeigt die Einsatzbereiche von KI-Technologien in der
Immobilienbranche. Mit der Frage ,,In welchem Bereich der Immobilienbranche könnten
Sie den Einsatz von Künstlicher Intelligenz befürworten?“ wurden die Probanden in der
Erhebung näher befragt. Die Analyse der Daten offenbart, dass 37,82 Prozent (n = 45)
der Teilnehmenden sich den Einsatz im Bereich des Investmentmanagements vorstellen
können. Ein Anteil von 29,41 Prozent (n = 35) der Stichprobe entstammt aus dem Bereich
des Property Managements, während 21,85 Prozent (n = 26) dem Bereich des Facility
Managements zugehörig sind. Das Asset Management mit einem Anteil von 10,92
Prozent (n = 13) macht den kleinsten Anteil der Stichprobe aus. Die graphische
Darstellung in Abbildung Nr. 21 veranschaulicht eine Vielfalt von Einsatzmöglichkeiten
der KI-Technologien in der Immobilienbranche.
120 Eigene Darstellung
54
4.5 Datenauswertung
Die Aufbereitung des Datenmaterials der Online-Befragung erfolgte mit Unterstützung
der Software R-Studio. Hierbei wurde jedes Item der Befragung mittels numerischer
Kodierung für die nachfolgende Datenanalyse vorbereitet. Der Terminus ,,Kodierung“
beschreibt diesen Transformationsprozess.121
Die gesammelten Daten wurden in einem ersten Schritt heruntergeladen und als CSV-
Datei in R-Studio importiert. Im darauffolgenden Schritt fand eine Säuberung des
Datensatzes statt, wobei nicht verwertbare Antworten, resultierend aus unvollständig
ausgefüllten Fragebögen, eliminiert wurden. Von den ursprünglich 136 befragten
Individuen mussten 17 aufgrund unvollständiger Datensätze von der Analyse
ausgeschlossen werden.
Im weiteren Verlauf der Datenaufbereitung wurden die Items gemäß dem zutreffenden
Skalenniveau kategorisiert und die jeweiligen Antwortoptionen kodiert. Die Kodierung
erfolgte dabei wie folgt: den Geschlechtsangaben wurden die Ziffern 1 für Männlich, 2
für Weiblich und 3 für Divers zugewiesen. Im Bereich der Likert-Skalen wurden den
Antwortmöglichkeiten auf einer Skala von 1 bis 6 entsprechende Werte zugeteilt, wobei
1 für ,,stimme gar nicht zu“ und 6 für ,,stimme voll zu“ stand.
Des Weiteren wurden die Items nach den Dimensionen der Selbstbestimmungstheorie,
des TAMs, des wahrgenommenen Nutzens und der Akzeptanz, sowie
branchenspezifischen Aspekten der Immobilienwirtschaft kategorisiert. Auf Basis des
Cronbachs Alpha wurde die interne Konsistenz der Items vorab geprüft und neue
Variablen für die Dimensionen der Analyse konstruiert. Bevor die neuen Variablen
der Selbstbestimmungstheorie, TAM, Nutzung und Akzeptanz erstellt wurden, wurde
darauf geachtet, dass die Reliabilitätsanalyse durch das Cronbachs Alpha in der Spanne
zwischen ≥ 0.50 – 0.90 liegt. In der Arbeit werden die Werte als mittel bis hoch
angesehen, wobei es in der Literatur keine festgesetzten Mindestwerte von Cronbachs
Alpha gibt.122
121 Vgl. Baur & Blasius 2014, S. 150.
122 Vgl. Jäcklin 2021, S. 142.
55
Tabelle 2: Reliabilitätstest der Variablen durch das Cronbachs Alpha
Reliabilitätsstatistik
Variable: Selbstbestimmungstheorie
raw_alpha
std.alpha
G6(smc)
average_r
S/N
ase
mean
sd
median_r
0.8343236
0.7852552
0.8294788
0.2494895
365.669
0.01717385
3.646.295
0.7791395
0.1670228
Variable: TAM
raw_alpha
std.alpha
G6(smc)
average_r
S/N
ase
mean
sd
median_r
0.8760841
0.8488496
0.9061465
0.228142
5.615.927
0.01279393
3.025.652
0.6402492
0.1850013
Variable: Nutzung und Akzeptanz
raw_alpha
std.alpha
G6(smc)
average_r
S/N
ase
mean
sd
median_r
0.7921374
0.7365886
0.8111014
0.2370517
2.796.343
0.02219667
3.405.229
0.7910607
0.1487908
Variable: Immobilienbranche
raw_alpha
std.alpha
G6(smc)
average_r
S/N
ase
mean
sd
median_r
0.5277421
0.5278431
0.7110508
0.06530809
111.794
0.06300405
0.5556723
0.1628967
0.07535856
Die Werte in Tabelle Nr. 2 zeigen auf, dass Cronbachs Alpha (raw_alpha)
≥ 0,5 – 0,9 entspricht, sodass die Reliabilität der einzelnen Variablen gegeben ist.
Schließlich gibt der Wert in der Spanne einen Indikator dafür an, wie zuverlässig die
Fragen bzw. Items miteinander korrelieren können. Darauf aufbauend wurden
Mittelwerte für jedes Item berechnet, um eine Basis für die weiterführende statistische
Untersuchung zu schaffen. Zusätzlich wurde eine korrelative Analyse der
demografischen Daten in Bezug zu den leistungsbezogenen Bereichen durchgeführt, um
mögliche Abhängigkeiten oder Unabhängigkeiten zu identifizieren. Hierbei wurden
Globalvariablen wie Geschlecht, Generationszugehörigkeit und Mitarbeiteranzahl im
Kontext der Regressionsanalyse betrachtet.123
In der nachfolgenden Phase wurde eine statistische Analyse mittels multipler linearer
Regressionsmodelle angewandt. Diese Analyseform ermöglicht es, den Einfluss mehrerer
unabhängiger Variablen simultan zu betrachten. Mittels eines Q-Q-Plot (Quantil-Quantil-
Plot) wurde die Voraussetzung einer Normalverteilung für die Modelle zu den
Hypothesen geprüft. Die grafische Analyse hat eine Normalverteilung bestätigt, welche
aus dem Anhang entnommen werden kann. In der multiplen linearen Regressionsanalyse
ist ein zentraler Aspekt der Steigungskoeffizient b, welcher die
123 Vgl. Urban & Mayerl 2018, S. 233.
56
Richtung und Stärke der Beziehung zwischen abhängigen und unabhängigen Variablen
anzeigt. Das verwendete Konfidenzintervall wurde auf 95 Prozent festgelegt, um die
Zuverlässigkeit der Schätzungen zu gewährleisten. Die Signifikanz wurde angenommen,
da der p-Wert unterhalb der Schwelle von 0,05 lag, was auf eine statistisch relevante
Beziehung zwischen den Variablen hindeutet.124 Demnach wird bei diesem Wert die
Nullhypothese abgelehnt und die Alternativhypothese bestätigt.
Ferner wurde im Rahmen einer spezifischen Hypothesenprüfung eine Mediationsanalyse
mittels R-Studio implementiert, um indirekte oder direkte Effekte eines Mediators zu
evaluieren.125 Hierbei kam das Bootstrap-Verfahren zum Einsatz, bei dem die Stichprobe
1000-mal zufällig gezogen und zurückgelegt wurde, um den Stichprobenfehler zu
minimieren und robuste Schätzungen des Gesamteffekts zu ermöglichen.126
Die kodierte Variablenansicht des vollständigen Datensatzes, die alle relevanten
Kodierungsinformationen beinhaltet, ist in den Daten der beigefügten ZIP-Datei
dokumentiert und für eine weiterführende Analyse zugänglich. Das R-Studio Skript
wurde ebenfalls zur Transparenz beigefügt.
124 Vgl. Passon & von der Twer 2020, S. 381.
125 Vgl. Urban & Mayerl 2018, S. 335.
126 Vgl. Urban & Mayerl 2018, S. 361-364.
57
4.6 Ergebnisdarstellung und Überprüfung der Hypothesen
Aufgrund der Begrenzung dieser Arbeit wurde die Konzentration auf statistisch
signifikante und wesentliche Fakten gesetzt. Eine umfassende Darlegung der
Stichprobencharakteristika wurde bereits in Kapitel Nr. 4.3 (siehe S. 44) Aufbau des
Fragebogens und Pretest der vorliegenden Arbeit vorgenommen.
Tabelle 3: Regressionsanalyse von der Selbstbestimmungstheorie (x1) auf Nutzen und Akzeptanz (y)
Dependent Variable: Nutzung und Akzeptanz
Regression Statistic
Residual Standard Error
0.5012
Multiple R-squared
0.5795
Adjusted R-squared
0.5647
F-statistic
39.27
p-value < 2.2e-16
Residuals:
Min
1Q
Median
3Q
Max
-1.37662
-0.31474
0.01426
0.32300
1.50187
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
0.10531
0.25893
0.407
0.6850
Selbstbestimmungstheorie
0.69757
0.06499
10.734
<2e-16 ***
Geschlecht
0.21243
0.08925
2.380
0.0190 *
Generation
0.06294
0.05792
1.087
0.2795
Mitarbeiteranzahl
0.11852
0.04968
2.386
0.0187 *
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
In der statistischen Analyse, deren Ergebnisse in Tabelle Nr. 3 abgebildet sind, wurde
mittels Regressionsverfahren ein bedeutsamer Effekt der Selbstbestimmungstheorie auf
die Dimensionen Nutzen und Akzeptanz festgestellt (b = 0,70 ; p < 0,05). Diese Befunde
stützen die Hypothese H1 und belegen, dass die Prinzipien der Selbstbestimmungstheorie
einen signifikanten Einfluss auf die Wahrnehmung von Nutzen und Akzeptanz haben.
58
Tabelle 4: Regressionsanalyse von TAM (x1) auf Nutzen und Akzeptanz (y)
Dependent Variable: Nutzung und Akzeptanz
Regression Statistic
Residual Standard Error
0.5077
Multiple R-squared
0.5685
Adjusted R-squared
0.5534
F-statistic
37.55
p-value < 2.2e-16
Residuals:
Min
1Q
Median
3Q
Max
-1.66759
-0.27199
-0.02242
0.29611
1.72652
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
0.19837
0.25812
0.769
0.4438
TAM
1.05898
0.10125
10.459
<2e-16 ***
Geschlecht
0.02179
0.09129
0.239
0.8118
Generation
0.02257
0.05931
0.381
0.7042
Mitarbeiteranzahl
0.13934
0.04996
2.789
0.0062 **
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
Die statistische Analyse in Tabelle Nr. 4 zeigt auf, dass ein signifikanter Effekt
(b = 1,06; p < 0,05) von TAM auf die Variable Nutzung und Akzeptanz besteht.
Dementsprechend kann die zweite Hypothese somit bestätigt werden und weist auf, dass
sich das Technologie-Akzeptanz-Modell signifikant auf Nutzen und Akzeptanz auswirkt.
59
Tabelle 5: Regressionsanalyse zum Testen des direkten Effekts - Pfad A
Dependent Variable: TAM - Pfad A
Regression Statistic
Residual Standard Error 0.3344
Multiple R-squared 0.5473
Adjusted R-squared 0.5314
F-statistic 34.45
p-value < 2.2e-16
Residuals:
Min
1Q
Median
3Q
Max
-0.97210
-0.17925
0.01545
0.18819
0.77431
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
0.41692
0.17278
2.413
0.0174 *
Selbstbestimmungstheorie
0.45646
0.04336
10.526
<2e-16 ***
Geschlecht
0.16574
0.05955
2.783
0.0063 **
Generation
0.06137
0.03865
1.588
0.1151
Mitarbeiteranzahl
0.01374
0.03315
0.415
0.6792
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
Um die dritte Hypothese zu überprüfen, wurden zunächst zwei Regressionsanalysen
durchgeführt, welche Pfad A und Pfad B und C darstellen, durchgeführt. Bei Pfad A
wurde zunächst der direkte Effekt der Selbstbestimmungstheorie auf die Variable TAM
getestet und anschließend in Pfad B und C der direkte Effekt von TAM auf Nutzen und
Akzeptanz.
In Tabelle Nr. 5 wird ersichtlich, dass ein signifikanter direkter Effekt von der
Selbstbestimmungstheorie auf TAM (b = 0,46; p < 0,05) besteht. Anschließend wird in
Tabelle Nr. 6 deutlich, dass es ebenfalls einen signifikanten Effekt von TAM auf Nutzen
und Akzeptanz gibt (b = 0,60; p < 0,05).
60
Tabelle 6: Regressionsanalyse zum Testen des direkten Effekts - Pfad B und C
Dependent
Variable:
Nutzung
und
Akzeptanz
-
Pfad
B
&
C
Regression
Statistic
Residual Standard
Error
0.4609
Multiple R-squared
0.6475
Adjusted
R-squared
0.6319
F-
statistic
41.52
p-
value
<
2.2e-16
Residuals:
Min
1Q
Median
3Q
Max
-
1.31590
-
0.25150
0.01852
0.27599
1.80445
Coefficients
Estimate
Std.
Error
t value
Pr(>|t|)
(Intercept)
-
0.14604
0.24410
-
0.598
0.5508
Selbstbestimmungstheorie
0.42237
0.08392
5.033
1.84e-06
***
TAM
0.60289
0.12907
4.671
8.32e-06
***
Geschlecht
0.11250
0.08481
1.327
0.1873
Generation
0.02594
0.05385
0.482
0.6310
Mitarbeiteranzahl
0.11023
0.04572
2.411
0.0175
*
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
Tabelle 7: Die Mediationsanalyse zur Hypothese Nr. 3 - Bootstrap-Methode
Mediationsanalyse-Ergebnisse
Statistische Kennwerte
ACME
Estimate
0.275
95% CI Low
0.115
er 95% CI Up
0.44
per p-value
<2e-16 ***
ADE
0.422
0.236
0.63
<2e-16 ***
Total Effect
0.698
0.546
0.86
<2e-16 ***
Prop. Mediated
0.395
0.174
0.63
<2e-16 ***
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Sample Size Used: 119 Simulations: 1000
Anschließend muss die in Tabelle Nr. 7 dargestellte Mediationsanalyse betrachtet
werden. Die Anwendung der kausalen Mediationsanalyse mittels der Bootstrap-Methode
ermittelt in der vorliegenden Untersuchung aufschlussreiche Ergebnisse. Der
durchschnittliche kausale Mediationseffekt (ACME) wurde auf 0,275 geschätzt, mit
61
einem 95 Prozent-Konfidenzintervall, das sich von 0,115 bis 0,44 erstreckt. Die hohe
statistische Signifikanz dieses Effekts (p < 2e-16) bestätigt die Annahme, dass der
Mediator TAM eine substanzielle Rolle in der Vermittlung des Effekts der unabhängigen
Variable der Selbstbestimmungstheorie auf die abhängige Variable Nutzen und
Akzeptanz spielt. Der direkte Effekt (ADE), der den Einfluss der unabhängigen Variable
auf die abhängige Variable ohne den Mediationseffekt beschreibt, zeigte ebenfalls eine
hohe statistische Signifikanz (p < 2e-16) und einen Schätzwert von 0,422. Das
entsprechende 95 Prozent-Konfidenzintervall liegt zwischen 0,236 und 0,63. Dies
unterstreicht die Stärke der direkten Beziehung zwischen den Variablen.
Der totale Effekt, der sowohl den direkten als auch den durch den Mediator vermittelten
Effekt umfasst, wurde auf 0,698 geschätzt, mit einem 95 Prozent-Konfidenzintervall von
0,546 bis 0,86, was eine starke Gesamtbeziehung zwischen der unabhängigen und der
abhängigen Variable indiziert. Die Signifikanz dieses Gesamteffekts wird ebenfalls durch
einen p-Wert von weniger als p < 2e-16 reflektiert.
Interessanterweise zeigt der proportionale mediierte Effekt (= Prop. Mediated) an, dass
39,5 Prozent des Gesamteffekts durch den Mediator übertragen werden, was durch ein
Konfidenzintervall von 0,174 bis 0,63 und einem p-Wert von p < 2e-16 bestätigt
wird. Diese Erkenntnis ist besonders relevant, da sie verdeutlicht, dass ein erheblicher
Teil des Einflusses der unabhängigen Variable auf die abhängige Variable durch den
Mediator = TAM vermittelt wird.
Die Verwendung von 1000 Simulationen im Rahmen des Bootstrapping-Verfahrens
gewährleistet darüber hinaus, dass die ermittelten Konfidenzintervalle robust gegenüber
Stichprobenvarianzen sind. Das heißt, wenn die Stichprobe zufällige Schwankungen
aufweist, kann darauf vertraut werden, dass die Konfidenzintervalle, die durch das
Bootstrapping-Verfahren ermittelt wurden, die tatsächlichen Effekte in der
Grundgesamtheit des Stichprobenumfangs in der Arbeit präzise abschätzen.
Zusammengefasst lassen diese Ergebnisse auf eine fundierte Bestätigung der dritten
Hypothese schließen. Die signifikanten Effektstärken in Verbindung mit den engen
Konfidenzintervallen und den geringen p-Werten verleihen den ermittelten kausalen
Zusammenhängen
eine
hohe
Glaubwürdigkeit.
Infolgedessen
trägt
diese
Analyse
62
wesentlich zum Verständnis der zugrundeliegenden Mechanismen bei, welche die
Variablen Nutzen und Akzeptanz innerhalb des zu untersuchten Bereichs beeinflussen.
Tabelle 8: Regressionsanalyse von Immobilienbranche (x1) auf die Selbstbestimmungstheorie (y)
Dependent Variable: Selbstbestimmungstheorie
Regression Statistic
Residual Standard Error
0.6944
Multiple R-squared
0.1527
Adjusted R-squared
0.123
F-statistic
5.137
p-value 0.0007669
Residuals:
Min
1Q
Median
3Q
Max
-1.62157
-0.42187
0.08925
0.46170
1.53780
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
1.813807
0.357741
5.070
1.55e-06 ***
Immobilienbranche
2.039857
0.667295
3.057
0.00279 **
Geschlecht
-0.006452
0.125261
-0.052
0.95901
Generation
0.089343
0.080025
1.116
0.26658
Mitarbeiteranzahl
0.121615
0.068703
1.770
0.07938
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
Abschließend muss die vierte Hypothese durch drei Regressionsanalysen bewertet
werden, sodass die abhängigen Variablen der Selbstbestimmungstheorie, TAM und
Nutzung und Akzeptanz auf die unabhängige Variable Immobilienbranche überprüft
werden muss. In Tabelle Nr. 8 wird zunächst die Immobilienbranche auf die
Selbstbestimmungstheorie betrachtet. Die statistische Analyse weist auf, dass ein
signifikanter Effekt (b = 2,04; p < 0,05) von der Immobilienbranche auf die
Selbstbestimmungstheorie besteht. Dementsprechend kann das Modell Nr. 1 von der
vierten Hypothese auf die Selbstbestimmungstheorie signifikant bestätigt werden.
Im weiteren Verlauf wird in Tabelle Nr. 9 das Modell Nr. 2 der vierten Hypothese
statistisch analysiert. Die Analyse weist auf, dass (b = 0,99; p < 0,05) einen signifikanten
Effekt zwischen der abhängigen Variable TAM auf die unabhängige Variable
63
Immobilienbranche signifikant bestätigen kann. Dementsprechend wurde ebenfalls das
Modell Nr. 2 der vierten Hypothese bestätigt.
Tabelle 9: Regressionsanalyse von Immobilienbranche (x1) auf TAM (y)
Dependent Variable: TAM
Regression Statistic
Residual Standard Error
0.4597
Multiple R-squared
0.1447
Adjusted R-squared
0.1147
F-statistic
4.821
p-value 0.00125
Residuals:
Min
1Q
Median
3Q
Max
-1.3015
-0.1732
0.1258
0.2696
1.4871
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
1.22601
0.23680
5.177
9.78e-07 ***
Immobilienbranche
0.98751
0.44171
2.236
0.0273 *
Geschlecht
0.16456
0.08292
1.985
0.0496 *
Generation
0.10145
0.05297
1.915
0.0580 .
Mitarbeiteranzahl
0.06805
0.04548
1.496
0.1373
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
Abschließend muss das Modell Nr. 3 der vierten Hypothese überprüft werden. Hierzu
wird in Tabelle Nr. 10 die noch verbleibende abhängige Variable Nutzung und Akzeptanz
auf die unabhängige Variable Immobilienbranche auf einen signifikanten Effekt getestet.
Die statistische Analyse (b = 2,24; p < 0,05) weist einen signifikanten Effekt zwischen
der Nutzung und Akzeptanz und der Immobilienbranche auf. Demnach wurde ebenfalls
das Modell Nr. 3 der vierten Hypothese als signifikant bestätigt. Dementsprechend kann
die gesamte vierte Hypothese als signifikant angesehen werden, da alle einzelnen Modell
Nr. 1-3 der einzelnen Variablen bestätigt wurden.
64
Tabelle 10: Regressionsanalyse von Immobilienbranche (x1) auf die Nutzung und Akzeptanz (y)
Dependent Variable: Nutzung und Akzeptanz
Regression Statistic
Residual Standard Error
0.6761
Multiple R-squared
0.2347
Adjusted R-squared
0.2079
F-statistic
8.741
p-value 3.43e-06
Residuals:
Min
1Q
Median
3Q
Max
-1.7985
-0.3291
0.0082
0.4053
2.3554
Coefficients
Estimate
Std. Error
t value
Pr(>|t|)
(Intercept)
1.09499
0.34830
3.144
0.002126 **
Immobilienbranche
2.24726
0.64968
3.459
0.000763 ***
Geschlecht
0.23385
0.12195
1.918
0.057672 .
Generation
0.11491
0.07791
1.475
0.143027
Mitarbeiteranzahl
0.18576
0.06689
2.777
0.006413 **
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
N= 119
65
4.7 Diskussion und Forschungslimitationen
Künstliche Intelligenz ist als Technologie aus dem Arbeitsalltag nicht mehr
wegzudenken. Vielmehr ist es zur Normalität geworden mit Künstlichen Intelligenz einen
Mehrwert zu generieren, um Arbeitsprozesse in der Immobilienbranche zu verbessern.
Hierbei sind besonders die Menschen als Technologietreiber wichtige Faktoren, da es
gewährleistet sein muss, dass die Mitarbeitenden die Technologie anwenden und
verstehen können. Demnach müssen die Problematiken, aber auch das Nutzen und die
Akzeptanz solcher KI-Lösungen fokussiert betrachtet werden. Die notwendigen
Kompetenzfelder mit technologischen Grundwissen als auch die Mensch-
Maschinen-Interaktion haben diese Einschätzung verdeutlicht. Hingegen die Personelle
und soziale Fähigkeit ebenfalls nicht außer Acht gelassen werden sollte.
Das primäre Ziel dieser Arbeit bestand darin, mittels der Selbstbestimmungstheorie in
Verbindung mit dem TAM-Modell die grundlegenden Bedürfnisse der Menschen im
Hinblick auf den Einsatz von Künstlicher Intelligenz zu ermitteln. Die Autonomie,
Kompetenzen und die Zugehörigkeit als Grundbedürfnisse haben in den verschiedenen
Generationen unterschiedliche Einflüsse auf die Motivation und das Selbstbild des
Mitarbeitenden. Infolgedessen wurde die Selbstbestimmungstheorie fokussiert betrachtet,
um darüber hinaus weitere Erkenntnisse zu gewinnen. Die Hypothese, dass die
Grundbedürfnisse der Selbstbestimmungstheorie auf dieser Basis die Nutzung von KI-
Technologien beeinflussen können, wurde mittels statistischer Maßnahmen als
signifikant angenommen. Das bedeutet, dass die Selbstbestimmungstheorie gezeigt hat,
dass die Grundbedürfnisse, wie Autonomie, Kompetenz und Zugehörigkeit entscheidend
sind,
um
die
intrinsische
Motivation
zu
fördern,
die
KI-Technologie einzusetzen.
Schließlich muss der Faktor Mensch selbstbestimmt einen persönlichen Mehrwert seiner
Arbeit durch den Einsatz von KI-Technologie verspüren. Die Arbeit muss daher auch
durch den Einsatz von KI weiterhin als bedeutsam und spannend erachtet werden, damit
die Nutzung und Akzeptanz signifikant bestehen bleibt.
Unternehmen in der Immobilienbranche sollten daher besonders neben dem Faktor
Mensch zusätzlich auf das eigene Change-Management achten. Bereits hier können durch
eine klare Zielsetzung und entsprechende Planung sowie vorbereitende Maßnahmen die
KI-Technologien strategisch eingesetzt werden. Demnach werden die Anforderungen
66
von KI prozessorientiert im Unternehmen implementiert und durch ständige Evaluationen
verbessert. Unternehmen könnten durch Förderung von Workshops, Schulungen oder
Experimentierphasen verstärkt KI flächendeckend im Unternehmen implementieren. Der
Faktor Mensch bleibt die treibende Rolle im Change-Management-Prozess.
Das TAM-Modell hat eine signifikante Auswirkung auf die Nutzung und Akzeptanz der
KI gezeigt, da sich die Mitarbeitenden selbstbestimmt mit dem KI-Begriff oder dessen
Nutzung im privaten oder beruflichen Bereich beschäftigen. Die Bereitschaft der
Probanden, sich neuen Herausforderungen und Chancen, die durch aufkommende KI-
Technologien entstehen, zu stellen, ist tendenziell hoch einzustufen.
Die Nutzung und Akzeptanz von KI-Technologien sind von den Grundbedürfnissen der
Selbstbestimmungstheorie sowie dem TAM-Modell signifikant abhängig. Das Selbstbild
der Menschen beeinflusst die wahrgenommenen Problematiken und Nützlichkeiten für
die Anwendung der KI-Technologien. Demnach ist das TAM-Modell als Mediator
signifikant entscheidend, die einzelnen Grundbedürfnisse aber auch die Nutzung und
Akzeptanz entscheidend zu beeinflussen.
Unternehmen sollten zukünftig den Einsatz von KI-Technologien unter den Aspekten der
Grundbedürfnisse der Selbstbestimmungstheorie, TAM-Modell und der Nutzung und
Akzeptanz der Menschen betrachten. Die Auswirkungen und Einsatzmöglichkeiten
können in Zukunft Unterschiede ausmachen und den Unternehmen mögliche Vorteile
verschaffen. Besonders die Vorteile der Effizienzsteigerung, Kosteneinsparung, Innova-
tionsführerschaft und Wettbewerbsvorteile sind für die Mitarbeitenden und Unternehmen
gleich motivierend.
Die PropTech Germany Studie 2023 hat im Vergleich zu der empirischen Untersuchung
der Arbeit die möglichen Einsatzbereiche in der Immobilienbranche anhand von Digital
Leaders auf die Grundgesamtheit untersucht. Die Einschätzung der Experten zeigt auf,
dass KI als Basistechnologie zunehmend relevanter wird. Mit rund 62,1 Prozent hat eine
Vielzahl von Befragten aus der Immobilienbranche die Wichtigkeit von KI-Techno-
logien hervorgehoben. Auch das Ranking von Immobilienexperten hat innerhalb der
Wertschöpfungsstufen die Bereiche Investmentmanagement, Asset Management,
Property Management und Facility Management unter den Top 10 der relevantesten
67
Bereichen eingestuft.127 Eine weitere Studie, die Digitalisierungsstudie 2023 von ZIA und
der Wirtschaftsprüfungsgesellschaft EY Real Estate, verdeutlicht ebenfalls eine
Trendwende bei den Immobilienunternehmen. Künstliche Intelligenz wird von 40
Prozent der Befragten als mittelfristiges Potenzial gesehen. Besonders die konkreten
Anwendungsfälle durch ChatGPT haben den Trend beflügelt. Vor einigen Jahren wurde
die KI-Technologie nur als langfristiger Trend angesehen. Doch der heutige Stand zeigt,
dass KI in der Immobilienbranche immer in die Gegenwart rutscht und an Relevanz
gewinnt.128
Das Experteninterview aus der Digitalisierungsstudie mit Herrn Mervan Miran
Geschäftsführer der Bots4you GmbH zeigt zusätzlich auf, dass die Befragten immer mehr
verstehen, wie Künstliche Intelligenz für die Immobilienbranche nutzbar wird.
Infolgedessen weisen besonders Voice- und Chatbots aus Sicht des Experten Vorteile auf
und generieren einen Mehrwert für die Immobilienbranche.129
Im weiteren Verlauf werden Forschungslimitationen und weitere Forschungsfelder
berücksichtigt, welche zukünftig betrachtet werden müssen.
Forschungsmethode und zukünftige Forschungen
Neben der Arbeit und den bereits vorhandenen Studien zu den Auswirkungen von KI auf
die Immobilienbranche, müssen mehrere Einschränkungen betrachtet werden.
Die Online-Umfrage der Arbeit, aber auch die Vergleiche zu aufgeführten Studien
basieren derzeit auf Selbsteinschätzung der Befragten, welche mittels der Anwendung
von Likert-Skalen gewonnen wurde. Eine Selbsteinschätzung kann nachteilig sein, da
keine Fremdeinschätzungen gegenübergestellt werden können. In den Befragungen
könnten Personen nicht ehrlich oder präzise geantwortet haben. In Zukunft sollten neben
der quantitativen Forschung weitere Forschungen in unterschiedlichen
Forschungsformaten betrieben werden, damit die Erkenntnisse noch weiter ausgebaut
werden können. Eine Multimethodologie, sprich die Kombination aus qualitativer
Forschung und quantitativer Forschung, könnte bei einem Trendthema wie Künstlicher
127 Vgl. Rock & Schlesinger 2023
128 Vgl. ZIA & EY Real Estate 2023
129 Vgl. Thomzik 2023
68
Intelligenz in der Immobilienbranche besonders spannende Erkenntnisse bringen. Es
sollte im weiteren Forschungsansatz darauf geachtet werden, dass repräsentative
Ergebnisse erzielt werden. Dadurch kann der Vergleich zur Grundgesamtheit abgeleitet
werden.
Monetäre Aspekte
Der Einsatz von KI-Technologien wurde ausschließlich in Unternehmen der
Immobilienbranche betrachtet, ohne dabei die monetären Aspekte der Unternehmen
zu erörtern. Die Ausklammerung der monetären Aspekte könnte zur Folge haben,
dass die Ergebnisse der empirischen Studie eine eingeschränkte Anwendbarkeit
aufweisen. Gerade KMU in Deutschland begegnen immer wieder der Hürde,
hohe
Investitionen
für
die
Digitalisierung
in
unterschiedlichen Bereichen
aufbringen zu müssen. In weitergehenden Forschungen sollten daher auch Kosten-
Nutzen-Analysen und Fördermöglichkeiten betrachtet werden, sodass auch die
monetären
Aspekte
zukünftig
an
Relevanz
gewinnen.
Schließlich
können derzeit
ohne Betrachtung der monetären Aspekte Interpretationsspielräume von
Handlungsempfehlungen bestehen.
Rechtliche Grundlagen
Im Rahmen der Arbeit hat sich die Komplexität und das schnelle Wachstum von
Künstlicher Intelligenz in der Immobilienbranche gezeigt. Ebenfalls lassen der
einhergehende Arbeitsplatzwandel zentrale Forschungsfragen im Kontext zu rechtlichen
Rahmenbedingungen vermuten. Das Thema der rechtlichen Grundlagen müsste demnach
zusätzlich als Forschungsgegenstand näher thematisiert werden, sodass im Rahmen
dessen weitere Auswirkungen auf Unternehmen in der Immobilienbranche abzusehen
sind. Besonders die Maßnahmen der Führungsebenen, welche für die Weiterbildungen
der Mitarbeitenden zuständig sind, sollten mit diesen Grundlagen vertraut gemacht
werden. Aufgrund der Vielfalt von KI-Technologien wird es sicherlich schwer sein, einen
allgemeingültigen Rahmen für den Einsatz von KI-Technologien zu schaffen. Daher ist
es empfehlenswert weitere Forschungsfragen aus Sicht der rechtlichen Natur zu
fokussieren.
69
5 Fazit und Ausblick
Der Stellenwert von KI-Technologien nimmt weiter zu, sodass auch die Einbindung von
KI in der Immobilienbranche angekommen ist. Eine Vielzahl von Unternehmen und
Softwareanbieter passen ihre Geschäftsmodelle strategisch an, um von KI zu profitieren.
Vor dem Aufkommen von ChatGPT gehörte KI jedoch nicht zum Standard, was dazu
führt, dass Erkenntnisse über die weiteren Auswirkungen und Integration dieser
Technologie in bestehenden Strukturen begrenzt sind. Es stellt sich insbesondere die
Frage, wie gewährleistet werden kann, dass die Bedürfnisse der Arbeitnehmer sowie die
Position der Arbeitgeber im Kontext der KI-Nutzung erfüllt werden kann. Die zentrale
Forschungsfrage der Arbeit nach den Auswirkungen von KI auf den Faktor Mensch in der
Immobilienbranche und die Voraussetzungen für die Unternehmen, die KI-
Akzeptanz zu fördern, konnte somit vollständig beantwortet werden.
Die durchgeführte empirische Erhebung hat aufgezeigt, dass Arbeitnehmer KI bereits
im privaten und beruflichen Umfeld nutzen und keine wesentlichen Vorbehalte, wie
Angst gegenüber dieser Technologie haben. Die Mehrheit der Probanden hat eine
Bereitschaft signalisiert, sich der Technologie weiter zu öffnen und durch
zielgerichtete Weiterbildungen KI-Tools in den Bereichen des Investment Managements,
Asset Managements, Property Management oder Facility Management einzusetzen.
Es wird deutlich, dass die Kompetenzfelder und das Wissen der Mitarbeitenden durch die
Führungsebene im Unternehmen aktiv und kontinuierlich gefördert werden müssen.
Technologisches Grundwissen, die Fähigkeit zur Mensch-Maschinen-Interaktion sowie
personelle und soziale Kompetenzen werden in der zukünftigen Arbeitswelt verstärkt an
Bedeutung gewinnen. Letztlich vermutlich dem Unternehmen den entscheidenden
Wettbewerbsvorteil am Markt geben. Daher ist ein KI-Change-Management in
Unternehmen zukünftig besonders wichtig, um in sämtlichen Lebenszyklen der
Immobilie KI-Tools zu implementieren.
Es lässt sich schlussfolgern, dass KI als Technologie das Potenzial birgt, sowohl für das
Management als auch für die Mitarbeitenden am Arbeitsplatz signifikante Chancen zu
eröffnen. Die Nutzung dieser Chancen sollte in Zukunft aktiv durch die Unternehmen
vorangetrieben werden, um tiefere Einblicke in den Umgang mit KI in der
70
Immobilienbranche zu erlangen. Zum Beispiel könnten Unternehmen den Mitarbeitenden
gezielte Handlungsspielräume und Mitbestimmungen von KI-Tools einräumen, um die
Selbstbestimmung und Technologie-Akzeptanz aktiv zu fördern.
Ein adäquater Umgang mit KI in der Immobilienbranche kann zu einem gesunden und
effektiven Zusammenspiel zwischen Menschen und Maschinen innerhalb des
Immobilienunternehmens führen. Langfristig könnte dies eine vielversprechende
effiziente und attraktive Grundlage für die Digitalisierung in der Immobilienbranche
schaffen.
71
Literaturverzeichnis
Ajzen, I. (1985). Action Control. Action Control, June. https://doi.org/10.1007/978-3-
642-69746-3
Arens, J. (2015). Unterscheidung nach Immobilienarten. In Immobilienökonomie I (S.
83–108). De Gruyter. https://doi.org/10.1515/9783486854541-010
Arulkumaran, K. … Bharath, A. A. (2017). Deep Reinforcement Learning: A Brief
Survey. IEEE Signal Processing Magazine, 34(6), 26–38.
https://doi.org/10.1109/MSP.2017.2743240
Aschemann, B. (2023). Was ist KI-Kompetenz? Bundesministerium für Bildung,
Wissenschaft und Forschung. Abgerufen 1. Oktober 2023, von
https://www.youtube.com/watch?v=KEmHkx7yRHg
Au, W. (2011). Teaching under the new Taylorism: high‐stakes testing and the
standardization of the 21 st century curriculum. Journal of Curriculum Studies,
43(1), 25–45. https://doi.org/10.1080/00220272.2010.521261
Baidoo-Anu, D., & Owusu Ansah, L. (2023). Education in the Era of Generative Artificial
Intelligence (AI): Understanding the Potential Benefits of ChatGPT in Promoting
Teaching and Learning. SSRN Electronic Journal, 7(December), 52–62.
https://doi.org/10.2139/ssrn.4337484
Baur, N., & Blasius, J. (2014). Handbuch Methoden der empirischen Sozialforschung.
Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-531-18939-0
Beims, M. … Kroker, N. (2022). Den Menschen in den Mittelpunkt stellen. Service als
Prinzip, 51–90. https://doi.org/10.3139/9783446466142.003
Bitkom. (2022). Bitkom Digital Office Index 2022 | Bitkom e. V.
https://www.bitkom.org/doi-2022
Boßow-Thies, S. … Zureck, A. (2022). Quantitative Forschung in Masterarbeiten (S.
Boßow-Thies & B. Krol (Hrsg.)). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-35831-0
72
Boston Consulting, G. … Arbeit, B. für. (2022). Prognose zur Anzahl der potentiell
gefährdeten Arbeitsplätze durch die Automatisierung in Deutschland nach
Berufen bis zum Jahr 2025. Abgerufen 28. September 2023, von
https://de.statista.com/statistik/daten/studie/814326/umfrage/prognose-gefaehrdete-
arbeitsplaetze-durch-die-automatisierung-in-deutschland/
Brocke, J. vom … Cleven, A. (2009). AIS Electronic Library ( AISeL )
RECONSTRUCTING THE GIANT : ON THE IMPORTANCE OF. CIS 2009
Proceedings, 372. Abgerufen 29. Juni 2023, von
https://aisel.aisnet.org/ecis2009/161/?utm_source=aisel.aisnet.org%2Fecis2009%2
F161&utm_medium=PDF&utm_campaign=PDFCoverPages
Buchkremer, R. … Koch, O. H. (2020). Künstliche Intelligenz in Wirtschaft &
Gesellschaft (R. Buchkremer … O. Koch (Hrsg.)). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-29550-9
Buxmann Peter Hrsg., & Schmidt Holger. (2021). Künstliche Intelligenz (P. Buxmann &
H. Schmidt (Hrsg.)). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-
662-61794-6
Dahm, M., & Dregger, A. (2019). Der Einsatz von künstlicher Intelligenz im HR: Die
Wirkung und Förderung der Akzeptanz von KI-basierten Recruiting-Tools bei
potenziellen Nutzern (S. 249–271). https://doi.org/10.1007/978-3-658-23397-6_14
Davis, K. … Gardner, H. (2019). The theory of multiple intelligences. The Cambridge
Handbook of Intelligence, January, 485–503.
https://doi.org/10.1017/9781108770422.028
Deci, E. L., & Ryan, R. M. (2000). The „what“ and „why“ of goal pursuits: Human needs
and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
https://doi.org/10.1207/S15327965PLI1104_01
Denny, M. J., & Spirling, A. (2018). Text Preprocessing For Unsupervised Learning:
Why It Matters, When It Misleads, And What To Do About It. Political Analysis,
26(2), 168–189. https://doi.org/10.1017/pan.2017.44
EVANA AG. (o. J.). Abgerufen 3. Februar 2024, von https://evana.ai/
73
Greiner, R. … Böck, M. (2022). Analytics und Artificial Intelligence. Springer
Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-38159-2
HS Mittweida. (o. J.). Nachhaltiges Immobilienmanagement Studium | Bachelor | HS
Mittweida. Abgerufen 26. September 2023, von https://www.wi.hs-
mittweida.de/studienangebote/bachelor-of-engineering-nachhaltiges-
immobilienmanagement/
IfM Bonn. (2021). KMU-Definition der EU-Kommission.
Abgerufen 3. Februar 2024, von https://www.ifm-bonn.org/definitionen/kmu-
definition-der-eu-kommission#:~:text=Kleinstunternehmen%2C kleine und mittlere
Unternehmen,maximal 43 Millionen € aufweist.
IfM Bonn. (2023). Digitalisierung der KMU im EU-Vergleich. Abgerufen
3. Februar 2024, von https://www.ifm-bonn.org/statistiken/mittelstand- im-
einzelnen/digitalisierung-der-kmu-im-eu-vergleich
Jäcklin, B. (2021). Führung und Innovation. In Führung und Innovation.
https://doi.org/10.1007/978-3-658-35768-9
Jonkisz, E. … Brandt, H. (2012). Planung und Entwicklung von Tests und Fragebogen
(S. 27–74). https://doi.org/10.1007/978-3-642-20072-4_3
Knappertsbusch, I., & Gondlach, K. (Hrsg. . (2021). Arbeitswelt und KI 2030. In I.
Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030. Springer
Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-35779-5
Knüfermann, M. (2021). Wirtschaftspolitisches Wissen für die Wohnungs- und
Immobilienwirtschaft. In Wirtschaftspolitisches Wissen für die Wohnungs- und
Immobilienwirtschaft. https://doi.org/10.1007/978-3-658-33608-0
Kreutzer, R. T., & Sirrenberg, M. (2019). Künstliche Intelligenz verstehen. In Künstliche
Intelligenz verstehen. https://doi.org/10.1007/978-3-658-25561-9
Linz, C. … Zimmermann, A. (2020). Radical business model transformation : How
Leading Organizations Have Successfully Adapted to Disruption (2nd Aufl.). Kogan
Page.
74
Lund, S. … Robinson, O. (2021). The future of work after. McKinsey Global Institute,
February, 152.
MANAGBL.AI. (o. J.). Abgerufen 3. Februar 2024, von https://managbl.ai/mailbox
Marshall, M. (2023). IDC study: Businesses report a massive 250% return on AI
investments | VentureBeat. Abgerufen 15. März 2024, von
https://venturebeat.com/ai/idc-study-businesses-report-a-massive-3-5x-return-on-
ai-investments/
McKinsey & Company. (2020). An executive’s guide to AI. Abgerufen 2. März 2024, von
https://www.mckinsey.com/~/media/McKinsey/Business Functions/McKinsey
Analytics/Our Insights/An executives guide to AI/An-executives-guide-to-AI.ashx
Mead, W. R., & Kurzweil, R. (2006). The Singularity Is near: When Humans Transcend
Biology. Foreign Affairs, 85(3), 160. https://doi.org/10.2307/20031996
Moellhoff, N., & Giunta, R. E. (2020). Künstliche Intelligenz in der Plastischen
Chirurgie. Wiener klinisches Magazin, 23(4), 186–189.
https://doi.org/10.1007/s00740-020-00356-y
Moring, A., & Inholte, C. (2022). Nachhaltigkeit und Digitalisierung in der
Immobilienwirtschaft. In Nachhaltigkeit und Digitalisierung in der
Immobilienwirtschaft. Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-37047-3
Neuburger, R. (2021). KI: Welche Kompetenzen benötigen wir? Wissensmanagement,
3(6), 18–21. https://doi.org/10.1007/s43443-021-0313-9
Open AI. (2023). ChatGPT 3.5. Abgerufen 30. Juni 2023, von https:/chat.openai.com/chat
Passon, O., & von der Twer, T. (2020). Evidenz, Signifikanz und das kleine p. Zeitschrift
für Bildungsforschung, 10(3), 377–395. https://doi.org/10.1007/s35834-020-00282-
3
Paul Tech AG. (o. J.). Abgerufen 3. Februar 2024, von https://paul.tech/ueber-paul/
75
Pennachin, C., & Goertzel, B. (2007). Contemporary Approaches to Artificial General
Intelligence. In Artificial General Intelligence (S. 1–30). Springer Berlin
Heidelberg. https://doi.org/10.1007/978-3-540-68677-4_1
Perri, L. (2023). Hype Cycle for Emerging Technologies 2023. Abgerufen
27. September 2023, von https://www.gartner.com/en/articles/what-s-
new-in-the-2023-gartner-hype-cycle-for-emerging-technologies#:~:text=The 2023
Gartner Hype Cycle identifies 25 must-know emerging,to benefit from these
technologies
Peyinghaus, M. … Kempter, A.-K. (2022). Leading Real Estate. In Leading Real Estate.
https://doi.org/10.1007/978-3-658-39998-6
Pfnür Andreas … Herr Thomas Hrsg. (2022). Transformation der Immobilienwirtschaft
(A. Pfnür … T. Herr (Hrsg.)). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-35363-6
Piazolo, D. (2023). Immobilien Asset Management (D. Piazolo (Hrsg.)). Springer
Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-40879-4
Piazolo, D., & Dogan, U. C. (2021). Impacts of digitization on real estate sector jobs.
Journal of Property Investment & Finance, 39(2), 47–83.
https://doi.org/10.1108/JPIF-09-2019-0125
Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on
teaching and learning in higher education. Research and Practice in Technology
Enhanced Learning, 12(1), 22. https://doi.org/10.1186/s41039-017-0062-8
Preventio. (o. J.). Abgerufen 3. Februar 2024, von https://prevent-io.com/de/losung/
Riemer, K., & Schellhammer, S. (2019). Collaboration in the Digital Age: Diverse,
Relevant and Challenging (S. 1–12). https://doi.org/10.1007/978-3-319-94487-6_1
Rigby, C. S., & Ryan, R. M. (2018). Self-Determination Theory in Human Resource
Development: New Directions and Practical Considerations. Advances in
Developing Human Resources, 20(2), 133–147.
https://doi.org/10.1177/1523422318756954
76
Rock, P. D. V., & Schlesinger, S. (2023). PropTech Germany 2023 Studie |
Digitalisierung aus Sicht von PropTechs. Abgerufen 3. Februar 2024, von
https://proptechgermanystudie.de/
Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3rd
Edition). 3.
Sarker, I. H. (2021). Deep Learning: A Comprehensive Overview on Techniques,
Taxonomy, Applications and Research Directions. SN Computer Science, 2(6), 420.
https://doi.org/10.1007/s42979-021-00815-1
Schäfer, T. (2016). Grundbegriffe der Datenerhebung: Vom Mensch zur Zahl. In
Methodenlehre und Statistik (S. 15–45). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-658-11936-2_2
Schröder, H. (2020). Fragebogen (S. 285–289). https://doi.org/10.1007/978-3-658-
30656-4_14
Singh, A. … Sharma, S. (2022). Big Data: A Road Map for Successful Digital Marketing.
In Big Data: A Road Map for Successful Digital Marketing.
https://doi.org/10.1515/9783110733716
Statista. (2022). Umsatz im Bereich Künstliche Intelligenz weltweit im Jahr 2021 und eine
Prognose für die Jahre 2022 und 2024. IDC. Abgerufen 1. Oktober 2023, von
https://de.statista.com/statistik/daten/studie/1211850/umfrage/umsatz-im-bereich-
kuenstliche-intelligenz-weltweit/
Stowasser, S. … Werne, J. (2020). Einführung von KI-Systemen in Unternehmen.
Abgerufen 28. September 2023, von
https://www.verdi.de/++file++6270fb361aba155942c489e6/download/AG2_White
paper_Change_Management.pdf
Streim, A., & Beerlink, K. P. (2023). ChatGPT & Co.: Jedes sechste Unternehmen plant
KI-Einsatz zur Textgenerierung. Bitkom e. V. Abgerufen 1. Oktober 2023, von
https://www.bitkom.org/Presse/Presseinformation/ChatGPT-Jedes-sechste-
Unternehmen-plant-KI-Einsatz-Textgenerierung
77
The Deloitte Center for Technology Media & Telecommunications. (2020). Talent and
workforce effects in the age of AI Insights from Deloitte ’ s State of AI in the
Enterprise ,. Deloitte Insights, 2nd, 28. Abgerufen 29. September 2023, von
https://www2.deloitte.com/content/dam/insights/us/articles/6546_talent-and-
workforce-effects-in-the-age-of-ai/DI_Talent-and-workforce-effects-in-the-age-of-
AI.pdf
Theodoridis, T., & Kraemer, J. (2014). Handbuch Methoden der empirischen
Sozialforschung (N. Baur & J. Blasius (Hrsg.)). Springer Fachmedien Wiesbaden.
https://doi.org/10.1007/978-3-531-18939-0
Thomzik,
M.
(2023).
InnoFM
Podcast
Folge
111
-
Mervan
Miran
- Bots4you
- Generative KI-Technologie für die Immobilienbranche - InnoFM -
InterviewPodcast | Podcast on Spotify. Abgerufen 30. Dezember 2023, von
https://open.spotify.com/episode/2yIRJWPnAVlfgZWJ0BOigB?go=1&sp_cid=f19
5992f17b15b89ba360c522273b611&utm_source=embed_player_p&utm_medium
=desktop&nd=1&dlsi=e0339034ab9a4620
Urban, D., & Mayerl, J. (2018). Angewandte Regressionsanalyse: Theorie, Technik und
Praxis. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-01915- 0
Verband der Immobilienverwalter Deutschland e. V. (2024). Künstliche Intelligenz
revolutioniert die Immobilienverwaltung - VDIV-Umfrage belegt das Potenzial KI-
basierter Anwendungen | VDIV. 05.03.2024. Abgerufen 15. März 2024, von
https://vdiv.de/press-details/kuenstliche-intelligenz-revolutioniert-die-
immobilienverwaltung-vdiv-umfrage-belegt-das-potenzial-ki-basierter-
anwendungen
Walzel, B. (2008). 2.1 Unterscheidung nach Immobilienarten. In Immobilienökonomie
(S. 117–140). OLDENBOURG WISSENSCHAFTSVERLAG.
https://doi.org/10.1524/9783486844603.117
Weichbold, M. (2019). Pretest. In Handbuch Methoden der empirischen Sozialforschung
(S. 349–356). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-
21308-4_23
78
Wennker, P. (2020). Künstliche Intelligenz in der Praxis. Springer Fachmedien
Wiesbaden. https://doi.org/10.1007/978-3-658-30480-5
Wiegand, T. L. T. … Koerte, I. K. (2023). Künstliche Intelligenz in der Neurologie.
Nervenheilkunde, 42(09), 591–601. https://doi.org/10.1055/a-2050-0768
Wilkinson, M. (2013). Testing the null hypothesis: The forgotten legacy of Karl Popper?
Journal of Sports Sciences, 31(9), 919–920.
https://doi.org/10.1080/02640414.2012.753636
Wissing, B. G., & Reinhard, M. A. (2018). Individual differences in risk perception of
artificial intelligence. Swiss Journal of Psychology, 77(4), 149–157.
https://doi.org/10.1024/1421-0185/a000214
ZIA, & Dr. Michael Hellwig. (2022). Die Bedeutung der Immobilienwirtschaft in Zahlen.
In Zentraler Immobilien Ausschuss e.V. Abgerufen 25. September 2023, von
https://zia-deutschland.de/wp-content/uploads/2021/05/Bedeutung-der-
Immobilienwirtschaft-in-Zahlen.pdf
ZIA, & EY Real Estate. (2023). Digitalisierungsstudie 2023 : Digitalisierung in der
Immobilienbranche : Stockt der Fortschritt ? ZIA / EY Real Estate September 2023
Vorwort. September. Abgerufen 1. Oktober 2024,von https://zia-deutschland.de/wp-
content/uploads/2023/09/2023_ZIA_EY_Real_Estate_Digitalisierungsstudie.pdf
79
Anhang
Fragebogen der Online-Umfrage:
80
81
82
83
84
85
86
87
88
Multiple lineare Regressionsanalysen:
Analyse der H1 mittels Regressionsanalyse
Analyse der H2 mittels Regressionsanalyse
89
R-Studio Code zu H3 – Pfad A und Pfad B & C inkl. Überprüfung des Mediator-Effekts
Analyse H3 - Pfad A mittels Regressionsanalyse
90
Analyse H3 - Pfad B & C mittels Regressionsanalyse
Analyse H3 – Mediationsanalyse mittels Bootstrap-Verfahren
91
R-Studio Code mittels drei Regressionsanalyse zu H4 / H4a /H4b
Analyse zu H4 mittels Regressionsanalyse
92
Analyse zu H4a mittels Regressionsanalyse
Analyse zu H4b mittels Regressionsanalyse
93
Q-Q-Plots:
Q-Q-Plot zu H1
Q-Q-Plot zu H2
94
Q-Q-Plot zu H3 – Pfad A
Q-Q-Plot zu H3 – Pfad B & C
95
Q-Q-Plot zu H4
Q-Q-Plot zu H4a
96
Q-Q-Plot zu Modell von H4b
Ergänzung von weiterer Deskriptive Statistik:
Vorteile der Nutzung von KI-Technologien am Arbeitsplatz
83
47
46
49
45
42
97
Hauptmotivation von Unternehmen KI-Technologie zu implementieren
83
49
45
47
54
19
