Generative Künstliche Intelligenz (genKI)
ZAHLEN | DATEN | FAKTEN
ChatGPT, DeepSeek und Co. sind immer weniger aus dem Alltag wegzudenken, egal ob auf der Arbeit oder im privaten. Doch was genau sind diese vielseitigen digitalen Werkzeuge eigentlich, welche gemeinhin unter den Oberbegriff Generative Künstliche Intelligenz (genKI) fallen, und wie funktionieren sie? Die genKI ist eine Technologie, die auf der Grundlage vorhandener Daten sowie automatisierter Analysen neue Inhalte und Lösungen erzeugt. Sie eröffnet sowohl in indirekten als auch direkten Bereichen weitreichende Möglichkeiten, Arbeitsprozesse effizienter zu gestalten, Innovationen voranzutreiben und Produktionskosten zu senken. Anwender und Anwenderinnen müssen sich jedoch nicht nur der Vorteile, sondern auch der Herausforderungen bewusst sein, die diese Technologie mit sich bringt.
Generative KI im Detail
genKI basiert auf maschinellem Lernen, insbesondere auf künstlichen neuronalen Netzen. Im Zentrum stehen Transformer- Modelle, die mit ihrer Architektur den Durchbruch in der Verarbeitung und Generierung von Text, Bildern und anderen Inhalten ermöglicht haben. Die prominentesten Beispiele sind GPT (Generative Pretrained Transformer) für Text, DALL·E für Bilder und BERT (Bidirectional Encoder Representations from Transformers) für Sprachverarbeitung.
Transformer-Modelle bestehen aus zwei Hauptkomponenten:
- ENCODER: Verarbeitet die Eingabedaten, analysiert sie und erstellt eine Zusammenfassung in Form von sogenannten »Vektoren« (»h« in Abbildung 1), also Kodierungen, welche jedes Wort und dessen Eigenschaften (Tempus, Kasus, Position im Satz etc.) analysiert und ihm eine charakterisierende Zahl zuordnet.
- DECODER: Nutzt diese Vektor-Zusammenfassungen, um neue Daten basierend auf der entsprechenden Anweisung durch einen Prompt zu generieren, in diesem Beispiel in die gewünschte Zielsprache Englisch zu übersetzen.
Abbildung 1: Die Funktionsweise von Encoder-Decoder Modellen (Quelle: ifaa)
Ein zentraler Bestandteil ist der Mechanismus der Selbstaufmerksamkeit (Self-Attention), der es dem Modell ermöglicht, Beziehungen zwischen einzelnen Elementen eines Prompts bzw. einer Information zu analysieren. Anders als konventionelle künstliche neuronale Netze, welche sich sequenziell durch einzelne Informationsbausteine arbeiten, rechnet der Transformer parallel, was die Verarbeitung großer Datenmengen beschleunigt. Dies funktioniert so, dass die genKI beispielsweise einen Satz in deutscher Sprache einliest und jedes einzelne Wort hinsichtlich dessen Bedeutung für den Satz überprüft, was ebenfalls im Vektor gespeichert wird. Auf diese Weise erkennt die genKI Subjekt und Objekt des Satzes sowie zusätzliche Satzteile, wie bspw. adverbiale Bestimmungen. Ebenso versteht die genKI die Bedeutung von Wörtern über das eigenmächtige Recherchieren von Synonymen in den Trainingsdaten und bedarfsweise im Internet. Dies tut bereits der Encoder, um dem Decoder so viele Informationen wie möglich bereitzustellen, sodass eine präzise und kontextgerechte Antwort vom Decoder gegeben werden kann. Dies ist gerade bei der sprachlichen Übersetzung sehr wichtig, um auch in der Zielsprache die Wörter mit der richtigen Bedeutung zu erfassen. Für die sprachliche Umsetzung arbeiten Encoder und Decoder mit Trainingsdaten, welche enthalten, wie wahrscheinlich ein Wort in diesem Satz und Anfragenkontext vorkommt. Das Gleiche passiert bei Übersetzungen in der jeweiligen Zielsprache, in diesem Falle Englisch (s. Abbildung 2)
Bei anderen Anfragen, wie bspw. dem Schreiben von Artikeln, funktionieren Encoder und Decoder genau auf dieselbe Weise, nur dass das Sprachmodell einer anderen Anweisung folgt.
Abbildung 2: Beispielhafte Darstellung der schrittweisen Aufschlüsselung des Encoders sowie Decoders für den zu übersetzenden Satz. Die Zahlen an den Pfeilen sind Wahrscheinlichkeiten für die Wörter als Folgewort im jeweiligen Kontext (Quelle: ifaa)
Anwendungsbereiche und Potenziale
Ein besonders vielversprechender Einsatzbereich ist die Produktentwicklung: genKI kann bei der automatisierten Erstellung und Optimierung von Designs helfen. Studien zeigen, dass KI-gestützte Optimierungsmethoden Bauteile effizienter gestalten können, was sowohl den Materialverbrauch als auch die Fertigungskosten reduziert [18]. Diese Technologien ermöglichen etwa die Entwicklung leichterer und stabilerer Komponenten, die gezielt auf den Einsatz in der Industrie zugeschnitten sind. Auch im Bereich der Fertigung kann generative KI eine Schlüsselrolle spielen, indem sie Produktionsdaten analysiert und so frühzeitig auf mögliche Qualitätsprobleme hinweist [19].
Abbildung 3: Eine Auswahl von Potenzialen der genKI für Organisationen (Quelle: ifaa)
Wie bei allen technischen Neuerungen werden auch bei genKI die Potenziale zur Steigerung der Produktivität diskutiert. Viele Studien belegen positive Effekte in unterschiedlicher Richtung und Stärke. Beispielsweise führten Noy & Zhang (2023) ein Experiment zur Bearbeitung von Texten durch und stellten fest, dass generative KI eine Verkürzung von Bearbeitungszeiten um etwa 40 % und eine Erhöhung des Qualitätsniveau um ca. 18 % erzielt [16]. Ein weiteres Beispiel findet sich in einer amerikanischen Studie des National Bureau of Economic Research, in der die Produktivität im Kundensupport untersucht wurde [4]. Dort ermittelte man im Ergebnis eine Erhöhung der Produktivität um 14 %, stellte aber zudem fest, dass der höchste Produktivitätsgewinn bei unerfahrenen sowie geringqualifizierten Mitarbeitenden erzielt wurde. So wurde generative KI als eine Art »virtuelles Exoskelett« beschrieben, das bei Aufgaben assistiert und Mitarbeitenden Zugang zu Wissen verschafft, welches sie zum jetzigen Zeitpunkt nicht hätten [20].
Automatisierte Dokumentation ist ein weiterer Einsatzbereich für generative KI. Sie kann technische Berichte, Arbeitsanweisungen und andere Dokumente verfassen, was den Aufwand für Ingenieure und Techniker erheblich reduziert. Dies beschleunigt die Erstellung von Dokumentationen, die oft zeitaufwendig sind, und ermöglicht es den Fachkräften, sich auf kreativere und anspruchsvollere Aufgaben zu konzentrieren.
Im Bereich der Arbeitsorganisation hat genKI das Potenzial, Routineaufgaben zu übernehmen und Beschäftigte zu entlasten. Sie wird beispielsweise für das Verfassen von Berichten, die Erstellung von Schulungsmaterialien, die optimierte Ausführung komplexer Planungsaufgaben wie z. B. die Personaleinsatzplanung und Schichtplan-Gestaltung [9] oder die schnelle Analyse großer Datenmengen eingesetzt. Dies schafft Freiräume für kreative und strategische Tätigkeiten [7]. Gleichzeitig gestalten KI-gestützte Assistenzsysteme, Kommunikation und Wissenstransfer effizienter, bspw. Chatbots, welche mit Unternehmensdaten und Mitarbeiterwissen trainiert wurden und so als intelligentes Archiv fungieren [1].
Die Vorteile der generativen KI gehen jedoch über reine Effizienzgewinne hinaus. Sie fördert die Innovationsfähigkeit von Unternehmen, indem sie neue Ansätze zur Aufgabenerfüllung und Mediengenerierung ermöglicht. Dies kann in Unternehmen genutzt werden, um beispielsweise neue Geschäftsmodelle zu etablieren und Prozesse zu automatisieren (bspw. KI-basierter Kundenservice, automatisierte Dokumentenverarbeitung, automatisierte Analysen, etc.) Dabei bleibt jedoch entscheidend, dass der Einsatz solcher Technologien durch Schulungen, Weiterbildungen und betriebliche Anwendungsregeln flankiert werden sollte, um Beschäftigte optimal auf die neuen Anforderungen vorzubereiten [6], [11].
Herausforderungen bei generativer KI
Obwohl generative KI enormes Potenzial für Effizienz- und Innovationsgewinne bietet, gehen ihre Einführung und Nutzung mit zahlreichen Herausforderungen und Risiken einher. Eine zentrale Sorge ist, dass menschliche Arbeitskräfte zunehmend substituiert werden könnten[10]. Studien zeigen, dass bis zu 49 % der Tätigkeiten in bestimmten Branchen durch KI automatisierbar sind [4]. Das gilt besonders für Routinearbeiten, was eine verstärkte Polarisierung des Arbeitsmarktes zur Folge haben könnte [2]. Wichtig ist hierbei, dass genKI lediglich bestimmte Tätigkeitsanteile automatisieren, jedoch in der Regel Menschen an ihren Arbeitsplätzen nicht vollständig ersetzen kann. Wenn genKI bspw. 30 % einer menschlichen Aufgabe ausführen kann, bedeutet dies nicht, dass auch 30 % der Beschäftigten nicht mehr benötigt werden. Daher ist es essenziell, sich im eigenen Falle tiefgreifend mit den Effekten auf Belegschaft und Organisationsstruktur zu befassen, bevor Prognosen zu Wirtschaftlichkeit und Beschäftigungswirkung von genKI getroffen werden.
Abbildung 4: Mögliche Gefahren und Hindernisse der genKI für Organisationen (Quelle: ifaa)
Eine weitere Herausforderung ist die Qualitätskontrolle. Generative KI kann fehlerhafte oder unvollständige Ergebnisse produzieren, deren Unzulänglichkeit ggf. schwer oder gar nicht zu erkennen ist. Laut einer Untersuchung der Harvard Business School [5] führt die blinde Übernahme von KI-generierten Vorschlägen in 27 % der Fälle zu suboptimalen Entscheidungen. Dies zeigt, dass eine fachliche Überprüfung der Ergebnisse notwendig bleibt.
Zusätzlich bergen generative KI-Modelle Risiken im Bereich der Datensicherheit und Ethik. Diese Systeme sind abhängig von großen Datenmengen, wodurch Datenschutzprobleme entstehen können. Es ist beispielsweise bei vielen genKI-Anbietern nicht sicher, was mit den eingegebenen Daten geschieht. So könnten vertrauliche Daten ungewollt als Trainingsmaterial für die jeweilige genKI herangezogen werden. Eine Studie des Fraunhofer IAO (2023) hebt hervor, dass 38 % der Unternehmen Sicherheitsbedenken als größte Herausforderung bei der Nutzung von KI nennen [8]. Außerdem kann KI diskriminierende oder voreingenommene Ergebnisse erzeugen, wenn Trainingsdaten Bias enthalten. Bias in Trainingsdaten von generativer KI entsteht, wenn die Trainingsdaten Verzerrungen, Vorurteile oder Ungleichheiten widerspiegeln und diese von der KI in ihren Ergebnissen reproduziert oder verstärkt werden [17].
Nicht zuletzt stellt das sogenannte Deskilling von Mitarbeitenden durch KI eine mögliche langfristige Herausforderung dar. Experimente zeigen, dass Anwenderinnen und Anwender, die intensiv generative KI nutzen, wenig eigenes neues Wissen aufbauen. In einer Studie von Wiles et al. (2024) konnten Teilnehmende in einem Experiment nur 15 % der zuvor mit KI-Unterstützung erlernten Aufgaben eigenständig ohne KI bewältigen [20]. Diese Abhängigkeit könnte langfristig Innovationsfähigkeit und Problemlösungskompetenzen von Beschäftigten beeinträchtigen.
Es ist entscheidend, diese Herausforderungen durch gezielte Maßnahmen wie Qualifizierungsprogramme, Ethikrichtlinien und strikte Sicherheitsstandards zu adressieren, um die Potenziale generativer KI verantwortungsvoll und nachhaltig zu nutzen. Zum Beispiel können für den Schutz der eigenen Daten ausgewählte genKI-Anbieter aus Europa genutzt werden oder sogar eigene genKI gemäß unternehmensspezifischer Richtlinien entwickelt werden.
Verbreitung und Anwendungsbereiche von generativer KI in Unternehmen
Generative KI wird in Unternehmen zunehmend eingesetzt und gewinnt an strategischer Bedeutung. Laut einer Bitkom-Umfrage planen 17 % der deutschen Unternehmen den aktiven Einsatz von genKI, während 23 % dies für die Zukunft in Betracht ziehen [3]. Größere Unternehmen treiben die Verbreitung besonders voran: 53 % der Stellenanzeigen von Unternehmen mit mehr als 5 000 Mitarbeitern beziehen sich auf Arbeit mit oder die Entwicklung von genKI, verglichen mit 14 % bei kleinen und mittleren Unternehmen (KMU) [14]. Zu den Hauptanwendungen zählen die Automatisierung interner Systeme (42 %), Datenanalyse (24 %) und Kundensupport (19 %) [13]. Eine Studie zeigt, dass 31 % der Industrieunternehmen genKI insbesondere für Prozessautomatisierung und Optimierung nutzen [21]. Im Marketing und Vertrieb kommt genKI zudem zur Erstellung personalisierter Inhalte oder Prognosen zum Einsatz [12]. Zudem planen 46 % der Unternehmen, ihre Investitionen in genKI-Technologien in den nächsten fünf Jahren zu steigern [13].
Abbildung 5: Hauptanwendungen von generativer KI in der Praxis
Fazit und Ausblick
Generative KI bietet in der gesamten Arbeitswelt über alle Branchen hinweg immense Chancen, um Prozesse zu optimieren und Innovationen voranzutreiben und somit die Wettbewerbsfähigkeit zu steigern sowie dem Fachkräftemangel zu begegnen [15]. Unternehmen müssen jedoch sicherstellen, dass die Mitarbeitenden bei Einführung dieser Technologien qualifiziert sind und unterstützt werden. Aktuell entwickelt sich generative KI stetig weiter und neue Anbieter strömen mit neuen Sprachmodellen sowie Lösungen auf den Markt. Der Konkurrenzkampf wird auch den technologischen Fortschritt weiter vorantreiben und gewisse Effekte auf die Arbeitsorganisation in den Unternehmen haben.
Literatur
[1] Acemoglu D, Autor D, Hazell J, Restrepo P (2022) Artificial Intelligence and Jobs: Evidence from Online Vacancies. Journal of Labor Economics, 40(S1):293–S340. Abgerufen am 14.03.2024 unter https://economics.mit.edu/sites/default/files/publications/AI%20and%20Jobs%20-%20Evidence%20from%20Online%20Vacancies.pdf
[2] Acemoglu D, Restrepo P (2020) Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy. Abgerufen am 15.03.2025 unter https://economics.mit.edu/sites/default/files/publications/Robots%20and%20Jobs%20-%20Evidence%20from%20US%20Labor%20Markets.p.pdf
[3] Bitkom e. V. (2024) ChatGPT: Jedes sechste Unternehmen plant KI-Einsatz für Textgenerierung. Abgerufen am 20.11.2024 unter https://www.bitkom.org/Presse/Presseinformation/ChatGPT-Jedes-sechste-Unternehmen-plant-KI-Einsatz-Textgenerierung
[4] Brynjolfsson E, Li D, Raymond L (2023) Generative AI at Work. NBER Working Paper. Abgerufen am 15.03.2025 unter https://www.nber.org/papers/w31161
[5] Dell’Acqua F, McFowland E, Mollick ER, Lakhani KR (2023) Human-AI Collaboration in Decision-Making. Harvard Business School. Abgerufen am 15.03.2025 unter https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
[6] Dengler K, Matthes B (2021) Folgen des technologischen Wandels für den Arbeitsmarkt: Auch komplexere Tätigkeiten könnten zunehmend automatisiert werden. IAB-Kurzbericht 13/2021. Abgerufen am 15.03.2025 unter https://doku.iab.de/kurzber/2021/kb2021-13.pdf
[7] Felten EW, Raj M, Seamans R (2019) The Occupational Impact of Artificial Intelligence: Labor, Skills, and Polarization. NYU Stern School of Business, Chicago. Abgerufen am 15.03.2025 unter https://papers.ssrn.com/sol3/papers.cfm
[8] Fraunhofer IAO (2023) Potenziale Generativer KI für den Mittelstand – Wie große KI-Modelle die Arbeitswelt verändern. Abgerufen am 14.03.2025 unter https://www.digital.iao.fraunhofer.de/de/publikationen/Potenziale-Generativer-KI-fuer-den-Mittelstand.html
[9] ifaa (2024) »Das ifaa spricht«: Wie KI bei der Schichtplan- Gestaltung unterstützen kann. Pressemeldung vom 12.11.2024. Abgerufen am 22.04.2025 unter https://www.arbeitswissenschaft.net/angebote-produkte/publikationen/ifaa-podcast-das-ifaa-spricht
[10] ifaa (2024) ifaa-Trendbarometer zeigt: Angestellte zeigen sich skeptischer gegenüber KI am Arbeitsplatz im Vergleich zu Führungskräften. Pressemeldung vom 08.05.2024. Abgerufen am 26.03.2025 unter https://www.arbeitswissenschaft.net/newsroom/pressemeldung/news/ifaa-trendbarometer-zeigt-angestellte-zeigen-sich-skeptischer-gegenueber-ki-am-arbeitsplatz-im-vergleich-zu-fuehrungskraeften
[11] ifaa (2025) EU AI Act: Was Artikel 4 zu KI-Kompetenzen für Unternehmen bedeutet. Pressemeldung vom 26.02.2025. Abgerufen am 26.03.2025 unter https://www.arbeitswissenschaft.net/newsroom/pressemeldung/news/eu-ai-act-was-artikel-4-zu-ki-kompetenzen-fuer-unternehmen-bedeutet
[12] IHK Hamburg (2024) Chance und Potenziale generativer KI im Unternehmen. Abgerufen am 20.11.2024 unter www.ihk.de/hamburg/produktmarken/digitalportal/technologien/generative-ki-6017000
[13] IW Consult (2023) Der digitale Faktor: Wie Deutschland von intelligenten Technologien profitiert. Abgerufen am 20.11.2024 unter https://storage.googleapis.com/derdigitalefaktor/download/240111_IW_Google-Studie_DE_BF.pdf
[14] IW Köln (2024) Generative KI in Gesellschaft und Unternehmen. IW-Report 23/2024. Abgerufen am 20.11.2024 unter https://www.iwkoeln.de/studien/jan-buechel-jan-felix-engler-kuenstliche-intelligenz-in-gesellschaft-und-unternehmen.html
[15] Lennings F, Eisele O, Terstegen S, Cost Reyes C, Conrad R (2024) Den Fachkräftemangel als Chance begreifen und nutzen! Impulspapier. Abgerufen am 26.03.2025 unter https://www.arbeitswissenschaft.net/impuls-fachkraefte
[16] Noy S, Zhang W (2023) Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(2023):187–192. Abgerufen am 22.04.2025 unter https://www.science.org/doi/10.1126/science.adh2586
[17] Obermeyer Z, Powers B, Vogeli C, Mullainathan S (2019) Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366. Abgerufen am 15.03.2025 unter https://pubmed.ncbi.nlm.nih.gov/31649194
[18] Rammer C, Fernández GP, Czarnitzki D (2022) Artificial Intelligence and Industrial Innovation: Evidence from German Firm-Level Data. Research Policy 51(7). Abgerufen am 15.03.2025 unter https://www.sciencedirect.com/science/article/abs/pii/S0048733322000798
[19] Webb M (2020) The Impact of Artificial Intelligence on the Labor Market. Working Paper. SSRN. Abgerufen am 15.03.2025 unter https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3482150
[20] Wiles E, Krayer L, Abbadi M, Awasthi U, Kennedy R, Mishkin P, Sack D, Candelon F (2024) GenAI as an Exoskeleton: Experimental Evidence on Knowledge Workers Using GenAI. BCG Henderson Institute. Abgerufen am 15.03.2025 unter https://papers.ssrn.com/sol3/papers.cfm
[21] ZEW Mannheim (2023) Branchenreport Informationswirtschaft: Getrübte Geschäftslage im ersten Quartal. Abgerufen am 20.11.2024 unter https://ftp.zew.de/pub/zew-docs/brepikt/202301BrepIKT.pdf
Unsere Empfehlungen
Generative KI im Einsatz — ChatGPT & Co.
VeranstaltungenIn diesem Seminar erhalten Sie eine Einführung in die vielfältigen Einsatzmöglichkeiten und Tools der GenAI.
Praxisbroschüre Künstliche Intelligenz
BroschürenGrundlagen der KI und des maschinellen Lernens, KI-Anwendungen in Produktionsunternehmen, Good-Practice-Beispiele von KMU der M+E-Industrie
Studie: Künstliche Intelligenz in produzierenden Unternehmen
StudienStudienergebnisse hinsichtlich des KI-Einsatzes in produzierenden Unternehmen sowie der damit verbundenen Chancen und Herausforderungen
KI Arbeitsorganisation
BroschürenDie Broschüre bietet umfassende Informationen, Praxisbeispiele und Handlungshilfen für die Einführung von KI in die betriebliche Arbeitsorganisation.
Ihr Ansprechpartner
Dipl.-Ing.
Sebastian Terstegen
Wissenschaftlicher Mitarbeiter
Telefon: +49 211 542263-42
