Explainable Artificial Intelligence (XAI) gewinnt zunehmend an Bedeutung, um die Nachvollziehbarkeit und Transparenz von KI-gestützten Entscheidungen sicherzustellen. Bisher fehlt jedoch ein systematischer Überblick darüber, welche Formen von XAI wie auf Nutzer:innen wirken. 

Ziel der Arbeit ist es, empirische Studien zu vergleichen und herauszuarbeiten, welche Typen von Erklärungen unter welchen Bedingungen welche Wirkungen entfalten.

Explainable Artificial Intelligence (XAI) gewinnt zunehmend an Bedeutung, um die Nachvollziehbarkeit und Transparenz von KI-gestützten Entscheidungen sicherzustellen. Bislang ist allerdings unklar, in welchem Ausmaß entsprechende Ansätze bereits in der Unternehmenspraxis Anwendung finden. 

Ziel der Arbeit ist es, den aktuellen Stand der XAI-Nutzung in Unternehmen zu analysieren – etwa durch die Auswertung von Literatur, Fallstudien, Beispielen aus der Unternehmenspraxis sowie Interviews mit XAI-Praktiker:innen. Untersucht werden soll dabei auch, ob und wie XAI-Funktionalitäten in bestehende Softwarelösungen integriert werden.

Agentic AI bezeichnet KI-Systeme, die zunehmend autonom handeln, Entscheidungen treffen und in komplexen Umgebungen eigenständig Ziele verfolgen können. Diese Systeme unterscheiden sich von traditionellen Automatisierungslösungen durch ihre Fähigkeit zur proaktiven Planung und Ausführung. Für Unternehmen eröffnet dies neue Chancen – etwa durch automatisierte Geschäftsprozesse, intelligente Assistenten oder selbstoptimierende Systeme. Gleichzeitig ergeben sich neue Herausforderungen in Bezug auf Kontrolle, Verantwortung, Sicherheit und ethische Fragestellungen. 

Ziel der Arbeit ist es, Potenziale und Risiken von Agentic AI im Unternehmenskontext systematisch zu analysieren. 

Eine Data-Driven Culture beschreibt eine Unternehmenskultur, in der datenbasierte Entscheidungen systematisch gefördert, unterstützt und in den Arbeitsalltag integriert werden. Sie ist eine zentrale Voraussetzung, um das Potenzial von Business Analytics voll auszuschöpfen und datengetriebene Innovationen erfolgreich umzusetzen. Dabei geht es nicht nur um technische Lösungen, sondern vor allem um den Wandel von Mindset, Kompetenzen und Führungsstilen. 

Ziel der Arbeit ist es, Erfolgsfaktoren und Hürden beim Aufbau einer datenorientierten Unternehmenskultur zu identifizieren.

Mit der zunehmenden Nutzung und Analyse großer Datenmengen wächst auch das Risiko von Datenschutzverletzungen und Sicherheitslücken. Privacy Enhancing Technologies (PETs) bieten innovative technische Ansätze, um personenbezogene Daten zu schützen und gleichzeitig deren Nutzung für Analysezwecke zu ermöglichen. Dazu zählen Methoden wie Differential Privacy, Homomorphe Verschlüsselung, Secure Multi-Party Computation oder Datenanonymisierung. 

Ziel der Arbeit ist es, zentrale PETs vorzustellen und deren Potenzial für den Einsatz in datengetriebenen Unternehmen zu bewerten.

Der EU Data Act ist ein zentrales Element der europäischen Datenstrategie und zielt darauf ab, den Zugang zu und die Nutzung von Daten in der EU fair, transparent und innovationsfördernd zu gestalten. Im Fokus stehen vor allem industrielle und unternehmensbezogene Daten, insbesondere aus dem Internet der Dinge (IoT). Der Data Act verpflichtet Hersteller, Nutzern und Dritten unter bestimmten Bedingungen Zugriff auf erzeugte Daten zu gewähren. 

Ziel der Arbeit ist es, die Auswirkungen des EU Data Act auf datengetriebene Geschäftsmodelle zu analysieren. 

Der EU AI Act ist der weltweit erste umfassende Rechtsrahmen zur Regulierung von Künstlicher Intelligenz und stellt einen Meilenstein in der europäischen Technologiepolitik dar. Ziel ist es, Vertrauen in KI-Systeme zu schaffen, Risiken zu minimieren und Innovation gleichzeitig zu fördern. Dabei wird KI je nach Risikopotenzial in verschiedene Kategorien eingeteilt – von minimal bis unannehmbar. 

Die Arbeit untersucht, welche Auswirkungen der EU AI Act auf den Einsatz von Business Analytics und datengetriebenen Geschäftsmodellen hat. 

Algorithmenaversion beschreibt das Phänomen, dass Menschen algorithmischen Entscheidungen oft weniger Vertrauen entgegenbringen als menschlichen – selbst dann, wenn Algorithmen objektiv bessere Ergebnisse liefern. 

Ziel der Arbeit ist es, auf Basis bestehender empirischer Studien zu analysieren, ob und in welchem Ausmaß individuelle Risikoneigungen mit Algorithmenaversion zusammenhängen. 

Algorithmenaversion beschreibt das Phänomen, dass Menschen algorithmischen Entscheidungen oft weniger Vertrauen entgegenbringen als menschlichen – selbst dann, wenn Algorithmen objektiv bessere Ergebnisse liefern. Die Ursachen für dieses Verhalten sind vielfältig und bislang nur teilweise verstanden. 

Ziel der Arbeit ist es, auf Basis aktueller Forschungsliteratur systematisch zu analysieren, welche Faktoren Algorithmenaversion auslösen oder verstärken und wie diese Faktoren zusammenwirken. 

Visualisierungsstandards in Dashboards spielen eine zentrale Rolle für die effektive Kommunikation von Daten in Unternehmen. Gut gestaltete Dashboards ermöglichen es Entscheidungsträger:innen, komplexe Informationen schnell zu erfassen und fundierte Entscheidungen zu treffen. Dabei ist jedoch oft unklar, welche Visualisierungsformen, Designprinzipien und Gestaltungsregeln als „Best Practices“ gelten. 

Ziel der Arbeit ist es, zentrale Visualisierungsgrundsätze und -standards aufzuarbeite. Untersucht werden sollen unter anderem Fragen der Informationsarchitektur, Farbwahl, Diagrammtypen und Interaktionsmöglichkeiten, um daraus grundlegende Empfehlungen für die Gestaltung von Dashboards abzuleiten.