Altenburger / Schmidpeter CSR und Künstliche Intelligenz

1. Auflage 2021
ISBN: 978-3-662-63223-9
Verlag: Springer
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 371 Seiten

Reihe: Management-Reihe Corporate Social Responsibility

In diesem Buch werden neben Impulsen aus der aktuellen wissenschaftlichen Diskussion Good Practice Cases von Unternehmen im Umgang mit den besonderen Herausforderungen durch den Einsatz von Künstlicher Intelligenz (KI) vorgestellt.
Die vielfältigen Herangehensweisen an die Anforderungen, welche mit dem Einsatz von Künstlicher Intelligenz verbunden sind, sollen Anregungen für Unternehmen und Wissenschaft in diesem häufig sehr kontrovers diskutierten Feld bieten. Ein besonderes Gewicht wird auf die Chancen durch KI für Unternehmen aus unterschiedlichen Branchen gelegt. Die Auseinandersetzung mit dem Spannungsfeld KI und neue Herausforderungen der CSR bietet strategische Möglichkeiten, aber auch Innovationschancen. Die aktive Einbindung von Stakeholdern in den Gestaltungsprozess dient auch dem Aufbau von Vertrauen bei Kunden und der Öffentlichkeit und leistet somit einen Beitrag zu Innovation und Akzeptanz von KI.
Der Beitrag Künstliche Intelligenz & die Zukunft von Arbeit wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht. 


Prof. Dr. Reinhard Altenburger ist Professor für Strategisches Management, Nachhaltiges Management/CSR und Innovation im Department Business der IMC Fachhochschule Krems. Der Fokus seiner Forschung liegt in den Themenfeldern 'CSR und Innovation' sowie 'Innovationen in Familienunternehmen' und der Verbindung von gesellschaftlicher Verantwortung und Unternehmensstrategie. Studium der Betriebswirtschaft und Wirtschaftspädagogik sowie Doktoratstudium der Sozial- und Wirtschaftswissenschaften an der Wirtschaftsuniversität Wien; Dissertation über die Funktionen des Top-Managements in Strategieprozessen; Langjährige Tätigkeit als Projektleiter und Fachexperte in den Bereichen Vertriebsstrategie, Unternehmensplanung, Controlling und Innovationsmanagement  im Sparkassen- und Bankensektor und als Unternehmensberater; Fachbuchautor; zahlreiche Vorträge bei internationalen Konferenzen. Bei Springer Gabler erschienen 'CSR und Innovationsmanagement' und 'CSR und Stakeholdermanagement'.
Prof. Dr. René Schmidpeter hat den Dr. Jürgen Meyer Stiftungslehrstuhl 'Internationale Wirtschaftsethik und CSR' an der Cologne Business School (CBS) inne. Er leitet das dortige Center for Advanced Sustainable Management (CASM) und forscht insbesondere zum Thema 'CSR als innovativer Managementansatz', 'CSR in der Betriebswirtschaftslehre' und 'Internationale Perspektiven auf CSR'. Er ist Herausgeber der etablierten Managementreihe Corporate Social Responsibility im Springer Gabler Verlag sowie der international viel beachteten Publikationsserie 'CSR, Sustainability, Ethics and Governance' bei Springer. Neben seinen umfangreichen Publikations- und Vortragstätigkeiten berät er als CSR-Stratege nationale und internationale Nachhaltigkeitsinitiativen, Wirtschaftsorganisationen und Unternehmen bei der strategischen Implementierung von nachhaltigen Managementansätzen. Er ist zudem ständiger Gastprofessor an der Nanjing University of Finance and Economics in China und Adjunct Professor an der Murdoch University in Perth sowie Mitglied in Expertenjurys, wissenschaftlichen Beiräten und internationalen Forschungsprojekten.

Autoren/Hrsg.

Altenburger, Reinhard

Schmidpeter, René

Inhaltsverzeichnis

1;Vorwort des Reihenherausgeber;6
2;Vorwort der Herausgeber;8
3;Inhaltsverzeichnis;10
4;Herausgeber- und Autorenverzeichnis;13
5;Künstliche Intelligenz im Spannungsfeld Innovation, Effizienz und gesellschaftliche Verantwortung;15
5.1;1Herausforderungen und Potenziale der künstlichen Intelligenz;15
5.2;2Anforderungen und Gestaltung von künstlicher Intelligenz durch das Management;19
5.2.1;2.1Anforderungen an Managemententscheidungen;20
5.2.2;2.2Neue Geschäftsmodelle und Gestaltung des Ökosystems;21
5.3;3Übersicht der Beiträge im Band;23
5.4;Literatur;25
6; Perspektiven auf KI: Governance, Autonomie, Vertrauen, Ethik und Unvoreingenommenheit;28
7;Digital Governance als CSR-Kompass für künstliche Intelligenz;29
7.1;1Einleitung;29
7.2;2Künstliche Intelligenz als Quintessenz der Vierten Industriellen Revolution;32
7.3;3Utopia oder Dystopia – wo Licht, da auch Schatten;36
7.4;4Künstliche Intelligenz ist nicht gleich künstliche Intelligenz – Differenzierung ist essenziell;39
7.5;5Die Rolle der künstlichen Intelligenz im Unternehmen;42
7.6;6An der Schnittstelle zwischen Menschen und Maschine – Welche Auswirkungen hat künstliche Intelligenz auf das bestehende CSR Framework?;45
7.6.1;6.1Wirkung existierender CSR-Säulen (ökonomisch, sozial, ökologisch) im Kontext von künstlicher Intelligenz;45
7.6.2;6.2Erweiterung um die vierte Säule zur Beantwortung ethischer Fragestellungen;48
7.6.3;6.3Erweiterung um die fünfte Säule zur Beantwortung psychischer Fragestellungen;49
7.7;7Zusammenspiel CSR und Digital Governance – Welche Leitplanken für die Entwicklung und den Einsatz von künstlicher Intelligenz sollten vorgegeben werden?;50
7.7.1;7.1Einführung: Digital Governance als CSR-Kompass für die Nutzung künstlicher Intelligenz;52
7.7.2;7.2Künstliche Intelligenz als ethische Herausforderung – Welche Anforderungen an das Design und die Entwicklung müssen gestellt werden?;54
7.7.2.1;7.2.1 Künftige Anforderungen an die Master Data Governance;55
7.7.2.2;7.2.2 Kann künstliche Intelligenz durch Programmierung kontrolliert werden?;56
7.7.2.3;7.2.3 Artificial Intelligence Decision Governance – Kontrolle statt Limitierung;58
7.7.3;7.3Künstliche Intelligenz im juristischen Kontext – Welche relevanten Fragestellungen müssen beleuchtet werden?;60
7.7.3.1;7.3.1 Wer trägt die ultimative Verantwortung;60
7.7.3.2;7.3.2 Einführung einer elektronischen Persönlichkeit als Chance;61
7.7.4;7.4Künstliche Intelligenz in der Organisation – Welche Leitplanken müssen zur Neuausrichtung der Arbeitswelt gesetzt werden?;63
7.7.5;7.5Aufklärung über künstliche Intelligenz – Wie gelingt gesellschaftliche Akzeptanz und Vertrauen?;67
7.7.5.1;7.5.1 Wie kann der Gesellschaft die Angst genommen werden;67
7.7.5.2;7.5.2 Wie kann die Gesellschaft gut an künstliche Intelligenz herangeführt werden;68
7.8;8Schlusswort;69
7.9;Literatur;71
8;Spannungsfeld automatisierte Entscheidungssysteme und Autonomie;73
8.1;1Einleitung;73
8.2;2Die Anatomie von Entscheidungsprozessen;75
8.3;3Die Autonomie des Menschen in Bedrängnis;79
8.3.1;3.1Die Zuschreibung von Handlungsmacht an automatisierte Entscheidungssysteme;80
8.3.2;3.2Die Gefahr der Manipulation durch automatisierte Entscheidungssysteme;81
8.4;4Anforderungen an vertrauenswürdige Künstliche-Intelligenz-Systeme;84
8.5;Weiterführende Literatur;87
9;Warum wir der künstlichen Intelligenz nicht blind vertrauen dürfen – fünf Ansätze um künstliche Intelligenz zu beherrschen;89
9.1;1Künstliche Intelligenz – Eine Einführung;89
9.1.1;1.1Entwicklung der Künstliche-Intelligenz-Forschung;89
9.1.2;1.2Künstliche Intelligenz made in Austria;91
9.1.3;1.3Künstliche Intelligenz braucht leistungsfähige Hardware;93
9.1.4;1.4Formen der künstlichen Intelligenz: Von regelbasierten Systemen zu neuronalen Netzen;94
9.1.5;1.5Maschinelles Lernen;95
9.1.5.1;1.5.1 Supervised Learning, Trainingsdaten und Ground Truth;95
9.1.5.2;1.5.2 Unsupervised Learning;96
9.1.5.3;1.5.3 Reinforcement Learning;96
9.2;2Fünf Herausforderungen künstlicher Intelligenz;97
9.2.1;2.1Modellierbarkeit;98
9.2.1.1;2.1.1 Große Menge von Trainingsdaten und Ground Truth;98
9.2.1.2;2.1.2 Overfitting und Aberglauben von künstlicher Intelligenz;98
9.2.1.3;2.1.3 Eingebaute Backdoors in Künstliche-Intelligenz-Systemen;99
9.2.1.4;2.1.4 Zusammenfassung;99
9.2.2;2.2Verifizierbarkeit;100
9.2.2.1;2.2.1 Künstliche Intelligenz braucht neue Testmethoden;100
9.2.2.2;2.2.2 Täuschung von Künstliche-Intelligenz-Systemen durch Manipulation der Umwelt;100
9.2.2.3;2.2.3 Zusammenfassung;101
9.2.3;2.3Erklärbarkeit;101
9.2.3.1;2.3.1 Künstliche-Intelligenz-Erklärungsmethoden;101
9.2.3.2;2.3.2 Künstliche Intelligenz in safety-kritischen Systemen;102
9.2.3.3;2.3.3 Zusammenfassung;103
9.2.4;2.4Ethik;103
9.2.4.1;2.4.1 Künstliche-Intelligenz-Systeme können diskriminieren;103
9.2.4.2;2.4.2 Zusammenfassung;103
9.2.5;2.5Verantwortlichkeit;104
9.2.5.1;2.5.1 EU-Leitlinien für die Gestaltung von Künstliche-Intelligenz-Systemen;104
9.2.5.2;2.5.2 Zusammenfassung;105
9.3;3Gesellschaftliches Bedrohungspotenzial durch künstliche Intelligenz;105
9.3.1;3.1Demokratisierung von Technologie;105
9.3.2;3.2Manipulation von Medien;106
9.3.2.1;3.2.1 Fake News und Deep Fakes;106
9.3.2.2;3.2.2 Der Faktencheck – ein Gebot der Stunde;107
9.4;4Grenzen der künstlichen Intelligenz und Vielfalt des Lebens;108
9.4.1;4.1Singularität – Kann künstliche Intelligenz die Menschheit übertreffen?;108
9.4.2;4.2Künstliche Intelligenz braucht noch viel mehr Intelligenz;108
9.4.3;4.3Das Leben ist nichtlinear;109
9.4.4;4.4Das Leben besteht nicht nur aus Problemlösungen;109
9.4.5;4.5Die Datenwelt der künstlichen Intelligenz ist nicht das Leben;110
9.4.6;4.6Künstliche Intelligenz und Moral;110
9.5;5Schlussfolgerung;111
9.5.1;5.1Bildung und emotionale Intelligenz zur Beherrschung der Technik;111
9.5.2;5.2Verantwortung zur Entwicklung der Technik;111
9.5.3;5.3Künstliche-Intelligenz-Forschung muss breiter gedacht werden;112
9.6;Literatur;113
10;Vergessen wir mal die Roboter: So gelingt Künstliche-Intelligenz-Ethik in der Praxis;116
10.1;1Missverständnisse über künstliche Intelligenz;116
10.2;2Was ist künstliche Intelligenz?;117
10.3;3Wie entsteht künstliche Intelligenz?;118
10.4;4Herausforderung: Künstliche Intelligenz und Ethik;120
10.5;5Ansätze einer prozessorientierten Künstliche-Intelligenz-Ethik;123
10.6;6Fallbeispiel: Künstliche-Intelligenz-Ethik in der Versicherungswirtschaft;126
10.7;7Fazit;128
10.8;Literatur;129
11;Unvoreingenommenheit von Künstliche-Intelligenz-Systemen. Die Rolle von Datenqualität und Bias für den verantwortungsvollen Einsatz von künstlicher Intelligenz;131
11.1;1Notwendigkeit unvoreingenommener Künstliche-Intelligenz-Systeme;131
11.2;2Bedeutung der Datenqualität;132
11.2.1;2.1Paradigmenwechsel in der Softwareentwicklung;132
11.2.2;2.2Qualität von Trainingsdaten;134
11.3;3Beispiele für Bias in Künstliche-Intelligenz-Anwendungen;134
11.3.1;3.1Gesichtserkennung im öffentlichen Raum;135
11.3.2;3.2Gefahr selbstlernender Systeme (Lernen im Live-System);136
11.4;4Evaluierung von Fairness;137
11.4.1;4.1Definition von Fairness;138
11.4.2;4.2Interpretation der Ergebnisse;138
11.5;5Lösungsansätze für unvoreingenommene Künstliche-Intelligenz-Systeme;141
11.5.1;5.1Bewusstsein schaffen;141
11.5.2;5.2Fairness definieren und Ziele setzen;141
11.5.3;5.3Systematische Qualitätsprüfung der Datensätze;141
11.5.4;5.4Evaluierung der Modelle auf Bias;142
11.5.5;5.5Erklärbare künstliche Intelligenz und Einbindung von Personen;142
11.6;6Fazit;143
11.7;Literatur;143
12;Skizzierung einer vertrauensvollen künstlichen Intelligenz;146
12.1;1Einleitung;146
12.2;2Arten der künstlichen Intelligenz;146
12.3;3Wo künstliche Intelligenz genutzt wird;148
12.3.1;3.1Finanzen;149
12.3.2;3.2Security;150
12.4;4Praktischer Einsatz und Verantwortung;151
12.5;5Ethik und künstliche Intelligenz – europäische Richtlinien;153
12.5.1;5.1Europäische Künstliche-Intelligenz-Richtlinien;153
12.5.1.1;5.1.1 Rechtmäßigkeit;154
12.5.1.2;5.1.2 Ethik;154
12.5.1.3;5.1.3 Robustheit;155
12.5.2;5.2Umsetzung einer vertrauenswürdigen künstlichen Intelligenz;155
12.5.3;5.3Bedeutung für Anbieter von künstlicher Intelligenz;160
12.6;6Implementierung einer vertrauenswürdigen künstlichen Intelligenz;160
12.6.1;6.1Umsetzung von Architekturen;160
12.6.2;6.2Erklärbarkeit und Transparenz;161
12.6.3;6.3Source-Code-Check;163
12.7;7Zusammenfassung;164
12.8;Quellen;166
13;Künstliche Intelligenz verantwortungsvoll entwickeln und einsetzen. Zur Bedeutung ethischer Leitlinien für Unternehmen;168
13.1;1Einleitung: Die Krise als Katalysator;168
13.2;2Methodische Vorgehensweise;169
13.3;3Künstliche Intelligenz ist im Alltag angekommen;169
13.4;4Nutzenpotenzial und Regulierungsbedarf;170
13.5;5Ethische Prinzipien in der Entwicklung und Anwendung von künstlicher Intelligenz;172
13.5.1;5.1Selbstbestimmung im Anwendungskontext;174
13.5.2;5.2Ethische Leitlinien in der Wirtschaft;174
13.5.3;5.3Rechtliche Rahmenbedingungen und ethische Aspekte im Fokus;175
13.6;6Ausblick: Der Mensch im Mittelpunkt;176
13.7;Literatur;177
14;Environment-Social-Governance-Fingerprint – wie der Einsatz von Big Data und künstlicher Intelligenz Investoren, Unternehmen und Stakeholder unterstützen kann;179
14.1;1Status quo;179
14.2;2Einführung von Environment-Social-Governance-Risikomanagement- und -Informationssystemen;181
14.3;3Konzept zur Entwicklung einer Taxonomie zur Klassifizierung von Environment-Social-Governance-relevanten Chancen und Risiken;184
14.4;4Anwendung des Konzepts zur Entwicklung eines Environment-Social-Governance-Fingerprint für künstliche-Intelligenz-basierte Informationssysteme;188
14.5;5Zusammenfassung und Ausblick;192
15; Anwendungen in der Unternehmenspraxis: Datenwert, Produktion, neue Instrumente, Mittelstand;194
16;Datenwert und Datenminimalismus: Wege zu nachhaltiger künstlicher Intelligenz;195
16.1;1Künstliche Intelligenz und Postwachstum für die Datenwirtschaft;195
16.1.1;1.1Daten und wirtschaftliche Aspekte;196
16.1.2;1.2Künstliche Intelligenz und Klimaschutz;197
16.1.3;1.3Daten und Sicherheit;197
16.1.4;1.4Künstliche Intelligenz und Diskriminierung;198
16.2;2Künstliche-Intelligenz-Strategien für kleine Datenmengen;198
16.3;3Wieviele Daten brauchen wir? Datenmenge und Qualität der künstlichen Intelligenz;200
16.3.1;3.1Die Grundidee: Datenmenge und Qualität;200
16.3.2;3.2Experiment aus der Praxis: Datenmenge versus Qualität von künstlicher Intelligenz;202
16.3.3;3.3Ergebnisse: Datenverschwendung und toxische Daten;203
16.4;4Welche Daten brauchen wir? Informatorischer und monetärer Datenwert;205
16.4.1;4.1Die Grundidee: Der Wert einzelner Datenpunkte;205
16.4.2;4.2Experiment: Einflussanalyse mit einem Künstliche-Intelligenz-System;206
16.4.3;4.3Ergebnisse: Exemplarischer Datenwert und skalierbare Methodik;207
16.5;5Einordnung und Diskussion;208
16.5.1;5.1Voraussetzungen für angewandten Datenminimalimus;209
16.5.2;5.2Generalisierbarkeit: Übertragung in andere Kontexte;209
16.5.3;5.3Nächste Schritte zu datenminimalistischer künstlicher Intelligenz;210
16.6;Literatur;211
17;Technik dient dem Menschen – Künstliche Intelligenz im BMW-Produktionssystem;214
17.1;1Digitalisierung und Produktion – ein dynamisches Umfeld;214
17.2;2Status quo;216
17.2.1;2.1Qualitätsarbeit in der Produktion – eine kritische Bestandsaufnahme;216
17.2.2;2.2Qualitätsarbeit – Quo vadis?;218
17.3;3CSR in Visual Analytics und künstlicher Intelligenz;222
17.3.1;3.1Wie verändert sich unternehmerische Verantwortung durch den Einsatz von Data Analytics und künstlicher Intelligenz?;222
17.3.2;3.2In welcher Form setzt sich die BMW Group mit den Konsequenzen und Möglichkeiten von künstlicher Intelligenz auseinander? Wie wird mit den potenziellen Risiken umgegangen; welche Lösungsansätze bestehen hier?;225
17.3.3;3.3Was bedeutet künstliche Intelligenz für die (globale) Wertschöpfung des Unternehmens und die Strategie und wie verändert sich dadurch die gesellschaftliche Verantwortung des Unternehmens?;227
17.3.4;3.4Welche Kooperationen sind erforderlich und wie wird mit den unterschiedlichen Zugängen zu Verantwortung und Nachhaltigkeit umgegangen?;228
17.3.5;3.5Welche Anforderungen stellen Data Analytics und künstliche Intelligenz an die Führungskräfte aller Ebenen in der Produktion?;230
17.4;4Fazit;233
17.5;Literatur;235
18;Nüchtern gesehen: Künstliche Intelligenz als neues Werkzeug – mit neuen Regeln;239
18.1;1Zeitenwandel durch künstliche Intelligenz;239
18.2;2Künstliche Intelligenz als Anteil von Produkten im Automobil;242
18.2.1;2.1Künstliche Intelligenz und der Blick nach außen aus dem Fahrzeug heraus;243
18.2.2;2.2Künstliche Intelligenz und der Blick nach innen ins Fahrzeug;244
18.2.3;2.3Datenschutz im Spannungsfeld von Sicherheit, Komfort und Security;245
18.3;3Künstliche Intelligenz in Unternehmensprozessen;246
18.3.1;3.1Softwareentwicklung – unterstützt durch künstliche Intelligenz;247
18.3.2;3.2Interne Arbeitsabläufe und künstliche Intelligenz;248
18.3.3;3.3Hardware für die künstliche Intelligenz;248
18.4;4Verantwortung mit und für künstliche Intelligenz;249
18.4.1;4.1Verantwortung für künstliche Intelligenz in Produkten;250
18.4.2;4.2Verantwortung für künstliche Intelligenz in Prozessen;251
18.5;5Zukunftsperspektiven;251
18.6;Quellen;252
19;CSR und künstliche Intelligenz im Mittelstand – Chancen für innovativere und nachhaltigere kleine und mittlere Unternehmen?;254
19.1;1Einleitung;254
19.2;2Status quo der Digitalisierung im Mittelstand Deutschland;255
19.3;3Künstliche Intelligenz im Mittelstand;256
19.4;4Nachhaltigkeit und CSR im Mittelstand;258
19.5;5Befragung und Experteninterviews zu CSR und künstlicher Intelligenz im Mittelstand;259
19.6;6Schlussfolgerung und Ausblick;261
19.7;Literatur;262
20;CSR am Beispiel „Leftshift One“;264
20.1;1Intro und Vorstellung „Leftshift One“;264
20.2;2Ausgangslage;265
20.2.1;2.1Informationsstand innerhalb der Bevölkerung;265
20.2.1.1;2.1.1 Popkultur vs. Realität;266
20.3;3Herausforderungen und Lösungsansätze;267
20.3.1;3.1Arbeitsplatzthematik – Externe Sensibilisierung;267
20.3.2;3.2Selbstständige künstliche Intelligenz vs. Kontrolle durch Menschen;268
20.3.3;3.3Deep Learning vs. „explainable“ künstliche Intelligenz;268
20.3.3.1;3.3.1 Kein Bias in Trainingsdaten;269
20.3.4;3.4Policies und Transparenz;270
20.3.5;3.5Daten wertschätzen;272
20.3.5.1;3.5.1 Respektvoller Umgang mit freigegebenen Daten;272
20.3.5.2;3.5.2 Datenkraken meiden;273
20.3.5.3;3.5.3 On-Premise-Ansatz;274
20.3.6;3.6Interne Sensibilisierung;275
20.4;4Best Practice Leftshift One;275
20.4.1;4.1Opt-in zur Datenverarbeitung;275
20.4.2;4.2Use Case Digital HR-Assistant (ethisches Künstliche-Intelligenz-Modell);276
20.5;Quellen;277
21; Soziale Robotik, HR/Arbeitgeberattraktivität, Führung und Zukunft der Arbeit;279
22;Mein neuer Teamkollege ist ein Roboter! Wie soziale Roboter die Zukunft der Arbeit verändern können;280
22.1;1Einleitung;280
22.2;2Was sind eigentlich soziale Roboter? – Eine Begriffsbestimmung;282
22.3;3Roboter als Teamkollegen;285
22.3.1;3.1Mensch-Roboter-Kollaboration in der Industrie;286
22.3.2;3.2Mensch-Roboter-Kollaboration im Dienstleistungssektor;287
22.4;4Erkenntnisse aus ausgewählten Anwendungsgebieten sozialer Roboter;288
22.4.1;4.1Cobots in der Fertigung;289
22.4.2;4.2Roboter für das Pausenmanagement;290
22.4.3;4.3Soziale Roboter als Recruiter;290
22.4.4;4.4Roboter in der Konfliktmediation;291
22.4.5;4.5Roboter in der Pflege;293
22.5;5Handlungsfelder für die (zukünftige) Arbeitswelt;295
22.5.1;5.1Die Gestaltung von Berufsprofilen und die Sicherstellung benötigter Skills;295
22.5.2;5.2Die Sicherstellung von menschlicher Verantwortung und Kontrolle;297
22.5.3;5.3Die Erforschung von Langzeiteffekten unter realen Bedingungen;298
22.6;6Diskussion und Schlussfolgerungen;299
22.7;Literatur;300
23;Augmented Human-Centered Management – Personalentwicklung für hochautomatisierte Geschäftsfelder;305
23.1;1Einleitung;305
23.2;2Die Entstehung von Mensch-Agent-Kollektiven;307
23.3;3Homo oeconomicus, Machina oeconomica und die Ironie der Automatisierung;308
23.4;4Der Bedarf für Augmented Human-Centered Management;310
23.5;5Human-Factors und Human-Centered Management;312
23.6;6Diskussion;318
23.7;7Fazit;320
23.8;Literatur;321
24;Künstliche Intelligenz – Kriegstreiber oder Friedensstifter im War for Talent?;326
24.1;1Einleitung;326
24.2;2Prozesse für die Besetzung einer Stelle;327
24.2.1;2.1Der Bewerber als aktives Element;327
24.2.2;2.2Active Sourcing;328
24.3;3Möglichkeiten von künstlicher Intelligenz im Bewerberauswahlverfahren;329
24.3.1;3.1Stellenausschreibung mit künstlicher Intelligenz optimieren;329
24.3.2;3.2Auffindbarkeit der Stellenanzeige mit künstlicher Intelligenz verbessern;329
24.3.3;3.3Chatbots zur Verbesserung der Candidate Experience;330
24.3.4;3.4Persönlichkeitsprofil mittels Sprachanalyse;332
24.3.5;3.5Künstliche Intelligenz im Active Sourcing und das Beispiel von Amazon;333
24.4;4Die Akzeptanz von Künstliche-Intelligenz-Lösungen bei Stellensuchenden;335
24.5;5Fazit;337
24.6;Literatur;338
25;Künstliche Intelligenz und Führung: Automatisierung und die Veränderung von Managementaufgaben und -arbeitsweisen;340
25.1;1Künstliche und menschliche Intelligenz in Kombination;340
25.2;2Führung mit künstlicher Intelligenz: Warum kein Weg daran vorbeiführt;341
25.3;3Der Idealzustand und die Geschwindigkeit der Weiterentwicklung;343
25.4;4Führen bedeutet auch umsetzungsstarkes Agieren;344
25.4.1;4.1Potenziale der künstlichen Intelligenz erkennen und passende Lösungen finden;345
25.4.2;4.2Erfolgsfaktoren für die Einführung von Künstliche-Intelligenz-Systemen;346
25.4.3;4.3Institutionalisierung und gesamtheitliche Umstellung der Organisation;347
25.5;5Case Study – künstliche Intelligenz im Einsatz bei der laufenden Unternehmensumfeldanalyse;348
25.6;6Fazit;351
25.7;Literatur;351
26;Künstliche Intelligenz und die Zukunft von Arbeit;352
26.1;1Einleitung;352
26.2;2Theoretischer Rahmen;353
26.2.1;2.1Künstliche Intelligenz und Arbeit;353
26.2.2;2.2Automatisierung vs. Erweiterung als paradoxe Beziehung;354
26.3;3Methodik;355
26.4;4Ergebnisse;358
26.4.1;4.1Ersatz menschlicher Arbeit;358
26.4.2;4.2Einschränkung menschlicher Arbeit;358
26.4.3;4.3Entlastung menschlicher Arbeit;358
26.4.4;4.4Entstehung neuer, maschineller Arbeit;359
26.5;5Implikationen;359
26.5.1;5.1Künstliche Intelligenz und menschliche Arbeit;359
26.5.2;5.2Künstliche Intelligenz und organisationale Veränderungen;361
26.5.3;5.3Potenzielle gesellschaftliche Auswirkungen;361
26.6;6Konklusion;362
26.7;Literatur;362
27;Künstliche Intelligenz: Wegbegleiter für ein neues menschliches „Maß“? – Ein kurzer Ausblick;366
27.1;1Künstliche Intelligenz verändert unsere Gesellschaft und Wirtschaft;366
27.2;2Kritische Diskussionen erfordern neue Perspektiven;367
27.3;3Chancen der künstlichen Intelligenz in einer nachhaltigen Transformation;368
27.4;4Weiterentwicklung der Corporate Social Responsibility;369
27.5;5Visionäre Unternehmer setzen auf Künstliche-Intelligenz-Geschäftsmodelle mit positivem Impact;370
27.6;Weiterführende Literatur;371