Understanding the future: Designing Intelligent Foresight Systems

Ansprechpartner: Andreas Wunder

Die Entwicklung und kontinuierliche Weiterentwicklung der Strategie eines Unternehmens umfasst eine Reihe miteinander verbundener Entscheidungen, insbesondere in Bezug auf die operativen Bereiche und Wettbewerbsvorteile (Lafley & Martin, 2013). Manager sind dafür verantwortlich, entsprechende Entscheidungen zu treffen und dabei Erkenntnisse von Analystenteams und Beratern zu nutzen (Paroutis et al., 2013). Bei der Strategieentwicklung haben Manager mit der Unsicherheit und Volatilität des sich schnell verändernden Unternehmensumfelds zu kämpfen (Finkenstadt et al., 2023; Mankins & Gottfredson, 2022). Ein beliebter Ansatz zur Vorbereitung auf eine ungewisse Zukunft ist die strategische Vorausschau (Cordova-Pozo & Rouwette, 2023; Iden et al., 2017; Piirainen et al., 2012), die „eine Praxis ist, die es einer Organisation ermöglicht, die Grundlage für einen zukünftigen Wettbewerbsvorteil zu schaffen” (Rohrbeck et al., 2015).

Trotz der erheblichen Vorteile strategischer Vorausschau nimmt deren Umsetzung ab (Ködding et al., 2023). Angetrieben durch die Digitalisierung stehen Manager und ihre Teams vor der Herausforderung, exponentiell wachsende Datenmengen, die mit unterschiedlicher Geschwindigkeit eintreffen, zu verarbeiten und zu analysieren, was schnellere Entscheidungen und häufigere Überarbeitungen erforderlich macht. Darüber hinaus ist die Vorausschau methodisch komplex, zeitaufwändig und für die routinemäßige Umsetzung zu kostspielig (Ködding et al., 2023; Mankins & Gottfredson, 2022). Da Entscheidungen über die Strategie den Managern überlassen bleiben sollten und die Zeit knapp ist, „brauchen wir Ansätze, die eine direkte Beteiligung des Managementteams ermöglichen, das für die Festlegung der Vorgehensweise verantwortlich ist“ (Lehr et al., 2017).

Generative KI (GenAI) ist ein vielversprechender Ansatz, um diese Herausforderungen zu bewältigen. Jüngste Fortschritte, insbesondere bei großen Sprachmodellen und Diffusionsmodellen, haben die Erstellung digitaler Inhalte rationalisiert und ermöglichen die schnelle Produktion hochwertiger Materialien, darunter Texte, Bilder oder Videos (Banh & Strobel, 2023). GenAI-basierte Systeme könnten die Fähigkeit einer Organisation verbessern, strategische Vorausschau schneller und unter aktiver Beteiligung der Managementteams durchzuführen (Finkenstadt et al., 2023; Geurts et al., 2022; Ködding et al., 2023; Spaniol & Rowland, 2023).

Dementsprechend zielt das Dissertationsprojekt darauf ab, zu verstehen, wie intelligente Vorausschau-Systeme gestaltet sein sollten, um ein besseres Verständnis der Zukunft zu ermöglichen. Es folgt der Design Science Research (Peffers et al., 2018; Tuunanen et al., 2024) und orientiert sich an der zugrunde liegenden Theorie der Sinnfindung sowie den Möglichkeiten und Einschränkungen von Technologien. Um vier vorläufige Forschungsziele zu erreichen, wird ein gemischter Ansatz verwendet, der verschiedene Forschungsmethoden einsetzt.

1. Bestandsaufnahme: Literaturrecherche und Umfrageauswertung zum Verständnis der aktuellen Situation hinsichtlich Anwendungsfällen generativer KI im Strategieentwicklungsprozess.
2. Untersuchung der Zusammenarbeit: Qualitative Studie zur Zusammenarbeit zwischen Mensch und KI bei intelligenten Aufgaben.
3. Das System aufbauen: Entwerfen und implementieren Sie einen Prototyp für intelligente Vorausschau.
4. Testen und validieren: Experimentelle Bewertung der Nützlichkeit, Validierung und Verfeinerung von Designprinzipien.

Dies ist ein kooperatives Promotionsprojekt mit der Fachhochschule Mainz.

Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. https://doi.org/10.1007/s12525-023-00680-1

Cordova-Pozo, K., & Rouwette, E. A. J. A. (2023). Types of scenario planning and their effectiveness: A review of reviews. Futures, 149, 103153. https://doi.org/10.1016/j.futures.2023.103153

Finkenstadt, D. J., Eapen, T. T., Sotiriadis, J., & Guinto, P. (2023, November 30). Use GenAI to Improve Scenario Planning. Harvard Business Review. https://hbr.org/2023/11/use-genai-to-improve-scenario-planning

Geurts, A., Gutknecht, R., Warnke, P., Goetheer, A., Schirrmeister, E., Bakker, B., & Meissner, S. (2022). New perspectives for data-supported foresight: The hybrid AI-expert approach. FUTURES & FORESIGHT SCIENCE, 4(1), e99. https://doi.org/10.1002/ffo2.99

Iden, J., Methlie, L. B., & Christensen, G. E. (2017). The nature of strategic foresight research: A systematic literature review. Technological Forecasting and Social Change, 116, 87–97. https://doi.org/10.1016/j.techfore.2016.11.002

Ködding, P., Ellermann, K., Koldewey, C., & Dumitrescu, R. (2023). Scenario-based Foresight in the Age of Digitalization and Artificial Intelligence – Identification and Analysis of Existing Use Cases. Procedia CIRP, 119, 740–745. https://doi.org/10.1016/j.procir.2023.01.015

Lafley, A. G., & Martin, R. L. (2013). Playing to win: How strategy really works. Harvard Business Review Press.

Lehr, T., Lorenz, U., Willert, M., & Rohrbeck, R. (2017). Scenario-based strategizing: Advancing the applicability in strategists’ teams. Technological Forecasting and Social Change, 124, 214–224. https://doi.org/10.1016/j.techfore.2017.06.026

Mankins, M., & Gottfredson, M. (2022, September 1). Strategy-Making in Turbulent Times. Harvard Business Review. https://hbr.org/2022/09/strategy-making-in-turbulent-times

Paroutis, S., Heracleous, L. T., & Angwin, D. (2013). Practicing strategy: Text and cases. SAGE.

Peffers, K., Tuunanen, T., & Niehaves, B. (2018). Design science research genres: Introduction to the special issue on exemplars and criteria for applicable design science research. European Journal of Information Systems, 27(2), 129–139. https://doi.org/10.1080/0960085X.2018.1458066

Piirainen, K. A., Gonzalez, R. A., & Bragge, J. (2012). A systemic evaluation framework for futures research. Futures, 44(5), 464–474. https://doi.org/10.1016/j.futures.2012.03.008

Rohrbeck, R., Battistella, C., & Huizingh, E. (2015). Corporate foresight: An emerging field with a rich tradition. Technological Forecasting and Social Change, 101, 1–9. https://doi.org/10.1016/j.techfore.2015.11.002

Spaniol, M. J., & Rowland, N. J. (2023). AI-assisted scenario generation for strategic planning. FUTURES & FORESIGHT SCIENCE, 5(2), e148. https://doi.org/10.1002/ffo2.148

Tuunanen, T., Winter, R., & Brocke, J. vom. (2024). Dealing with Complexity in Design Science Research: A Methodology Using Design Echelons. Management Information Systems Quarterly, 48(2), 427–458.