Die deutschen Industrieunternehmen gelten als Rückgrat der Wirtschaft und waren lange Zeit global führend. Doch technologische Disruptionen und neue Wettbewerber setzen viele Unternehmen unter Druck. Ob Automobilbau, Maschinenbau oder Chemie – zahlreiche Marktführer kämpfen mit rückläufigen Margen, Stellenstreichungen und einer schwierigen Positionierung in Zukunftsmärkten.

Ein Schlüssel zum Verständnis liegt im Konzept des „Leapfrogging“, geprägt von Paul Krugman. Neue Marktteilnehmer haben oft weniger zu verlieren und können direkt auf moderne Lösungen setzen, während etablierte Unternehmen, die sich auf bestehendes Wissen stützen, in die „Inkrementelle Falle“ geraten: Sie optimieren alte Technologien, anstatt neue Wege einzuschlagen.

Ein markantes Beispiel bietet die Heidelberger Druckmaschinen AG. Über Jahrzehnte dominierte das Unternehmen den Markt für Offsetdruckmaschinen. Doch mit dem Aufkommen des Digitaldrucks hielt Heidelberg an inkrementellen Verbesserungen seiner bestehenden Technologien fest. Marktanteile gingen verloren, das Unternehmen stand vor existenziellen Herausforderungen. Doch Heidelberger schaffte den Turnaround: Heute ist das Unternehmen mit neuen Geschäftsfeldern wie Wallboxen für Elektromobilität erfolgreich und zeigt, dass auch große Marktführer Innovationskraft entwickeln können.

Vor ähnlichen Herausforderungen steht die deutsche Automobilindustrie. Marktführer wie Volkswagen und BMW geraten durch die Elektromobilität unter Druck, während Unternehmen wie Tesla oder BYD mit neuen Ansätzen Marktanteile gewinnen. Statt mutig in neue Technologien zu investieren, setzen die deutschen Hersteller oft auf die Optimierung bestehender Produkte, was sie verwundbar macht.

Was können deutsche Industrien daraus lernen? Die Antwort lautet: Mut zur Exploration. Der Weg aus der Krise erfordert, sich für verschiedene Szenarien zu rüsten, Risiken einzugehen und in neue Geschäftsfelder zu investieren. Unternehmen müssen agiler und bereit sein, etablierte Strukturen zugunsten einer nachhaltigen Zukunft aufzubrechen.

Innovation bedeutet auch Risiko – doch es ist das Fundament für eine wettbewerbsfähige Industrie. Nur mit einem strategischen Fokus auf Zukunftsmärkte und disruptives Denken wird die deutsche Industrie ihre Rolle als globaler Taktgeber behaupten können.

Um in das hochkomplexe Thema Künstliche Intelligenz ein bisschen mehr Nuancierung und Tiefenverständnis reinzubringen haben meine hochgeschätzten Kollegen Gerhild und Peter von five i‘s und ich einen kleinen Diskussionskreis ins Leben gerufen [1]. In den ersten Folgen haben wir uns verschiedene Aspekte von Kreativprozessen vorgenommen. Diese laufen grundsätzlich in abwechselnd divergenten und konvergenten Aktivitäten ab. Bei divergenten Aktivitäten werden explorativ Lösungsvorschläge und Ideen generiert, bei konvergenten werden diese Vorschläge bewertet und priorisiert. Bouschery et. al. [2] haben bereits 2022 die Möglichkeit skizziert, dass KI bei beiden Aktivitäten unterstützen kann. Wir bei TIM Consulting setzen unsere eigens entwickelten generativen Tools schon erfolgreich zur Ideengenerierung ein, weshalb wir das für divergente Aktivitäten vollumfänglich bestätigen können. Die Gefahr, dass KI-generierte Inhalte nicht objektiv wahr sind, ist bei der Ideengenerierung vernachlässigbar [3]. Auch menschliche Ideen stimmen oft nicht (zumindest meine), wenn also dieselbe Skepsis bei KI-Ideen angewendet wird, kann eigentlich nichts schief gehen.

Dem Einwand, dass KI-Systeme nur auf bestehendes Wissen zurückgreifen und deshalb nicht wirklich kreativ sein können, kann ich nur eingeschränkt zustimmen. Laut der britischen Kognitionswissenschaftlerin Margaret Boden gibt es drei Formen von Kreativität [4]:

• kombinatorisch: die Vereinigung zweier vorher unabhängiger Dinge,
• explorativ: Randbereiche konzeptioneller Räume erforschen und
• transformativ: Veränderung kompletter Denkrahmen.

Transformative Kreativität wird sicherlich vorerst weiterhin den Menschen vorbehalten bleiben, diese stellt aber auch den kleinsten Teil kreativer Schöpfung dar. Insbesondere bei kombinatorischer, aber auch explorativer Kreativität ist sehr gut vorstellbar, dass KI mitspielen kann. Die KI AlphaFold bspw. kann neuartige Proteinstrukturen zuverlässig vorhersagen, was z.B. die Arzneimittelforschung rapide beschleunigen wird. Der Einsatz von KI bei divergenten Kreativaufgaben, egal bei welcher Aufgabenstellung, ist also sicherlich einen Versuch wert.

Bei den konvergenten Aktivitäten ist das Ganze allerdings etwas komplizierter. Zur realitätsnahen Bewertung von Ideen ist Faktensicherheit notwendig, was den Einsatz generativer Modelle bereits in Frage stellt. Aber ist das wirklich uneingeschränkt so? Insbesondere in frühen Phasen von besonders radikalen Ideen braucht es ein irrationales Durchhaltevermögen und unerbittliche Liebe zur Idee, um sie gegen Widerstände durchzusetzen. Irgendwann muss zwangsläufig der Punkt kommen sich bei ausbleibendem Erfolg einzugestehen, dass die Idee so nicht zielführend ist.

In jedem Fall sollte beachtet werden, dass generative KI in der Regel den Nutzer bestätigen möchte. Wenn ich ChatGPT frage, ob es eine Idee gut findet, wird es eine Menge gut klingender Gründe dafür finden. Wenn ich frage, ob es dieselbe Idee schlecht findet aber genauso. Wir müssen also sehr aufmerksam sein, dass wir nicht nur unsere eigenen Biases und Präferenzen durch die KI bestätigen zu lassen. Ein Ansatzpunkt bietet die alte Innovationsmanagerweisheit „Liebe das Problem, nicht deinen Lösungsvorschlag!“ Wenn wir es schaffen dieses Prinzip in unsere Arbeit mit der KI zu übernehmen ist schon viel gewonnen.

Konvergente Prozesse dienen dazu eine große Anzahl von Ideen zu bewerten und unplausible Vorschläge sogar ganz auszusortieren. Sicherlich ist es dafür eine Überlegung wert, früher mehr unverfängliche und echte Informationen zur Ideenbewertung beizusteuern. Automatisch erstellte Marktdatenanalysen oder unser analytisches Modell CUMULUSAI, das z. B. Patente auswertet, können mögliche KO-Kriterien identifizieren. Da die Handarbeit wegfällt, ist es jetzt möglich, viel mehr Ideen mit qualifizierten Informationen anzureichern und früher im Prozess eine bessere Bewertung zu ermöglichen.

Zusammenfassend lässt sich festhalten, dass der Einsatz von generativer KI in divergenten Kreativprozessen auf jeden Fall interessante Mehrwerte bringen kann und in konvergenten Kreativprozessen tendenziell eher analytische Systeme zum Einsatz kommen. Allerdings gibt es bei konvergenten Aufgaben mehr Hindernisse und Fehlerquellen.

Wie sind Ihre Erfahrungen mit KI in Kreativprozessen? Wir würden gerne mit Ihnen darüber ins Gespräch kommen!

Seit der IBM-Computer „Deep Blue“ Ende der 90er den damals amtierenden Schachweltmeister Garri Kasparow geschlagen hat, gibt es kein Zurück mehr: es wird nie wieder ein Mensch besser Schach spielen als ein Computer. Kasparow hat sich davon nicht entmutigen lassen, sondern eine neue Sportart mitbegründet: Cyborgschach. Dabei spielen Teams aus Menschen und KI gegeneinander. Das funktioniert mittlerweile so gut, dass ein „analog-digitales“ Team heute wieder eine KI schlagen kann, die alleine spielt.

Die Geschichte ist für mich immer wieder Inspiration nach kooperativen Lösungen zu suchen, die das Beste aus beiden Welten vereinen. Auch “Deep Blue”-Erbauer IBM schreibt in einer Studie:

„AI won’t replace people — but people who use AI will replace people who don’t.” [1]

Mit dieser Ansicht bin ich nicht alleine, deshalb veranstalten Gerhild Winnig und Peter Fürst von five i’s, Innovationsmanagementlegende und Stage-Gate-Erfinder Robert Cooper und ich ein zweitägiges Seminar, um Erkenntnisse und Best Practices vorzustellen und gemeinsam zu diskutieren.

TIM Consulting Newsletter-Leser erhalten einen Rabatt von 5% auf die Teilnahmegebühr des Seminars. Bitte hierzu bei der Registrierung im Feld „Registration Code“ den Begriff „Rabatt2025TIM“ eingeben.

Jetzt schon anmelden, weitere Informationen kommen zeitnah!

Wann: 7. und 8. Mai 2025

Wo: Raum Frankfurt am Main, tbd

Weitere Infos: https://stage-gate.eu/

KI steht natürlich nicht für Kurt-Ingo sondern für Künstliche Intelligenz (zumindest meistens) und ist weiterhin das Thema der Stunde. Das Sentiment in den Medien springt vielleicht hin und her zwischen Heilsbringer, Jobzerstörer oder überbewerteter Luftnummer, aber die Aufmerksamkeit bleibt. Da wir uns selbst intensiv damit beschäftigen, nutzen wir gerne jede der reichhaltigen Gelegenheiten, uns mit anderen darüber auszutauschen.

Dabei fällt mir immer wieder auf, dass selbst Grundlagenwissen über KI, bis auf ein paar Spielereien mit ChatGPT, die wirklich jeder mittlerweile gemacht hat, für meinen Geschmack viel zu wenig verbreitet ist. Vielleicht ist es in Wirklichkeit doch nicht ganz so dramatisch, dass viele Menschen nicht wissen würden, wofür die Abkürzung KI steht, trotzdem ist es aber verwunderlich. Insbesondere, da Digital- und KI-Kompetenz heute wichtige Zukunftsfähigkeiten sind, die in sämtlichen Unternehmensteilen durch die universelle Einsetzbarkeit moderner KI-Systeme eine hohe Relevanz haben.

Damit bliebe aber trotzdem immer noch als großes Hindernis ein Phänomen, welches ich das „Usability Dilemma“ nenne. Der große KI-Leistungssprung der letzten Jahre entstand unter anderem dadurch, dass moderne Algorithmen Text viel besser verarbeiten können. Das versetzt sie in die Lage, bessere Texte zu produzieren und diese viel besser zu „verstehen“. Dadurch ist nun jeder befähigt, auch ohne Programmierkenntnisse, die fortschrittlichsten KI-Tools zu bedienen, da diese natürliche Sprache verarbeiten können. Es besteht damit jedoch die Gefahr anzunehmen, dass mit Wald-und-Wiesen-Prompting (Zero Shot oder Few Shot in der Fachsprache) alle Potentiale bereits ausgeschöpft sind. Oft habe ich gehört, dass Anwender nach einigen Selbstversuchen frustriert KI als unbrauchbar abgestempelt haben. Schade, denn prinzipiell kann jeder tolle Ideen für KI-Anwendungen haben, die Umsetzungskompetenz liegt allerdings in den meisten Fällen immer noch bei erfahrenen Experten, so wie früher auch.

Auch weit verbreitet ist der Trugschluss, KI wäre jetzt ausschließlich generativ bzw. ist vielen gar nicht bewusst, dass es etwas anderes gibt als generative Systeme. Modelle wie ChatGPT generieren Inhalt, indem (vereinfacht gesprochen) das jeweils wahrscheinlichste nächste Wort an das vorherige gereiht wird, entsprechend der Fragestellung. Dadurch wird völlig neuer Inhalt geschaffen, der allerdings nicht immer wahr sein muss. Eine aktuelle Analyse von ChatGPT-Herausgeber OpenAI zeigt, dass die Richtigkeit selbst bei einfachen Frage-Antwort-Interaktionen überschaubar ist.[1]

Richtigkeit beim SimpleQA Benchmark-Test, der über 4000 faktenbasierten Fragen beinhaltet, wie z.B. „Who received the IEEE Frank Rosenblatt Award in 2010?“ (Datenquelle: OpenAI, eigene Darstellung)

„Früher“, vor transformerbasierten Large Language Models zu Zeiten von Machine Learning und neuronalen Netzen, war sämtliche KI analytisch. Das heißt ihr wurde ein bestimmter Datensatz gegeben, aus dem sie Erkenntnisse abgeleitet hat. Hinter allen Ergebnissen standen somit immer reale Daten, auf die verwiesen wurde. Analytische Systeme gibt es weiterhin und sie profitieren auch stark vom besseren Sprachverständnis bei der Auswertung. Somit sollte die erste Frage bei der Auswahl von KI-Werkzeugen sein, brauche ich Faktensicherheit oder ist sie vernachlässigbar? Damit kann vorselektiert werden, ob ein generatives oder analytisches System gebraucht wird.

Nicht jeder muss ein KI-Entwicklungsexperte werden. Ein Grundverständnis von der Funktionsweise und den Möglichkeiten von KI ermöglicht aber wirkungsvoll interdisziplinär zu diskutieren und Innovationspotentiale zu identifizieren. Wir versuchen mittlerweile bei allen unseren Projekten, die KI-Elemente enthalten, sei es Neugeschäftgenerierung, Prozessexzellenz, Roadmapping oder Deep Dives gleichzeitig auch mehr über die grundsätzlichen Funktionen zu informieren und die Möglichkeiten zu sensibilisieren.

Sie möchten mehr über unsere KI-Tools und deren Einsatzmöglichkeiten erfahren? Sprechen Sie uns gerne an!

TIM Fokusreihe „KI im FuE Bereich“

Nach der Identifikation von Einsatzpotenzialen und konkreten Anwendungsfällen entlang des Produktentwicklungsprozesses (PEP) stehen Unternehmen oft vor der Herausforderung, wie sie die Einführung von KI strategisch angehen können. Eine durchdachte KI-Strategie ist entscheidend, um die Potenziale der Technologie auszuschöpfen und langfristig Wettbewerbsvorteile zu sichern.

Im dritten und letzten Teil unserer Fokusreihe „KI im FuE-Bereich“ betrachten wir die wichtigsten Schritte zur Entwicklung und Umsetzung einer solchen Strategie.

Die Basis: Analyse des Status quo

Eine fundierte KI-Strategie beginnt mit einer gründlichen Analyse der Ausgangslage:

• Bestehende Prozesse und Daten: Welche Prozesse eignen sich für den KI-Einsatz? Sind die erforderlichen Daten verfügbar und in einer nutzbaren Qualität vorhanden?
• Technologische Infrastruktur: Gibt es bereits KI-Plattformen, Tools oder Kompetenzen im Unternehmen?
• Organisatorische Voraussetzungen: Ist die Organisation bereit für die Einführung neuer Technologien, und gibt es eine klare Governance-Struktur?

Priorisierung von KI-Anwendungsfällen

Nicht jeder Anwendungsfall hat die gleiche strategische Relevanz oder ist sofort umsetzbar. Deshalb ist es entscheidend, die identifizierten KI-Potenziale systematisch zu bewerten:

• Strategische Relevanz: Unterstützt der Anwendungsfall zentrale Unternehmensziele wie Innovationskraft, Kundenzufriedenheit oder Marktpositionierung?
• Wirtschaftlicher Nutzen: Welche Effizienzsteigerungen oder Umsatzpotenziale lassen sich realisieren?
• Umsetzbarkeit: Wie hoch sind die technischen und organisatorischen Anforderungen?

Die Kombination dieser Faktoren ermöglicht eine priorisierte Liste von Projekten, die sich entlang einer strategischen KI-Roadmap umsetzen lassen.

Die KI-Roadmap: Ein Fahrplan für die Umsetzung

Eine Roadmap übersetzt die strategischen Ziele in konkrete Maßnahmen und Meilensteine und betrachtet dabei kurzfristige, mittelfristige und langfristige Zeitabschnitte. Hierbei sind insbesondere folgende Aspekte zu berücksichtigen:

• Pilotprojekte starten: Beginnen Sie mit klar definierten KI-Anwendungsfällen, um erste Erfolge schnell sichtbar zu machen. Quick Wins motivieren die Teams und zeigen erste Learnings.
• Skalierbarkeit planen: Stellen Sie sicher, dass erfolgreiche Pilotprojekte auf andere Bereiche übertragen werden können.
• Wissen aufbauen: Investieren Sie frühzeitig in die Entwicklung interner Kompetenzen.
• Iterative Umsetzung: Nutzen Sie agile Methoden, um flexibel auf neue Erkenntnisse reagieren zu können.

Herausforderungen und Erfolgsfaktoren

Die Einführung von KI als fester Bestandteil der technologischen Tool-Landschaft erfordert nicht nur technisches Know-how, sondern auch eine Veränderung der Unternehmenskultur. Widerstände im Team, Datenschutzbedenken und unklare Verantwortlichkeiten können die Umsetzung erschweren.

Wichtige Erfolgsfaktoren sind deswegen:

• Stakeholder einbinden: Schaffen Sie frühzeitig Akzeptanz bei den betroffenen Mitarbeitenden und Führungskräften.
• Transparenz fördern: Kommunizieren Sie klar, welche Vorteile der KI-Einsatz bietet und wie Risiken gemanagt werden.
• Langfristig denken: Betrachten Sie die Einführung von KI nicht als einmaliges Projekt, sondern als kontinuierlichen Verbesserungsprozess.

Vom Plan zur Realität

Eine durchdachte KI-Strategie ist der Schlüssel, um das Potenzial von KI im FuE-Bereich langfristig auszuschöpfen. Unternehmen, die systematisch vorgehen, profitieren von effizienteren Prozessen, innovativeren Produkten und einer stärkeren Marktposition.

Das war Teil 3 unserer Fokusreihe „KI im FuE-Bereich“. Möchten Sie Ihre eigene KI-Strategie entwickeln und umsetzen? Sprechen Sie uns an – wir begleiten Sie von der Planung bis zur erfolgreichen Implementierung.

_________________________________________________________________________________________

KI im FuE Bereich ist Ihr Thema? Sie möchten die Einsatzpotenziale Künstlicher Intelligenz in den Phasen Ihres Produktenwicklungsprozesses kennenlernen?

• TIM Consulting bietet einen Prozess zur Identifizierung und Umsetzung von KI-Potenzialen an und analysiert, welche KI-Modelle am besten zu Ihrem Unternehmen passen.
• Wir unterstützen Unternehmen dabei, ihre KI-Strategie im FuE-Bereich zu entwickeln.

Dabei werden Potenziale sowohl aus Anwendungs- als auch Technologiesicht untersucht. Wir begleiten Sie von der Anwendungsfallidentifikation und Anwendungsfallkonzeption bis zur erfolgreichen Umsetzung, Evaluation, Einführung, Skalierung und Betrieb der Modelle. Wenn Sie die Potenziale in Ihren FuE-Systemen heben und Prozesse mithilfe von KI optimieren möchten, kontaktieren Sie uns hier.

Liebe TIM-Interessierte und Freunde!

Ihr TIM-Team