Unternehmen agieren zunehmend in datenbasierten Ökosystemen, in denen Daten über Organisationsgrenzen hinweg geteilt und gemeinsam genutzt werden. Solche Data-Sharing-Modelle eröffnen neue Wertschöpfungspotenziale, bringen jedoch auch Herausforderungen hinsichtlich Governance, Wettbewerb und Datenschutz mit sich. 

Ziel der Arbeit ist es, Konzepte von Datenökosystemen zu analysieren und Erfolgsfaktoren für interorganisationale Datenkooperationen zu identifizieren.

Generative KI-Systeme eröffnen neue Möglichkeiten in der Analyse, Prognose und Aufbereitung betrieblicher Kennzahlen. Neben Effizienzgewinnen in Reporting- und Planungsprozessen entstehen auch neue Anforderungen an Validierung, Kontrolle und Verantwortlichkeit. 

Ziel der Arbeit ist es, konkrete Anwendungsfelder generativer KI im Controlling zu untersuchen und deren Chancen sowie Risiken systematisch zu bewerten.

Self-Service-Analytics-Lösungen ermöglichen es Fachabteilungen, eigenständig Analysen durchzuführen, ohne auf zentrale IT-Strukturen angewiesen zu sein. Dies erhöht Agilität und Innovationsfähigkeit, birgt jedoch Risiken hinsichtlich Datenkonsistenz, Qualität und Sicherheit. 

Ziel der Arbeit ist es, Spannungsfelder zwischen Dezentralisierung und Kontrolle zu analysieren und geeignete Governance-Mechanismen abzuleiten.

Klassische Prognosemodelle stoßen in hochdynamischen und unsicheren Umfeldern zunehmend an ihre Grenzen. KI-gestützte Verfahren versprechen adaptive und selbstlernende Prognosen, deren Stabilität und Robustheit jedoch kritisch zu hinterfragen sind. 

Ziel der Arbeit ist es, verschiedene KI-basierte Prognoseansätze zu vergleichen und deren Eignung für volatile Marktbedingungen zu bewerten.

Der Einsatz von KI verursacht über den gesamten Lebenszyklus Kosten – etwa für Daten, Entwicklung, Training, Cloud-Infrastruktur, Integration, Betrieb und Wartung. Da diese Kosten häufig dezentral anfallen und schwer planbar sind, entstehen neue Anforderungen an Kostenrechnung und Budgetierung.

Ziel der Arbeit ist es, Kostentreiber, Kostenkategorien und Steuerungsansätze für IT-, Cloud- und KI-bezogene Kosten systematisch zu analysieren und Implikationen für ein AI Cost Management abzuleiten.

Autonome und agentische KI-Systeme können eigenständig Entscheidungen treffen und Prozesse ausführen. Dadurch stellen sich neue Fragen hinsichtlich menschlicher Aufsicht, Verantwortlichkeit, Transparenz und Kontrolle. 

Ziel der Arbeit ist es, Governance-Mechanismen und -Prinzipien für autonome KI-Systeme systematisch zu untersuchen und zu analysieren, welche Rolle dabei algorithmische Verantwortlichkeit, Management-Control-Systeme sowie wirtschaftliche und finanzielle Steuerungsmechanismen spielen.

KI-Investitionen führen nicht automatisch zu messbaren wirtschaftlichen Erfolgen. Ihr Wertbeitrag hängt unter anderem von Datenqualität, Infrastruktur, Kompetenzen und organisatorischer Einbettung ab. 

Ziel der Arbeit ist es, systematisch zu analysieren, wie der wirtschaftliche Wertbeitrag von KI in der Literatur konzeptualisiert und gemessen wird. Dabei sollen zentrale Werttreiber, Erfolgsbedingungen sowie geeignete finanzielle und nichtfinanzielle Kennzahlen identifiziert werden.

Die Integration von KI in Unternehmen stellt bestehende Management-Control-Systeme vor neue Herausforderungen. Neben Kosten und finanziellen Ergebnissen müssen auch andere Bewertungsdimensionen berücksichtigt werden. 

Ziel der Arbeit ist es, die einschlägige Literatur systematisch zu analysieren und zu untersuchen, wie Management-Control-Systeme zu einem integrierten ‚AI Performance Management‘ erweitert werden können.