Aktuelle KI Forschung: Wie Unternehmen GenAI & KI-Agenten gewinnbringend einsetzen

Wir haben mit Prof. Dr. Schoder von der Universität zu Köln über den Einsatz von GenAI und KI-Agenten in Unternehmen gesprochen. Erfahre, was die Forschung aktuell für Entscheider*innen an Erkenntnissen bereithält, was aktuell die größte Hürde ist und wie man sie überwindet. 

1. Welche Bereiche profitieren am meisten?
2. Welche Einsatzgebiete werden unterschätzt?
3. Innovative Forschungsarbeit Luftfrachtlogistik: Was lässt sich auf andere Branchen übertragen?
4. Welche Kernfragen sollten sich Entscheider*innen stellen?
5. Welche ersten Schritte sollten Führungskräfte einleiten?
6. Was war in der KI-Forschung die überraschendste Erkenntnis?
7. Was ist die zentrale Hürde für den Einsatz?
8. Wie lässt sich die Hürde überwinden?
9. Was ist DIE nächste Forschungsfrage?
10. Inwiefern ändern sich Unternehmen in nächsten 3 Jahren?

• Größter Mehrwert heute: GenAI & KI-Agenten liefern messbare Erfolge bei strukturierten Aufgaben, z.B. im Marketing, Wissensmanagement, in der Programmierung oder bei alltäglichen Büroaufgaben.
• Unterschätzte Potenziale: Unterschätzung rührt eher von Personen, die sich nicht oder wenig mit KI auseinandersetzen.
• Human-Machine-Symbiosis: Statt reiner Automatisierung ist Human-Machine-Symbiosis entscheidend: Die Kombination aus menschlicher Expertise & KI führt zu höherer Qualität.
• Haupt-Hürde: Nicht die Technologie, sondern die Unternehmenskultur (Fehlerkultur, Offenheit, Experimentierfreude) entscheidet über den Erfolg.
• Blick nach vorn: KI wird zum Standard für Prozess-, Produkt- & teils Geschäftsmodellinnovationen. Unternehmen ohne aktive KI-Strategie riskieren zurückzufallen.

Katharina: Welche Bereiche profitieren real messbar heute am meisten von KI?

Detlef Schoder: Die lukrativsten Einsatzbereiche gemäß aktueller Studien sind Marketing, Wissensmanagement, Generierung individueller Inhalte – über alle betriebswirtschaftlichen Funktionen hinweg – im Kontext täglicher Büroarbeit etwa beim Recherchieren, Zusammenfassen und Formulieren von Texten, Designentwicklung im Kontext von Forschungs- und Entwicklungsaufgaben sowie Programmierung.

Insbesondere dort, wo gut strukturierte Aufgaben vorliegen, lassen sich Prozesse zumindest in Teilen automatisieren. Dafür benötigt man nicht unbedingt immer gleich KI. 

Wenn etwa zu den eher regelhaften Analysen weitere, tiefergehende Betrachtungen und Interpretationen dazu kommen sollen, spielen KI-Systeme, wie wir sie etwa im Kontext von LLMs kennengelernt haben, zunehmend eine Rolle, die über einfache Robotic Process Automation (RPA) hinausführen.

Katharina: Welche Einsatzgebiete von KI werden aus Ihrer Sicht derzeit massiv unterschätzt und warum ist das so?

Detlef Schoder: Forscher, Entwickler und Anwender loten bereits sehr systematisch die Potenziale von GenAI und Agentic AI aus. Die Unterschätzung rührt also eher von der Fraktion, die sich nicht ausreichend mit dem Thema beschäftigt. 

Aus Forschungs- wie auch Anwendungsperspektive sehe ich erhebliche Möglichkeiten, wenn GenAI-basierte Systeme noch mehr und besser in Situationen unter unvollständiger Information lernen könnten. Dies betrifft z.B. strategisches Verhalten in komplexen Situationen. So könnte man mit GenAI-Agenten Verhandlungen für komplexe B2B-Deals simulieren oder letztendlich sogar führen lassen. 

Erste aussichtsreiche Implementationen dokumentiert Walmart & Maersk mit der KI Software Pactum. Die KI-Lösung verhandelt automatisch tausende kleine, aber strategisch relevante Lieferantenverträge über einen Chat-Bot. 

Ein weiteres Gebiet, das enorme Potenziale birgt, sind Multi-Agenten-Systeme. Das Zusammenspiel von verschiedenen KI-Agenten kann neue, emergente Eigenschaften und Ergebnisse hervorrufen, die den einzelnen KI-Agenten so nicht möglich wären. Wenn wir diese Interaktion zwischen Agenten besser verstehen, können wir uns diese Effekte auch im betrieblichen Umfeld zunutze machen.
 

Katharina: In Ihren vielfach mit Innovationspreisen ausgezeichneten Arbeiten zur KI in der Luftfrachtlogistik zeigen Sie, wie wichtig Echtzeitdaten, Prognosemodelle und Automatisierung sind. 

Welche Kernerkenntnis aus dieser Forschungsarbeit lässt sich auf andere Branchen übertragen?

Detlef Schoder: Eine der Kernerkenntnisse bezieht sich auf die Frage der „Modellierungsphilosophie“: Will ich als Unternehmen – unabhängig von der Branche – Prozesse vordergründig automatisieren oder designe ich meine Abläufe im Lichte einer „Man-Machine-Symbiosis“? 

Letzteres zielt stärker auf die Unterstützung des Menschen ab und fördert eine geschickte Arbeitsteilung zwischen Mensch und Maschine. Erfahrungsgemäß bewirkt die Kollaboration in sehr vielen Situationen eine höhere Entscheidungsqualität. 

Wir haben die Überlegenheit dieses Ansatzes in einem langjährigen Projekt zusammen mit der Lufthansa Cargo/Jettainer im Kontext weltweiten Lademittel-Managements auf Flughäfen mittels regelbasierter KI-Systemen erfolgreich gezeigt.
 

Die letzte Studie “Physical question, virtual answer: Optimized real-time physical simulations and physics-informed learning approaches for cargo loading stability” vergleicht zwei Ansätze miteinander, die den Prozess der Palettenverladung am Flughafen effizienter und sicherer gestalten sollen.

• Der erste Ansatz basiert auf einer physikalischen Simulation mithilfe einer Echtzeit-Physik-Engine. Das heißt: Das System simuliert physikalische Prozesse wie Rutschen, Kippen und Rotationen. Daraus berechnet es die Bewegung jedes Gepäckstücks und sagt vorher, was physikalisch passieren würde.
• Der zweite Ansatz nutzt ein physikinformiertes KI-Lernmodell. Dieses Modell wird mit Daten zum Ladeprozess trainiert, die Informationen zu physikalischem Verhalten enthalten. Zusätzlich kann es durch Feedback der Mitarbeitenden weiter verbessert werden.
• Obwohl dieser KI-basierte Ansatz in den Tests eine längere Verladezeit benötigte, erzielte er die höhere Prognosequalität: Er konnte komplexe Ladesituationen präziser erfassen und stabilere Lösungen schaffen

Katharina: Wenn ein Unternehmen KI strategisch einsetzen will: Welche Kernfragen sollten Entscheider*innen sich zu Beginn unbedingt stellen?

Detlef Schoder: Zentral ist es für Entscheider, eine sogenannte „AI Organizational Ambidexterity“ zu schaffen, was sich am besten übersetzen lässt als „organisationale Ambidextrie im Umgang mit KI“. 

Die Fähigkeit, zwei Dinge gleichzeitig zu beherrschen: 

Erstens bestehende KI-Lösungen effizient zu nutzen sowie zu optimieren und zweitens neue KI-Potenziale zu erkunden, um Innovationen voranzutreiben. Eine Konkretisierung dieses Verständnisses liefern die folgenden fünf Kernfragen:

1. „Wozu und was?“: Welche konkreten Use Cases mit welchen KPIs wollen und können wir mit welcher KI angehen?
2. „Mit wem & wie?“: Können Fachbereiche, IT, Data/AI-Team und Betriebsrat/Kunden konstruktiv kommunizieren, Anforderungen formulieren und AI-Lösungen gemeinsam gestalten?
3. „Womit?“: Haben wir zugängliche, saubere, rechtssichere Daten (inkl. Schnittstellen & Governance), auf denen AI zweckmäßig und compliant laufen kann?
4. „Mit welchen Leitplanken?“: Können wir Modelle zuverlässig entwickeln, deployen, von Anfang an dokumentieren und kontinuierlich überwachen sowie bei Bedarf anpassen – im Einklang mit Compliance, Sicherheit und Verantwortung?
5. Und vorgeschaltet als überragende Frage: Verfüge ich selbst und mein Team über ein digitales Mindset? Hat mein Unternehmen eine experimentierfreudige und unternehmerische Innovationskultur?

Wenn ich als Entscheider*in diese Fragen mit „Nein“ beantworten muss, sind dies unmittelbar die ersten und wichtigsten Ansatzpunkte, um Grundlagen für den erfolgreichen Einsatz von KI zu schaffen.
 

Katharina: Welche ersten Schritte müssen Führungskräfte jetzt einleiten, um nicht den Anschluss zu verlieren? Was sind die ersten Signale, dass man bereits hinterherhinkt?

Detlef Schoder: Sich mit dem Thema befassen, erste Experimente wagen und – anknüpfend an die Antwort oben – AI Organizational Ambidexterity schaffen. 

Über das Internet finden sich eine Vielzahl von Linksammlungen von Anbietern, Consultingunternehmen und etwa Bloggern, die über Anwendungsbeispiele berichten. 

Auch gibt es zahlreiche Messen und Konferenzen, die zumeist über Erfolgsbeispiele berichten.
Lehrreicher sind allerdings häufiger die Fehlschläge und Erfahrungswerte, die Unternehmen mit der Einführung von KI gemacht haben.

Diese findet man nicht so leicht im Internet. Sie erschließen sich eher über unabhängige Berater und Institutionen.

Mit „ersten Experimenten“ meine ich, dass sich einzelne Organisationsmitglieder, besser noch kleine Teams mit der Thematik beschäftigen und überschaubare Use Cases identifizieren. 

Daraus können erste Prototypen entstehen. Dies erzeugt wichtige Lerneffekte, die beim weiteren Ausbau etwaiger KI-Initiativen helfen.
 

Katharina: Was war in der KI-Forschung im letzten Jahr für Sie die überraschendste Erkenntnis?

Detlef Schoder: Es gab in den letzten Jahren zahlreiche aufeinander aufbauende Erkenntnisse, Modelle und Algorithmen im Bereich der KI. Insbesondere, wenn es um Deep-Learning-basierte Architekturen geht, die für GenAI und Agentic AI massgeblich sind. Insgesamt hat dies zu einer sich verstärkenden, geradezu extremen Innovationsdynamik geführt. Die Szene wird unterjährig mit mehreren „seminal papers“ pro Jahr beglückt!

Ein zentraler, für die Gesamtentwicklung des GenAI katalysierend wirkender Beitrag war das Forschungspapier „Attention Is All You Need“ zum maschinellen Lernen aus dem Jahr 2017, verfasst von acht Wissenschaftlern bei Google. Das Paper hat einen wichtigen Grundstein dafür gelegt, wie man sozusagen „mit Texten rechnen kann“ und vergleichsweise treffsicher die Semantik der Worte und Vokabularien dabei nicht verliert.

Das Papier schlägt ein neues Grundprinzip für KI-Sprachmodelle vor: Statt lange Wortketten Schritt für Schritt zu verarbeiten (wie frühere Modelle), schaut das Modell mit einem „Aufmerksamkeitsmechanismus“ (Attention) gleichzeitig auf alle Wörter im Satz und gewichtet, welche gerade wichtig sind.

Dadurch kann die KI viel besser Zusammenhänge über weite Textstellen hinweg erkennen. Z.B. welches „er“ zu welcher Person gehört oder wie sich ein Gedanke über mehrere Sätze entwickelt. Dieser Ansatz begründete im Bereich ML die Transformer-Architektur und ist die Basis für heutige große Sprachmodelle wie GPT & Co. Ohne dieses Paper gäbe es die aktuelle Gen-AI-Welle in dieser Form vermutlich nicht.

Katharina: Was ist aus Ihrer Sicht die zentrale Hürde bei der erfolgreichen Einführung von KI (bezogen auf Technologien, Datenqualität, Organisation, Kultur oder Governance)?

Detlef Schoder: Es ist zweifellos „Kultur“. Wenn diese nicht „passt“, können die anderen Faktoren sich nicht positiv entfalten. 

Gemeint sind dabei Faktoren wie eine konstruktive Fehler- und Innovationskultur, eine positive Haltung gegenüber Technologie und eine transparente Kommunikation über Pläne und Wirkungen des Einsatzes von KI im Unternehmen. Auch gehört dazu, dass Unternehmen ressourcenunterfütterte Experimentierfreiräume – zeitlich und inhaltlich – schaffen.

Katharina: Was können Entscheider*innen konkret tun, um diese Hürde zu überwinden?

Detlef Schoder: Sie sollten die Notwendigkeit von aktivem Veränderungsmanagement im Zuge der Digitalen Transformation in all seinen Facetten ernst nehmen, angehen und umsetzen.

Zum Beispiel braucht es eine Vision und deren Kommunikation, was KI im Unternehmen bewirken soll. Es sind klare Rahmenvorgaben für die Nutzung von KI zu entwickeln. Dabei geht es aber nicht um eine besonders detaillierte Regelungstiefe, sondern vielmehr um Orientierung und „Top-Management“-Unterstützung wie auch um Absicherung des Tuns und Handels von Mitarbeiter*innen. 

Erfahrungsgemäß sind auch weitere Stakeholder konstruktiv einzubinden. Ich denke da an Datenschutzbeauftragte, Betriebsbeauftragte, Rechtsabteilungen etc. Entsprechend sollten Ressourcen, Anreizsysteme sowie Controllingsysteme mit passenden Metriken entwickelt und angewandt werden. 

Katharina: Welche Frage sollte die Forschung aus Ihrer Sicht dringend als nächstes im Bereich KI-Nutzung in Unternehmen beantworten?

Detlef Schoder: Im Kern handelt es sich bei GenAI und Agentic AI um probabilistische Systeme. Entsprechend können ihre Ergebnisse unscharf, kreativ und selbst bei identischem Input variieren. Genau darin liegt ein wesentlicher Teil ihrer Stärke. 

Problematisch wird es jedoch, wenn die Systeme Inhalte frei erfinden und diese als belastbare Fakten ausgeben: Dann sprechen wir von Halluzinationen. 

Wie mehrere aktuelle Studien belegen, ist die Rate an Halluzinationen in den letzten 12 Monaten trotz neuer LLMs sogar gestiegen. Die New York Times berichtete in einem Artikel von Halluzinationsraten bis zu 79 %. 

Halluzinationen der KI-Systeme können die Stabilität und Ergebnisqualität von betrieblichen Prozessen untergraben, das Vertrauen in KI-Lösungen beschädigen und juristische, ethische wie auch regulatorische Risiken nach sich ziehen.

Entsprechend schwertun sich Rechtsabteilungen damit, dem produktiven Einsatz von KI-Systemen zuzustimmen, solange deren Verlässlichkeit nicht hinreichend belegt ist. Aus praktischer Sicht rückt daher die größer gewordene Notwendigkeit der Eindämmung von Halluzinationen in den Vordergrund.

Katharina: Wie wird sich die Nutzung von KI in Unternehmen in den nächsten drei Jahren entwickeln? Inwiefern werden sich Geschäftsmodelle verändern?

Detlef Schoder: Es wird bei innovativen Unternehmen zu einem weiter steigenden Einsatzgrad von KI-Lösungen kommen. D.h. alles, was sich halbwegs rechnet und zweckmäßig ist, wird man automatisieren. 

Viele Unternehmen werden sich an den Unterstützungspotenzialen von GenAI und Agentic AI bedienen, die zumindest im Falle GenAI vielerorts schon gelebt werden. 

Weniger innovative Unternehmen laufen meines Erachtens nach Gefahr, spürbar abgehängt zu werden. Durch die KI eröffnen sich mannigfaltige Möglichkeiten der systematischen Produkt- und Prozessinnovation. In einigen Fällen tragen diese auch zu Geschäftsmodellinnovationen bei.

Obwohl man die Potenziale von GenAI und Agentic AI noch gar nicht umfänglich verstanden oder ausgeschöpft hat, ist derzeit an Fahrt aufnehmende Entwicklung im Kontext von Robotic AI oder auch Embodied AI eine bedeutende komplementäre innovative Entwicklung und für Unternehmen im Kontext von Prozessunterstützung und -automatisierung zweifellos in den nächsten Jahren äußerst interessant.
 

Wir bedanken uns bei Professor Schoder für das Interview und die wertvollen Einblicke in den Forschungsstand! Wir sind gespannt auf die weiteren Entwicklungen und halten dich auf dem Laufenden!

Lerne jetzt mehr über KI-Technologien, Software & Innovationen. Schaue auf unserer Leistungsseite zu KI & maschinelles Lernen vorbei oder teste mit unserer KI-Checkliste in 5 Minuten, wie du im Vergleich zum Wettbewerb aufgestellt bist. 

In unserer E-Book-Bibliothek haben wir zahlreiche Inhalte für dich vorbereitet, um dich und dein Team zukunftssicher zu machen!

E-Books durchstöbern

KI-Lösungen entwickeln lassen

Wir entwickeln digitale Produkte, die hundertprozentig zu Ihnen passen! Mit über 26 Jahren Erfahrungen und mehr als 700 Projekten stehen wir Ihnen zur Seite:

• Projektstart innerhalb 2 Wochen
• Ihre Wünsche werden 1:1 umgesetzt
• Feste Ansprechpartner & transparente Kommunikation
• Volle Kontrolle über das Budget: Abrechnung nach Aufwand
• Nutzer sind dank intuitiver UX zufriedener
• Wettbewerbsvorteil durch Innovation

Beratungsgespräch vereinbaren