Das Ziel dieser Arbeit ist es, herauszufinden ob, wie und wo sich Künstliche Intelligenz in der Unternehmenskommunikation effizient einsetzen lassen kann und welche Tools, Prozesse und nicht zuletzt ethischen Aspekte beachtet werden müssen. Es soll geklärt werden, wie sich Algorithmen in Bezug auf Dialogfähigkeit und -Kommunikations-Management designen lassen und ob diese generalisiert als Muster einsetzbar sind. Im Zuge der Arbeit wird untersucht, ob sich kommunikative und technologische Muster beim Einsatz von KI in der Unternehmenskommunikation allgemeingültig feststellen und replizieren / skalieren lassen.
Dabei wird neben der technischen auch die kommunikative Komponente anhand von Teilaspekten und -disziplinen der Unternehmenskommunikation beleuchtet und versucht zu einem allgemeingültigen Konzept für den Einsatz in der Unternehmenskommunikation großer und kleiner Unternehmen zu gelangen.
Im Rahmen dieser Arbeit werden die folgenden Forschungsfragen gestellt: Gibt es Wirkungsfelder in der Unternehmenskommunikation die sich besonders eignen um zum einen eine ziel- und wirkungsgerichtete Unternehmenskommunikation (automatisiert) zu gestalten und zum anderen diese Wirkungsfelder in einen kontinuierlichen Lernprozess für die KI zu überführen?
Welche Fragestellungen zu Kommunikation und Ethik müssen in Bezug auf Entscheidungsfindungen im Kommunikationsprozess beachtet werden? Wo liegen die Spannungsfelder und wo sind die Grenzen beim Einsatz von KI in der Kommunikation? Können auf Basis automatisierter Auswertungen von Informations-Clustern oder Signalen aus den Medien (Medien-Resonanz) Themen und Trends für die eigene Kommunikationsplanung erkannt und vorausgeplant werden? Kann eine KI im Rahmen eines Kommunikations-Frame-Works integriert und kontrolliert werden? Welche Regeln und Muster können in einem solchen Framework nach welchen Kriterien festgelegt werden?
Inhaltsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungsverzeichnis
1 Einleitung und wissenschaftlicher Hintergrund
1.1 Ziel der Forschungsarbeit
1.2 Forschungsfragen
1.3 Aufbau der Arbeit
2 Thematische Grundlagen zu Künstlicher Intelligenz
2.1 Die Anfänge und Entwicklungsschritte Künstlicher Intelligenz
2.2 Technologische Betrachtung von KI und KI-Anwendungen
2.3 Themenfelder zum Einsatz von Künstlicher Intelligenz
2.4 Anwendungsfelder von Künstlicher Intelligenz
3 Künstliche Intelligenz in Kommunikation und Marketing
3.2 KI basierte Lösungen in Kommunikation und Marketing
3.3 KI basierte Anwendungen im Marketing
3.4 KI basierte Anwendungen in der Unternehmenskommunikation
4 Ethik in der Kommunikation und Maschinen-Ethik
4.1 Ethik in der Kommunikation
4.2 Maschinen Ethik
4.3 Ethischer Umgang mit KI aus Sicht von Unternehmen
5 Abschließende Betrachtungen zum Themenkomplex KI
5.1 Zwischenfazit
5.2 Hypothesen
6. Forschungsdesign und Methodik
6.1 Erläuterung der empirischen Methodik
6.2 Beschreibung der Datenbasis
6.3 Aufbau des Fragebogens zur Online-Umfrage
7 Ergebnisse der Online-Umfrage
7.1 Ergebnisse: Einschätzungen zu KI
7.2 Ergebnisse: Relevanz von KI
7.3 Ergebnisse: Anwendung von KI
7.4 Ergebnisse: Aufgaben von KI
7.5 Ergebnisse: Spannungsfelder beim Einsatz von KI
7.6 Ergebnisse: Stichprobe Unternehmenskommunikation
8 Diskussion und Reflexion
8.1 Überprüfung der Hypothesen
8.3 Beantwortung der Forschungsfragen
9 Fazit
Literaturverzeichnis
Anhang
Anhang a) Fragebogen zur Erhebung
Anhang b) Tabellen zur Datenerhebung
Anhang c) Grafiken zur Datenbasis der Teilnehmer
Abbildungsverzeichnis
Abbildung 1: ML-Konzepte, Algorithmen und Anwendungsfelder
Abbildung 2: Anwendungsfelder von KI in der UK
Abbildung 3:Framework KI in der UK integrierte Intelligenz
Abbildung 4: Angabe zu Alter und Geschlecht n=36
Abbildung 5: Branchenübersicht n=54
Abbildung 6: Funktionsbereiche der Befragten n=53
Abbildung 7: Positionen der Teilnehmenden n=50
Abbildung 8: Angaben zu Unternehmensgröße der Befragten n=49
Tabellenverzeichnis
Tabelle 1: Unterscheidung Menschliche Intelligenz und Künstliche Intelligenz
Tabelle 2: Unterscheidung Regelbasierte Programmierung und Künstliche Intelligenz
Tabelle 3: Lernkonzepte des maschinellen Lernens
Tabelle 4: Arten von KI-Unterstützung
Tabelle 5: Klassifikationen der KI-Unterstützung und Anwendungsgebiete im Marketing
Tabelle 6: Klassifikationen der KI-Unterstützung und Anwendungsgebiete in der UK
Tabelle 7: Nennungen technische & strukturellen Bedenken beim Einsatz von KI
Tabelle 8: Nennungen zu ethischen und moralischen Bedenken beim Einsatz von KI
Tabelle 9: Positive Nennungen zu Einsatzmöglichkeiten von KI in der Kommunikation
Tabelle 10: Negative Nennungen zu Einsatzmöglichkeiten von KI in der Kommunikation
Tabelle 11: Arten von KI-Technologien Positive Nennungen (n=9)
Tabelle 12: Ranking wichtiger Aufgaben für KI-Anwendungen
Tabelle 13: Einschätzung KI-Potentiale für Aufgaben in der UK (n=39)
Tabelle 14: Relevante Aufgaben und Funktionen in der UK Höchste Werte
Tabelle 15: Vorschläge für Aufgaben die eine KI in der Kommunikation übernehmen könnte (n=11)
Tabelle 16: Positive Antworten zu Fachverantwortlichkeit KI in der UK
Tabelle 17: Negative Nennungen zu Fachverantwortlichkeit KI in der UK
Tabelle 18: Nennungen zu Regeln für und beim Einsatz von KI (n=19)
Tabelle 19: Nennungen zur Sicherstellung von Funktionsweisen der KI
Tabelle 20: Antworten zu Grenzen beim Einsatz von KI (n=9)
Tabelle 21: Hindernisse bei der Einführung von KI
Tabelle 22: Verteilung Branchenübersicht Umfrageteilnehmer a) n=54
Tabelle 23: Verteilung nach Funktionsbereichen n=53
Tabelle 24: Verteilung nach Position der Umfrageteilnehmer n=50
Abkürzungsverzeichnis
a. d. e. aus dem englischen
AI Artificial Intelligence
BMWI Bundesministerium für Wirtschaft und Energie
bspw. beispielsweise
bzw. beziehungsweise
CUI Conversational User Interfaces
d. h. das heißt
DARPA Defense Advanced Research Projects Agency
engl. Englisch
et al. und andere
etc. et cetera
ggfls. gegebenenfalls
I. o .T Internet of Things
IAO Institut für Arbeitswirtschaft und Organisation
II Integrierte Intelligenz
Kap Kapitel
KI Künstliche Intelligenz
KNN Künstliches Neuronales Netzwerk
MI Menschliche Intelligenz
NLG Natural Language Generation
NLP Natural Language Processing
PA Robotic Process Automation
s. a. siehe auch
u. a. unter anderem
UI User Interface
UK Unternehmenskommunikation
UX User Experience
vgl. vergleiche
z. B. zum Beispiel
1 Einleitung und wissenschaftlicher Hintergrund
Zu den Themen Künstliche Intelligenz, Big Data und Kommunikation wird seit längerem geforscht. Neuere Studien beschäftigen sich in der Technologieforschung - z. B. bei der Fraunhofer Gesellschaft - mit den übergreifenden Einsatzmöglichkeiten von Künstlicher Intelligenz in Unternehmen. Die Kommunikationswissenschaften beleuchten das Thema von unterschiedlichen Standpunkten aus. Hier liegen Forschungsschwerpunkte in der Semantik und auch in der Linguistik. Auch in der Marketing-Literatur liegen zum Thema Künstliche Intelligenz und Kommunikation bereits einige Veröffentlichungen vor. Das Thema Künstliche Intelligenz (KI) gewinnt in der Vertriebs- und Sales-Welt schon seit einigen Jahre zunehmend an Bedeutung. Der Einsatz von Chatbots ist in vielen Unternehmen sowie in sozialen Netzwerken bereits stark etabliert, um Kundenanfragen im Rahmen standardisierter Frage-Antwort-Algorithmen abzufangen, damit der Support entlastet und ein besseres Service-Erlebnis auf Kundenseite 24/7 ermöglicht werden kann. Allerdings stößt diese Technologie teils an Grenzen und Bots sind noch nicht so stark ausgebildet, dass für die Kommunikation wichtige Teileigenschaften wie Empathie abgebildet werden können.
Für komplexere, dialogorientierte Kommunikationsabläufe, die über das Preisgeben maschinell abfragbarer Informationen im Sinne einer One-Way-Kommunikation herausgehen, fehlen wichtige und übergreifende Konzepte in den Unternehmen. Themen wie der Umgang mit Big-Data und die Implementierung von übergreifenden Strategien für die Kommunikation mit verschiedenen Anspruchsgruppen werden in diesem Zusammenhang immer relevanter.
Darüber hinaus hat Künstliche Intelligenz durch die Verbreitung von Anwendungen wie Google Duplex, den Amazon Web-Services oder den KI-Angeboten der Alibaba-Tochter Caiano längst Einzug in das Nutzungs- und Konsumverhalten sowohl von Verbrauchern als auch von Journalisten gehalten. Somit sind weitere Handlungsfelder in der Gestaltung von moderner Unternehmenskommunikation aufgetreten, in die Unternehmen investieren müssen, bzw. können, um weiterhin den Informationsfluss selbstbestimmt und zielgruppengerecht zu gestalten.
1.1 Ziel der Forschungsarbeit
Das Ziel der Arbeit soll sein, herauszufinden ob, wie und wo sich KI in der Unternehmenskommunikation effizient einsetzen lassen kann, und welche Tools, Prozesse und nicht zuletzt ethischen Aspekte beachtet werden müssen.
Dabei soll auch geklärt werden, wie sich Algorithmen in Bezug auf Dialogfähigkeit und -Kommunikations-Management designen lassen und ob diese generalisiert als Muster einsetzbar sind, damit relevante Aspekte der Unternehmenskommunikation kommunikativ wirkungsvoll und in einem effizienten Frame-Work abgebildet werden können. Im Zuge der Arbeit soll untersucht werden, ob sich kommunikative und technologische Muster beim Einsatz von KI in der Unternehmenskommunikation allgemeingültig feststellen und replizieren / skalieren lassen.
Dabei wird neben der technischen Komponente auch die kommunikative Komponente anhand von Teilaspekten und -disziplinen der Unternehmenskommunikation beleuchtet und versucht zu einem allgemeingültigen Konzept für den Einsatz in der Unternehmenskommunikation großer und kleiner Unternehmen zu gelangen.
1.2 Forschungsfragen
Im Rahmen dieser Arbeit werden die folgenden Forschungsfragen gestellt:
- Gibt es Wirkungsfelder in der Unternehmenskommunikation die sich besonders eignen um zum einen eine ziel- und wirkungsgerichtete Unternehmenskommunikation (automatisiert) zu gestalten und zum anderen diese Wirkungsfelder in einen kontinuierlichen Lernprozess für die KI zu überführen?
- Welche Fragestellungen zu Kommunikation und Ethik müssen in Bezug auf Entscheidungsfindungen im Kommunikationsprozess beachtet werden?
- Wo liegen die Spannungsfelder und wo sind die Grenzen beim Einsatz von KI in der Kommunikation
- Können auf Basis automatisierter Auswertungen von Informations-Clustern oder Signalen aus den Medien (Medien-Resonanz) Themen und Trends für die eigene Kommunikationsplanung erkannt und vorausgeplant werden?
- Kann eine KI im Rahmen eines Kommunikations-Frame-Works integriert und kontrolliert werden?
- Welche Regeln und Muster können in einem solchen Framework nach welchen Kriterien festgelegt werden?
1.3 Aufbau der Arbeit
Zu Beginn wird anhand einer Literatur-Recherche das Themenfeld KI mit seinen Themen und Anwendungsfeldern in Kommunikation und Marketing erschlossen. Darauf aufbauend wird ein Szenario für die Einsatzmöglichkeiten von KI in der Unternehmenskommunikation anhand von Klassifikationen entworfen. Da der Einsatz von KI in der Kommunikation auch ethische Aspekte berührt, wird zudem betrachtet, welche ethischen Aspekte beim Einsatz von KI in Marketing und Kommunikation zu berücksichtigen sind. Um dann in den empirischen Teil überzuleiten, werden - neben einem Zwischenfazit - 3 Hypothesen aufgestellt, die als Basis für eine Online-Umfrage dienen. Die Ergebnisse der Auswertung werden entsprechen aufgeführt und im Nachgang zur Beantwortung der Forschungsfragen im Diskussionsteil genutzt.
2 Thematische Grundlagen zu Künstlicher Intelligenz
Im Folgenden werden die Entwicklung von KI sowie relevante Einsatzfelder und Anwendungen betrachtet. Dabei wird Bezug genommen auf die Entstehung des Begriffes KI und die technologischen Hintergründe werden kurz erläutert.
2.1 Die Anfänge und Entwicklungsschritte Künstlicher Intelligenz
Künstliche Intelligenz ist kein neues Thema. Bereits in den ausgehenden 50er Jahren des 20 Jahrhunderts wurden erste Experimente und Rechenanwendungen durchgeführt. Sollte es einen Zeitpunkt bzw. eine Geburtsstunde für das Forschungsgebiet Künstliche Intelligenz geben, so findet man diese(n) auf der Dartmouth Conference. Hier wurde die Annahme getroffen, dass jeder Aspekt des Lernens oder jedes Merkmal der Intelligenz im Prinzip so genau beschrieben werden kann, dass man eine Maschine dazu bringen kann, sie zu simulieren1 (McCarthy et al. 1955, S. 2).
Das theoretische Konstrukt KI konnte damals aufgrund der limitierten technischen Möglichkeiten nicht anwendungsbezogen in die Praxis überführt werden. Hard- und Software waren den komplexen Anforderungen noch nicht gewachsen. Erst in den 70er Jahren konnte mit dem Einzug von neueren Prozessoren die Rechenleistung erhöht und erste Erfolge in der Medizin erzielt werden. So kam bspw. das Experten-System MYCIN2 bei der Diagnose von Blutkrankheiten zum Einsatz.
Ein weiterer KI Meilenstein folgte 1997 mit Deep-Blue, einem Programm, das den damaligen Schachweltmeister Gary Gasparow besiegte. Im Jahre 2005 konnte erstmals ein Fahrzeug mit einer autonom agierenden KI-Software die DARPA3 Grand Challenge durch die Wüste4 absolvieren (vgl. Buehler et. al 2007).
Im Jahre 2016 gelang es dem Google Mutterkonzern Alphabet im Deepmind-Projekt mit der Entwicklung von AlphaGo5 ein sog. Künstliches Neuronales Netzwerk (KNN) zu erschaffen, dass auf Basis grundlegender Verhaltens- bzw. Spielregeln selber neue Varianten von Reaktionen auf Spielzüge errechnete und zum Einsatz bringen konnte. Dank der KI konnte AlphaGo einen professionellen GO-Spieler besiegen, was allein deswegen bemerkenswert, ist da Go zwar als ein relativ einfach zu erlernendes, aber hochintuitives Brettspiel gilt (vgl. Peissner et al. 2019, S. 9-13).
Mit AlphaGo Zero6 ging im Jahr 2017 eine weitere Version mit einem verbesserten Algorithmus an den Start, der ganz ohne menschliches Training auskommen, zu seinem eigenen Lehrer werden und Spielzüge vorhersagen konnte (vgl. Silver, D., Schrittwieser, J., Simonyan, K. et al. 2017, S. 354–359). Die Forschung im Deepmind-Projekt schreitet seitdem kontinuierlich weiter voran und lässt sich gut dokumentiert online nachvollziehen7.
Technologien zur Entwicklung von KI-Anwendungen gehen meist aus medizinischen oder militärischen Forschungsgebieten hervor. Auch in der Spieltheorie kommen teils regelbasierte teils dynamisch lernende Algorithmen zum Einsatz, um bessere Trainingsmodelle für KI-Anwendungen zu entwickeln. Grundsätzlich kann mal festhalten, dass sich Menschliche Intelligenz und Künstliche Intelligenz in einigen wichtigen Aspekten unterscheiden.
In Anlehnung an Dellerman (2019) lassen sich KI und MI folgendermaßen unterscheiden:
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 1: Unterscheidung Menschliche Intelligenz und Künstliche Intelligenz
Demnach liegt ein Merkmal bei der Unterscheidung von MI und KI in der Antizipations- und Reaktionsfähigkeit, die bei probabilistischen Berechnungen durch Algorithmen beim Prognostizieren künftiger Ereignisse oder Ergebnisse nicht zum Tragen kommt (vgl. Vemorel 2020).
2.2 Technologische Betrachtung von KI und KI-Anwendungen
Um das Thema KI technologisch zu betrachten werden im Folgenden kurz die wichtigsten Funktionen, Anwendungsfelder und Begriffe umrissen8.
Denn auch wenn man im Zusammenhang mit KI von Algorithmen spricht, gibt es Unterschiede zwischen Anwendungen, die KI-basiert oder regelbasiert umgesetzt werden. Mit beiden Anwendungsmodellen lassen sich Probleme lösen, allerdings auf andere Art und Weise und mit einem unterschiedlichen Grad der Effizienz.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 2: Unterscheidung Regelbasierte Programmierung und Künstliche Intelligenz
Es lässt sich festhalten, dass regelbasierte Programmierung Probleme löst, die bereits verstanden und mathematisch gut beschrieben wurden.
KI hingegen löst Probleme, für die es genug Daten gibt. Die Daten sollten das Problem beschreiben und in einem kausalen Zusammenhang mit der Lösung stehen. KI kann (regelbasierte) Algorithmen, die jeweils für einen bestimmten Anwendungsfall kreiert werden, in verschiedenen Lernkonzepten durch Maschine Learning (ML) kombinieren. KI-Anwendungen werden aktuell aufgabenspezifisch eingesetzt.
D. h. für jedes konkrete Anwendungsproblem kann eine Methode oder ein Algorithmus geschaffen, optimiert und auch trainiert werden9.
KI ist die Simulation von intelligentem Verhalten und greift dabei auf Konzepte des Maschinellen Lernen (ML), Data Science und Statistik zurück.10
Algorithmen für ML lassen sich in drei Kategorien unterteilen:
- Supervised learning
- Unsupervised learning
- Reinforcement learning
Dabei lassen sich den o. g. Lernkonzepten die folgenden Funktionen zuordnen.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 3: Lernkonzepte des maschinellen Lernens11
Die in Tabelle 3 aufgeführten Konzepte bilden den Überbau für eine Vielzahl weiterer Methoden des ML. So lässt sich bspw. Supervised Learning noch in die Teildisziplinen:
- Regressions-Analyse (Regression Analysis)
- Klassifikations Analyse (Classification Analysis)
unterteilen (vgl. Chugh 2018). Die einzelnen Methoden detailliert zu beschreiben, würde an dieser Stelle zu weit führen, sodass auf eine Infografik zurückgegriffen wird, die die Abhängigkeiten, Einzeldisziplinen und Anwendungsfelder übersichtlich darstellt.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: ML-Konzepte, Algorithmen und Anwendungsfelder12
2.3 Themenfelder zum Einsatz von Künstlicher Intelligenz
Übergreifend betrachtet lassen sich Vorteile von KI abstrahieren, sodass sich Chancen in den folgenden Themenbereichen ergeben:
- Innovation (neue Produkte und Dienstleistungen)
- Effizienz (Aufgaben effektiver erledigen)
- Geschwindigkeit (Aufgaben schneller erledigen)
- Skalierbarkeit (Aktivitäten von den Beschränkungen menschlicher Kapazitäten befreien)
Entwicklungen in den oben genannten Bereichen haben tiefgreifende Auswirkungen auf Verbraucher, Unternehmen und die Gesellschaft. Aber algorithmische Entscheidungsfindungen können auch Schaden anrichten. Beim Training von KI-Anwendungen muss darauf geachtet werden, dass Bias13 und daraus resultierende Entscheidungsverzerrungen durch Vorurteile jeder Art durch eine gute Datenbasis ausgeschlossen werden. Bedenken zum Einsatz von KI werden im Allgemeinen mit dem Begriff AI-Anxiety (vgl. Galloway und Swiatek 2018, S. 736) umschrieben. Dieser Umstand bzw. die Prägung dieses Begriffes basiert auf Missverständnissen und Verwirrung darüber, was KI ist und sein kann (vgl. Johnson et al., 2017, S. 2267). Nichtsdestotrotz hat sich KI in den letzten Jahren zu einem Trendthema entwickelt. Die sehr rechenintensiven Anwendungen profitieren von der rasanten Entwicklung der Technologie und stetig wachsender Rechenleistungen, sodass auch die Anzahl von Themenfeldern und Anwendungsfällen für den Einsatz von KI stetig zunimmt.
2.4 Anwendungsfelder von Künstlicher Intelligenz
Die Anwendungsgebiete von KI sind so vielfältig wie anspruchsvoll. Gerade in der Industrie und in der Medizin haben sich Use-Cases herausgebildet, in denen KI die Menschen dabei unterstützt aus großen Datenmengen in kurzer Zeit Muster zu erkennen und Handlungsempfehlungen abzuleiten. Big-Data und Algorithmen greifen hier in bester Form zusammen.
In diesem Abschnitt werden die verschiedenen Themenfelder und Anwendungsgebiete von KI vorgestellt. Damit wird ein genereller Überblick geschaffen, um im Nachgang die Einsatzmöglichkeiten von KI zu beleuchten.
Dabei wird das Augenmerk auf die Bereiche Kommunikation und Marketing gelegt, da diese die meisten Schnittmengen zu den Einsatzmöglichkeiten von KI in der Unternehmenskommunikation haben.
Eine KI verfügt nicht über eine sog. Inhärente Intelligenz14, die es ermöglichen würde Fakten und Daten in einen übergeordneten kausalen Zusammenhang zu bringen und daraufhin adäquate Entscheidungen zu treffen. Bricht man diesen Umstand auf ein Alltagsbeispiel herunter, verhält es sich ähnlich wie bei einem, Taschenrechner, der zwar komplizierte Berechnungen durchführen kann, aber trotzdem nicht versteht, was er gerade ausrechnet. Eine KI wird dementsprechend nie zu dem Punkt kommen, ein anderes als das ihr einprogrammierte Vorgehen vorzuschlagen. (Dukino, 2019)
Potenziale beim Einsatz von KI finden sich dementsprechend generell in der Automatisierung von repetitiv gestalteten Prozessen und Aufgaben mit leicht trainierbaren Abläufen, die durch den Einsatz von Rechenmodellen skalierbar sind. Initiativen wie SmartAIwork15 des Fraunhofer Institutes gehen dabei einen Schritt weiter und beschäftigen sich im Speziellen mit der, „integrierten Gestaltung von KI-Technologie, Prozessen und Tätigkeiten" (Fraunhofer IAO, 2021), um produktivitätsfördernde und menschengerechte Arbeitssysteme und Betriebsabläufe zu etablieren. Durch solche Initiativen wird der Einsatz von KI auf einer integrativen Ebene weitergedacht, der organisatorische Aspekte in Unternehmen berücksichtigt und damit konkrete Handlungsfelder für die Digitalisierung von Arbeitsprozessen aufgezeigt.
Nach Definition des Fraunhofer Institut (vgl. Dukino, Kötter et. al., 2020, S.14) lassen sich folgende Arten der Unterstützung durch KI-Anwendungen in Unternehmen festlegen:
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 4: Arten von KI-Unterstützung16
Im Weiteren werden die o. g. Arten bzw. Klassifikationen der Unterstützung in Bezug auf Marketing und Kommunikation betrachtet.
3 Künstliche Intelligenz in Kommunikation und Marketing
Wie in der Einleitung beschrieben, werden KI basierte Anwendungen verstärkt im Marketing und im Kontext der Marketing-Automation verwendet. Hier geht es dann zumeist um repetitive Aufgaben und Anforderungen, z. B. die Erstellung von Texten, die Optimieren von Online-Werbung oder bei (leicht) trainierbaren Standardsituationen in der Kunden-Kommunikation via Chatbots.
Um geeignete Anwendungsmöglichkeiten für die UK zu definieren, sollte man die Bereiche Marketingkommunikation und Unternehmenskommunikation mit ihrer Ausrichtung und den daraus resultierenden Aufgaben gegeneinander abgrenzen, auch wenn KI-Technologien in beiden Anwendungsfeldern mit automatisierten Lösungen in den Prozess der Kommunikation eingreifen.
3.1 Abgrenzung von Marketing- und Unternehmenskommunikation
Um die Anforderungen an Unternehmenskommunikation und Marketing gegeneinander abzugrenzen wird im Folgenden kurz auf die Unterscheidungsmerkmale eingegangen.
Nach Bruhn (2014, S. 6) ist der Begriff Unternehmens- und Marketingkommunikation weit und sogar zusammen zu fassen:
Unternehmens- und Marketingkommunikation umfasst die Gesamtheit sämtlicher Kommunikationsinstrumente und -Maßnahmen eines Unternehmens, die eingesetzt werden, um das Unternehmen, Produkte und seine Leistungen den relevanten internen und externen Zielgruppen der Kommunikation darzustellen und/oder mit den Zielgruppen eines Unternehmens in Interaktion zu treten.
Nach der Definition von Mast (2020, S.8) bezieht sich „Unternehmenskommunikation […] auf die Aufgabe von Organisationen, mit Stakeholdern leistungsfähige Kommunikationsbeziehungen zu unterhalten und zu pflegen.“
Ziele von UK sind in diesem Falle Legitimation zu erlangen, Vertrauen zu bilden und eine gute Reputation für das Unternehmen herzustellen und weniger der Abverkauf von konkreten Produkten.
Übergreifend betrachtet fällt in diesem Zusammenhang das Feld der Public Relations (PR) mit in den Bereich der Unternehmenskommunikation, die sich aus (sozial) wirtschaftlicher Perspektive „auf die Pflege und Optimierung der Kommunikationsbeziehungen zu den wichtigsten Stakeholder Gruppen“ konzentriert (ebd. 2020, S. 20). Eine Abgrenzung von PR und Marketingkommunikation (MK) kann also erfolgen, da Marketing das Augenmerk auf den Verkauf von Produkten und Dienstleistungen an Kunden legt.
Nach Bruhn (2019, S. 3) bedeutet „Kommunikation […] die Übermittlung von Informationen und Bedeutungsinhalten zum Zweck der Steuerung von Meinungen, Einstellungen, Erwartungen und Verhaltensweisen bestimmter Adressaten gemäß spezifischen Zielsetzungen.“
Im Rahmen einer integrierten Kommunikation sollten beide Definitionen greifen. Daher wird in der Gesamtbetrachtung Marketingkommunikation in Bezug auf die Einsatzmöglichkeiten von KI in der Unternehmenskommunikation mit einbezogen. Beide Bereiche können miteinander verzahnt werden17.
Zusammengefasst lässt sich festhalten, dass Unternehmenskommunikation und Marketingkommunikation unterschiedliche Aufgaben und Definitionen besitzen. Allerdings wachsen die Bereiche im Rahmen der Organisationspolitik in Unternehmen an den Schnittstellen der Digitalisierung zusammen, was neue kommunikative Herausforderungen und Tools mit sich bringt, die an Schnittstellen sowohl im Marketing als auch in der Unternehmenskommunikation konkrete Anwendung finden können. Im Folgenden werden daher einige Anwendungsbeispiele aus Kommunikation und Marketing beschrieben.
3.2 KI basierte Lösungen in Kommunikation und Marketing
Marketing wird zu einer immer komplexeren Disziplin und erstreckt sich über verschiedene Kontaktpunkte mit einem konkreten Nutzerfokus. Der Kunde steht im Mittelpunkt der Aktivitäten und kann durch verschiedene, technologische Lösungen sehr genau angesprochen werden (vgl. Gentsch 2019). Dabei wird die gesamte Nutzer-Journey vom ersten Kontaktpunkt mit einer Marke, einem Produkt oder einem Unternehmen betrachtet und es können Rückschlüsse auf das Kauf- oder das Rezeptionsverhalten getroffen werden. Auf Basis von Daten können Buyer- oder aber auch Stakeholder-Personas entworfen werden, die durch ein daraus abgeleitetes Targeting dafür sorgen, dass sich eine Person angesprochen und verstanden fühlt. Wenn zudem die Ansprache über die genutzten Medien durch UX und UI-Design optimiert wird - z. B. durch personalisierte, dynamische Landingpages - sind die Kontaktpunkte bestmöglich optimiert und eine nachhaltige Beziehung zum Unternehmen (Marke, Produkt) kann aufgebaut werden. Um dieses Ziel zu erreichen, ist es notwendig eine Vielzahl von Daten zu sammeln, zu speichern und zu verarbeiten.
Auf Basis von Big Data Tracking lässt sich die „Customer Journey“ des Kunden über verschiedene Touchpoints wie Suche, Social Media und Anzeigen systematisch vermessen. So lassen sich mithilfe des sogenannten Attribution Modelling auf Basis dieser so gewonnenen Daten die Media- und Marketingplanung optimieren (Gentsch 2019, S. 70).
Im Folgenden werden einige Lösungen und Anwendungsszenarien für das Marketing kurz vorgestellt18.
3.3 KI basierte Anwendungen im Marketing
Eine der populärsten KI-Anwendungen im Marketing und Kundenservice sind Chatbots (Conversational Bots), die durch „intelligente Automatisierung die Optimierung der Kundeninteraktion.“ (Gentsch 2019, S. 92) ermöglichen. In diesem Bereich gibt es eine Vielzahl von Anbietern und Tools, die sich auf einige Kernfunktionen konzentrieren und den automatisierten Conversational Commerce für viele verschiedene Branchen ermöglichen und forcieren. Die Bandbreite erstreckt sich hier vom regelbasierten, einfachem Chatbot, der seine Antworten aus einer FAQ-Datenbank generiert, bis hin zu selbstlernenden und selbstreferenziellen Bots, die eine Unterhaltung aktiv gestalten.
Produkte wie unaice19, Multieye20 oder ChatBotForYou21 agieren als Service-Einheiten und können je nach Einsatzgebiet auch zur Analyse oder Texterstellung genutzt werden. Dabei setzen diese (und viele andere) Systeme auf verschiedene Verfahren des Maschinellen Lernens (Überwachtes Lernen vs. Unüberwachtes Lernen, Klassifikation, Clustering, Deep Learning, KNN, Klassifikation) und Mustererkennungsmechanismen (Spracherkennung, Bilderkennung, Lage und Bewegungserkennung) sowie Natürliche Sprachverarbeitung (NLP22 ) und Natürliche Sprach Generierung (NLG23 ).
Die Kombination einzelner Technologien führt hier zu ganz neuen Ansätzen in der Werbekommunikation und kann medienübergreifend erfolgen. Durch Sentiment Analyse, Video Tagging und NLP-Technologie (Speech- to-Text etc.) ist es z. B. möglich, KI basierte Werbeformen während einer live ausgestrahlten TV-Sendung passend zum thematischen Kontext einzusetzen24.25 26 27 28
Legt man die o. g. Definition des Fraunhofer IAO zugrunde, lassen sich die folgenden Aufgaben im Marketing KI basiert unterstützen.29 30 31 32
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 5: Klassifikationen der KI-Unterstützung und Anwendungsgebiete im Marketing33
Die oben gezeigte Darstellung zu Klassifikationen und Anwendungsgebieten von KI im Marketing lässt sich auf die Unternehmenskommunikation transferieren. Allerdings gibt es in den Anwendungsgebieten Unterschiede, da sich die Aufgaben von MK und UK unterscheiden (s. a. Abgrenzung von Marketing- und Unternehmenskommunikation).
Hier ist je nach Aufbau der Kommunikationsabteilungen und der Ausrichtung der Unternehmen individuell zu unterscheiden, welche Anwendungen und Instrumente adaptiert oder neu ausgestaltet werden müssen. Nichtsdestotrotz erfolgt im kommenden Abschnitt eine Eingliederung der Anwendungsfelder von UK in das bereits gezeigte Klassifikationsmuster (s. a. Tabelle 3).
3.4 KI basierte Anwendungen in der Unternehmenskommunikation
Der Dateneinsatz bei der Unternehmenskommunikation wird immer stärker und die Einsatzgebiete sind entsprechend vielfältig, wenn das Unternehmen Ressourcen für das Data-Management und die Verarbeitung bereitstellen kann. Zudem ergeben sich bei der Texterstellung, sowie bei der Recherche von Themen interessante Aufgabenfelder.
In einer von News Aktuell und Faktenkontor durchgeführten Umfrage aus dem Jahre 202034 gab knapp die Hälfte aller Befragten (n=415) an, dass KI bei der Medienbeobachtung sowie beim Monitoring der sozialen Kanäle eine sinnvolle Unterstützung sein kann. An zweiter Stelle standen bei den befragten Kommunikatoren das Management und die Verschlagwortung von Bildern und Texten. Auf Platz drei landete die Erfolgsmessung. Hier gaben 40 Prozent der Befragten an, dass KI dabei helfen kann, die Wirkung von PR- und Kommunikationsmaßnahmen zu überprüfen bzw. messbar zu machen.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Anwendungsfelder von KI in der UK35
Bei den Themen Content-Produktion und Zielgruppendefinition sah nur jeder Sechste KI als sinnvolle Ergänzung bzw. Unterstützung im Arbeitsalltag.
Grundsätzlich lässt sich nach der o. g. Erhebung festhalten, dass es in der Unternehmenskommunikation bzw. den Public Relations weiterhin verstärkt um einen persönlichen Austausch gehen soll. Nur sieben Prozent der Befragten würden Krisenprävention und Krisenmanagement einer KI-Anwendung überlassen. Lediglich vier Prozent der Kommunikatoren sehen KI gestützte Anwendungen beim Reputations-Management. Bei der automatisiert unterstützen Texterstellung sind die befragten Kommunikatoren auch noch zurückhaltend. Einigkeit scheint aber darin zu bestehen, dass KI bei genau den Aufgaben unterstützen kann die eher „unattraktiv“ sind und auf Routinen basieren36.
Ordnet man die Tätigkeiten bzw. Anwendungen für UK in das Klassifikationsraster ein, ergibt sich folgendes Bild.
Abbildung in dieser Leseprobe nicht enthalten
Tabelle 6: Klassifikationen der KI-Unterstützung und Anwendungsgebiete in der UK37
Bei der Zuordnung der Funktionen und Klassifikationen wird der Fokus aktuell auf quantitative Steigerung der Effizienz gelegt. Allerdings bietet ein hoher Grad der Automatisierung bei unzureichender (externer) Kontrolle auch Potenzial für Probleme, da sich Fehler im Rahmen des Prozesses unkontrolliert und automatisiert fortführen und im Nachgang nicht mehr detektiert werden können. Hier spricht also viel für ein vorher zu definierendes Regelwerk und eine Kombination von Menschen und Maschinen beim Einsatz von sog. schwachen KI-Anwendungen, um die Paradoxie starker Automatisierung in Bezug auf die Effizienz aufzulösen38.
KI hat zusammen genommen betrachtet das Potenzial, Problemstellungen zu lösen, die Menschen und IT-Systeme für sich genommen bisher nicht lösen konnten. Selbstlernende KI-Systeme ermöglichen einen Erkenntnisgewinn in viel kürzeren Zeiträumen, da viel mehr Daten (automatisiert) prozessiert und darauf aufbauend Analysen und Empfehlungen generiert werden können.
Es muss also beim bzw. vor dem Einsatz von KI eine Strategie erstellt werden, die alle Handlungsfelder für ein Unternehmen und die Mensch-Maschine-Interaktion gleichermaßen berücksichtigt.
Aktuell können KI-Systeme Aufgaben von unterschiedlicher Komplexität automatisiert bearbeiten. Sie erfüllen Aufgaben und ersetzen übergeordnet betrachtet keine Berufe (vgl. Davenport & Ronanki 2018).
Im Gegenteil scheint es nach einer Studie des BMWI (2020) so zu sein, dass der Einsatz und das Implementieren von KI-Lösungen in Unternehmen neue qualifizierte Arbeitsplätze schaffen39. Es „[...] sind häufig neue Kompetenzen nötig, die die Einstellung neuer Mitarbeiter oder das Eingehen neuer Kooperationen erfordern.“ (BMWI 2020, S.7).
Was dabei aber immer mit bedacht werden muss, ist die Tatsache, dass eine KI nur mit guten Trainingsdaten zielführend arbeiten kann. Wenn die KI oder die Software falsche Daten im Rahmen des Trainings erhält, kommt sie zwar zu logisch richtigen Zielen und Schlussfolgerungen aber eine KI kann nicht schlauer sein als es die Datenbasis erlaubt und trifft andere „Entscheidungen“ als ein Mensch. In diesem Zusammenhang greifen dann auch Themen der Ethik, die im Folgenden kurz erörtert werden.
[...]
1 a.d.e. Die Originalpassage wurde zugunsten der Lesbarkeit aus dem Englischen übersetzt.
2 Das medizinische Expertensystem „MYCIN“ wurde 1972 von Ted Shortcliffe an der Stanford University entwickelt, um Blutinfektionen und Meningitis mit der richtigen Dosis eines passenden Antibiotikums zu behandeln. Die Datenlage war sehr komplex, da eine Vielzahl von Parametern, wie der Erregertyp oder der vorhergegangene Krankheitsverlauf sowie die erhobenen Laborwerte berücksichtigt werden mussten. Daher wurde MYCIN entwickelt und die Datenbasis fortlaufend erweitert, bis die Entscheidungen des Expertensystems so gut waren wie die eines medizinischen Experten. Das MYCIN-Programm wurde zur medizinischen Diagnose geschrieben, um einen Arzt mit medizinischem Spezialwissen über bakterielle Infektion zu simulieren. Methodisch handelt es sich um ein Deduktionssystem mit Rückverkettung. (Mainzer, 2019. S.49). Jedoch behandelte das System einen fiktiven Cholerapatienten aufgrund der verarbeiteten Daten wie einen Sepsis Patienten. In diesem (Fehl)Entscheidungsprozess griff der sog. Cliff and Plateau-Effekt. (vgl. Kaiser 2018)
3 DARPA: Defense Advanced Research Projects Agency: Weitere Informationen s. a. https://www.darpa.mil/
4 Weitere Infos Pressemitteilung der DARPA (2005): https://archive.darpa.mil/grandchallenge05/GC05winnerv2.pdf
5 Deepmind-Projekt und Alpha Go: https://deepmind.com/
6 https://deepmind.com/research/publications/mastering-game-go-without-human-knowledge
7 https://deepmind.com/research/case-studies/alphago-the-story-so-far
8 Dabei muss auf eine detaillierte Abhandlung technischer Aspekte verzichtet werden, da diese den Rahmen der vorliegenden Forschungsarbeit überschreiten würden.
9 Erweitert man den Begriff der Berechenbarkeitstheorie (vgl. Hoffmann 2011. S. 243-244) lässt sich mit künstlicher Intelligenz (genauer: Neuronale Netze), sowie vielen Programmiersprachen (z.B. C, Java, Python, R) theoretisch jedes berechenbare Problem lösen.
10 Wie Menschen müssen sich auch Algorithmen des verstärkenden Lernens manchmal mit verzögerter Belohnung / Erfolgsmeldung auseinandersetzen, um die Ergebnisse ihrer Aktionen oder in der Vergangenheit getroffenen Entscheidungen zu sehen (z. B. die Belohnung für einen Sieg in einer Schachpartie oder die Maximierung der gewonnenen Punkte in einer Go-Partie mit AlphaGo über viele Züge).
11 Eigene Darstellung in Anlehnung an Chugh (2018) & Wittpahl (2018)
12 (vgl. Chugh 2018)
13 Als „Bias“ wird in der KI-Entwicklung bzw. Forschung die Diskriminierung durch künstliche Intelligenz aufgrund mangelhafter Datengrundlage bezeichnet. Damit KI ohne Vorurteile ethisch und gesellschaftlich vertretbare Entscheidungen treffen kann, müssen Datenverzerrungen bei der Entwicklung von Trainings-Algorithmen vermieden werden. „Wenn wir Maschinen mit Daten füttern, die unsere Vorurteile widerspiegeln, imitieren sie diese - von antisemitischen Chatbots bis hin zu rassistisch voreingenommener Software“ (vgl. Buranyi, 2018).
14 Inhärente Intelligenz und Selbstoptimierung: Systeme, die sich selber optimieren und damit „lernfähig“ sind verfügen über eine inhärente Intelligenz. Durch Selbstoptimierung entstehen handlungsfähige Systeme, die in der Lage sind, selbständig und flexibel auf veränderte Umgebungsbedingungen zu reagieren. (vgl. Frank und Giese 2004)
15 Weitere Information s. a. https://www.dlpm.iao.fraunhofer.de/de/smartaiwork.html
16 Quelle: Eigene Darstellung in Anlehnung an Dukino, Kötter et al. 2020, S.14
17 Für die Betrachtung der Fokusgruppe / Stichprobe wird in der Auswertung der Ergebnisse des Online-Fragebogens die Definition von Mast (2020, S.8) in Bezug auf die Funktionsbereich der Befragten herangezogen.
18 In diesem Zusammenhang sei darauf hingewiesen, dass eine dezidierte Betrachtung des Themas KI im Marketing im Rahmen dieser Arbeit nicht vollumfänglich erfolgen kann. Zur weiterführenden Lektüre eignet sich das Buch; Künstliche Intelligenz für Sales, Marketing und Service von Peter Gentsch. (Gentsch 2021, insbesondere S.67-73)
19 Quelle: https://unaice.de/
20 Quelle: https://www.multieye.com/de/
21 Quelle: https://www.chatbot4you.io/
22 engl. NLP - Natural Language Processing
23 engl. NLG - Natural Language Generation
24 Zusammen mit REWE hat Ad Alliance eine KI-basierte Werbeform für das lineare TV entwickelt. Wenn in der Sendung „Das Perfekte Dinner“ einer der Köche ein vorab definiertes Keyword wie „Tomate“ in einem positiven Kontext nennt, wird ein passend abgestimmtes Werbemittel für die regionalen Produkte von REWE eingeblendet. Diese kontextverstärkte Werbung wird automatisiert und dynamisch eingeblendet. (vgl. REWE sorgt mithilfe Künstlicher Intelligenz für noch mehr Lust auf Frische 2020)
25 vgl. Helm, 2020 & Wennker 2020, S. 40-43
26 vgl. Braun 2017
27 vgl. Internetwarriors
28 vgl. Open Text Corporation
29 vgl. Garff 2019
30 vgl. Kaput 2018
31 vgl. Wennker 2020, S. 44-46
32 vgl. Morrisson a), b) & Wennker 2020, S.50-53
33 Quelle: Eigene Darstellung in Anlehnung an Dukino, Kötter et al. 2020, S.16-17
34 Quelle: Online-Befragung im Februar 2020 im Rahmen des Trendreports von news aktuell und Faktenkontor. Datenbasis: 415 Fach- und Führungskräfte aus Pressestellen und PR-Agenturen. Verfügbar unter https://www.newsaktuell.de/blog/trendreport-2020/ (Zuletzt abgerufen am 23.03.2021)
35 Quelle: Eigene Darstellung basierend auf News Aktuell Trendreport (2020). Datenbasis Umfrage n=415
36 vgl. Kollege KI fürs Lästige, Kollege Mensch fürs Wichtige (2020)
37 Eigene Darstellung in Anlehnung an Dukino, Kötter et al. 2020, S.16-17
38 Paradoxie starker Automation: Je mehr Automatisation durch technische Fortschritte erzielt wurden, desto dringender wurden menschliche Experten gebraucht. Zwar steigt die Effizienz durch Automation ganz erheblich, aber nur, solange alles in gewohnten, und damit geplanten, Prozessen verläuft. Das Problem entsteht in Notfällen. Dann nämlich ist gesunder Menschenverstand weit wichtiger als ein guter Algorithmus. (Bitkom & DFKI 2017, 63).
39 KI ist in diesem Falle nicht global betrachtet eine disruptive Technologie, sondern schafft neue Wirkungsfelder.
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.