Generative Künstliche Intelligenz

Leitlinien für den fairen Einsatz generativer KI

Leitlinien für den fairen Einsatz generativer KI

Praxisbeispiele aus den Bereichen Produktionsmanagement und Wohlfahrtspflege
Anja Gerlmaier, Paul-Fiete Kramer ORCID Icon, Dirk Marrenbach ORCID Icon, René Wenzel ORCID Icon
Im Zuge der rasanten Verbreitung assistiver KI-Tools wie ChatGPT, Gemini oder Copilot sind Unternehmen gefordert, sich mit den Chancen und Herausforderungen von künstlicher Intelligenz zu beschäftigen. Der Beitrag gibt auf Basis von zwei Praxisbeispielen einen Einblick, wie Unternehmen mithilfe betriebsspezifischer Risiko- und Potenzialanalysen bei der Entwicklung von Leitlinien für einen fairen und verantwortungsvollen KI-Einsatz vorgehen können.
Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 22-28 | DOI 10.30844/I4SD.26.1.22
Potenziale, Prämissen, Perspektiven

Potenziale, Prämissen, Perspektiven

Wie sich betriebliches Wissensmanagement dank LLMs neu interpretieren lässt
Vanessa Kuks ORCID Icon, Pius Finkel ORCID Icon, Peter Wurster ORCID Icon
Der demografische Wandel verstärkt den Arbeits- bzw. Fachkräftemangel in der produzierenden Industrie, wodurch das Thema Wissensmanagement für viele Unternehmen an Bedeutung gewinnt. Insbesondere die Erhebung und Konservierung impliziten Wissens stellt eine Herausforderung dar. Die vorliegende Studie beleuchtet, inwieweit Large Language Models (LLMs) im Bereich der Wissenserhebung mit Experteninterviews sinnstiftend unterstützen können. Drei Experten testen und bewerten den entwickelten Chatbot. Die Ergebnisse des Interviews sind vielversprechend, die Zusammenfassung hingegen zeigt Verbesserungspotenziale.
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 6 | Seite 48-56 | DOI 10.30844/I4SD.25.6.48
Mechanismen der GenAI-Governance

Mechanismen der GenAI-Governance

Eine Fallstudie zum verantwortungsvollen Einsatz von GenAI in Organisationen
Niklas Obermann ORCID Icon, Daniel Lupp ORCID Icon, Uta Wilkens ORCID Icon
Im Vergleich zu traditionellen KI-Systemen führt Generative Künstliche Intelligenz benutzerabhängige Eigenschaften ein, die einzigartige Herausforderungen für die KI-Governance in Organisationen mit sich bringen. Diese Herausforderungen hängen insbesondere mit menschlichen Faktoren zusammen, wie der Einstellung, dem Bewusstsein und den Fähigkeiten der Mitarbeitenden, die von bestehenden Governance-Rahmenwerken oft vernachlässigt werden. Diese qualitative Fallstudie untersucht, wie ein produzierendes Unternehmen Mechanismen der GenAI-Governance implementiert hat, um einen verantwortungsvollen Umgang mit dieser Technologie zu fördern. Die Ergebnisse zeigen, dass Unternehmen einen ganzheitlichen Ansatz verfolgen sollten, der strukturelle, prozessuale und relationale Mechanismen kombiniert, um Aspekte bezogen auf die Mitarbeitenden der GenAI-Governance zu berücksichtigen. Damit leistet diese Studie einen Beitrag zum wachsenden Forschungsfeld der GenAI-Governance und liefert ...
Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 5 | Seite 58-64 | DOI 10.30844/I4SD.25.5.58
Generative Künstliche Intelligenz

Generative Künstliche Intelligenz

Neue Horizonte für das Technologiemanagement? Eine Fallstudie in der produzierenden Industrie
Günther Schuh ORCID Icon, Leonard Cassel, Bastian Thanhäuser, Thomas Scheuer
Die fortschrittliche Entwicklung und das Nutzenpotenzial generativer Künstlicher Intelligenz (KI), exemplarisch verdeutlicht durch den Erfolg von OpenAIs ChatGPT, deuten auf eine vielversprechende Applikation in der industriellen Produktion hin. Besonders im Technologiemanagement produzierender Unternehmen besteht die Vermutung, dass KI-Anwendungen bei komplexen Herausforderungen, bspw. Technologiefrüherkennung und strategische Entscheidungsfindung, eine Unterstützung sein können. Dieser Artikel stellt drei zukünftige Entwicklungshorizonte generativer KI dar und beleuchtet anhand von Fallstudien aktuelle Einsatzmöglichkeiten. Abschließend werden fünf Thesen zur zukünftigen Integration von generativer KI in unternehmerische Prozesse formuliert.
Industry 4.0 Science | 40. Jahrgang | 2024 | Ausgabe 3 | Seite 6-13 | DOI 10.30844/I4SD.24.3.6