Künstliche Intelligenz (KI) gewinnt in Unternehmen zunehmend an Bedeutung. Trotz einer wachsenden Nutzung von KI-Lösungen zeigt eine McKinsey-Studie, dass lediglich 1 % der befragten Führungskräfte ihre KI-Implementierungen als ausgereift beschreiben. Das zeigt eine erhebliche Lückezwischen dem technologischen Einsatz von KI und der tatsächlichen Wertschöpfung in der Praxis.Die bisherige wissenschaftliche Literatur konzentriert sich meist auf technische Aspekte der KIIntegration, während organisatorische Voraussetzungen sowie deren Unterschiede in verschiedenenAnwendungsbereichen bislang kaum erforscht wurden. Insbesondere im Supply-Chain-Management (SCM) fehlt ein praxisnahes Modell, das Unternehmen bei der gezielten Entwicklung von KIFähigkeiten unterstützt. Diese Arbeit setzt hier an und untersucht, welche technischen und organisatorischen Voraussetzungen für eine erfolgreiche KI-Implementierung in unterschiedlichen SCMAnwendungsfällen erforderlich sind.Als theoretische Grundlage dient das AI-Capability-Modell von Mikalef und Gupta (2021), das Ressourcen zur Entwicklung von KI-Fähigkeiten in drei Dimensionen aufteilt: materielle, humane undimmaterielle Ressourcen. Im ersten Schritt wurde die Übertragbarkeit dieses Modells durch einesystematische Literaturrecherche auf den SCM-Kontext überprüft und zu einem Modell V1 weiterentwickelt. In einem zweiten Schritt wurde dieses Modell mit acht semistrukturierten Expert*inneninterviews mit neun Unternehmen empirisch validiert. Die Interviewpartnerinnen können in die Gruppen der Endanwender*innen, der Softwareunternehmen und der Beratungsunternehmen gegliedertwerden. Aus diesen Befragungen wurden drei Use-Cases abgeleitet: Demand und Sales Forecasting, Bestelloptimierung und die Automatisierung physischer Prozesse. Die Auswertung erfolgte mittels einer qualitativen Inhaltsanalyse nach Mayring (2010).Die Ergebnisse zeigen, dass das AI-Capability-Modell grundsätzlich auf den SCM-Kontext übertragbar ist, jedoch SCM-spezifische Erweiterungen benötigt. Die Ressourcenanforderungen variieren jenach Anwendungsfall erheblich, wobei über alle drei Use-Cases hinweg vier Ressourcen als besonders kritisch identifiziert werden konnten. Das sind die Datenqualität und -verfügbarkeit, das SCMDomänenwissen, der Managementsupport und die KI-Strategie als auch die Explainability und dasVertrauen. Das zentrale wissenschaftliche Ergebnis der Arbeit ist die Entwicklung eines SCMspezifischen AI-Capability-Modells (Modell V2), das das Ursprungsmodell um drei empirisch belegteRessourcen erweitert: SCM-Domänenwissen und Managementsupport und KI-Strategie in den Human Resources sowie Explainability und Vertrauen in den Intangible Resources. Die Arbeit basiertauf einer qualitativen Stichprobe von neun Expert*innen im deutschsprachigen Raum, weshalb einestatistische Verallgemeinerung der Ergebnisse nur eingeschränkt möglich ist.
| Datum der Bewilligung | 2026 |
|---|
| Originalsprache | Deutsch (Österreich) |
|---|
| Gradverleihende Hochschule | |
|---|
| Betreuer/-in | Thomas Michael Fischer (Betreuer*in) |
|---|
- Logistik-Engineering und -Management
Technische und organisatorische Voraussetzungen für die erfolgreiche KI-Implementierung mit Fokus auf den Bereich Supply-Chain-Management
Maier, S. (Autor). 2026
Studienabschlussarbeit: Masterarbeit