Künstliche Intelligenz in Handwerk und Mittelstand: Ein Forschungsüberblick

Meub, Lukas; Proeger, Till Research Report Künstliche Intelligenz in Handwerk und Mittelstand: Ein Forschungsüberblick ifh Forschungsbericht, No. 1 Provided in Cooperation with: Volkswirtschaftliches Institut für Mittelstand und Handwerk an der Universität Göttingen (ifh) Suggested Citation: Meub, Lukas; Proeger, Till (2022) : Künstliche Intelligenz in Handwerk und Mittelstand: Ein Forschungsüberblick, ifh Forschungsbericht, No. 1, Volkswirtschaftliches Institut für Mittelstand und Handwerk an der Universität Göttingen (ifh), Göttingen, https://doi.org/10.47952/gro-publ-105 This Version is available at: https://hdl.handle.net/10419/266611 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-nc-nd/4.0/ Künstliche Intelligenz in Handwerk und Mittelstand Ein Forschungsüberblick www.ifh-goettingen.de ifh Forschungsbericht 1 Lukas Meub, Till Proeger 2022 Veröffentlichung des Volkswirtschaftlichen Instituts für Mittelstand und Handwerk an der Universität Göttingen Forschungsinstitut im Deutschen Handwerksinstitut e.V. Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.dnb.de abrufbar. ISSN 2751-2215 DOI-URL: https://doi.org/10.47952/gro-publ-105 Alle Rechte vorbehalten ifh Göttingen | Heinrich-Düker-Weg 6 | 37073 Göttingen Tel.: +49 551 39 174882 E-Mail: [email protected] Internet: www.ifh-goettingen.de GÖTTINGEN | 2022 © Titelmotiv: AdobeStock.com, Sergey Zusammenfassung: Welche Rolle kann künstliche Intelligenz im Handwerk spielen? Die vorliegende Publikation fasst die internationalen und nationalen Forschungsergebnisse für Handwerk und Mittelstand der vergangenen Jahre zusammen, sammelt Beispielanwendungen, beschreibt Hemmnisse und Erfolgsfaktoren und diskutiert die bestehenden Transferkanäle, um die künftige Rolle von KI im Handwerk zu beurteilen. Die Forschungsliteratur zeigt, dass die Einführung von KIAnwendungen kleine und mittlere Unternehmen (KMU) grundsätzlich vor dieselben Herausforderungen stellt und mit denselben Struktureigenschaften umgehen muss, wie sie von der Digitalisierung schon bekannt sind. Die Herausforderung ist jedoch im KI-Bereich ungleich höher: Während grundsätzlich jeder Betrieb mit hohem Datenaufkommen für die Anwendung künstlicher Intelligenz geeignet ist, ist der Ressourcenaufwand einer eigenständigen Erstellung und Implementierung für Einzelbetriebe in der Regel unrealistisch hoch und bislang tendenziell inkompatibel mit den Struktureigenschaften kleinerer KMU. Ein geeigneter Ansatzpunkt zur Änderung dieser Situation sind KI-Dienstleistungen, die auf Basis von branchenspezifischen Datenpools entwickelt werden. Dadurch können überbetriebliche Daten spezifischer Anwendungsfelder Forschungseinrichtungen zur Verfügung gestellt werden. Diesen wird dadurch ermöglicht, spezifische KIAnwendungen zu erstellen und über Neugründungen zu kommerzialisieren. Auf diesem Wege kann künstliche Intelligenz in spezifischen Anwendungsfeldern als Dienstleistung für die Betriebe eines Handwerkszweiges als allgemein nutzbares Produkt zur Verfügung gestellt werden. Um diesen Transferkanal zu etablieren, können Handwerksund Mittelstandspolitik dafür im Vorfeld Datenverbünde organisieren, um hiermit Verbindungen zur KI-Forschung herzustellen und nach Entwicklung niedrigschwellig anwendbarer Produkte die KMU und Handwerksbetriebe bei der Nutzung und Verbreitung der so entstehenden KIDienstleistungen im Handwerk unterstützen. Künstliche Intelligenz in Handwerk und Mittelstand Ein Forschungsüberblick KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 4 Inhaltsverzeichnis Einleitung .............................................................................................................................. 5 Künstliche Intelligenz — Grundlagen ...................................................................................... 6 AI in SME‘s — der internationale Kontext ................................................................................ 8 3.1 Grundlagen ................................................................................................................................... 8 3.2 Hemmnisse bei der KI-Einführung ............................................................................................ 11 3.3 Erfolgsfaktoren bei der KI-Einführung ...................................................................................... 13 3.4 Fazit zur internationalen Forschungsliteratur .......................................................................... 15 KI im Mittelstand .................................................................................................................. 17 4.1 Grundlagen ................................................................................................................................. 17 4.2 Einzelstudien .............................................................................................................................. 21 4.3 Transfer-Papiere ........................................................................................................................ 23 4.4 Transfer-Organisationen ........................................................................................................... 25 4.5 Policy-Ebene .............................................................................................................................. 26 KI im Handwerk ................................................................................................................... 28 5.1 Studien ....................................................................................................................................... 28 5.2 Forschungsprojekte ................................................................................................................... 30 5.3 Positionspapiere ........................................................................................................................ 31 5.4 Mittelstand-Digital — Zentrum Handwerk ................................................................................ 31 5.5 Bestehende Anwendungsfelder von KI im Handwerk .............................................................. 32 Diskussion: KI-Anwendungen im Handwerk ......................................................................... 34 6.1 Ergebnisse der Forschungsliteratur .......................................................................................... 34 6.2 KI-Einführung und Digitalisierung ............................................................................................. 35 6.3 Vier Ebenen der KI-Nutzung im Handwerk ................................................................................ 36 6.4 Fokus der KI-Förderung ............................................................................................................. 37 Literatur .............................................................................................................................. 38 1 2 3 4 5 6 7 KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 5 Die Anwendung von künstlicher Intelligenz (KI) ist in den vergangenen Jahren ein zentrales Thema in Diskussionen um Digitalisierung und betriebliche Innovationsleistung geworden. Wie bei jeder technologischen Entwicklung im Themenfeld der Digitalisierung wurden starke Hoffnungen und Erwartungen formuliert, wie sich die mittelständische Betriebsführung und gesamte Branchen durch den Technologieeinfluss grundlegend verändern werden. Nach einigen Jahren der Diskussionen und Anwendungsbemühungen kann ein erster Überblick über die Forschungsund Transferinitiativen gegeben werden und Implikationen für die Förderung der Diffusion von KI-basierten Technologien in Mittelstand und Handwerk gezogen werden. Die vorliegende Studie fasst dafür die deutsche und internationale Studienlage zur Anwendung von künstlicher Intelligenz in mittelständischen Unternehmen und speziell dem Handwerkssektor zusammen und diskutiert die Implikationen für die Innovationsförderung der Handwerkspolitik. Entsprechend wird der Stand und die Förderung der Technologiediffusion als zentrale Dimension betrachtet, während technische Grundlagen nur grundlegend behandelt werden. Auf diese Weise können umfassend Strukturen der Technologieadaption anhand (inter-)nationaler Studien nachgezeichnet werden, zentrale Anreize und Hemmnisse identifiziert werden und die Erkenntnisse auf das Handwerk angewendet werden. Dabei zeigt sich ein kohärentes Bild zwischen internationalen KMU und den für den deutschen Mittelstand bzw. für das Handwerk identifizierten Eigenschaften. Ebenso zeigt sich, dass die Schwierigkeiten bei der KIAnwendung denen der Digitalisierung allgemein gleichen und somit in der Förderung prinzipiell dieselben Maßstäbe angelegt und ähnliche Strukturen genutzt werden können. Gleichwohl sollte die KI-Anwendung aufgrund ihrer Komplexität und den umfänglichen Voraussetzungen in Anwendungsbetrieben nicht als direkte Weiterführung der bestehenden Ansätze zur Digitalisierung verstanden werden, sondern als Forschungsund Entwicklungsbereich, an dem mittelständische Unternehmen mit speziellen Eigenschaften zwar partizipieren können, dessen Fähigkeit zur Breitenanwendung jedoch bislang nur in Ausnahmefällen vorliegt. An dieser Erstellung von niedrigschwellig nutzbaren KIAnwendungen können Forschungsinitiativen gemeinsam mit Unternehmen arbeiten und die Mittelstandspolitik kann diese Kooperationen unterstützen. Für die bestehenden und künftig zu entwickelnden Anwendungsmöglichkeiten können Beratungsangebote und Transferinitiativen eine Verbreitung bei kleineren Unternehmen unterstützen. Es bietet sich folglich eine konzeptionelle Trennung zwischen Diffusionsbemühungen neuer, anwendungsbereiter Technologien und der Forschungsförderung im Bereich KI an. Aufgrund des technologischen Standes von KI sind bislang vor allem letztere Initiativen geboten. Eine Vermischung mit den bestehenden Diffusionsbemühungen im Bereich der allgemeinen Digitalisierung erscheint hingegen wenig zweckmäßig. Diese Studie zielt darauf ab, die Rolle von KI für das Handwerk zu untersuchen. In Kapitel 2 wird einleitend Grundlagenwissen zur KI dargestellt. Da die Studienlage zu KI im Handwerk bislang begrenzt ist, fasst Kapitel 3 zunächst bisherige Studien der internationalen Forschungsdiskussion zur KI in KMU zusammen. Darauf folgend wird die Forschungslage zur KI im deutschen Mittelstand und Handwerk beschrieben (Kapitel 4 und 5) und schließlich übergreifend die Rolle von KI im Handwerk diskutiert (Kapitel 6). 1. Einleitung KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 6 Die Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das daran arbeitet, Maschinen und damit verbundene Computertechnologie zu „intelligenter“ Handlungsweise zu befähigen, wobei keine spezifische Definition von Intelligenz zugrunde liegt. Kerntechnologie der künstlichen Intelligenz ist das maschinelle Lernen (ML). ML beschreibt Lernalgorithmen, die verschiedene Formen von Daten nutzen, um komplexe Modelle zur Repräsentation der Strukturen der jeweiligen Datengrundlage zu entwickeln. Diese Modelle können im Anschluss auf andere Daten derselben Art angewendet werden, um Prognosen, Empfehlungen und Entscheidungen zu erstellen. Die Entwicklung maschinellen Lernens beginnt in den 1940er Jahren, wobei Phasen wissenschaftlichen Fortschritts von Phasen der Stagnation unterbrochen wurden. Durchbrüche waren dabei insbesondere durch die technische Entwicklung der Computertechnologie um die Jahrtausendwende zu verzeichnen. In der Folge verstärkte sich die Forschung und praktische Erfolge im Bereich der KI (vgl. Döbel et al., 2018 für einen ausführlichen historischen Überblick). Entscheidende Vorbedingung für den effektiven Einsatz des maschinellen Lernens sind große Datenmengen in einem eng abgegrenzten Feld, die zum Training der Modelle genutzt werden können. Beispiele für nutzbare Datenquellen sind Sensordaten, Texte oder Bilder, anhand derer Modelle aufgestellt und verbessert werden können. Die anschließende Anwendung der Modelle kann sowohl in physische Maschinen und auch rein digital in IT-Anwendungen erfolgen. Die Qualität des Modells und damit auch der erzielten Resultate in der Anwendung hängt entscheidend von der Qualität und der Menge der Trainingsdaten ab. Die Erwar- © Pexels.com, florianweihmann 2. Künstliche Intelligenz — Grundlagen KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 7 tung für die Zukunft der Anwendung von maschinellem Lernen im Kontext von künstlicher Intelligenz ist die immer tiefergehende Analyse von Daten in allen gesellschaftlichen und wirtschaftlichen Zusammenhängen, um durch ein tieferes Verständnis der zugrundeliegenden Strukturen effizientere Prozesse und effektive Entscheidungsunterstützung zu ermöglichen. Ökonomisch betrachtet werden neue Geschäftsmodelle und Effizienzgewinne in bestehenden Branchen erwartet, die durch ein tieferes Verständnis und bessere Planbarkeit von Unternehmensprozessen zustande kommen (vgl. Döbel et al., 2018). Auf Ebene der Patente für ML-Techniken stehen die USA und China an der Spitze der Entwicklung, wobei Korea und Japan folgen. Deutschland spielt eine geringe Rolle. Auf Deutschland bezogen sind die Patentanmelder vorrangig Großunternehmen, v.a. Siemens, Bosch, Deutsche Telekom, Daimler, BMW und SAP. Mittlere und kleinere Unternehmen spielen eine geringere Rolle, wobei die Patentanmeldungen keine Aussage zur faktischen Anwendung von ML-Technik ermöglichen. Dennoch zeigen die Patentanmeldungen an, wie die internationalen Forschungsund Entwicklungszentren gelegen sind. Trotz dieser für Deutschland schwachen Position ist Berlin nach London Europas zweitgrößtes Zentrum für KI-Start-Ups, wobei insgesamt die „deutsche MLUnternehmenslandschaft heterogen und fragmentiert“ (Döbel et al., 2018, S. 25) ist. Sie ist von Großunternehmen und Forschungseinrichtungen geprägt und hat wenige Kontaktpunkte zum klassischem Mittelstand. Diese geringe Durchdringung der mittelständischen Wirtschaft hat zur expliziten Zielsetzung eines besseren Transfers zu KMU in der deutschen nationalen KI-Strategie von 2018 geführt. Die zentralen Schwierigkeiten beim Technologietransfer liegen – wie bei vielen Digitalisierungsthemen – in der hohen Unsicherheit einer Neuentwicklung von Technologie, dem Mangel an spezifischer Kompetenz in den Unternehmen und einer zu geringen bzw. verstreuten Datenmenge (vgl. Döbel et al., 2018; siehe auch Heinen et al., 2021 für das Handwerk). Trotz dieser Schwierigkeiten und einer global betrachtet schwachen Position bestehen für die mittelständisch geprägte Unternehmenslandschaft in Deutschland erhebliche Potenziale bei der Adaption von KI, wobei insbesondere die Automatisierung von Produktionsprozessen und die Optimierung firmeninterner Prozesse die Position deutscher Unternehmen stärken kann. Umgekehrt bedeutet die dauerhaften Nicht-Implementierung der vorhandenen technischen Möglichkeiten ein Zurückfallen im globalen Wettbewerb, der langfristige negative Auswirkungen auf Wertschöpfung und Wohlstand haben würde. Dabei ist eine der zentralen Herausforderungen der Aufbau von Transferstrukturen, der die vorhandenen Forschungskapazitäten effektiv mit der Unternehmenslandschaft verbindet und dabei die Besonderheiten und Stärken der mittelständischen Wirtschaft berücksichtigt. Im Folgenden werden dafür die bisherigen Untersuchungen zur (internationalen) Umsetzung in Mittelstand und Handwerk zusammengefasst und zentrale Ergebnisse abgeleitet. Im Anschluss wird die Anwendung im Handwerk diskutiert. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 8 In diesem Kapitel wird die Fragestellung behandelt, wie der Wissensstand der Adaption von KI bei KMUs in der internationalen Forschungsliteratur aussieht. Grundlage ist eine strukturierte Recherche der internationalen Forschungsliteratur zum Themenbereich künstlicher Intelligenz und KMU bei Google Scholar sowie eine unstrukturierte Suche über zitierte Studien in den relevanten Forschungsartikeln. Das Ziel ist es dabei, eine übergreifende Einordnung der deutschen Diskussion um die KIFörderung in Mittelstand und Handwerk zu geben und zentrale Ergebnisse der Forschung zu formulieren. Übergreifend fügt sich die Literatur in die Forschungslinien zur Technologieadaption mit Bezug auf KMU ein, wobei insbesondere auf die Besonderheiten von KI eingegangen wird. Prinzipiell werden KI-Anwendungen für KMU jedoch nicht anders als andere Aspekte der Digitalisierung mit ähnlichen Konzepten analysiert. Entsprechend sind die Herausforderungen und Adaptionsmuster vergleichbar mit vergangenen Innovationswellen im Bereich der Informationstechnologie, wobei insbesondere die zentralen Eigenschaften der KMU für die langsamere Technologieadaption verantwortlich sind. Der folgende Literaturüberblick ist gegliedert in Grundlagen der KI-Adaption bei KMU sowie Hemmnisse und Erfolgsfaktoren. Ein Fazit fasst die zentralen Ergebnisse der Studien zusammen. 3.1 Grundlagen Hansen & Bogh (2021) fassen die Literatur zu KI und Internet of Things (IoT) und ihrer Anwendung in KMU zusammen. Dabei wird zunächst auf Basis bestehender Studien festgehalten, dass KMU auf dem Weg zur „Industrie 4.0“ keine umfängliche Umsetzung aller technischen Möglichkeiten benötigen, sondern dass die Kombination aus IoT-Anwendung und KI zur Analyse der dort entstehenden Daten zentral für die Steigerung der Leistungsfähigkeit ist. Dabei wird davon ausgegangen, dass dieser Ansatz ein erhebliches Potenzial hat, aber KMU selbst keine Fähigkeiten zur eigenständigen Implementierung haben – entsprechend müssen Forschungseinrichtungen die Implementierung in KMU vorbereiten und fördern. Konzeptionell werden Schnittmengen der drei Bereiche KMU, KI und IoT betrachtet, die wiederum drei mögliche Anwendungsfelder ergeben: Modelle, intelligente Entscheidungssysteme, Produktionsdaten und Prognose-Analytik (predictive analytics) (siehe Abb. 1.). Die Prognose-Analytik stellt dabei das Fernziel einer weitgehend datengestützten Produktion dar, für die sich in KMU bislang keine oder sehr wenige Anwendungsfälle zeigen. Abb. 1.: Verbindungen von IoT, KMU und KI und resultierende Anwendungen Quelle: Hansen & Bogh (2021), S. 4, eigene Darstellung Anmerkung: SME steht für small and medium-sized enterprises, IoT für internet of things, P.A. für predictive analytics und AI für artificial intelligence. 3. AI in SMEs — der internationale Kontext KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 15 3.4 Fazit zur internationalen Forschungsliteratur Die Forschungsliteratur zur KI-Adaption in KMU ist bislang begrenzt, das Forschungsinteresse wächst jedoch seit 2016 an und es gibt relevante Journal-Artikel zum Thema, die gute Literaturgrundlagen und Anknüpfungspunkte für die weitere Forschung geben. Zentrale Themen sind künstliche Intelligenz selbst, Cloud-Nutzung und Internet of Things, welche Anknüpfungspunkte für die Einführung und Nutzung von KI in KMU darstellen. Übergreifend besteht ein Konsens, dass KI-Anwendungen bislang nur in Ausnahmefällen in KMU eingesetzt werden und die Technologieadaption langsam und inkrementell erfolgt. Stärker genutzt werden KI-Anwendungen von größeren, internationalen, wissensintensiven und serviceorientierten Unternehmen, nicht aber von KMU. Gleichwohl können kleinere IoT-Anwendungen („low cost“) mit KI-Anteil bereits mit geringem Aufwand umgesetzt werden. Realistisch erscheint die Etablierung einzelner datengenerierender Messpunkte und somit von lokalen Predictive AnalyticsSystemen zur unternehmensweiten Analyse spezifischer Daten, ohne dass eine umfängliche Datenanalyse aller Unternehmensprozesse angestrebt wird. Themen der KI-Ethik, die in der öffentlichen Diskussion eine große Rolle spielen, sind für KMU bislang nicht relevant. Das branchenspezifische Poolen von Daten zum Aufbau von kostengünstigen KILösungen wird als Möglichkeit diskutiert. Zentrale bereits jetzt bestehende Anwendungsfelder von KI, die ebenfalls in KMU einsetzbar wären, sind: ■ Informationsgewinnung, Kundengewinnung, Kaufempfehlungen, Marktanalysen ■ Online-Kommunikation mit Kunden und Bewertungsmanagement ■ Vorhersage von Cash-Flows, Personalund Materialbedarfe ■ Fachkräftegewinnung, juristische Beratung sowie Datenschutz und Cybersicherheit Entscheidend für die Entscheidung zur Einführung von KI sind: © Shutterstock.com, ozrimoz KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 16 ■ der wahrgenommene Wert der KI für das Unternehmen, die einfache Verfügbarkeit und die Erfordernisse des eigenen Daten-Ökosystems. ■ die Passfähigkeit in die eigene Strategie und Ressourcenverfügbarkeit, die eigenen Fähigkeiten und der Stand der digitalen Transformation. ■ die Unterstützung durch Mitarbeiter und Management und die interne Risikowahrnehmung. Zentrale Hemmnisse bei der KI-Einführung sind: ■ die lange Laufzeit der Maschinen von KMU, die eine Etablierung von Messsystemen erschweren und die hohen Kosten einer Neuanschaffung mit KI-Systemen. Damit verbunden die Inkompatibilität mit den bestehen IT-Systemen. ■ Mangel an Kompetenzen und Wissen in den KMU, um KISysteme selbst zu etablieren, sie zu nutzen oder auch nur den Nutzen zu beurteilen. ■ zu geringe Erfahrungen mit KI, begrenzte finanzielle und organisationale Ressourcen und ein schwacher Business Case für die Investition in KI. Dazu kommt die Abhängigkeit von externen Dienstleistern im Falle einer Einführung durch Dritte. ■ Widerstände gegen die Einführung, Qualifikationsmängel, das Alter der Beschäftigten sowie KIbzw. Technologieskepsis. Erfolgsfaktoren der Nutzung von KI zusammengefasst: ■ Es sollten keine übertriebenen Erwartungen an die Leistungsfähigkeit von KI vor deren Einführung aufgebaut werden. ■ Neben dem notwendigen Fokus auf die Technologie selbst muss die Organisationsstruktur des Unternehmens, d.h. die saubere Prozessintegration und die Datenverfügbarkeit, beachtet werden. ■ Für Kunden muss der Nutzen der KI offensichtlich werden und Freude bereiten, damit die Technologie angenommen wird. ■ Gute Planung der Einführung und eine im Unternehmen verbreitete positive Einstellung zu KI sind starke Erfolgsfaktoren und wichtiger als direkte KI-Fachkompetenz. Ebenfalls entscheidend sind der wahrgenommene Nutzen und die einfache Nutzbarkeit der Tools für die Anwender im Unternehmen. ■ Unternehmen, die Aspekte der Online-Kundengewinnung, Cashflow-Vorhersagen und HR-Aktivitäten über KI nutzen, haben gleichzeitig dynamischere Fähigkeiten, höhere Effizienz und geringere Geschäftsrisiken in Krisensituationen. Insgesamt erklären die KMU-spezifischen Hemmnisse sehr gut und nachvollziehbar die bislang begrenzte Adaption von KI-Technologien und die inkrementelle Innovationstätigkeit in diesem Bereich. Hierbei unterscheidet sich KI nicht von anderen Aspekten der Digitalisierung bzw. der Innovationstätigkeit von KMUs allgemein (vgl. Thomä & Bizer, 2021; Proeger & Runst, 2020 für den Mittelstand sowie Proeger et al. (2020) für das Handwerk) und sollte auch in diesem Rahmen als eine weitere Welle technologischer Innovation verstanden werden, die jedoch noch in einem sehr frühen Stadium der Anwendung in KMU ist. Für den Mittelstand und das Handwerk bedeutet dies eine schrittweise Adaption der neuen technischen Möglichkeiten, die bestmöglich von Wirtschaftsund Innovationspolitik gefördert werden sollte, um die Effizienzund damit Wachstumsgewinne von KI in KMU möglichst früh auszuschöpfen. Im Folgenden werden dafür die Forschungsergebnisse dargestellt, die spezifisch für den deutschen Mittelstand erzielt wurden, bevor die Ergebnisse für das Handwerk präsentiert werden. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 17 4.1 Grundlagen Das folgende Kapitel untersucht, welche grundlegenden Erkenntnisse für die Anwendung von KI im Mittelstand festgehalten werden können. In den vergangenen Jahren wurde eine Reihe von umfassenden Studien von Ministerien bzw. im Rahmen von Begleitforschungen erstellt, welche einen Überblick insbesondere im industriellen Bereich geben und deren zentrale Ergebnisse einen guten Überblick über den Adaptionsgrad von KI in einem KI-affinen Teil der deutschen Volkswirtschaft verschaffen. Eine zentrale Grundlagenstudie wurde durch das ZEW im Auftrag des Bundeswirtschaftsministeriums erstellt (BMWi, 2020). Sie nutzt eine Sonderauswertung der Deutschen Innovationserhebung des Jahres 2019 sowie einer Zusatzbefragung von KI einsetzenden Unternehmen. Darin wird repräsentativ für den Berichtskreis der Innovationserhebung (Unternehmen mit fünf oder mehr Beschäftigten in der produzierenden Industrie und in überwiegend unternehmensorientierten Dienstleistungen) der Einsatz von KI erhoben. ■ 16 % der Betriebe haben ihre KI-Anwendungen selbst entwickelt, in 24 % der Fälle gab es Kooperationsentwicklungen und in 60 % der Fälle werden extern entwickelte Anwendungen genutzt. ■ Zentrale Anwendungsfelder sind maschinelles Lernen und maschinelles Beweisen mit 55 % der KI-nutzenden Unternehmen. Bildund Tonerkennung werden von 50 % genutzt, Sprachund Textverstehen von rund 30 %. Hauptanwendungsgebiete sind dabei Produkte und Dienstleistungen sowie die Automatisierung von Prozessen. ■ 30 % der KI-Nutzer haben zusätzliche KI-Beschäftigte gesucht, wobei 43 % der Stellen unbesetzt blieben. ■ Branchenbezogen zeigt sich, dass primär Unternehmen im Bereich Informationsund Kommunikationstechnologien (IKT), Finanzdienstleistungen und unternehmensnahe Dienstleistungen KI einsetzten. In deutlich geringerem Maße folgten Elektrotechnik und Maschinenbau sowie Chemie-, Pharmaund Grundstoffindustrie. Alle weiteren Branchen des betrachteten Wirtschaftsbereichs haben deutlich geringere Anteile an KI-einsetzenden Unternehmen. Als zentrale Ergebnisse werden dort ermittelt: ■ Rund 5 % aller deutschen Unternehmen im Bereich des produzierenden Gewerbes und unternehmensorientierten Dienstleistungen nutzen KI in Produkten, Dienstleistungen oder internen Produkten. ■ Pro Unternehmen mit KI-Einsatz werden rund 270.000 Euro für Entwicklung, Einführung und Pflege von KI-Anwendungen ausgegeben; drei Viertel davon sind interne laufende Aufwendungen, insb. für Beschäftigte. ■ In den KI-einsetzenden Unternehmen sind rund 50.000 Personen hauptsächlich und 89.000 Personen zu einem kleineren Teil der Arbeitszeit mit KI tätig. Insgesamt entsprechen diese Personen 0,84 % der Beschäftigten aller betrachteten Unternehmen. ■ Rund 4 % der Unternehmen setzen KI in ihren Produkten und Dienstleistungen ein und erzielen damit rund 8 % aller Umsätze in den KIeinsetzenden Unternehmen. ■ Für 12 % der KI-einsetzenden Unternehmen ist KI zentral für das Geschäftsmodell. Entsprechend haben 2.100 Betriebe ein stark auf KI basierendes Geschäftsmodell. 4. KI im Mittelstand KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 18 Eine zweite umfassende Grundlagenarbeit stellt die Auswertung der Erhebung „Modernisierung der Produktion“ 2018 des Fraunhofer-Instituts für Systemund Innovationsforschung ISI dar, die als „KI-Readiness im Verarbeitenden Gewerbe mit Fokus auf Baden-Württemberg“ ausgewertet wurde (Lerch et al., 2021). Zielgruppe der Befragung sind Betriebe aller Branchen des Verarbeitenden Gewerbes in Deutschland mit mindestens 20 Beschäftigten, wobei in Bezug auf die regionale Verteilung eine gute Abdeckung der Grundgesamtheit erreicht wird. Dafür werden insgesamt 16 KI-nahe Technologien und Maßnahmen aus drei verschiedenen Feldern ((1) Digitales Produkt-Service Angebot, (2) Digitale Produktion, (3) Daten und Sicherheit) abgefragt, wobei aus den Nennungen insgesamt ein Indexwert gebildet wird. Zentrale Ergebnisse sind: ■ Die KI-Anwendungen werden unterschiedlich stark genutzt, wobei die Spanne zwischen 4-5 % bei BigData-Analysen bzw. mobilen Robotern und rund 60 % bei Datenspeicherung bzw. digitalen Elementen im Kernprodukt liegen. Die gleichzeitige Nutzung mehrere KI-Technologien ist wenig verbreitet. ■ Nach dem entwickelten Index weisen 5 % der Industriebetriebe Deutschlands eine hohe KIReadiness auf, während 70 % keine oder lediglich eine geringere Bereitschaft aufweisen. 26 % weisen eine mittlere KI-Readiness auf. ■ Grundlegend wird KI eher in Unternehmen eingesetzt, je höher die Produktkomplexität und die Seriengröße und desto größer der Betrieb ist. ■ Maschinenbau und Elektroindustrie sind in der betrachteten Stichprobe die Branchen mit dem höchsten Indikatorwert. Geringe Werte weisen Metallbranche, die Holzund Papierindustrie, die Nahrungsund Getränkeindustrie sowie die Textilund Lederindustrie auf. ■ Baden-Württemberg weist insgesamt hohe Indikatorwerte auf, was durch den Maschinenund Automobilbau, die Ausrüsterund Systemzuliefererstrukturen sowie einen KIaffinen Mittelstand bedingt ist. Eine besondere Führungsrolle identifiziert die Studie für den Bereich der Digitalen Produktion, die CPS-nahe Produktionssysteme und intelligente Roboter umfasst. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 19 Eine weitere grundlegende Analyse zur Relevanz geben Döbel et al. (2018), die auf Basis vorheriger Studien und Experteneinschätzungen die Branchenrelevanz von KI darstellen und das geschätzte Umsatzpotenzial von KI-Anwendungen aufzeigen. Von den Branchen mit hoher Relevanz auf dem deutschen Markt weisen insbesondere die Konsumelektronik, Gesundheitswesen und Medizin, Bankverkehr, Dienstleistungen und Versicherungen sowie Transport / Mobilität / Logistik ein hohes Umsatzpotenzial durch KIAnwendungen auf (Abb. 4). Ein ähnliches Bild vermittelt die ebenfalls sehr umfassende Studie von Seifert et al. (2018) im Auftrag des Bundeswirtschaftsministeriums, die das produzierende Gewerbe betrachtet. Dabei wird zusätzlich eine Analyse des Wertschöpfungspotenzials von KI im produzierenden Gewerbes erstellt, wobei mit einem Wachstum der Bruttowertschöpfung in Höhe von rund 32 Mrd. EUR gerechnet wird, was einem Drittel des insgesamt erwarteten Wachstums entspricht. Darüber hinaus werden Kennzahlen zur bisherigen KI-Relevanz und Nutzung in der deutschen Wirtschaft vorgestellt, die im Wesentlichen den Ergebnissen der BMWibzw. Fraunhofer-Studien ähneln. Im Hinblick auf die Unternehmensbereiche werden ebenfalls Forschung und Entwicklung (FuE), Service/Kundendienst, Produktion, Marketing/ Vertrieb und Planung als zentrale Anwendungsbereiche genannt, wobei die größten Potenziale in den Bereichen Predictive Analytics, Intelligente Assistenzsysteme, Robotik, Intelligente Automatisierung sowie Intelligente Sensorik erwartet werden. Ähnliche Ergebnisse ermittelt die Studie im Hinblick auf die Unternehmensgröße und KI-Anwendung, die bislang geringe Durchdringung der Unternehmen mit KIAnwendungen und die Nutzung externer KI-Anbieter sowie der geringen Rolle von KMU in Bezug auf KI-Anwendungen. Als Hemmnisse werden wiederum der Mangel an Fachkräften und internen Kompetenzen genannt. Auf Ebene der Politikempfehlungen diskutieren die Autoren eine gezielte Bewerbung spezifischer KMU-Anwendungsfelder wie Wissensmanagement und Qualitätskontrolle, die Verbesserung der Informationslage zu Anbietern, Dienstleistern und FuE-Kooperationspartnern und die Bereitstellung von Use Cases und Best Practice-Beispielen. Ebenso sollten die berufliche und akademische Ausbildung stärker auf KI fokussiert werden und Umsetzungshemmnisse für KIAnwendungen auf allen Ebenen soweit wie möglich reduziert werden. Ergänzend gelesen werden kann in diesem Zusammenhang die Studie von Rammer (2020) für das BMWi, der auf Basis des Mannheimer Innovationspanels einen Beitrag zur Innovationsleistung und wirtschaftlichen Performance KI leistet. Dabei stellt die Studie erhebliche Innovationsbeiträge durch KI heraus, substanzielle Umsätze mit KI (wobei keine zusätzAbb. 4.: Anwendungsbranchen für Maschinelles Lernen Quelle: Döbel et al. (2018), S. 9., eigene Darstellung KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 20 lichen Umsätze erzielt werden) sowie ein Beschäftigungsaufbau in den betreffenden Unternehmen, trotz der bislang nur in kleinen Segmenten verbreiteten KI-Nutzung. Eine Produktivitätssteigerung in den betreffenden Unternehmen zeigt sich nicht, was als erwartbare Anfangsschwäche der KI-Nutzung in neuen Unternehmensabläufen interpretiert wird. Das übergreifende Bild, das sich von der bisherigen KINutzung in Deutschland zeichnen lässt, betrifft also größere Betriebe mit hoher Produktkomplexität und Seriengröße im Industriebereich sowie Unternehmen der Branchen IKT, Finanzdienstleistungen und Unternehmensberatungen, wobei die Umsatzanteile und der Durchdringungsgrad sehr niedrig bleiben und ein Fachkräftemangel besteht. Bei den künftig umsatzstarken KI-Anwendern sind für Deutschland insbesondere die Bereiche Konsumelektronik, Gesundheitswesen und Medizin, Bankverkehr, Dienstleistungen und Versicherungen sowie Transport / Mobilität / Logistik zentral. Diese sind insgesamt weniger stark durch mittelständische Unternehmen geprägt. ■ Grundlegend wird KI eher in Unternehmen eingesetzt, je höher die Produktkomplexität und die Seriengröße und desto größer der Betrieb ist. ■ Bei den Betrieben, die KI einsetzen, werden 8 % der Umsätze mit oder in Bezug zur KI-Anwendung erzielt. ■ Mit KI werden beachtliche Umsätze erzielt, wobei sich Umsatzsteigerungen oder höhere Produktivität bislang nicht zeigen. Dennoch werden KI-einsetzende Unternehmen innovativer und sind eher in der Lage, Weltneuheiten im Innovationsprozess zu erzielen. ■ Es werden primär extern entwickelte KI-Anwendungen genutzt; Eigenentwicklungen sind die Ausnahme, Kooperationen etwas häufiger. ■ Es besteht ein Fachkräftemangel im Hinblick auf die Besetzung von KI-bezogenen Stellen. Welche Schlüsse lassen sich nun aus diesen umfassenden, empirisch fundierten Grundlagenstudien zur Verbreitung von KI in der deutschen Wirtschaft und im Mittelstand ziehen? ■ Faktisch wird KI in rund 5 % aller Betriebe genutzt, wobei primär Unternehmen im Bereich IKT, Finanzdienstleistungen und unternehmensnahe Dienstleistungen KI einsetzten. In deutlich geringerem Maße folgten Elektrotechnik und Maschinenbau sowie Chemie-, Pharmaund Grundstoffindustrie. ■ Bei einer weitergehenden Definition von KI-Nutzung können differenzierte Nutzungsgrade gezeigt werden, wobei erneut rund 5 % intensive Nutzer sind, 25 % mittlere Werte aufweisen und 70 % keine oder nur geringe Berührungspunkte aufweisen. ■ Unter 1 % der Beschäftigten der Betriebe der produzierenden Industrie / den unternehmensorientierten Dienstleistungen befassen sich mit KIAnwendungen. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 21 4.2 Einzelstudien Neben den umfassenden Grundlagenuntersuchungen werden in kleineren Studien Einzelaspekte von KI im Mittelstand untersucht. Zimmermann (2021) beschreibt die Erwartungen an KI im Mittelstand und stellt dem empirisch die bislang geringe Verbreitung von KI im Mittelstand entgegen. Anhand des KfW-Mittelstandspanels 2019 zeigt er, dass sich vor allem solche Unternehmen mit KI befassen, die hohe Digitalisierungsinvestitionen tätigen, eine Digitalisierungsstrategie haben, eigene FuE betreiben und eher größer sind. Daraus wird abgeleitet, dass der Nutzung von KI hohe Hürden entgegenstehen, die jedoch im Rahmen einer umfassenden Förderstrategie abgebaut werden könnten. Ulrich & Frank (2021) zeigen, dass bei der KI-Einführung im Mittelstand eher Effizienzgewinne statt Entscheidungsunterstützung wichtig sind, wobei auf technischer Ebene regelbasierte Systeme und maschinelles Lernen die höchste Relevanz haben. Zentrale Anwendungsbereiche sind Produktion und Logistik, die größten Hemmnisfaktoren sind fehlende Qualifikationen und finanzielle Restriktionen. André et al. (2021) diskutieren anhand eines Whitepapers, welche Kompetenzanforderungen der Einsatz und Aufbau von KI in Unternehmen haben wird und geben eine Reihe von mittelstandsrelevanten Anwendungsbeispielen. Ferner wird ein Kompetenzmanagement-Prozess vorgeschlagen, durch den ein Ansatzpunkt für Unternehmen zum Aufbau der nötigen Kompetenzen erstellt werden kann. Demary & Geocke (2020) diskutieren, ob es eine Mittelstandsskepsis gegenüber Künstlicher Intelligenz gibt. Auf Basis einer Umfrage zeigen sie, dass KMU KI für die Volksund Weltwirtschaft gleichermaßen als sehr wichtig einschätzen. KMU gehen im Gegensatz zu Großunternehmen jedoch in höherem Maße davon aus, dass KI eine Bedrohung ist und weniger stark eine Chance. Insgesamt werten sie die Annahmen als Skepsis, der durch Information und Qualifikation zu begegnen sei. Eine ähnliche Bewertung haben Axmann & Harmoko (2021), die ebenfalls die Skepsis im Hinblick auf die KMU-Anwendbarkeit als Hauptgrund für die Zurückhaltung von KMU bei KI ansehen. Geeignete Gegenmaßnahmen seien der Aufbau von Vertrauen und Fähigkeiten bei den KMU sowie die Bereitstellung von Bewertungswerkzeugen und Richtlinien für die KI-Anwendung durch externe Akteure. Lüth (2019) beschreibt Herausforderungen bei der Einführung KI in KMUs, wobei im Wesentlichen dieselben Grundprobleme identifiziert werden, die in anderen Studien gefunden wurden. Relevant ist zusätzlich seine Einschätzung, dass ein häufiger Fehler bei der Anwendung bzw. Wahrnehmung von KI der Glaube daran sei, dass große Datenmengen in Kombination mit KI automatisch und auf „magische Art und Weise einen Mehrwert produzieren“ (Lüth, 2019, S. 3). Vielmehr sei die Datenanalyse voraussetzungsreich und an einer Reihe von strikten Kriterien orientiert, sodass eine enge Begleitung und gute Vorbereitung für den Erfolg von KI-Projekten unabdingbar sei. Demary & Goecke (2021) stellen auf Basis des IWZukunftspanels eine positive Tendenz bei der Nutzung von KI sowohl bei Großunternehmen als auch bei KMU fest: Seit 2019 sei demnach die Nutzung in beiden Gruppen deutlich angestiegen auf (Stand 2021) 40 % bei Großunternehmen und 17,6 % bei KMU. Als weiterhin unterstützende Politikmaßnahmen sehen die Autoren das Aufzeigen von Anwendungsmöglichkeiten, die Erhöhung von Rechtssicherheit, den staatlichen Einsatz von KI und eine Erhöhung der Transparenz von KI. Demary et al. (2020) analysieren auf Basis vielfältiger Indikatoren den Durchdringungsgrad von KI in Wirtschaft und Gesellschaft. Für KMU werden Studienergebnisse geringererNutzung von KI in KMU als in Großunternehmen zitiert, welche ebenso die Hemmnisse der fehlenden Fachkenntnis, Datenbasis, Infrastruktur sowie Sicherheitsbedenken aufzeigen. Als Politikmaßnahmen werden entsprechend Qualifikation, Datenverfügbarkeit, Anwendungsbeispiele und Startup-Förderung genannt, wobei kein spezifischer KMUFokus gewählt wird. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 22 Pfeiffer (2020) untersucht die Erfordernisse von Beschäftigten zur praktischen Anwendung von KI-Lösungen, wobei insbesondere auf die Anwender und nicht die Entwickler der Technologien abgezielt wird. Auf Basis der BIBB/BAuAErwerbstätigenbefragung werden Predictive Maintenance und beratungsintensive Sachbearbeitung untersucht. Es zeigt sich, dass die Beschäftigten der betreffenden Bereiche insgesamt hohe Kompetenzen aufweisen, die für den Einsatz von KI erforderlich sind. Haarmeier (2022) betrachtet die Rolle des Eigentümers eines KMU und schlägt ein Vorgehensmodell bei der KI-Einführung vor, das klassisches und agiles Projektmanagement kombiniert. Dahm & Constantine (2020) behandeln Machine Learning aus der Perspektive mittelständischer Betriebe und diskutieren Ansätze und Erfolgsfaktoren anhand einer kleinen Stichprobe an mittelständischen Betrieben. Dabei werden insbesondere Open-SourceLösungen und kosteneffiziente Lösungen zum Aufbau technischer Kompetenzen diskutiert. Ulrich & Bachlechner (2020) betrachten die schwierige wirtschaftliche Bewertung von KI-Projekten in KMU. Aufgrund des starken Wettbewerbs ist für KMU die wirtschaftliche Bewertung von Investitionen stets wichtig, wobei diese Bewertung aufgrund der vielfältigen Unsicherheiten im Bereich der KI schwer ist. In ihrem Beitrag nehmen die Autoren eine Bestandsaufnahme der verschiedenen Bewertungsmethoden vor und geben Empfehlungen für die Bewertungstätigkeit bei transformativen Vorhaben. Röhl & Engels (2021) diskutieren die Möglichkeit der Kooperation von Mittelständlern und Start-Ups, um digitale Innovationen in den KMU zu etablieren und nennen die Einführung von KI als ein mögliches Thema. Dabei werden Probleme bei der Kooperation thematisiert, wobei insbesondere die unterschiedlichen Firmenkulturen und unterschiedliche regionale Schwerpunkte dargestellt werden. Eine ergänzende empirische Untersuchung zeigt, dass die digitale Reife, Internationalität und Größe des Mittelständlers die Kooperationswahrscheinlichkeit positiv beeinflusst. Als Empfehlungen für die Steigerung der Kooperation wird auf Plattformangebote, Netzwerknutzung, Geschäftsmodellentwicklung bei industriellen Produzenten sowie die Breitbandund Mobilfunkabdeckung eingegangen. Übergreifend wird die Kooperation mit KMU als eine zukunftsweisende Option dargestellt, die bislang jedoch nur begrenzte Segmente des Mittelstandes nutzen. Lundbord & Gull (2021) stellen im Rahmen der Begleitforschung zum Programm Mittelstand-Digital dar, dass der Mittelstand zwar weiterhin zögerlich bei der KI-Adaption sei, jedoch die zunehmende Anzahl an Fallbeispielen zunehmendes Interesse wecken. Dabei wird betont, dass insbesondere inkrementelle Verbesserungen der Unternehmensprozesse mit „passiver KI“, also zugekauften KIAnwendungen die realistischere breitere Anwendungsmöglichkeit darstellen. Insofern sei ein Fokus auf inkrementeller statt radikaler Innovationstätigkeit für KMU sinnvoll, was einen Wandel in der öffentlichen Darstellung und Wahrnehmung von KI bedeuten würde. Auf Policy-Ebene betonen die Autoren wiederum die Relevanz von finanzieller Unterstützung, Qualifizierung, Best Practice-Beispielen und strukturellen Instrumenten des Wissenstransfers sowie Datenpools. Übergreifend ähneln die Einzelstudien der internationalen Forschungsliteratur; diese argumentiert zum Teil differenzierter ist empirisch besser fundiert. Die grundlegenden Hemmnisse und Erfolgsfaktoren sowie daraus abgeleiteten Unterstützungsbedarfe für KMU zeigen sich in den rein deutschsprachigen Publikationen gleichermaßen wie auch in den internationalen Studien. Darüber hinaus werden viele konkrete Fallbeispiele deutscher KMU untersucht, die mit KI-Anwendungen in Kontakt gekommen sind, woraus sich Use Cases im deutschen Kontext ergeben. Einen stärker praktisch ausgerichteten Blick für einzelne Anwendungsfelder der KI-Einführung geben diverse Transfer-Papiere. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 23 4.3 Transfer-Papiere Basierend auf der Begleitforschung zum Förderprogramm „Mittelstand-Digital“ diskutieren Märkel & Lundborg (2019) die Relevanz, Anwendungen und Transfermöglichkeiten für KI im Mittelstand. Sie nutzen Ergebnisse einer Expertenumfrage und ökonomische Prognosen, nach denen KI auf betrieblicher und volkswirtschaftlicher Ebene höchste Relevanz haben wird. Dabei seien KIDienstleistungen (AI as a Service) zentral, wobei sich die größten Chancen in den Bereichen Optimierung der Distribution und Logistik, der Prozesseffizienz, zielgenauer Werbung / Promotion, Entwicklung neuer Geschäftsmodelle und Produktinnovationen zeigen werden. Zentrale Hemmnisse für den Mittelstand seien das fehlende Know-how und die fehlenden Fachkenntnisse, die mangelnde Datenbasis, Sicherheitsbedenken, der mangelnde digitale Reifegrad des Unternehmens insgesamt und die unzureichende digitale Infrastruktur. Als wichtigste Anwendungsfelder im Mittelstand werden von den Experten die intelligente Automatisierung, intelligente Sensorik, Assistenzsysteme, vorausschauende Wartung und optimiertes Ressourcenmanagement genannt. Für die öffentliche Unterstützung werden vor allem die Aufbereitung von Best Practices, die Bereitstellung von KI -Trainern, Qualifizierungsmaßnahmen, Infound Sensibilisierungsmaßnahmen, mobile Demonstratoren, Implementierung von KI-Testbeds, Organisation von Netzwerkveranstaltungen, Schaffung von Datenpools / Datenplattformen, Beratungsgutscheine und die Einrichtung von KI-Clustern genannt. Übergreifend betonen die Autoren, dass den Prognosen nach die Förderung von KI beschleunigt wird und der Mittelstand mit einer breiten Palette an Beratungsangeboten unterstützt wird. Wangermann (2020) thematisiert für die Konrad-AdenauerStiftung das Thema KI im Mittelstand. Basierend auf der KIStrategie der Bundesregierung wird die Relevanz von KMU für den Erfolg von KI-Transferbemühungen betont. Basierend auf Expertenaussagen in einem Workshop werden eine Reihe von Ergebnissen erzielt. Zunächst wird konstatiert, dass KMU aufgrund des öffentlichen KI-Diskurses eher Risiken sehen würden und die Chancen von KI-Anwendungen nicht ausreichend wahrgenommen würden. Es mangele an konkreten Startpunkten und einem hinreichenden Verständnis der eigenen Unternehmensdaten; externe Dienstleister wären wegen des Einblicks in die eigenen Prozesse und Daten ungern gesehen. Obwohl es Datenplattformen in verschiedenen Branchen und Strukturen gäbe, wäre ein zentrales Hemmnis die Frage nach deren rechtssicherer Nutzung. Der Fachkräftemangel wiederum sei neben einer in der Fläche fehlenden Infrastruktur im Bereich Breitband und mobile Netze ein weiterer großer Hemmnisfaktor. Als wirtschaftspolitisches Fazit wird auf die Notwendigkeit einer effektiven Kommunikation von KI-Anwendungen sowie ihrer Chancen hingewiesen, sowie darauf fokussiert, dass dem Fachkräftemangel durch Ausund Weiterbildung und den Infrastrukturschwächen durch staatliche Investitionen abzuhelfen ist. BSP (2021) verfolgen einen praktischen Ansatz und präsentieren ein „KI-Kochbuch“ für Unternehmen. Hierin werden Definitionen von KI, Ansatzpunkte für die Einführung und BestPractice-Beispiele anschaulich verarbeitet, um Unternehmen einen Einstieg in die Nutzung zu ermöglichen. Dukino et al. (2020a) geben einen praktischen Basischeck zur KIEinführung im Bereich der Posteingangsklassifikation, präsentieren Möglichkeiten zur KI-basierten Unterstützung der Prozesse und stellen einen 10-Punkte-Plan zur Einführung von KI in diesem Bereich auf, der von Unternehmen konkret befolgt werden kann. Dukino et al. (2020b) geben einen umfassenden Überblick über bestehende Möglichkeiten der KIAnwendung im Bereich der Sachbearbeitung, wobei im Detail die Themenfelder Marketing, Vertrieb und Verkauf, Beschaffung und Einkauf, Produktion / Dienstleistungserbringung, Logistik, Finanzierung / Steuern / Recht, Service / Kundendienst und Personalwirtschaft genannt werden. Darüber hinaus werden technische Möglichkeiten in verschiedenen Anwendungsfeldern benannt und erklärt. Insgesamt wird so ein umfassendes und tiefes Bild von den bereits bestehenden Einsatzmöglichkeiten von KI in der Sachbearbeitung gegeben KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 24 und technische Grundlagen beschrieben, wobei Wissenschaft und Transfer die Zielgruppe darstellt, während für die Unternehmensanwendung andere Formate bereitgestellt werden. Im Auftrag der Roland Berger Stiftung für Europäische Unternehmensführung erstellten Kaul et al. (2019) einen europäischen Überblick über KI-Nutzung des Mittelstandes auf Basis einer Unternehmensumfrage und Experteninterviews. Beim Abgleich von Visionen der KI-Experten und der betrieblichen Realität zeigt sich eine große Diskrepanz der beiden Perspektiven. Die Autoren formulieren verschiedene Szenarien, die je nach Akzeptanz der Gesellschaft und Adaptionsgeschwindigkeit der Unternehmen zwischen umfassender („KI-Paradies“) und schwacher ( „KIWinter“) KI-Nutzung unterscheiden. Um die bisher schwache KI-Nutzung im Mittelstand zu überwinden, plädieren die Autoren für den Ausbau von 5G und Breitband in der Fläche, um ländliche Mittelständler zu erreichen. Sie plädieren zudem für substanzielle Investitionen in die Ausbildung und die Durchführung dieser Ausbildung durch KI-Start-Ups im Weiterbildungsbereich sowie gezielte Förderung von KIeinsetzenden Unternehmen. Unternehmen sollten künftig Gesamtkonzepte für die KI-Nutzung erstellen und umsetzen, statt lediglich vereinzelte KI-Piloten einzusetzen. Der Staat sei gefordert, den gesellschaftlichen Rückhalt von KINutzung zu erhöhen; die Regulierung müsse Datensicherheit, Transparenz und Haftung klären, aber gleichzeitig ausreichend Freiraum für die Weiterentwicklung von KI-Lösungen bieten. Unternehmen könnten die KI-Akzeptanz erhöhen, indem sie Demonstrationslabore und Modellfabriken einrichten, um den Nutzen von KI transparenter zu machen. Übergreifend werden in den Transferpapieren eine Reihe von Aspekten adressiert, die der insgesamt bislang geringen KIAdaptionsrate im Mittelstand abhelfen sollen. Dazu zählen: ■ die Schaffung einer breiten Beratungsund Transferinfrastruktur auf allen Ebenen, um KMU bei der KIAnwendung zu unterstützen. ■ Erhöhung der Kooperationen zwischen Universitäten, Hochschulen, Start-Ups und mittelständischen Unternehmen. ■ Ausbau der physischen Infrastruktur (Breitband und 5G). ■ die Entwicklung von KI-Dienstleistungen und deren Umsetzung durch externe Beratung. ■ Anstrengungen bei Ausund Weiterbildung, um dem KIbezogenen Fachkräftemangel zu begegnen. ■ die Schaffung regulatorischer Grundlagen, die für Transparenz und Sicherheit in Bezug auf Datenschutzbedenken sorgen. Die Publikationen mit Transferfokus betonen die Notwendigkeit dieser Maßnahmen und erklären diese anhand empirischer Grundlagen. Zum Teil werden in den Publikationen konkrete Schritte zum Transfer vorbereitet. Der Schwerpunkt der konkreten Transfer-Aktivitäten liegt jedoch in den Transfer-Organisationen, die den Großteil der Aktivitäten tragen. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 31 5.3 Positionspapiere Von Seiten der Handwerksorganisation sind bislang zwei Positionspapiere erstellt werden: vom Zentralverband des Deutschen Handwerks (2019) und vom Westdeutschen Handwerkskammertag (2020). Beide betonen die Relevanz des Themas und die großen Potenziale von KI, warnen aber auch vor überzogenen Erwartungen. Im Schwerpunkt wird für die Nutzung von KI als Dienstleistung plädiert und damit für eine schrittweise marktbasierte Durchdringung des Handwerks mit geeigneten Einzelanwendungen. Das Handwerk als Entwickler von KI-Lösungen wird skeptisch gesehen, da Kompetenzen und finanzielle Ressourcen in den oftmals kleinen und mittleren Betrieben realistisch nicht zur Verfügung stehen. Als realistische Anwendungsfelder von KI im Handwerk nennt der ZDH Betriebsdaten von Kraftund Nutzfahrzeugen, Heizungen, Anlagen für erneuerbare Energien oder Wartungsbedarfe. Expertensysteme sollen verteiltes Betriebswissen bündeln und so allen Angestellten gleichermaßen und kontextunabhängig zur Verfügung gestellt werden. Der Bereich von Buchhaltung und Rechnungswesen wiederum biete sich für die Unterstützung durch KI an. Dasselbe gelte für KI-Lösungen für die digitale Kommunikation mit Kunden sowie optische Mustererkennung und intelligente Exoskelette zur Unterstützung körperlicher Arbeit. Übergreifend wird argumentiert, dass ein realistisches Entwicklungsmuster darin besteht, dass handwerksexterne Anbieter für spezifische Nutzungsfälle KIAnwendungen entwickeln und im Handwerk kommerzialisieren im Sinne von „AI as a Service (AIaaS)“. Die Handwerksorganisation soll ferner Rahmenbedingungen mitgestalten und KI-Themen in die Curricula aufnehmen, KI in der eigenen Organisation einzuführen sowie Best Practice-Beispiele verbreiten sowie sich für handwerksspezifische Regulierung der Datenökonomie einsetzen, um Monopolisierungstendenzen bei großen Plattformen entgegenzuwirken. Ferner seien Transfermechanismen zu KMU allgemein zu stärken und gleichermaßen die Bemühungen zur Basis-Digitalisierung weiter zu stärken. Im Hinblick auf die Zusammenfassung von Daten zur Ermöglichung von maschinellem Lernen seien Branchenweite Lösungen nötig, um eine nutzbare Größenordnung zu gewährleisten. 5.4 Mittelstand-Digital Zentrum Handwerk Im Rahmen des vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK)finanzierten Kompetenzzentrums mit Schwerpunkt auf die Digitalisierung des Handwerks sind eine Vielzahl von KI-bezogenen Angeboten für das Handwerk verfügbar, die dem Wissenstransfer dienen sollen. Dabei wird ein KI-Readiness-Check angeboten, KIVeranstaltungen durchgeführt, ein kostenloses KI-Coaching angeboten, individuelle, kostenfreie Beratung durch das Mittelstand-Digital-Netzwerk bereitgestellt, Fördermöglichkeiten kompakt dargestellt sowie auf Live-Demonstrationen verwiesen. Für allgemeinere Informationen wird auf das Netzwerk von Mittelstand-Digital verwiesen, das eine Vielzahl weiterer Angebote aufweist. Übergreifend besteht damit für das Handwerk eine gut ausgebaute Struktur zur KIspezifischen Information und Beratung für die Etablierung von KI-Lösungen in Betriebe. Die Transferstruktur ist sowohl aus den bisherigen Erfahrungen zur Digitalisierungsförderung im Handwerk als auch durch das breite und gut etablierte Mittelstand-Digital-Netzwerk gewachsen und mit den Institutionen des Handwerks verknüpft, sodass von einer hohen Passgenauigkeit der Angebote auszugehen ist. © Shutterstock.com, bizvector KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 32 5.5 Bestehende Anwendungsfelder von KI im Handwerk Abschließend können eine Reihe von Anwendungsfeldern von KI im Handwerk identifiziert werden, die einen Eindruck vom Adaptionsgrad geben. ■ Die ersten Anwendungen von KI entstanden im Zuge der Nutzung von Robotern in der Produktion und haben auf diesem Wege auch Einzug ins Handwerk gefunden. Hier ist sowohl die klassische Robotertechnik, aber auch intelligente Cobots für einzelne wiederkehrende und belastende Bewegungen zu erwähnen. Intelligente Robotertechnologie wird dabei am stärksten im produzierenden Gewerbe eingesetzt. ■ Eine starke Anwendung von KI zeigt sich im Bäckerhandwerk: Hier haben mehrere Start-Ups (z.B. Meteolux, BäckerAI, Delicious Data) auf Basis historischer Daten die Planung von Verbrauchen sowie Umsatz-, Materialund Personalprognosen für das Bäckerhandwerk übernommen. Auf Plattformen können interessierte Betriebe ihre eigenen Betriebsdaten hochladen und erhalten tagesgenaue Prognosen, an denen das betriebliche Handeln ausgerichtet werden kann. ■ Auf Seiten der Handwerksorganisation hat eine Kreishandwerkerschaft im Zuge der Corona-Pandemie einen auf KI beruhenden Chatbot („Crafty“) programmieren lassen, der auf Fragen zur Corona-Lage und Vorschriften reagieren kann und nunmehr durch die gesamte Handwerksorganisation genutzt werden kann. ■ Das Start-Up EnergIQ Startup zielt auf die Optimierung von Heizungsanlagen durch den verstärkten Einbau von Sensoren und der Analyse von Sensordaten. Ziel ist es dabei, den Aufwand einer Wartung von Heizungsanlagen deutlich zu reduzieren, um so Energieeinsparpotenziale in großem Maßstab zu realisieren. Dies soll sowohl Kostenersparnisse als auch Nachhaltigkeitswirkung bei gleicher Wärmeleistung bewirken. ■ Weitere Beispiele liegen im Bauund Ausbaubereich, wo im Themenbereich des Building Information Modelings (BIM) auf einer Vielzahl an Plattformen und Softwaresystemen Elemente des maschinellen Lernens eingesetzt werden. Auch wenn BIM-Ansätze noch keine flächendeckende Einführung erfahren haben, sind die große Zusammenfassung von Daten eine wertvolle Grundlage für die künftige Entwicklung von KI-Anwendungen. Damit verknüpft wird an offenen Datenplattformen für BIM gearbeitet (BIMeta), die einen offenen Zugang und hohe Kompatibilität sichern sollen und von einer Vielzahl an Akteuren der Bauwirtschaft unterstützt wird. ■ Für das Bauhandwerk bestehen KI-gestützt SoftwareLösungen wie „Building Radar“, das automatisch digitale Plattformen nach Ankündigungen, Ausschreibungen und Informationen zu Bauprojekten durchsucht, um individuelle Recherchezeit zu sparen und die Chance auf eine erfolgreiche Auftragsvergabe zu erhöhen. ■ Das Start-Up Handwai zielt auf eine Analyse von Leistungsverzeichnissen, um auf Basis von KI die Nachtragpotenziale und Risiken einer Bewerbung sowie eine monetäre Bewertung von Angeboten für Bauunternehmen zu ermöglichen. Auf einer Plattform können Betriebe Leistungsverzeichnisse analysieren lassen und auf Basis eigener Eingaben damit Entscheidungshilfen erhalten, ob Angebote abgegeben werden sollen oder nicht und mit welchen Risiken eine Angebotsabgabe verknüpft wäre. ■ Software zur Überwachung von Baustellen, wie Oculai, Buildvue und Eskimo, nutzen KI, um als Monitoringund Managementsoftware den Verlauf komplexer Bauprojekte zu überwachen und zu steuern. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 33 ■ Im Rahmen von Smart Home-Lösungen kann ferner durch Sensorsysteme der Zustand der Bausubstanz und Haustechnik überwacht werden und die erhobenen Daten in einem Gebäudemanagementsystem analysiert werden, was frühzeitige Reaktionen ermöglicht. ■ Zwei technische Bereiche, in denen KI genutzt wird, und die eine hohe Handwerksrelevanz haben, sind der 3DDruck und die Technologien im Bereich des CNCFräsens. Beide Technologien generieren hohe Datenmengen, die die Entwicklung von abgeleiteten KIAnwendungen ermöglichen. ■ Neben diesen handwerksspezifischen Anwendungsfällen gibt es eine Vielzahl von Unternehmen, die allgemein die Nutzung von KI zur Optimierung von Produktionsprozessen als Dienstleistung anbieten, wobei bislang nur wenige direkte Bezüge zum Handwerk zu sehen sind. Übergreifend zeigen sich somit vielfältige Anwendungsbereiche, wobei die Anwendungen jedoch bislang keine Durchdringung der betreffenden Märkte erlangt haben. © AdobeStock.com, Anon KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 34 6.1 Ergebnisse der Forschungsliteratur Die internationale und nationale Literatur zur KI-Anwendung in KMU ermöglicht eine Reihe von allgemeinen Schlussfolgerungen, die zur Anwendung auf das in Bezug auf KI bislang schwach untersuchte Handwerk relevant sind. ■ KI-Anwendungen werden bislang nur selten in KMU eingesetzt; die Technologieadaption verläuft langsam und inkrementell. Die Anreize, Hemmnisse und Potenziale ähneln strukturell denen der Digitalisierung von KMU, wobei der Komplexitätsgrad und die Anwendungsnähe von KI ungleich höher sind als bei Digitalisierungsprozessen. ■ Bereits häufiger genutzt werden KI-Anwendungen von internationalen, wissensintensiven und serviceorientierten Unternehmen. In Deutschland nutzen neben diesen Branchen, allerdings mit deutlichem Abstand, größere Unternehmen des produzierenden Gewerbes (Elektrotechnik, Maschinenbau, Chemie-, Pharmaund Grundstoffindustrie) KI-Anwendungen zur Optimierung der Produktion. Allgemein gilt dabei: Je höher die Produktkomplexität und die Seriengröße und je größer der Betrieb ist, desto eher wird KI eingesetzt. ■ Innerhalb dieser Branchen wird KI von rund 5 % aller Betriebe aktiv genutzt, wobei unter 1 % der Beschäftigten sich mit der Anwendung befassen. Es werden erhebliche Gewinne durch KI erzielt, wobei empirisch bislang keine Umsatzsteigerungen in Folge der KI gezeigt wurden. Dennoch sind KI-einsetzende Unternehmen deutlich innovativer. ■ Es werden in aller Regel externe KI-Anwendungen genutzt, während Eigenentwicklungen die Ausnahme bleiben. Es besteht ein deutlicher Fachkräftemangel in Bezug auf KI-bezogene Stellen. Welche Schlüsse können für das deutsche Handwerk aus diesen allgemeinen Erkenntnissen zur KI-Adaption gezogen werden? Primär zeigt sich, dass KI bislang noch ein Phänomen wissensund IKT-intensiver Branchen ist und auch in Industrieunternehmen mit hoher Stückzahl und prinzipiell guter Datenverfügbarkeit noch die Ausnahme darstellt. Mittelständische Unternehmen allgemein und insbesondere kleine Unternehmen nutzen KI-Anwendungen noch einmal deutlich seltener. Die KI-Anwendung in Mittelstand und Handwerk ist demnach bislang noch im Anfangsstadium. Es bestehen eine breite Kenntnis über die wahrgenommene Relevanz von KI in den Betrieben sowie Politik und Wirtschaftsorganisationen, aber nur begrenzt praktisch anwendbares Wissen um mögliche Anwendungsfelder. Die Schwierigkeiten bei der Technologieadaption sind international ähnlich und in der praktischen Betriebsführung kleinerer Betriebe nachvollziehbar: Ressourcenbeschränkungen, unklarer Nutzen, fehlende Fachkräfte und hohe Kosten bei schwachen betriebswirtschaftlichen Argumenten für die Einführung. Insofern unterscheiden sich die Bemühungen zur KIAnwendung nicht wesentlich von den Hemmnissen und Erfolgsfaktoren bei der allgemeinen Digitalisierung der Betriebe. Ein wichtiger Unterschied liegt jedoch in der bislang geringen Zahl an niedrigschwellig einsetzbaren KI-Angeboten und dem prohibitiv hohen Aufwand von Eigenentwicklungen. Insofern ist konzeptionell eine Trennung zwischen bereits jetzt leicht möglicher Digitalisierung in den Betrieben und der bislang komplexen und nicht einfach umsetzbaren Einführung von KI vorzunehmen, die in der öffentlichen Diskussion oft nicht vorgenommen wird. Die medial überhöhten Erwartungen an die zeitnahe einzelbetriebliche Nutzung von KI sind daher zu relativieren. 6. Diskussion: KI-Anwendung im Handwerk KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 35 6.2 KI-Einführung und Digitalisierung Neben dem Aspekt der erheblichen Herausforderungen bei einer flächendeckenden Nutzung von in kleineren Betrieben ist das Verhältnis von Digitalisierung und KI-Einführung zu diskutieren. In Forschung und wirtschaftspolitisch motiviertem Transfer wird die Anwendung von künstlicher Intelligenz häufig als logische Fortsetzung der Digitalisierung von Unternehmen verstanden. Der Grundgedanke dabei ist, dass eine weitgehende Digitalisierung von Firmenprozessen und der umfassende Ausbau datengenerierender Systeme in Produktion und Dienstleistungserbringung die Grundlage für die Nutzung von KI legt. Für erfolgreich digitalisierte Betriebe ist demnach der logische Folgeschritt für die Optimierung der Produktion und des Geschäftsmodells der Aufbau von KI-Systemen im Anschluss an einen weitgehenden Digitalisierungsprozess (vgl. z.B. Heinen et al., 2021 für diese Perspektive). Dabei wird unabhängig von Firmengröße und Branche ein logischer und zwingender Zusammenhang zwischen Prozessdigitalisierung und der Einführung von künstlicher Intelligenz hergestellt, was zu einer einzelbetrieblichen Perspektive auf die KI-Anwendung beiträgt. Diese Perspektive ist mit einer Reihe von Problemen behaftet. Die Annahme, dass KI-Anwendungen letztlich eine inkrementelle Fortsetzung von im Kern simplen Digitalisierungsschritten seien, unterschätzt die Herausforderung bei der Umsetzung von KI-Projekten in Unternehmen. Künstliche Intelligenz ist im Kern ein Teilgebiet der Statistik mit hohen Anforderungen an die Datenqualität und -quantität und ist mit erheblichem Entwicklungsaufwand für oftmals sehr eng begrenzte Anwendungsfelder verbunden. Während Großunternehmen mit bereits lang und sorgfältig etabliertem Datenaufbau zumindest Grundlagen für die Nutzung von KI aufweisen, besitzt die Mehrzahl der kleinen und mittleren Unternehmen weder die Daten noch die Fachkräfte für einen kosteneffizienten Aufbau von KI-Anwendungen. Insofern ist die lineare Vorstellung vom Digitalisierungsprozess, der logisch zur Nutzung von KI führt, problematisch und zugunsten einer sektoralen Sichtweise fortzuentwickeln. Hierbei sind für einzelne Branchen kooperative Vorhaben zwischen einer Vielzahl an Betrieben erforderlich, die in eng begrenzten Feldern Daten zur Verfügung stellen und auf Basis einer breiten und langfristig angelegten Datengrundlage gemeinsam mit Entwicklerteams KI-Anwendungen aufbauen, die anschließend kommerziell der gesamten Branche angeboten werden können. Auf diese Weise kann künstliche Intelligenz als Dienstleistung (AI as a Service) in die Breite der Unternehmenslandschaft getragen werden. Erst an diesem Punkt im Entwicklungsprozess von KIAnwendungen ist eine einzelbetriebliche Perspektive, die auf eine individuelle Beratung, den Aufbau der nötigen Datensätze für die spezifische Anwendung und die schrittweise Umsetzung im Betrieb abzielt, zweckmäßig. Den Auftakt jedoch müssen größere Datenund Entwicklungsverbünde mit starkem Interesse an der kommerziellen Nutzbarmachung des Endprodukts bilden. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 36 6.3 Vier Ebenen der KI-Nutzung im Handwerk Um diese Argumentation zu illustrieren, können vier Ebenen der Interaktion des Handwerks mit KI unterschieden werden (Abb. 5). Diese sind die Eigenerstellung von KI-Anwendung durch einzelne Betriebe, die Beauftragung spezifischer Lösungen, die Nutzung von KI-Dienstleistungen und die indirekte (passive) Nutzung von KI im Rahmen anderer Anwendungen, z.B. der Buchführung oder Social Media. Die Eigenerstellung von KI durch Fachkräfte im eigenen Betrieb bleibt bislang die Ausnahme und wird es –auch bei Verfügbarkeit entsprechend qualifizierten Personals – auf absehbare Zeit auch bleiben. Dies steht im Gegensatz zur medialen und politischen Wahrnehmung von der Eigenerstellung von KI als Abschluss eines erfolgreichen Digitalisierungsprozesses und damit dem künftigen Modellfall der betrieblichen Digitalisierung. Die Beauftragung einer spezifischen Lösung für einen Teilbereich des Unternehmens wird aufgrund hoher Kosten und der Unsicherheit des Erfolgs für kleinere Betriebe zunächst eher selten bleiben, kann sich aber im Zuge des Fortschreitens von KI-Lösungen verbreiten, wie es auch in größeren Betrieben des industriellen Mittelstandes bereits erfolgt. Die Nutzung von KI-Dienstleistungen wiederum ist bereits heute in wenigen Segmenten problemlos möglich und kann sich im Zuge der schrittweisen Wissensdiffusion und marktlichen Durchsetzung von geeigneten Lösungen schnell verbreiten. Der Punkt einer in der Breite wirksamen Angebotspalette an KI-Dienstleistungen ist jedoch noch nicht erreicht. Die indirekte Nutzung von KI wiederum ist bereits heute bei der Mehrzahl der Betriebe Realität. Sobald größere Plattformen für die Homepage-Erstellung oder etwa Social Media genutzt werden, wird automatisch KI auf Seiten der Plattformanbieter bei der Leistungserbringung genutzt. Dasselbe gilt für die großen Anbieter von CRM und Buchführungsprogrammen, die KIAnwendungen (z.B. automatische Rechnungserkennung) als regulären Teil ihrer Software implementiert haben. Nicht minder stark von KI betroffen sind alle Nutzer von Software und Cloudlösungen von Herstellern wie Microsoft und Google, deren Geschäftsmodelle auf der effektiven Nutzung von Daten und maschinellem Lernen beruhen. Die im Rahmen anderer Dienstleistungen automatisch zur Verfügung gestellten Daten der Handwerksbetriebe werden durch die Dienstleister wiederum zur immer weiteren Verbesserung der eigenen Produkte durch KI genutzt. Abb. 5.: Nutzungsformen von KI in KMU Quelle: Eigene Darstellung KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 37 6.4 Fokus der KI-Förderung Auf die oben beschriebenen vier Ebenen der KI-Nutzung bezogen, liegt der Fokus des medialen Interesses – wie häufig bei technologischen Neuerungen – auf den ersten beiden Ebenen, also der gelungenen Eigenerstellung oder der Beauftragung spezifischer Lösungen. Diese dienen als Best Practice-Beispiele, sind aber fast nie realistisch auf die Mehrzahl der Betriebe anwendbar. Eine direkte Förderung dieser Unternehmen in Kooperation mit der Wissenschaft kann damit Leuchtturmprojekte erzeugen, die Potenziale aufzeigen und das Wachstum einer Firma oder eines regionalen Innovationsnetzes fördern. Für die Erzielung von technologischem Fortschritt in der Breite der Unternehmenslandschaft wiederum ist dieser Ansatz nur bedingt geeignet, da er zu viele Vorbedingungen und Anforderungen an das beteiligte Unternehmen stellt, die im Handwerk (und allgemein bei kleinen und mittleren Unternehmen) nur in Ausnahmefällen erreicht werden. Für die effizienzfördernde Wirkung von KI muss hier auf die unteren Ebenen fokussiert werden: die Adaption bestehender Softwarelösungen und Technologien mit KI-Anteil (z.B. Cloud-Lösungen, CRM, Buchhaltungssoftware) oder aber dem gezielten Aufbau von Gründerökosystemen, die AI as a Service für spezifische Branchen und innerhalb dessen für spezifische Anwendungen im Handwerk fördern. Voraussetzungen hierfür sind die Organisation branchenspezifischer Datensätze sowie die Herstellung von Kontakten mit Gründungsinteressierten und KI-Fachkräften, die die technische Seite der Entwicklung bewältigen können. Eine entscheidende Voraussetzung ist dabei die Verfügbarkeit interessierter KI-Fachkräfte, kooperierender Unternehmen und die Möglichkeit zur raschen Kommerzialisierung der aus den Daten gewonnenen Erkenntnisse. Ist erst einmal eine niedrigschwellig nutzbare Branchenlösung entstanden, können die bestehenden Transferkanäle des Handwerks genutzt werden, um eine breite Adaption zu bewirken. Während der Impuls zur Verbreitung von KI-Themen und zur Motivation vieler Betriebe zur Verfolgung einer eigenen KIStrategie nachvollziehbar ist, muss er jedoch angesichts der erheblichen Komplexität des Vorhabens und der Anforderungen als wenig realistisch beurteilt werden. Sinnvoller ist eine fokussierte Entwicklung von KI-Dienstleistungen mit ausgewählten Betrieben, Forschungseinrichtungen und Start-Ups, die anschließend in Produkte münden, die zwar KI enthalten, aber kein oder nur geringes Vorwissen erfordern und sich so reibungslos in den Betriebsalltag einfügen. © AdobeStock.com, metamorworks KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 38 Aarstad, A. & Saidl, M. (2019). Barriers to adopting ai technology in SMEs. Copenhagen Business School, Copenhagen. Alemann, S. V. (2020). How SMEs Can Compete in a DataDriven Economy Through Collaboration. In Jacob, K., Schindler, D. & Strathausen, R. (Hrsg.). Liquid Legal.Springer, Cham, 359-370. André , E. & Bauer , W. et al. (Hrsg.). Kompetenzentwicklung für Künstliche Intelligenz – Veränderungen, Bedarfe und Handlungsoptionen. Whitepaper aus der Plattform Lernende Systeme, München. https://doi.org/10.48669/ pls_2021-2 Axmann, B. & Harmoko, H. (2021). Herausforderungen bei der Einführung neuer digitaler Technologien bei KMU Teil 1: Am Beispiel der Künstlichen Intelligenz. Zeitschrift für wirtschaftlichen Fabrikbetrieb, 116 (4), 269271. https://doi.org/10.1515/zwf-2021-0040 Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R. & Khatatneh, K. F. (2021). SMEs and artificial intelligence (AI): Antecedents and consequences of AI-based B2B practices. Industrial Marketing Management, 98, 255270. Basri, W. (2020). Examining the impact of artificial intelligence (AI)-assisted social media marketing on the performance of small and medium enterprises: toward effective business management in the Saudi Arabian context. International Journal of Computational Intelligence Systems, 13 (1), 142. Bauer, M., van Dinther, C. & Kiefer, D. (2020). Machine Learning in SME: An Empirical Study on Enablers and Success Factors. AMCIS 2020 Proceedings, 3. https://aisel. aisnet.org/amcis2020/adv_info_systems_research/ adv_info_systems_research/3 (Zugriff am 04.04.2022). Bettoni, A., Matteri, D., Montini, E., Gładysz, B. & Carpanzano, E. (2021). An AI adoption model for SMEs: a conceptual framework. IFAC-PapersOnLine, 54(1), 702-708. Brockhaus, C. P., Bischoff, T. S., Haverkamp, K., Proeger, T. & Thonipara, A. (2020). Digitalisierung von kleinen und mittleren Unternehmen in Deutschland – ein Forschungsüberblick. Göttinger Beiträge zur Handwerksforschung (Heft 46). Göttingen. Bundesministerium für Wirtschaft und Energie [BMWi] (Hrsg.) (2020). Einsatz von Künstlicher Intelligenz in der Deutschen Wirtschaft: Stand der KI-Nutzung im Jahr 2019. Berlin. Bunte, A., Richter, F. & Diovisalvi, R. (2021). Why It is Hard to Find AI in SMEs: A Survey from the Practice and How to Promote It. ICAART, 2, 614-620. Business School Berlin – Hochschule für Management GmbH [BSP] (2021). KI-Kochbuch. Rezepte für den Einsatz Künstlicher Intelligenz im Unternehmen. https://www. mittelstand-digital.de/MD/Redaktion/DE/ Publikationen/zentrum-kommunikation-kikochbuch.html (Zugriff am 04.04.2022). Chatterjee, S., Chaudhuri, R., Vrontis, D. & Basile, G. (2021). Digital transformation and entrepreneurship process in SMEs of India: a moderating role of adoption of AI-CRM capability and strategic planning. Journal of Strategy and Management. Crockett, K. A., Gerber, L., Latham, A. & Colyer, E. (2021). Building Trustworthy AI Solutions: A Case for Practical Solutions for Small Businesses. IEEE Transactions on Artificial Intelligence, 1-1. Dahm, M. H. & Constantine, B. (2020). Machine Learning für den Mittelstand. In Dahm, M. & Thode, S. (Hrsg.). Digitale Transformation in der Unternehmenspraxis. Springer Gabler, Wiesbaden, 327-344. https:// doi.org/10.1007/978-3-658-28557-9_16 7. Literatur KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 39 Delponte, L. & Tamburrini, G. (2018). European Artificial Intelligence (AI) leadership, the path for an integrated vision. European Parliament. Demary, V., Engels, B., Goecke, H., Koppel, O., Mertens, A., Rusche, C., Scheufen, M. & Wendt, J. (2020). KI-Monitor 2020. Status quo der Künstlichen Intelligenz in Deutschland. Gutachten im Auftrag des Bundesverbands Digitale Wirtschaft (BVDW) e.V. Demary, V. & Goecke, H. (2021). Wie KMU Künstliche Intelligenz nutzen. IW-Kurzbericht, No. 81/2021, Institut der deutschen Wirtschaft (IW) Köln. Döbel, I., Leis, M., Molina Vogelsang, M., Welz, J., Neustroev, D., Petzka, H., Riemer, A., Püping, S., Voss, A. & Wegele, M. (2018). Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung. Fraunhofer Gesellschaft München. Drydakis, N. (2022). Artificial Intelligence and Reduced SMEs’ Business Risks. A Dynamic Capabilities Analysis During the COVID-19 Pandemic. Information Systems Frontiers, 1-25. Dukino, C., Kötter, F., Müller, T., Renner, T. & Zaiser, H. (2020a). Künstliche Intelligenz anwenden – Einsatzmöglichkeiten und Methoden. Fraunhofer Verlag Stuttgart. Dukino, C., Hanussek, M. & Kötter, F. (2020b). Basischeck zu KI-Einführung für KMU. Am Beispiel: Posteingangsklassifikation. Fraunhofer Verlag Stuttgart. Dumbach, P., Liu, R., Jalowski, M. & Eskofier, B. M. (2021). The Adoption Of Artificial Intelligence In SMEs - A CrossNational Comparison. In German And Chinese Healthcare. http://ceur-ws.org/Vol-2991/paper08.pdf (Zugriff am 04.04.2022). Europäische Kommission (2018). Mitteilung der Kommission an das Europäische Parlament, den Europäischen Rat, den Rat, den europäischen Wirtschaftsund Sozialausschuss und den Ausschuss der Regionen: Koordinierter Plan für künstliche Intelligenz. https://eurlex.europa.eu/legal-content/DE/TXT/?uri=CELEX% 3A52018DC0795 (Zugriff am 04.04.2022). Ghobakhloo, M. & Ching, N. T. (2019). Adoption of digital technologies of smart manufacturing in SMEs. Journal of Industrial Information Integration, 16, 100107. Haarmeier, M. (2021). Vorgehen bei der Einführung von KI in mittelständischen Unternehmen. In Haarmeier, M. (Hrsg.). Künstliche Intelligenz für den Mittelstand.essentials. Springer Gabler, Wiesbaden, 37-47. https://doi.org/10.1007/978-3-658-36085-6_5 Hansen, E. B. & Bøgh, S. (2021). Artificial intelligence and internet of things in small and medium-sized enterprises: A survey. Journal of Manufacturing Systems, 58, 362-372. Heinen, E., Scholz, R. & Wegele, K. (2021). Künstliche Intelligenz im Handwerk. Automatisierung und Unterstützung in der Sachbearbeitung mit Künstlicher Intelligenz, 5. Fraunhofer Verlag Stuttgart. Heumann, S. & Jentzsch, N. (2019). Wettbewerb um Daten. Über Datenpools zu Innovationen. Stiftung neue Verantwortung Berlin. Iftikhar, N. & Nordbjerg, F. E. (2021). Adopting Artificial Intelligence in Danish SMEs–Barriers to become a Data Driven Company, its Solutions and Benefits. In 2nd International Conference on Innovative Intelligent Industrial Production and Logistics (IN4PL 2021). SCITEPRESS Digital Library. Kaiser, J., Terrazas, G., McFarlane, D. & De Silva, L. (2021). Towards low-cost machine learning solutions for manufacturing SMEs. AI & SOCIETY, 1-7. KÜNSTLICHE INTELLIGENZ IN HANDWERK UND MITTELSTAND EIN FORSCHUNGSÜBERBLICK 40 Kaul, A., Schieler, M. & Hans, C. (2019). Künstliche Intelligenz im europäischen Mittelstand: Status quo, Perspektiven und was jetzt zu tun ist. Universität des Saarlandes. Saarbrücken. Kinkel, S., Baumgartner, M. & Cherubini, E. (2022). Prerequisites for the adoption of AI technologies in manufacturing–Evidence from a worldwide sample of manufacturing companies. Technovation, 110, 102375. Kumar, A. & Kalse, A. (2021). Usage and adoption of artificial intelligence in SMEs. Materials Today: Proceedings. Lerch, C., Heimberger, H., Jäger, A., Horvat, D. & Bitter, J. (2021). KI-Readiness im Verarbeitenden Gewerbe: Stand und Perspektiven für Baden-Württemberg. Studie im Auftrag für das Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg. Karlsruhe. Lüth, C. (2019). Herausforderungen beim erstmaligen Einsatz von KI in KMUs. Journal für Mobilität und Verkehr, 4 (2019), 1-3. Lundborg, M. & Gull, I. (2021). Künstliche Intelligenz im Mittelstand So wird KI für kleine und mittlere Unternehmen zum Game Changer. Begleitforschung MittelstandDigital WIK-Consult GmbH Bad Honnef. Märkel, C. & Lundborg, M. (2019). Künstliche Intelligenz im Mittelstand. Relevanz, Anwendungen, Transfer. WIK – Wissenschaftliches Institut für Infrastruktur und Kommunikationsdienste. Bad Honnef. Mittal, S., Khan, M. A., Purohit, J. K., Menon, K., Romero, D. & Wuest, T. (2020). A smart manufacturing adoption framework for SMEs. International Journal of Production Research, 58 (5), 1555-1573. Pfeiffer, S. (2020). Kontext und KI: Zum Potenzial der Beschäftigten für Künstliche Intelligenz und MachineLearning. HMD 57, 465-479. https://doi.org/10.1365/ s40702-020-00609-8 Proeger, T. & Runst, P. (2020). Digitization and Knowledge Spillover Effectiveness—Evidence from the “German Mittelstand”. Journal of the Knowledge Economy, 11 (4), 1509-1528. Proeger, T., Thonipara, A. & Bizer, K. (2020). Mechanismen, Erfolgsfaktoren und Hemmnisse der Digitalisierung im Handwerk. Göttinger Beiträge zur Handwerksforschung (Heft 35). Göttingen. Rammer, C. (2020). Auf Künstliche Intelligenz kommt es an: Beitrag von KI zur Innovationsleistung und Performance der deutschen Wirtschaft. Bundesministerium für Wirtschaft und Energie (BMWi). Berlin. Röhl, K. H. & Engels, B. (2021). Mehr Kooperation von Startups und Mittelstand als Chance für Digitalisierung und Innovationen. Wirtschaftsdienst, 101(5), 381-386. Sandkuhl, K. (2019). Putting AI into context-method support for the introduction of artificial intelligence into organizations. In 2019 IEEE 21st Conference on Business Informatics (CBI), 1, 157-164. Seifert, I., Bürger, M., Wangler, L., Christmann-Budian, S., Rohde, M., Gabriel, P. & Zinke, G. (2018). Potenziale der Künstlichen Intelligenz im Produzierenden Gewerbe in Deutschland. Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi) im Rahmen der Begleitforschung zum Technologieprogramm PAiCE – Platforms | Additive Manufacturing | Imaging | Communication | Engineering. Berlin. Selamat, M. A. & Windasari, N. A. (2021). Chatbot for SMEs: Integrating customer and business owner perspectives. Technology in Society, 66, 101685. Tanane, B., Bentaha, M. L., Dafflon, B., Ferreiro, V. & Moalla, N. (2022). Toward an adaptive approach to implement predictive maintenance in metallurgical industry SMEs through IoT and AI. In Canciglieri Junior, O., Noël, F., Rivest, L. & Bouras, A. (Hrsg.) (20221). Product Lifecycle