Masterarbeit Karsten Lau KI Im Nachhaltigkeitsmanagement 1

Nachhaltigkeitsmanagement in

Zeiten der Digitalisierung

Potenziale der künstlichen Intelligenz als Werkzeug
des betrieblichen Nachhaltigkeitsmanagements
Masterarbeit im MBA Sustainability Management

Karsten Lau
Matrikelnr.: 3028596
Erstgutachterin: Prof. Dr. Ursula Weisenfeld

Zweitgutachter: Dr. Will Ritzrau
Centre for Sustainability Management (CSM)

Leuphana Universität Lüneburg
Universitätsallee 1
D-21335 Lüneburg
[email protected]
Mai 2018
KURZZUSAMMENFASSUNG III
KURZZUSAMMENFASSUNG
Trotz der Bemühungen um professionelles Nachhaltigkeitsmanagement (NHM) scheint es, als

ob Unternehmen bei ihren Anstrengungen zur Gestaltung einer nachhaltigen Entwicklung über
ein bestimmtes Maß nicht hinauskommen.
Die Motivation dieser Arbeit ist es daher zu untersuchen, welche Einsatzmöglichkeiten von
künstlicher Intelligenz (KI) im Managementkontext aktuell festzustellen sind und wie diese
technologische Entwicklung als Werkzeug eingesetzt werden könnte, um das NHM bei der
Lösung operativer Herausforderungen systematisch unterstützen- und seine Wirkfähigkeit zur
Gestaltung nachhaltiger Unternehmensentwicklung dadurch idealerweise transformativ
weiterentwickeln zu können.
Basierend auf einer qualitativen Literaturanalyse, werden zunächst sowohl zentrale, als auch
operative Herausforderungen des NHMs bei der Messung, Bewertung und Kommunikation
von Nachhaltigkeitsleistungen untersucht und verdichtet. Daraufhin wird der aktuelle Einsatz
von KI-Technologien in betrieblichen Anwendungsbereichen, kategorisiert nach kognitiver
Automation, kognitiven Einsichten und kognitivem Dialog, hinsichtlich allgemeiner- und
spezifischer Anwendungspotenziale analysiert und ebenfalls verdichtet. Die jeweils
verdichteten Ergebnisse werden dann als Basis zur Entwicklung von Use Cases verwendet.
Diesen werden KI-Technologien zugeordnet und deren besondere Fähigkeiten, ihr Reifegrad,
die Anwendungshäufigkeit und ihre Anwendbarkeit als Werkzeug des NHMs bewertet sowie
limitierende Faktoren aufgezeigt. Ergänzend folgt die Vorstellung und Bewertung eines
visionären Anwendungsszenarios sowie abschließend die Darstellung einer konsolidierten
Potenzialanalysematrix.
Die Ergebnisse zeigen, dass KI mit seinen Potenzialen in der präzisen Erfassung und
zeitnahen Bearbeitung von strukturierten und unstrukturierten Daten über verteilte Systeme,
der Muster- und Ursache-Wirkungserkennung, der Bedeutungsinterpretation und
Entscheidungsunterstützung sowie in der personalisierten, interaktiven und zeitnahen
Stakeholder Kommunikation dazu geeignet sein kann, das NHM als Werkzeug zur
Bewältigung seiner operativen Herausforderungen effektiv zu unterstützen. Als solche wurden
identifiziert, die vollständige Erhebung und Aufbereitung sowie die Ursache-Wirkungs-, Trend-
und Szenarioanalyse von Nachhaltigkeitsdaten sowie die zeitnahe, personalisierte und
interaktive Vermittlung bisheriger und noch zu verbessernder Nachhaltigkeitsleistungen.
Die Ergebnisse tragen dazu bei, KI als ein geeignetes Werkzeug des NHMs zu verstehen,
dass dessen Wirkfähigkeit effektiv steigern kann. Die Arbeit liefert wichtige Erkenntnisse, die
auf elementare operative Herausforderungen des NHMs angewendet werden können.
Darüber hinaus demonstriert die Arbeit, dass die Potenziale der KI-Technologien, dass NHM
nicht nur unterstützen, sondern auch zu dessen Transformation führen können.
IV ABSTRACT
ABSTRACT
Despite the efforts of professional corporate sustainability management (CSM) it seems, that
companies do not manage to go beyond a certain level in their efforts to shape sustainable
development.
The motivation of this work is therefore to investigate which possible applications of artificial
intelligence (AI) can currently be identified in the management context and how this
technological development could be used as a tool to systematically support the CSM in
solving operational challenges - and thus ideally transformatively further develop its ability to
shape sustainable corporate development.
Based on a qualitative literature analysis, both central and operational challenges of the CSM
in the measurement, evaluation and communication of sustainability performance are
investigated and condensed. As a result, the current use of AI technology in operational
application areas, categorised according to cognitive automation, cognitive insights and
cognitive engagement, is analysed with regard to general and specific application potentials
and also condensed. The condensed results are then used as a basis for the development of
use cases, these are assigned to AI technologies and their special capabilities, their degree of
maturity, their application frequency and transferability are evaluated and limiting factors are
identified. In addition, a visionary application scenario for impulse generation is presented,
followed by a potential analysis matrix.
The results show that AI with its potential in the precise acquisition and timely processing of
structured and unstructured data about distributed systems, pattern and cause-effect
recognition, meaning interpretation and decision support as well as in personalized, interactive
and timely stakeholder communication can be suitable to effectively support the CSM as a tool
for coping with its operational challenges. As such, the complete collection and preparation as
well as the cause-effect, trend and scenario analysis of sustainability data and the prompt,
personalized and interactive communication of previous and still to be improved sustainability
achievements were identified.
The results contribute to understanding AI as a suitable tool for the CSM that can effectively
increase its effectiveness. The work provides important findings that can be applied to
elementary operational challenges of the CSM. Furthermore, the work demonstrates that the
potential of AI technologies can not only support CSM, but also lead to its transformation.
INHALTSVERZEICHNIS V
INHALTSVERZEICHNIS
Kurzzusammenfassung ......................................................................................................III
Abstract .............................................................................................................................. IV
Abbildungsverzeichnis ..................................................................................................... VII
Tabellenverzeichnis .......................................................................................................... VII
Abkürzungsverzeichnis ................................................................................................... VIII
1 Einleitung..................................................................................................................... 1
1.1 Einführende Betrachtungen ........................................................................................... 1
1.2 Problemstellung ............................................................................................................ 2
1.3 Zielsetzung & Forschungsfragen ................................................................................... 2
1.4 Struktur der Arbeit ......................................................................................................... 3
2 Thematische Grundlagen & Abgrenzungen .............................................................. 5

2.1 Nachhaltigkeit & betriebliches Nachhaltigkeitsmanagement .......................................... 5
2.1.1 Nachhaltigkeit vs. nachhaltige Entwicklung ........................................................ 5
2.1.2 Betriebliches Nachhaltigkeitsmanagement ......................................................... 6
2.2 Digitalisierung und künstliche Intelligenz ....................................................................... 8
2.2.1 Digitale (R)Evolution........................................................................................... 9
2.2.2 Künstliche Intelligenz vs. erweiterte (menschliche) Intelligenz ...........................11
3 Forschungsdesign & Methodik .................................................................................16
4 Herausforderungen des NHMs & Potenziale der KI .................................................18

4.1 Management betrieblicher Nachhaltigkeitsleistungen ...................................................18
4.1.1 Zentrale Herausforderungen des NHMs ............................................................18
4.1.2 Operative Herausforderungen des NHMs ..........................................................21
4.1.3 Messen und Bewerten von Nachhaltigkeitsleistungen .......................................21
4.1.4 Kommunizieren von Nachhaltigkeitsleistungen..................................................27
4.2 Anwendungspotenziale der KI ......................................................................................33
4.2.1 Allgemeine Anwendungspotenziale ...................................................................33
4.2.2 Anwendungspotenziale im betrieblichen Umfeld ...............................................36
4.2.3 Automatisierung von Geschäftsprozessen (kognitive Automation) ....................37
4.2.4 Gewinnung von Einblicken durch Datenanalyse (kognitive Einsichten) .............38
4.2.5 Interaktion mit Stakeholdern (kognitiver Dialog) ................................................39
VI INHALTSVERZEICHNIS
5 Potenziale der KI als Werkzeug des NHMs...............................................................42

5.1 Demand Stories und Use Cases ..................................................................................42
5.1.1 Messen und kognitive Automation .....................................................................42
5.1.2 Bewerten und kognitive Einsichten ....................................................................44
5.1.3 Kommunizieren und kognitiver Dialog ...............................................................46
5.2 Anwendungsszenario: Predictive Sustainability Control ...............................................48
5.3 Synthetisierung & Ergebnisbewertung..........................................................................52
5.3.1 Forschungsfrage 1: NHM-Herausforderungen ...................................................52
5.3.2 Forschungsfrage 2: KI-Potenziale .....................................................................52
5.3.3 Forschungsfrage 3: KI als Werkzeug des NHMs ...............................................53
5.3.4 Forschungsfrage 4: Entwurf und Bewertung von Use Cases .............................53
5.3.5 Kernforschungsfrage .........................................................................................53
6 Diskussion ..................................................................................................................56
6.1 Prognosen – die Welt im (digitalen) Wandel .................................................................56
6.1.1 Me, Myself and A. I. – A.ugmented I.ntelligence ................................................56
6.1.2 Von Big Data zur globalen Datensphäre............................................................58
6.1.3 Die ultimative KI-Lösung ...................................................................................62
6.2 Implikationen für das Management ..............................................................................63
6.2.1 Die (R)Evolution der Wissensarbeit ...................................................................63
6.2.2 Die Transformation des NHMs ..........................................................................64
6.3 Handlungsempfehlungen für das NHM.........................................................................66
7 Zusammenfassung ....................................................................................................71
Literaturverzeichnis ............................................................................................................ X
Anhang – KI-Anwendungsbeispiele nach Branchen ................................................ XXVIII
ERKLÄRUNG ..................................................................................................................... XL
ABBILDUNGSVERZEICHNIS VII
ABBILDUNGSVERZEICHNIS
Abbildung 1: Forschungsframework ................................................................................. 3

Abbildung 2: Entering Society 5.0 ....................................................................................10
Abbildung 3: Forschungsdesign.......................................................................................16
Abbildung 4: Nachhaltigkeitsleistung von international tätigen Großunternehmen ...........19
Abbildung 5: Zentrale Herausforderungen des NHMs ......................................................19
Abbildung 6: Treiberbaum für den Sustainable Value ......................................................23
Abbildung 7: Ursache-Wirkungskette nicht finanzielle zu finanzielle Leistung ..................24
Abbildung 8: Ursache-Wirkungsmodell von Nachhaltigkeitsherausforderungen...............25
Abbildung 9: Kommunikationswege der Nachhaltigkeitsberichterstattung........................31
Abbildung 10: KI zur Realisierung der SDGs .....................................................................35
Abbildung 11: Einsatz von KI-Technologien nach Unternehmensbereichen ......................36
Abbildung 12: Beispiel für die kombinierte Anwendung von KI-Technologien ....................41
Abbildung 13: Herausforderungen des NHMs & Anwendungspotenziale der KI ................42
Abbildung 14: Wertschöpfung durch Daten und Algorithmen .............................................44
Abbildung 15: Operationalisierung einer „Predictive Sustainability Control“ .......................50
Abbildung 16: Das Netzwerk der Netzwerke ......................................................................59
Abbildung 17: Entstehung des Internet of Things ..............................................................59
Abbildung 18: Entwicklung des weltweiten Datenvolumens ...............................................60
Abbildung 19: Erfolgsquoten allgemeine vs. nachhaltige Veränderungsprogramme ..........65
Abbildung 20: Vereinfachung eines Modells zur modernen KI ...........................................67
Abbildung 21: Beispielhafter Implementierungs- & ROI-Zeitraum eines KI-Systems ..........69
TABELLENVERZEICHNIS
Tabelle 1: Stufen nachhaltiger Entwicklung in und von Unternehmen ................................. 7

Tabelle 2: KI-Technologien & Funktionalitäten ...................................................................14
Tabelle 3: Softwarebasierte Unterstützung des NHMs .......................................................21
Tabelle 4: Herausforderungen bei der Messung und Bewertung von NH-Leistungen ........26
Tabelle 5: Herausforderungen bei der Kommunikation von Nachhaltigkeitsleistungen .......32
VIII ABKÜRZUNGSVERZEICHNIS
Tabelle 6: Konsolidierte Herausforderungen des NHMs.....................................................33

Tabelle 7: Konsolidierte KI-Potenziale im betrieblichen Umfeld..........................................40
Tabelle 8: Potenzialanalyse der KI als Werkzeug des NHMs .............................................54
Tabelle 9: Anbieter öffentlicher Datenquellen.....................................................................61
ABKÜRZUNGSVERZEICHNIS
AGI Artificial General Intelligence

AI Artificial Intelligence
BHCI Business Health Culture Index
bzw. beziehungsweise
CEO Chief Executive Officer
CFO Chief Financial Officer
CIO Chief Information Officer
CSR Corporate Social Responsibility
d. h. das heißt
DAX Deutscher Aktien Index
EDV Elektronische Datenverarbeitung
engl. Englisch
ESG Environmental Social Governance
et al. et alii
ggfls. gegebenenfalls
GRI Global Reporting Initiative
ICT Information Communication Technology
IoT Internet of Things
IT Informationstechnologie
Kap. Kapitel
KI Künstliche Intelligenz
KPI Key Performance Indicator
MBK Messen, Bewerten, Kommunizieren
NGO Non Government Organisation
NH Nachhaltigkeit / Nachhaltigkeits
NHM Nachhaltigkeitsmanagement / Nachhaltigkeitsmanager
NHMS Nachhaltigkeitsmanagementsoftware
PSC Predictive Sustainability Control
ABKÜRZUNGSVERZEICHNIS IX
ROI Return on Investment

RPA Robotic Process Automation
SDG Sustainable Development Goals
u. a. unter anderem
vs. versus
XBRL eXtensible Business Reporting Language
z. B. zum Beispiel
EINLEITUNG 1
1 EINLEITUNG
„We stand on the brink of a technological revolution that will fundamentally alter the way we
live, work, and relate to one another. In its scale, scope, and complexity, the transformation
will be unlike anything humankind has experienced before.“ (Schwab 2016).
1.1 Einführende Betrachtungen

Nach Meinung der Zukunfts- und Nachhaltigkeitsforschung treffen mit Nachhaltigkeit und
Digitalisierung zwei Megatrends aufeinander, die zwei große Veränderungsbeschleuniger der
kommenden Jahre sein werden (Wenzel 2016; Schaltegger & Petersen 2017, 17). Letzterem
wird mithin das Potenzial zugesprochen, die nächste und damit 4. industrielle Revolution zu
begründen, die unsere Art zu leben, zu lernen, zu kommunizieren, zu konsumieren und zu
arbeiten grundlegend verändern wird (Kagermann et al. 2011; Bitkom & DFKI 2017, 41;
Schwab 2016).
Im Kontext der Digitalisierung erscheinen die jüngeren Entwicklungen wie künstliche
neuronale Netze und „Deep Learning“ in den Forschungsfeldern der künstlichen Intelligenz
(KI) besonders beachtlich (Stanford University 2017, 8). Technologien aus diesen Bereichen
ermöglichen selbst lernende Informationstechnologie, (IT-) Systeme, welche in Echtzeit mit
Menschen und anderen IT-Systemen interagieren und auf Basis großer Datenmengen aus
heterogenen Quellen eigenständig Schlüsse ziehen können. „Im Kern geht es darum, die
menschliche Wahrnehmung, seine Intelligenz und sein Denken mithilfe von Computern und
spezieller Software nachzubilden, zu unterstützen und zu erweitern.“ (Bitkom 2017; Schmidt-
Schauß & Sabel 2013, 4).
Aus einer globalen Nachhaltigkeitsperspektive hingegen sind elementare Herausforderungen
wie die Befriedigung von Grundbedürfnissen, Bevölkerungswachstum, Klimawandel (Rogall et
al. 2016, 348) sowie nicht nachhaltige Konsum- und Produktionsmuster in den Ländern des
globalen Nordens zu beobachten (Grober 2013, 276f.). Diese führen u. a. dazu, dass sich
Unternehmen als Teil des sozialen und dieses wiederum als Teil des ökologischen Systems
im 21. Jahrhundert neben ökonomischen auch sozialen und ökologischen Herausforderungen
stellen müssen, um erfolgreich am Markt bestehen zu können (Rogall 2012, 36) und ihre
„license to operate“ – im Sinne gesellschaftlicher Akzeptanz – zu verdienen bzw. nicht zu
verlieren (Sailer 2017, 72). Die damit verbundenen unternehmerischen Herausforderungen
systematisch zu behandeln, sind Anspruch, Aufgabe und Ziel der Querschnittsfunktion des
NHM (Schaltegger & Petersen 2010, 143; Schaltegger et al. 2012, 30).
Kombiniert man die zuvor eingenommenen Perspektiven, so kann man konstatieren, dass wir
die erste Generation sein könnten, die mit der Gefahr eines globalen Systemzusammenbruchs
konfrontiert ist, aber auch die erste mit den technologischen und wissenschaftlichen Mitteln
und Fähigkeiten, diesen Prozess zu stoppen, bevor er irreversibel wird (Schwab 2017).
2 EINLEITUNG
1.2 Problemstellung
Trotz der Bemühungen um professionelles NHM in Unternehmen scheint es, als ob nach
enthusiastisch begonnen Pilot-Projekten und Initiativen zunehmend Ernüchterung darüber
eingetreten ist, dass man bei den Anstrengungen zur Gestaltung einer nachhaltigen
Entwicklung über ein bestimmtes Maß einfach nicht hinauskommt (Sailer 2017, 16f.; Bergius
2014; Holst 2014; Schaltegger et al. 2012, 54f.).
Diese Wahrnehmung wird verstärkt durch eine von oekom research veröffentlichte,
branchenübergreifende Studie zur Nachhaltigkeitsleistung von Unternehmen. Demnach
konnte unter 1600 analysierten, international tätigen Großunternehmen mit Sitz in den
Industrieländern zwar ein leichter Aufwärtstrend in der Nachhaltigkeitsperformance
verzeichnet werden, jedoch veränderte sich die Leistung in den als sehr gut und gut
bewerteten Bereichen nur marginal, während ein Großteil der Unternehmen gar eine
unzureichende Nachhaltigkeitsleistung aufwies (oekom 2017, 6).
Betrachtet man die drei Dimensionen Ökologie, Soziales und Ökonomie sowie deren
angestrebte Integration als ein Leitbild nachhaltiger Entwicklung, so kann gesagt werden, dass
eine besondere Herausforderung in der Erzielung einer Gesamtintegration zu sehen ist. Diese
sollte in Form einer methodischen und instrumentellen Integration von
Effektivitätsmanagement (Umwelt- und Sozialmanagement) und Effizienzmanagement
(ökonomisches Umwelt- und Sozialmanagement) in das traditionelle ökonomische
Management erfolgen (Schaltegger et al. 2007, 18). Das Ergebnis sollten ein integriertes
Erfassungs-, Bewertungs- und Berichtswesen als Grundlage und Evidenz für integriertes
Denken und Handeln (Sailer 2017, 238) sowie eine ganzheitliche Unternehmensführung,
orientiert am „Sustainable Value“ für die Gesellschaft, sein (Sailer 2017, 211-217; Ritzrau
02.05.2017; BASF 2017).
Um den damit verbundenen Anforderungen professionell begegnen zu können, benötigt das
NHM Werkzeuge wie z. B. Nachhaltigkeitsmanagementsoftware (NHMS), um
Nachhaltigkeitsleistungen wirksam messen, bewerten und kommunizieren zu können
(Johnson & Schaltegger 2016, 483). Hierbei können sich für das NHM beispielsweise folgende
Herausforderungen ergeben:
 Effizientes, konsistentes und transparentes Messen relevanter Daten, innerhalb
exponentiell wachsender und unstrukturierter Datenmengen aus verteilten Quellen.
 Bewertung von Implikationen und Ableitung zielgerichteter Maßnahmen bei komplexen
Ursache-Wirkungszusammenhängen und dynamischen Rahmenbedingungen.
 Situations- und bedarfssensitives Kommunizieren der Nachhaltigkeitsleistungen an
interne und externe Stakeholder in einer (postfaktisch) überkommunizierenden Welt.
1.3 Zielsetzung & Forschungsfragen

Vor diesem Hintergrund soll im Rahmen dieser Masterarbeit aus einer NHM-Perspektive
heraus untersucht werden, welche Einsatzmöglichkeiten von KI im Managementkontext
aktuell festzustellen sind und wie diese technologische Entwicklung als Werkzeug eingesetzt
EINLEITUNG 3
werden könnte, um das NHM bei der Lösung definierter Herausforderungen systematisch und
effektiv unterstützen und seine Wirkfähigkeit dabei idealerweise transformativ1
weiterentwickeln zu können.
Um dies herauszufinden, hat die Masterarbeit das Ziel, die folgende Kernforschungsfrage zu
beantworten: Welche Potenziale bietet künstliche Intelligenz als Werkzeug des betrieblichen
Nachhaltigkeitsmanagements für die Lösung von Herausforderungen des Messens,
Bewertens und Kommunizierens von Nachhaltigkeitsleistungen?
Für eine systematische Annäherung sollen folgende Teilfragen untersucht werden:
1. Was sind die Herausforderungen des NHMs beim Messen, Bewerten und
Kommunizieren von Nachhaltigkeitsleistungen?
2. Was sind die Potenziale der KI in aktuellen Anwendungsbereichen des betrieblichen
Managements?
3. Welche Potenziale der KI in aktuellen Anwendungsbereichen des betrieblichen
Managements könnten als Werkzeug zur Lösung von Herausforderungen des NHMs
beim Messen, Bewerten und Kommunizieren von Nachhaltigkeitsleistungen nutzbar
gemacht werden?
4. Welche Use Cases können entworfen werden und wie sind diese zu bewerten?
Eine Eingrenzung der KI soll über eine Systematisierung aktueller betrieblicher

Anwendungsbereiche in drei Kategorien, basierend auf einer Untersuchung von 152
realisierten KI Projekten in Unternehmen, erfolgen (Davenport & Ronanki 2018). Kombiniert
mit einer Systematisierung von NHMS-Anwendungsbereichen, ergibt sich daraus das
nachstehend abgebildete Forschungsframework.
Abbildung 1: Forschungsframework.
1.4 Struktur der Arbeit

Die Arbeit ist wie folgt strukturiert. Im zweiten Kapitel werden für ein einheitliches Verständnis
zunächst thematische Grundlagen erläutert und begriffliche Abgrenzungen vorgenommen.
Das dritte Kapitel präsentiert die wissenschaftliche Methodik sowie das Forschungsdesign. In
Kapitel vier werden zentrale und operative Herausforderungen des NHMs sowie allgemeine
und spezifische Anwendungspotenziale der KI identifiziert und erläutert. Darauf aufbauend
werden in Kapitel fünf die Potenziale der KI als Werkzeug des NHMs analysiert und bewertet.
1 Im Sinne des Forschungsfeldes „ICT for Sustainability: Understanding and using ICT as a transformational
technology” (Hilty & Aebischer 2015, 20).
4 EINLEITUNG
Dabei werden Use Cases entwickelt und KI-Technologien zugeordnet, deren besondere
Fähigkeiten, ihr Reifegrad, die Anwendungshäufigkeit und ihre Anwendbarkeit als Werkzeug
des NHMs, bewertet sowie ihre limitierende Faktoren beleuchtet. In Kapitel sechs werden
Prognosen und erwartbare Entwicklungen aufgezeigt, Implikationen abgeleitet und
Handlungsempfehlungen gegeben. Abschließend erfolgt eine Zusammenfassung der
gewonnenen Erkenntnisse.
THEMATISCHE GRUNDLAGEN & ABGRENZUNGEN 5
2 THEMATISCHE GRUNDLAGEN & ABGRENZUNGEN
In diesem Kapitel wird das zugrunde liegende Verständnis zentraler Begriffe erläutert und
zentrale Begrifflichkeiten werden geschärft, indem sie voneinander abgegrenzt werden.
2.1 Nachhaltigkeit & betriebliches Nachhaltigkeitsmanagement
2.1.1 Nachhaltigkeit vs. nachhaltige Entwicklung

Begibt man sich auf die Suche nach einer verbindlichen und alles umfassenden Definition des
Begriffes Nachhaltigkeit, so kann festgestellt werden, dass es diese trotz einer historischen
Entwicklung und hoher Verwendungshäufigkeit in Politik, Wirtschaft und Gesellschaft –
vermutlich aufgrund ihrer Komplexität und Dynamik – nicht gibt (Grober 2013, 20; Lexikon der
Nachhaltigkeit 2015). Etymologisch betrachtet wurde der Begriff 1713 durch Hannß Carl von
Carlowitz in einem forstwirtschaftlichen Kontext geprägt und zeigte aus einer ökologischen und
ökonomischen Tragfähigkeitsperspektive eine „nachhaltende Nutzung“ von Holz auf, von dem
in einem definierten Zeitraum nicht mehr geschlagen werden sollte als nachwachsen könne
(Grober 2013, 21; Carlowitz et al. 2000, 150). Nachhaltigkeit ist demnach in ihrem Ursprung
„[…] ein ressourcenökonomisches Prinzip, das ermöglichte, eine Ressource dauerhaft ertrag
bringend zu nutzen.“ (Pufé 2014a, 36).
Unter dem Postulat nach intra- und intergenerationaler Gerechtigkeit beschrieben Gro Harlem
Brundtland et al. in ihrem Bericht „Unsere gemeinsame Zukunft“ 1987 an die Vereinten
Nationen nachhaltige Entwicklung als eine Entwicklung, die die Bedürfnisse der Gegenwart
befriedigt, ohne zu riskieren, dass künftige Generationen ihre eigenen Bedürfnisse nicht
befriedigen können (Hauff 1987, 46; Brundtland 1987, 16). Diese formale politische Definition
ist bis dato die am weitesten akzeptierte und am häufigsten zitierte Formulierung der
Grundidee (Pufé 2014a, 65; Grober 2013, 21; Lexikon der Nachhaltigkeit 2015). Wollte man
diese etwas eingängiger formulieren, so könnte man auch von „Enkeltauglichkeit“ als Postulat
für verantwortungsvolles Handeln und Entscheiden sprechen (Merkel 31.05.2016) bzw.
fordern, dass man heute nicht mehr auf Kosten von Morgen und hier nicht mehr auf Kosten
von Anderswo produzieren und konsumieren sollte (Bertelsmann Stiftung 2014, 2). Im
Weiteren wird unter Nachhaltigkeit verstanden: „State of the global system, which includes
environmental, social and economic subsystems, in which the needs of the present are met
without compromising the ability of future generations to meet their own needs.“ (UN 1987).
Nachhaltigkeit derart betrachtet ist weniger eine Methode2 als vielmehr ein normatives Leitbild,
das sich an einem Soll- bzw. Idealzustand orientiert (Pufé 2014a, 298), und dabei zu
unterscheiden von einer nachhaltigen Entwicklung. Eine nachhaltige Entwicklung strebt
sowohl für alle heute lebenden Menschen als auch für künftige Generationen ausreichend
hohe ökologische, sozialkulturelle und ökonomische Standards in den Grenzen der natürlichen
Tragfähigkeit der Erde an und will damit das intra- und intergenerative Gerechtigkeitsprinzip
2 Nachhaltigkeitsdefinition SAP: „Methode zur Schaffung von Mehrwert durch wirtschaftliche, soziale und
ökologische Leistung für den langfristigen Geschäftserfolg und eine verantwortungsvolle globale Entwicklung“
(SAP 2018, 304).
realisieren (Rogall 2012, 42). Der Unterschied liegt darin, dass Nachhaltigkeit auf einen
Zustand und auf Beständigkeit verweist, während nachhaltige Entwicklung Dynamik, das
Prozesshafte sowie das Werdende und Entstehende impliziert (Pufé 2014a, 43), also einen
kontinuierlichen Veränderungsprozess darstellt (Schaltegger et al. 2017, 114) und damit ein
„moving target“ bedeutet.
Globalisierung, Klimawandel oder Bevölkerungswachstum sind Aspekte, die Unternehmen
zum Umdenken verpflichten, wollen sie nicht mit den Kosten des Nichthandelns konfrontiert
werden. Da jegliche Form des Wirtschaftens in einem ökologisch-sozio-ökonomischen System
erfolgt, kann ein Unternehmen nur innerhalb eines solchen (funktionierenden) Systems
dauerhaft existieren und erfolgreich sein (Pufé 2014a, 190). Aus diesem Grunde bemühen
sich Unternehmen heute darum, nachhaltige Entwicklung systematisch zu managen (in die
Hand zu nehmen), was uns zur Funktion und Institution des betrieblichen Nachhaltigkeits-
managements (NHM)3 führt.
2.1.2 Betriebliches Nachhaltigkeitsmanagement

Durch die zunehmende Bedeutung von Nachhaltigkeitsthemen für die Wettbewerbsfähigkeit
hat sich NHM in den vergangenen zwei Jahrzehnten auch in der praktischen Umsetzung durch
eine Professionalisierung des Managements ökologischer und sozialer Aspekte in
Unternehmen etabliert (Schaltegger 2015, 20). Damit von nachhaltiger Entwicklung in seiner
wahren Bedeutung gesprochen werden kann, sind dabei alle Bereiche eines Unternehmens
sowie vor- und nachgelagerte Teile der Wertschöpfungskette in eine nachhaltige Ausrichtung
einzubinden (Pufé 2014a, 229). Damit ist NHM eine betriebliche Querschnittsfunktion, deren
Anspruch, Aufgabe und Ziel es ist, die damit verbundenen unternehmerischen
Herausforderungen systematisch zu behandeln (Schaltegger & Petersen 2010, 143;
Schaltegger et al. 2012, 30).
Das NHM bezweckt „[…] sowohl eine nachhaltige Organisationsentwicklung als auch einen
Beitrag des Unternehmens zur nachhaltigen Entwicklung von Wirtschaft und Gesellschaft.“
(Schaltegger & Petersen 2010, 140). Es geht also nicht darum, Gewinne zu erwirtschaften, die
anschließend in Umwelt- und Sozialprojekte investiert werden, sondern darum, die Art der
Gewinnerzielung bereits umwelt- und sozialverträglich zu gestalten (Pufé 2014b). Bei diesem
Ansatz wird die „Bottom Line“ (Ergebnis der Gewinn- und Verlustrechnung) um eine
ökologische und soziale Dimension ergänzt und als „Tripple Bottom Line“ bezeichnet. Dies
bedeutet, dass ein Unternehmen sein Kerngeschäft sowohl sozial und ökologisch
verantwortlich als auch wirtschaftlich erfolgreich betreibt (Pufé 2014a, 193; Elkington 2004).
Während die Nachhaltigkeitsstrategie eines Unternehmens das „Was“ und „Wohin“ definiert,
kümmert sich das NHM um das „Wie“, nämlich wie nachhaltige Entwicklung konkret umgesetzt
werden kann. Das NHM kann dann als „professionell“ (integriert) angesehen werden, wenn es
ähnlich systematisch und systemgestützt umgesetzt wird wie alle anderen Geschäftsprozesse
im Unternehmen (Conrad 2014, 194). Da das Management zur Gestaltung einer nachhaltigen
Entwicklung in Unternehmen auf sehr verschiedene Arten etabliert sein kann, soll die
3 Unter der Abkürzung „NHM“ sollen im Weiteren sowohl das Nachhaltigkeitsmanagement als auch der oder die
Nachhaltigkeitsmanager verstanden werden.
nachstehende Tabelle eine grobe Systematik nach Entwicklungsstufen und damit eine
vergleichende Übersicht anbieten, die dabei unterstützen soll, das in dieser Arbeit zugrunde
gelegte Verständnis von professionellem Management unternehmerischer Nachhaltigkeit zu
klären.
Tabelle 1: Stufen nachhaltiger Entwicklung in und von Unternehmen (Sailer 2017, 37).
Stufe 1 Stufe 2 Stufe 3
Begrüßenswerte NHM als Wechsel vom Shareholder-

Einzelmaßnahmen, z. B.: unternehmensübergreifende orientierten Unternehmen
- Energiesparlampen Querschnittsfunktion. (Letztentscheidung liegt bei den
- Filtereinbau Entwicklung eines Konzeptes, Gesellschaftern) hin zu einem
- höhere Recyclingquote welche Nachhaltigkeitsziele wie Stakeholder-geführten
- sparsamere Dienstwagen erreicht werden sollen, Unternehmen. Damit bestimmen
unterstützt durch Stakeholder- die gesellschaftlichen Gruppen die
Teilweise medial „übertriebene“
Dialoge. Planung, Steuerung und Ziele. Das Unternehmen muss sich
Darstellung einzelner, an sich
Kontrolle mithilfe einer von der Gesellschaft eine „License
sinnvoller Maßnahmen
Sustairıability Balanced Scorecard to operate“ verdienen. Das
(Greenwaslıing).
und auf der operativen Ebene Unternehmen wird aus der
Einzelmaßnahmen werden ohne
durch Messung verschiedener Außenperspektive betrachtet:
einen Gesamt-zusammenhang
ökologischer und sozialer Welche ökonomischen, sozialen
ergriffen. Keine erkennbare
Faktoren. Erstellung eines und ökologischen Wirkungen
Methodik, warum welche
Nachhaltigkeitsberichts. treten auf und wie sind diese zu
Maßnahmen priorisiert und mit
Nachhaltigkeit bietet neben den beurteilen? Was kann das
welcher Intensität sie ergriffen
Möglichkeiten der Unternehmen leisten, um die
werden. Beweggründe liegen vor
Kostenersparnis und der gesellschaftlichen Ziele / die
allem in der Außenwirkung und in
öffentlichen Aufmerksamkeit Stakeholder-Ziele zu fördern? Für
der Möglichkeit, Kosten
auch Marktchancen durch ein an den Kapitalgebern
einzusparen. Der vernetzte,
saubere Produkte und intelligente ausgerichtetes
komplexe Systemzusammenhang
Dienstleistungen. Nachhaltigkeit marktwirtschaftliches Modell
wird nicht beachtet, weshalb die
fördert die Erreichung der bedeutet dies einen Systembruch.
gut gemeinten Maßnahmen auch
ökonomischen Ziele. Aufgrund Ansätze, wie etwa die
sinnlos sein können oder sogar
direkter und indirekter Rebound- Gemeinwohlökonomie, müssen
negativ wirken können (Rebound-
Effekte werden auf hierfür Akzeptanz finden.
Effekt4).
gesellschaftlicher Ebene
Nachhaltigkeitsziele tatsächlich
oft nicht erreicht.
Vergleicht man die dargestellten Entwicklungsstufen, so kann man konstatieren, dass sich
Stufe 1 und Stufe 2 im Wesentlichen in der Professionalisierung des NHMs unterscheiden,
4 Technische Effizienzsteigerungen welche zu Mehrverbräuchen, statt zu Einsparungen, führen (Lange & Santarius
2018, 26).
während der Unterschied von Stufe 2 und Stufe 3 in der normativen Entscheidung begründet
liegt, welchen Einfluss eine effektive nachhaltige Entwicklung insgesamt auf die
Unternehmenspolitik haben soll (Sailer 2017, 36). Auf dieser Basis soll im weiteren Verlauf
das NHM im Kontext der Unternehmensentwicklungsstufe 2 verstanden werden.
Erwähnenswert ist in diesem Zusammenhang noch, dass bereits 1953 ein Verständnis von
Corporate Social Responsibility (CSR)5 geäußert wurde, das im Prinzip in Richtung
Entwicklungsstufe 3 zeigte: „It refers to the obligations of businessmen to pursue those
policies, to make those decisions, or to follow those lines of action which are desireable in
terms of the objectives and values of our society.“ (Bowen 1953, 6; zit. in Carroll 1999, 270).
Da der ambitionierte und umfassende Anspruch des bereichsübergreifenden NHMs nicht von
einzelnen „expliziten“ NHM (NHM als Institution) alleine realisierbar ist, können sämtliche
Manager und Führungskräfte im Rahmen ihrer konventionellen Aufgaben, z. B. als
Einkaufsleiter, Produktmanager oder Marketingleiter, als „implizite“ NHM (NHM als Funktion)
betrachtet werden. Allerdings ist in sämtlichen Funktionsbereichen vielfach ein Mangel an
Nachhaltigkeitskompetenzen bei Führungskräften und Fachexperten zu beobachten. Die
Organisation der Zusammenarbeit mit impliziten NHM stellt somit eine Kernaufgabe für den
expliziten NHM dar (Schaltegger 2015, 20f.). Da sowohl explizite als auch implizite NHM
technologischer Unterstützung bei der Bewältigung ihrer Herausforderungen bedürfen, soll
das NHM im weiteren Verlauf sowohl institutionell als auch funktional verstanden werden.
Zusammenfassen kann NHM wie folgt definiert werden: „Corporate sustainability management
covers all activities that design, measure, analyse and improve environmental, social and
economic activities, firstly in order to create sustainable development of the organization itself,
and secondly, to enable the company to contribute to sustainable development of the economy
and society as a whole.“ (Schaltegger et al. 2017, 114).
Damit kann das NHM als ein selbstreflexiver Prozess ohne Endstadium betrachtet werden, da
jede Verbesserung von Wirtschaftlichkeit, Umwelt- und Sozialverträglichkeit die Basis für die
nächste Verbesserung bedeutet (Pufé 2014a, 229). Dies gilt so lange, bis das NHM-Utopia
erreicht wurde, dauerhafter wirtschaftlicher Erfolg bei absoluter Umwelt- und
Sozialverträglichkeit. An diesem Punkt würde das ultimative Ziel des NHMs erreicht werden,
sich selber überflüssig zu machen.
2.2 Digitalisierung und künstliche Intelligenz

„Auf den ersten Blick sind Digitalisierung und Nachhaltigkeit zueinander im Widerspruch.
Nachhaltigkeit steht für Beständigkeit, Stabilität, Zukunftsfähigkeit […]. Dies ist radikal im
5 Während freiwillige CSR-Aktivitäten üblicherweise das unternehmerische Handeln außerhalb des Kerngeschäftes
ergänzen, bezweckt systematisches NHM die Integration ökologischer, sozialer und ökonomischer Leistungen
in der Überzeugung, dass substanzielle Verbesserungen in der Wertschöpfungskette zum Unternehmenserfolg
beitragen und damit ein Engagement für Umwelt und Gesellschaft am glaubwürdigsten ist, wenn es
unternehmensintern und -extern nachvollziehbar wird (Schaltegger & Petersen 2010, 143). Das
Handlungsspektrum des NHM geht nach diesem Verständnis also (weit) über das der CSR hinaus.
Gegensatz zur heutigen Digitalisierung mit seiner Ausrichtung auf disruptive Veränderung.“
(Broy 2017).
2.2.1 Digitale (R)Evolution

Digitalisierung gewinnt in Deutschland zunehmend an Bedeutung. Bei Unternehmen mit mehr
als 250 Millionen Euro Jahresumsatz wird sie vermehrt auf der C-Level-Ebene verantwortet
und gehört zu den Top-3-Prioritäten jedes zweiten Unternehmens (Schmidt 2017b). Auch
international ist Digitalisierung ein bedeutendes Thema. So zeigten Studien von IBM, Ernst &
Young oder Capgemini Consulting, dass Digitalisierung von Führungskräften als ein zentraler
Transformationstreiber gesehen wird (Petry 2016, 21). Was aber ist unter Digitalisierung zu
verstehen?
Die erste zeitgenössische Verwendung des Begriffs Digitalisierung in Verbindung mit
Computertechnik erschien 1971 in einem Aufsatz, der erstmals in der North American Review
veröffentlicht wurde. Robert Wachal diskutiert darin die sozialen Implikationen der
„Digitalisierung der Gesellschaft" im Kontext der Betrachtung von Potenzialen und Risiken
computergestützter geisteswissenschaftlicher Forschung (Brennen & Kreiss 2016, 4).
Digitalisierung kann grundsätzlich auf zwei Arten verstanden werden (Petry 2016, 22):
 Technisch als Aufbereitung von Informationen zur Verarbeitung oder Speicherung in
einem digitaltechnischen System.
 Gesamthaft als ein durch technologische Entwicklungen getriebener
Transformationsprozess, der weitreichende strategische, organisatorische und
soziokulturelle Veränderungen mit sich bringt.
Die technische Betrachtung repräsentiert den Veränderungsprozess vom Analogen zum
Digitalen (Gartner 2018a). Wenn dieser zu einer Reduzierung der Materialien führt, die für die
Produktion und den Verbraucherbedarf verwendet werden, dann kann man von einer
„Dematerialisierung“ sprechen (Hildebrandt & Silber 2017, 555). Gesamthaft betrachtet geht
es bei der Digitalisierung bzw. der digitalen Transformation bzw. der digitalen Business
Transformation (Forrester Research 2017a) also um weit mehr als nur um neue Technologien.
„[…] when it comes to digital transformation, digital is not the answer. Transformation is.“
(Westerman 2017). Aus einer wirtschaftlichen Perspektive geht es darum, dass sich die Art
und Weise verändert, wie ein Unternehmen Werte schafft, mit seinen Kunden und
Geschäftspartnern interagiert und in etablierten und aufstrebenden Märkten konkurriert. Es
handelt sich um einen organisatorischen Veränderungsprozess, der jeden Winkel des
Unternehmens erreicht (Krcmar 2015).
Dabei impliziert (digitale) Transformation einen Prozess, der einen Anfang und ein Ende hat,
welches man durch die Überwindung eines definierten Deltas erreichen müsste, um
digitalisiert zu sein. Könnte das so sein? Vermutlich nicht, denn auch wenn es die Überwindung
dieses Deltas benötigt, um konkurrenzfähig zu bleiben, so ist anzunehmen, dass anschließend
ein stetiger Veränderungs- und Lernprozess in Gang gesetzt werden müsste. Daher könnte
statt Digitalisierung ein Begriff wie „Perpetual Disruption", was so viel wie „unaufhörliche,
umbrechende Veränderung“6 bedeutet, besser geeignet sein, um Auswirkungen und ihre

Dauer transparent und deutlich zu benennen. Denn er macht zum einen klar, dass sich der
Veränderungsprozess immerwährend fortsetzt, zum anderen, dass er eine tiefgreifende
Dimension besitzt (Jacob & Lobacher 2016).
Aus einer makroökonomischen Perspektive kann beobachtet werden, dass bei der Nutzung
von Technologien der digitalen Transformation zur Problemlösung (z. B. künstliche Intelligenz)
unterschiedliche Visionen verfolgt werden. Während in Deutschland und Europa zumeist
„Industrie 4.0“ als Digitalisierung von Produktionsprozessen betrachtet wird (BMBF 2013; Aurik
2018), verfolgt Japan mit „Society 5.0“ ein weitaus umfassenderes Programm (Bitkom 2014,
144). Hier soll Technologie dabei helfen, zentrale Herausforderungen der Gesellschaft zu
bewältigen. Dafür sollen die Kooperation zwischen Mensch und Maschine einen höheren
Stellenwert erhalten und ethische sowie wirtschaftliche Aspekte der Digitalisierung in der
Gesellschaft verankert werden (Itasse 2017; Aurik 2018).
Abbildung 2: Entering Society 5.0 (JapanGov 2017).
6 Disruption kann, nach Joseph Alois Schumpeter, auch als schöpferische Zerstörung verstanden werden. Das Alte
muss weichen, damit das Neue entstehen kann (Lange & Santarius 2018, 84).
Zusammenfassend kann Digitalisierung als eine revolutionäre Veränderung gesehen werden,

da die Auswirkungen tiefgreifender Art sind bzw. sein werden. Andererseits erfolgt diese
Entwicklung nicht von heute auf morgen, sodass von einer Revolution gesprochen werden
könnte, die evolutionär verläuft und damit als digitale (R)Evolution bezeichnet werden kann
(Petry 2016, 22f.).
2.2.2 Künstliche Intelligenz vs. erweiterte (menschliche) Intelligenz

„Rather than replace humans, most AI systems will collaborate with humans to achieve optimal
performance.“ (The White House 2016b, 3; Stanford University 2016, 16).
Es wird erwartet, dass künstliche Intelligenz (KI) in den nächsten 10 Jahren eine der am
weitesten verbreiteten, disruptiven Technologien sein wird (Gartner 2017), die jeden Teil
unseres Lebens berührt und die Art und Weise, wie wir Technologien nutzen und mit ihnen
interagieren, grundlegend verändert (UNGC 2017a, 1). Als Ursachen hierfür können im
Wesentlichen die folgenden genannt werden (Gartner 2017; Bienert 2018):
 Verfügbarkeit extrem hoher Rechenleistung durch leistungsstarke Grafikprozessoren
(Böttcher et al. 2017, 51; Schwab 2017) und zukünftig Quantencomputing7 (Diamandis
2016; Schmidt 2017a).
 Verfügbarkeit von Rechnerressourcen (Cloud Computing) und großen Mengen von
(öffentlichen) Datensätzen (Böttcher et al. 2017, 51; Schwab 2017).
 Beispiellose Fortschritte und empirische Durchbrüche in den KI-Bereichen Machine
Learning und hier speziell beim Deep Learning (The White House 2016a, 9; Stanford
University 2017, 8; Bitkom & DFKI 2017, 27).
Die Fähigkeit der KI, riesige Mengen komplexer, mehrdeutiger Informationen in reale
Erkenntnisse zu verwandeln, hat das Potenzial, zur Lösung einiger der dauerhaftesten
Probleme der Welt beizutragen und große Aufgaben mit höherer Effizienz zu übernehmen, als
es ein Mensch könnte (UNGC 2017a, 1). Googles CEO, Sundar Pichai, teilte auf dem
Weltwirtschaftsgipfel 2018 in Davos seine Einschätzung mit, dass die Veränderungen durch
KI sogar tiefgreifender sein werden als durch die Nutzbarmachung von Elektrizität8 oder Feuer
und dass die damit verbundenen Risiken derart bedeutend sein werden, dass diese durch eine
internationale Kooperation auf dem Niveau des Pariser Klimaabkommens gemanagt werden
sollten (Parker 2018).
Dabei ist KI kein neuartiges Thema. Der Begriff wurde von dem amerikanischen Informatiker
John McCarthy bereits in den 1950er-Jahren geprägt. Er verwendete ihn in der Überschrift
eines Projektantrags für eine mehrwöchige Konferenz, die im Jahr 1956 am Dartmouth College
in den USA stattfand (Bibel 2014, 92; Buchanan 2005, 57; Bitkom & DFKI 2017, 29). Nach
großen Erwartungen zu Beginn verblasste die anfängliche Euphorie aufgrund fehlender
7 „The main reason we don’ t already have quantum computers is the issue of powering and cooling them: a single
quantum computer would require more electricity to keep it at working temperature than a large city.“ Leonhard
& Kospoth 2017, 78.
8 „AI is the new electricity.“ (Ng 2017).
Rechenkapazitäten, und es folgte ein langjähriger „KI-Winter“. Mit Beginn des Jahrtausends
haben sich die Voraussetzungen für die Weiterentwicklung von KI, wie zuvor erläutert,
signifikant verbessert, weshalb KI u. a. im Consumer-Bereich mit z. B. Alexa (Amazon), Siri
(Apple) oder Cortana (Microsoft) allgegenwärtig ist. Gesprochener Text wird erkannt, Fragen
werden analysiert, Antworten werden generiert und wieder als natürliche Sprache ausgegeben
(Bienert 2018).
Das Ziel der KI-Forschung ist „[…] das Rätsel intelligenten Handelns zu entschlüsseln und
Systeme zu bauen, die sich in einer Weise intelligent verhalten, wie sie auch beim Menschen
beobachtet werden kann.“ (Bibel 2000). Damit ist KI eine multidisziplinäre Forschungsrichtung
diverser Wissenschaftsdisziplinen (Informatik, Psychologie, Neurologie, Philosophie,
Soziologie, Linguistik, Kunst, Recht, u. a.), die inter- und transdisziplinäre Kollaboration
erfordert, um gesellschaftliche Erfolge zu erzielen (Bibel 2000; IBM 2018d; Bitkom & DFKI
2017, 28).
In seiner Ausprägung kann KI zwischen „schwacher KI“ (engl. AI = Artificial Intelligence) und
„starker KI“ (engl. AGI = Artificial General Intelligence) unterschieden werden. Starke KI
verfolgt das zuvor skizzierte ursprüngliche Ziel der vollständigen Simulation intelligenten
Verhaltens bis hin zum eigenen Bewusstsein und hätte im Erfolgsfall das (umstrittene)
Potenzial zur Erreichung der Singularität; einem theoretischen Zeitpunkt, an dem künstliche
Intelligenz die menschliche Intelligenz erreichen oder übertreffen könnte (UNGC 2017a, 1;
Bitkom & DFKI 2017, 31). Eine wissenschaftliche Auseinandersetzung mit der Fragestellung
nach der Realisierbarkeit von Singularität findet sich bei Grace et al. (2017): „When Will AI
Exceed Human Performance? Evidence from AI Experts“.9 Im Gegensatz zur starken KI
werden bei dem eher praxisorientierten Zweig der schwachen KI weniger abstrakte
Phänomene wie Intelligenz oder Bewusstsein erforscht, sondern primär praktische Lösungen
angestrebt (Bitkom 2017, 1; AGI Society 2017). Es geht in erster Linie darum, durch smarte
Mensch-Maschine-Interaktion und -Kollaboration den Menschen auf intelligente Weise beim
Erreichen seiner Ziele zu unterstützen (Bitkom & DFKI 2017, 29). Der Fokus dieser Arbeit liegt
auf der schwachen KI als Werkzeug zur Lösung spezifischer Probleme.
Begibt man sich auf die Suche nach einer allgemeingültigen Definition von KI, so wird man
feststellen, dass es diese nicht gibt (Davenport 2017; Bitkom & DFKI 2017, 28; Böttcher et al.
2017, 13; Stanford University 2016, 12). Eine solche leidet auch daran, dass „Intelligenz“ und
„intelligentes menschliches Verhalten“ selbst noch nicht intersubjektiv eindeutig definiert und
verstanden sind (Wichert 2000; Leonhard & Kospoth 2017, 79f.).10
Eine Auswahl an Definitionsbemühungen:
9 Dazu die Einschätzung von Leonhard & Kospoth: „By 2025, we will probably face the so-called singularity,
meaning that we will be able to build and use computers that are as powerful as the human brain. But following
the principle of exponential growth (even without computer chips actually remaining on that trajectory), this
means that 18-24 months later the computer will be twice as powerful; in 4 years it will be four times as powerful,
and by 2050 a single computer could be as powerful as all human brains combined.“ (Leonhard & Kospoth
2017, 78).
10 Intelligenz könnte beschrieben werden als die Fähigkeit, „[…] Zusammenhänge zu finden, zu lernen, zu
verstehen, Probleme zu lösen sowie Entscheidungen zu fällen.“ (Kroll 2016, 8) bzw. „Intelligenz ist das, was
man einsetzt, wenn man nicht weiß, was man tun soll.“ (Jean Piaget).
 „AI is the construction of computers, algorithms and robots that mimic the intelligence
observed in humans, such as learning, problem solving and rationalising. Unlike
traditional computing, AI can make decisions in a range of situations that have not been
pre-programmed into it by a human." (UNGC 2017a, 1)
 „Artificial intelligence is that activity devoted to making machines intelligent, and
intelligence is that quality that enables an entity to function appropriately and with
foresight in its environment.” (Stanford University 2017, 12)
 „The ability of a machine to perform human-like functions such as perceiving,
reasoning, learning, interacting with the environment, problem solving and exercising
creativity to form plans, make decisions and achieve goals.“ (Cheater 2018)
 „Artificial Intelligence is the study of how to make computers do things at which, at the
moment, people are better.“ (Ertel 2018, 22; Rich 1983)
 „Künstliche Intelligenz ist die Eigenschaft eines IT-Systems, »menschenähnliche«,
intelligente Verhaltensweisen zu zeigen.“ (Bitkom & DFKI 2017, 28f.)
Eine weitere und nach human-rationalen Kriterien differenzierte Definitionsübersicht bieten

Russel & Norvig (2012, 1f.). Bei der Vielzahl an Bemühungen um eine einheitliche Definition
und der durch den Begriff KI suggerierten Vorstellung von Kontrollverlust an eine nicht
menschliche Spezies sowie Arbeitsplatzverluste durch flächendeckende Automatisierung
(Bouée 2018) könnte es sinnvoll sein, den Begriff grundsätzlich anders zu gestalten. So könnte
die Bezeichnung „Augmented Intelligence“ (Erweiterte Intelligenz) (IBM 2018d) den
wesentlichen Unterschied machen in der gesellschaftlichen Wahrnehmung von IT-Systemen
zur Erweiterung menschlicher Fähigkeiten, um damit bisher für den Menschen unmögliche
(sinnvolle) Dinge tun zu können (PwC 2017a, 2); dies im Gegensatz zu IT-Systemen die
versuchen (könnten), die gesamte menschliche Intelligenz nachzubilden (IBM 2018d).
Im weiteren Verlauf wird KI verstanden als ein Sammelbegriff (Davenport 2017) für die
Anwendung von Konzepten und Methoden kognitiver Technologien zur Erweiterung
menschlicher Denk- und Handelsfähigkeit. In dieser Arbeit werden die Begriffe kognitive
Technologien und KI synonym verwendet. Beide beziehen sich auf Technologien, die
Aufgaben ausführen und/oder ergänzen, Entscheidungen unterstützen und Interaktionen
ermöglichen, die traditionell menschliche Intelligenz erfordern, wie z. B. Planung,
Schlussfolgerungen aus partiellen oder unsicheren Informationen und Lernen (Davenport et
al. 2017, 2).
Da das Spektrum an KI-Technologien sehr weit ist (Bitkom & DFKI 2017, 24), werden in der
folgenden Tabelle diejenigen Technologien aufgeführt, auf welche in der weiteren
Ausarbeitung Bezug genommen wird, sodass diese an den jeweiligen Stellen keiner weiteren
Erläuterung mehr bedürfen.
Tabelle 2: KI-Technologien & Funktionalitäten.

Quelle KI-Technologie Funktionalität
Softwarelösung, die wiederholende,
regelbasierte Prozesse automatisiert, welche
normalerweise von Menschen ausgeführt
werden, die vor einem Computer sitzen. Durch
Davenport et al. 2017, 4 Robotic Process Automation (RPA)
die Interaktion mit anderen Anwendungen,
können Software-Roboter Daten aufzeichnen,
neu eingeben und andere Aufgaben ausführen,
die menschliches Handeln nachahmen.
Netzwerk physischer Objekte, welche
integrierte Technologie enthalten, um interne
Gartner 2018b;
Internet of Things (IoT) Zustände oder die externe Umgebung zu
Bitkom & DFKI 2017, 28
messen und mit ihnen zu kommunizieren oder
zu interagieren.
Statistische Modelle, welche die Fähigkeiten
entwickeln, Muster und Korrelationen auf der
Davenport et al. 2017,
Basis großer Datenmengen zu erkennen und
4; Noga & Schroetel Machine Learning
ihre Leistung darin zu verbessern, indem sie
2017
aus Erfahrung lernen, ohne explizit dafür
programmiert werden zu müssen.
Eine relativ komplexe Form des maschinellen
Lernens anhand neuronaler Netzwerke mit
vielen Schichten abstrakter Variablen, inspiriert
von den Arbeitsmechanismen des
Davenport et al. 2017, menschlichen Gehirns. Diese fortgeschrittene
Deep Learning
4; Schmidhuber 2015 Art des maschinellen Lernens kann komplexe,
nicht lineare Probleme lösen und ist
verantwortlich für KI-Durchbrüche, z. B. in der
natürlichen Sprachverarbeitung oder der
Entwicklung von digitalen Assistenten.
Zentral auf das Verständnis mit dem Benutzer
ausgerichtete und mit entsprechender
Bitkom & DFKI 2017, Semantik und Interaktion versehene Methodik,
Conversational Interfaces
143; Böttcher et al. um einen Dialog mit dem Benutzer führen zu
=> Chatbots & Intelligent Agents
2017, 68f. können. Wesentliche Grundlagen: Machine
Learning, Natural Language Processing, Speech
Recognition und Computer Vision.
Die Fähigkeit, Sinn und Absicht aus einem Text
in einer lesbaren, stilistisch natürlichen und
Davenport et al. 2017, 4 Natural Language Processing
grammatikalisch korrekten Form zu extrahieren
oder zu generieren.
Die Fähigkeit, menschliche Sprache
Davenport et al. 2017, 4 Speech Recognition automatisch und präzise zu erkennen und zu
transkribieren.
Die Fähigkeit, Bedeutung und Absicht aus
visuellen Elementen zu extrahieren, sei es aus
Zeichen (bei der Digitalisierung von
Davenport et al. 2017, 4 Computer Vision
Dokumenten) oder der Kategorisierung von
Inhalten in Bildern wie Gesichtern, Objekten,
Szenen und Aktivitäten.
Obgleich es sich bei RPA und IoT streng genommen nicht um KI-Technologie handelt, werden
diese doch zunehmend in Verbindung mit KI-Technologien eingesetzt (Davenport et al. 2017,
23), weshalb sie in die Betrachtung aufgenommen wurden.
Bei der anhaltenden Diskussion über den Beginn des neuen KI Zeitalters scheint es bisher
wenige Auseinandersetzungen darüber zu geben, was KI für nachhaltige Entwicklung in
Unternehmen bedeutet. Bedeutet KI einen transformativen technologischen Schub für die
Bemühungen des NHMs oder werden die technologiegetriebenen, rasanten Veränderungen
zu negativen Auswirkungen auf die Nachhaltigkeitsleistungen von Unternehmen führen?
Obgleich beobachtet werden kann, dass KI bereits einen Einfluss auf die nachhaltige
Entwicklung von Unternehmen hat (z. B. Effizienzsteigerungen, Emissionsreduktionen,
Innovation neuer Produkte und Dienstleistungen), ergab eine Volltextanalyse von 8000
Nachhaltigkeitsberichten global agierender Unternehmen, dass nur eine kleine Prozentzahl
der analysierten Firmen KI überhaupt in ihrer Nachhaltigkeitsberichterstattung erwähnt11 (Riffle
2017). Damit kann vermutet werden, dass dieses transformative Thema in dem strategisch
wichtigen Gestaltungsbereich des NHMs noch nicht angekommen sein könnte. Aus diesem
Grund werden die Potenziale der KI in Kapitel 4.2 untersucht und ihre Eignung als Werkzeug
des NHMs in Kapitel 5 analysiert und bewertet.
11 Z. B. SAP (2018, 10f.).

16 FORSCHUNGSDESIGN & METHODIK
3 FORSCHUNGSDESIGN & METHODIK
Für eine systematische Beantwortung der Forschungsfragen wurden die Forschungsfelder

sowie methodischen Schritte definiert und in nachstehender Skizze des Forschungsdesigns
abgebildet.
Abbildung 3: Forschungsdesign.
Da es sich bei der gewählten Themenkombination (KI als Werkzeug des NHMs) um einen
neuartigen Betrachtungsansatz handelt, soll die Bearbeitung in Form einer systematischen
Potenzialanalyse sowie dem Entwurf von Use Cases auf Basis identifizierter
Herausforderungen des NHMs erfolgen.
Die geplanten Bearbeitungsschritte im Detail:

1. Identifikation und Darstellung von Herausforderungen des NHMs bei der Messung,
Bewertung und Kommunikation von Nachhaltigkeitsleistungen.
2. Identifikation und Darstellung von Potenzialen der KI in aktuellen betrieblichen
Anwendungsbereichen.
3. Analyse der KI-Anwendungspotenziale als Werkzeug des NHMs zu dessen Lösung
von Herausforderungen bei der Messung, Bewertung und Kommunikation von
Nachhaltigkeitsleistungen sowie Entwurf und Bewertung von Use Cases.
4. Identifikation eines Anwendungsszenarios.
FORSCHUNGSDESIGN & METHODIK 17
5. Reflexion, Diskussion und Bewertung der Erkenntnisse, Erweiterung der

eingenommenen Perspektiven um weitere relevante Aspekte und Ableitung von
Implikationen sowie Handlungsempfehlungen für das NHM.
Bei der Erarbeitung des aktuellen Forschungsstandes zur Anwendung von KI im

Managementkontext ist zu bedenken, dass die Entwicklungen in diesem Technologiebereich
von großer Geschwindigkeit geprägt sind. Daher wird beabsichtigt, für dieses Forschungsfeld
primär aktuelle Literatur und Veröffentlichungen der letzten 2 Jahre zu verwenden. Die
Literatur- und Sekundäranalyse erfolgt auf Basis wissenschaftlicher Publikationen, Beiträgen
in Fachjournalen sowie themenrelevanter Quellen im Internet. Zur systematischen
Identifikation wissenschaftlicher Quellen wurden folgende Datenbanken verwendet: EBSCO
Business Source Premier, Emerald, JSTOR, Science Direct, Springer Link und Wiley Online.
Zusätzlich wurden Suchabfragen über Google Scholar durchgeführt und die weitere
Quellenauswahl nach dem Schneeballsystem erschlossen. Die systematische
Literaturanalyse soll in Anlehnung an Johnson & Schaltegger (2016, 484f.) sowie Tranfield et
al. (2003) aus den folgenden methodischen Schritten bestehen:
1. Definition von Schlüsselwörtern und Erstellung von Suchketten.
2. Suche und Auswahl von Publikationen auf Basis der zuvor dargestellten Quellen.
3. Analyse ausgewählter Publikationen.
4. Datenbewertung, -extraktion und -darstellung.
5. Datensynthese und Diskussion.
Zu den Entwürfen von Use Cases und ihrer Bewertung hinsichtlich der Anwendbarkeit von KI
als Werkzeug des NHMs, erfolgt die Entwicklung eines fünfstufigen Empfehlungsrahmenwerks
zur Evaluation und Integration von KI-Systemen. In Kombination mit einer entwickelten
Potenzialanalysematrix soll schließlich ein eigener konzeptioneller Beitrag für die
Weiterentwicklung des NHMs geleistet und die Kernforschungsfrage abschließend
beantwortet werden.
18 HERAUSFORDERUNGEN DES NHMS & POTENZIALE DER KI
4.1 Management betrieblicher Nachhaltigkeitsleistungen

Die vorhandene Forschungsliteratur stimmt weitgehend darin überein, dass die Generierung
von Beiträgen zur betrieblichen Unterstützung von nachhaltiger Entwicklung durch Mess-,
Bewertungs- und Kommunikationsansätze unterstützt werden könne, wenn
Leistungsmessung und -management grundlegend neu organisiert würden, um soziale und
ökologische Aspekte besser zu berücksichtigen (Schaltegger et al. 2017, 114). Im Sinne von
„If you can't measure it, you can't manage it” (Kaplan & Norton 1996, 21) liegt der Hauptgrund
auf der Frage, warum Messsysteme für eine nachhaltige Entwicklung so wichtig sind, dass
Entscheidungsträger und Stakeholder nur dann für eine nachhaltige Entwicklung effektiv
eintreten können, wenn sie über unerwünschte Umwelt- und Sozialauswirkungen hinreichend
informiert sind und wenn sie verschiedene Investitions- und Betriebsoptionen hinsichtlich ihrer
Nachhaltigkeitsauswirkungen vergleichen können. Gezieltes nachhaltiges Handeln setzt
voraus, dass man über die Nachhaltigkeitsimplikationen aktueller und geplanter Aktivitäten
jederzeit und nachvollziehbar informiert ist. Da bestehende konventionelle
Rechnungslegungssysteme überfordert sind, ein „wahres" Bild der relevanten ökologischen
und sozialen Auswirkungen zu geben, sind innovative Ansätze für das
Nachhaltigkeitsinformationsmanagement erforderlich (Schaltegger et al. 2017, 114).
4.1.1 Zentrale Herausforderungen des NHMs

Wie in Kap. 1.2 bereits skizziert, scheint es, als ob nach enthusiastisch begonnenen Pilot-
Projekten und Initiativen zunehmend Ernüchterung darüber eingetreten ist, dass man bei den
Bemühungen um nachhaltige Entwicklung über ein bestimmtes Maß einfach nicht
hinauskommt (Sailer 2017, 16f.; Bergius 2014; Holst 2014; Schaltegger et al. 2012, 54f.). „Die
niedrig hängenden Früchte sind geerntet, die einfachen und günstigen Maßnahmen
umgesetzt. Zunehmend müssen Unternehmen längerfristige Investitionen für ihre grünen
Projekte tätigen. Doch Mittel dafür zu finden ist schwierig.“ (Bergius 2014).
Diese Wahrnehmung könnte verstärkt werden durch eine von der
Nachhaltigkeitsratingagentur oekom research veröffentlichte branchenübergreifende Studie
zur Nachhaltigkeitsleistung von Unternehmen. Demnach kann unter 1600 analysierten,
international tätigen Großunternehmen mit Sitz in den Industrieländern (jeweils zum 31.12.)
zwar ein leichter Aufwärtstrend in der Nachhaltigkeitsperformance verzeichnet werden, jedoch
veränderte sich die Leistung in den als sehr gut und gut bewerteten Bereichen nur marginal,
HERAUSFORDERUNGEN DES NHMS & POTENZIALE DER KI 19
während ein Großteil der Unternehmen gar ein unzureichendes NHM aufweist (oekom 2017,
6). Die nachstehende Grafik soll die Ergebnisse verdeutlichen.
Abbildung 4: Nachhaltigkeitsleistung von international tätigen Großunternehmen (oekom 2017, 12).
Obgleich sich das Niveau des NHMs sukzessive verbessert zu haben scheint, kann der
Nettoeffekt aufgrund zeitgleich gestiegener Anforderungen an Unternehmen in der
Gesamtbetrachtung als vergleichsweise gering interpretiert werden (oekom 2017, 12). Damit
stellt sich die Frage, was die Herausforderungen unternehmerischer Nachhaltigkeit im Kern
eigentlich sind. Die folgende Grafik soll hierzu zunächst einen Überblick bieten.
Abbildung 5: Zentrale Herausforderungen des NHMs (Schulze-Quester 2017, 8).

Betrachtet man die drei Dimensionen Ökologie, Soziales und Ökonomie sowie deren
angestrebte Integration als Leitbild einer nachhaltigen Entwicklung, so ergeben sich daraus
konkret vier zentrale Nachhaltigkeitsherausforderungen (Schaltegger et al. 2007, 14-18):
1. Ökologische Herausforderung = Steigerung der Öko-Effektivität (Grad der absoluten
Umweltverträglichkeit) durch Minimierung/Stabilisierung von Umwelteinwirkungen.
2. Soziale Herausforderung = Steigerung der Sozio-Effektivität (Grad der absoluten
Sozialverträglichkeit) durch Minimierung bzw. Maximierung negativer bzw. positiver
sozialer Wirkungen.
3. Ökonomische Herausforderung an das Umwelt- und Sozialmanagement =
Verbesserung der Öko-/Sozio-Effizienz (Wirtschaftlichkeit des Umwelt- und
Sozialmanagements) durch positiven „Business Case for Sustainability“12 bzw.
Verbesserung des Verhältnisses zwischen Wertschöpfung und Schadschöpfung.
4. Integrationsherausforderung = Zusammenführung der drei vorgenannten
Herausforderungen sowie Integration des Umwelt- und Sozialmanagements in das
konventionell ökonomisch ausgerichtete Management.
Während den ersten drei Herausforderungen durch koordiniertes und konsequentes Handeln
begegnet werden kann, stellt die größte Herausforderung des unternehmerischen und eines
umfassenden NHMs die Gesamtintegration dar. Dies sollte in Form einer methodischen und
instrumentellen Integration von Effektivitätsmanagement (Umwelt- und Sozialmanagement)
und Effizienzmanagement (ökonomisches Umwelt- und Sozialmanagement) in das
traditionelle ökonomische Management erfolgen (Schaltegger et al. 2007, 18). Das Ergebnis
sollten ein integriertes Erfassungs-, Bewertungs- und Berichtswesen als Grundlage und
Evidenz für integriertes Denken und Handeln (Sailer 2017, 238; IIRC 2013, 33) sowie eine
ganzheitliche Unternehmensführung, orientiert am Wertbeitrag („Sustainable Value“) für die
Gesellschaft, sein (Sailer 2017, 211-217; Ritzrau 02.05.2017; BASF 2017).
Um den zentralen Herausforderungen zu begegnen, benötigt das NHM u. a. softwarebasierte
Werkzeuge, um Nachhaltigkeitsleistungen wirksam messen, bewerten und kommunizieren zu
können (Johnson & Schaltegger 2016, 483). International können mehr als hundert Anbieter
von Softwarelösungen für das NHM mit zum Teil sehr unterschiedlichem Profil identifiziert
werden (Muuß 2017, 13). Eine Lösung, die sowohl ökonomische, ökologische als auch soziale
Belange integriert und damit einem an nachhaltiger Entwicklung orientierten Unternehmen
eine Gesamtsteuerung ermöglicht, scheint es gegenwärtig nicht zu geben (Sailer 2017, 264;
Johnson et al. 2016, 260). Eine Übersicht und Bewertung der bekanntesten Anbieter von
Softwarelösungen für das NHM im nordeuropäischen Raum bietet Muuß (2017).
Nach ihren Einsatzbereichen und dem Grad der Nutzenstiftung systematisiert, kann
softwarebasierte Unterstützung des NHMs in drei Kategorien unterteilt werden:
Datenerhebung & Datenaufbereitung, Controlling & Benchmarking sowie Kommunikation &
Berichterstattung (Johnson & Schaltegger 2015, 11f.). Diese Kategorisierung soll im Weiteren
12 Business Case for Sustainability: Steigerung des Unternehmenswertes, Beitrag zur Rentabilität durch z. B.
Maßnahmen der Kostensenkung oder Umsatzsteigerung bzw. kostengünstiges, risikomanagendes Agieren.
genutzt werden, um sich den Herausforderungen des NHMs aus operativer Perspektive
systematisch zu nähern.
Tabelle 3: Softwarebasierte Unterstützung des NHMs (Johnson & Schaltegger 2015, 10).
4.1.2 Operative Herausforderungen des NHMs

Nachdem die zentralen Herausforderungen des NHMs beleuchtet wurden, sollen nun die
operativen Herausforderungen, differenziert nach den Kernfunktionen Messen, Bewerten und
Kommunizieren, einer näheren Betrachtung unterzogen werden. Im Sinne von „If you can't
measure it, you can't manage it“ (Kaplan & Norton 1996, 21) werden im Folgenden die
Kernfunktionen Messen und Bewerten zusammen betrachtet.
4.1.3 Messen und Bewerten von Nachhaltigkeitsleistungen

Die Messung von Nachhaltigkeitsleistungen findet in den operativen Prozessen der
Leistungserbringung statt. Zusammenhänge von Betrieb und Nachhaltigkeit können nur
verstanden und gemanagt werden, wenn dort gemessen wird, wo humane- und materielle
Ressourcen eingesetzt werden (Sailer 2017, 220).
Die Erfassung nachhaltigkeitsrelevanter Daten kann unterschiedlich schwer und
unterschiedlich aufwändig sein. Aus diesem Grund ist bei der Entscheidung für ein
Messverfahren darauf zu achten, dass die Infrastruktur und die Ressourcen zur Verfügung
stehen, um dieses regelmäßig durchführen zu können. Lassen sich Daten automatisiert
erfassen, so hat dies den Vorteil, dass sie für Reportingzwecke zeitnah verfügbar gemacht
werden können. Durch zeitnahe Informationen werden nachvollziehbare Ursache-
Wirkungszusammenhänge besser erkennbar und Maßnahmen können ebenfalls zeitnah
abgeleitet werden, während sich bei langen zeitlichen Rhythmen im Berichtszeitraum so viele
Veränderungen ergeben können, dass eine eindeutige Wirkungserklärung wesentlich
erschwert wird. Können automatisierte Regelprozesse für standardisierte
Umweltkostenrechnung und Social Accounting implementiert werden, so führt dies zu
schnellen und aufwandsminimalen Ergebnismessungen (Sailer 2017, 229). Jedoch muss
festgestellt werden, „[…] dass Unternehmen die Wirkungen ihrer Tätigkeit auf ökologische
Aspekte nach wie vor häufiger messen als die sozialen Wirkungen.“ (Schaltegger et al. 2012,
47). Hinzu kommt, dass Systeme zur Erfassung und Steuerung ökologischer und sozialer
Aspekte in der Lieferkette in vielen Unternehmen bislang fehlen oder sich erst im Aufbau
befinden und dass sich für dieses Themenfeld bisher noch kaum Standards für die
Berichtslegung etabliert haben (Fünning et al. 2016, 28).
Dass Daten nicht immer vollständig erfasst werden können, kann z. B. bei SAP beobachtet
werden. Dem transparent gestalteten Nachhaltigkeitsbericht ist zu entnehmen, dass dort, wo
Daten unvollständig vorliegen, Hochrechnungen und damit Schätzungen vorgenommen
werden (müssen) (SAP 2018, 279f.):
 Stationäre Verbrennung in Gebäuden = 70% Abdeckung durch Daten
 Stromverbrauch in Bürogebäuden = 63% Abdeckung durch Daten
 Stromverbrauch in Rechenzentren = 87% Abdeckung durch Daten
Man bekennt sich offen gegenüber seinen Stakeholdern dazu, dass „[…] weiterhin an der
Verbesserung unserer Datenqualität […]“ gearbeitet werden muss (SAP 2018, 283). Diese
Selbstverpflichtung zu kontinuierlicher Verbesserung entspricht dem in Kapitel 2.1.1
dargestellten Verständnis von nachhaltiger Entwicklung. Wichtig ist in jedem Fall, dass die
Daten glaubwürdig sind (Seele 2017). Dabei kann beobachtet werden, dass die Art und Weise,
wie die Gesellschaft mit Daten umgeht, einem grundlegenden Wandel unterliegt (IDC 2017b,
23):
 von business-fokussiert zu hyperpersönlich;
 von strukturiert zu unstrukturiert;
 von selektiv zu allgegenwärtig;
 von retrospektiv zu „hier und jetzt“.
Mit der zunehmenden Verteilung von Rechenleistung in die Cloud und in die alltäglichen IoT-
Geräte und –Infrastrukturen, die uns umgeben, können Daten grundlegende Verbesserungen
für Branchen, Unternehmen und Prozesse bewirken. Diese Trends global betrachtet, lassen
die Gesamtmenge aller Daten auf dem Planeten, die „globale Datensphäre“, exponentiell
wachsen (Kap. 6.1.2). Dabei bewegt sich die Geschwindigkeit der Nutzung und Integration
von Daten in Unternehmen zunehmend in Richtung Echtzeit. Daten werden nicht nur genutzt,
um zu informieren, sondern bestimmen auch Aktionen zunehmend autonom (IDC 2017b, 23).
Die umfangreichsten Datenmengen sind mithin wenig hilfreich, wenn in ihnen und durch sie
keine Ursache-Wirkungsbeziehungen erkannt werden können. Ein Ansatz, um die notwendige
Transparenz zu erreichen, könnte die Erweiterung des von Unternehmen angewendeten
Werttreiberbaums sein. Dieser wird vielfach benutzt, um die Stellhebel zur Gestaltung des
Return on Investments (ROI) als ökonomische Spitzenkennzahl zu identifizieren. Würde man
diesen Werttreiberbaum derart anpassen, dass statt des ROI das integrierte
Nachhaltigkeitsziel eines „Sustainable Values“ angestrebt wird, so würden die zahlreichen
Interdependenzen zwischen den drei Dimensionen der Nachhaltigkeit sichtbar, wie die
folgende Abbildung verdeutlicht (Sailer 2017, 220).
Abbildung 6: Treiberbaum für den Sustainable Value (Sailer 2017, 221).
Um die spezifischen Ziele, Produkte und Prozesse zu berücksichtigen, wäre ein solcher
Treiberbaum unternehmensindividuell aufzustellen und zudem um Rückkopplungen zu
ergänzen. So würde beispielsweise die Mitarbeiterzufriedenheit oder das
Mitarbeiterengagement nicht nur auf das Sozialziel wirken, sondern auch auf die Fluktuation.
Diese wiederum beeinflusst die Produktqualität und die Zuverlässigkeit, welche ihrerseits
wiederum einen Einfluss auf den ökonomischen Erfolg haben. Schließlich ergänzen sich die
verschiedenen Wirkungen hin zu einer sich selbst verstärkenden Schleife, wenn der
unternehmerische Erfolg die Zufriedenheit bzw. das Engagement der Mitarbeiter stärkt (Sailer
2017, 221f.).
Derartige Zusammenhänge wurden z. B. von SAP erkannt und ein Modell der
Interdependenzen finanzieller und nicht finanzieller Leistungen sowie eine Ursache-
Wirkungskette für den sogenannten „Betrieblichen Gesundheitskulturindex“ (Business Health
Culture Index – BHCI) entwickelt. Demnach bedeutete 2014 eine 1%ige Veränderung im BHCI
einen Einfluss auf das operative Ergebnis von € 65 bis 75 Millionen (Schmid 2015, 2).
Abbildung 7: Ursache-Wirkungskette nicht finanzielle zu finanzielle Leistung (SAP 2018, 250).
Man kann konstatieren, dass bei diesem Ansatz aus einem linearen Ursache-Wirkungsbaum,
dem ein mechanistisches Verständnis eines Unternehmens zugrunde liegt, ein dynamisches
Ursache-Wirkungsnetz entsteht, das die betrieblichen Zusammenhänge realitätsnäher
abbilden kann. Damit wird ein dynamisiertes Steuerungsmodell geschaffen, anhand dessen
Simulationen zukünftiger Entwicklungen durchgeführt und bedeutsame Faktoren erkannt
werden können. Derartige Modellierungen werden idealerweise softwarebasiert
durchgeführt13, sind in der betrieblichen Praxis aber bis dato wenig verbreitet (Sailer 2017,
222).
Die nachstehende Abbildung soll hierzu abschließend einen Eindruck vermitteln, welche
komplexen Zusammenhänge zu berücksichtigen sind, will man z. B. ein besseres Verständnis
der Nachhaltigkeitsherausforderungen Deutschlands bekommen und dabei auch die Kluft
zwischen Wissen und Handeln bei einzelnen Akteuren begreifen. Dargestellt ist ein
qualitatives Ursache-Wirkungsmodell, welches im Auftrag des Umweltbundesamtes erstellt
wurde. Die Wirkungsbeziehungen in diesem Modell basieren auf Experten- und Stakeholder-
Befragungen sowie einer Literaturrecherche (Neumann 2014).
13 Z. B. mithilfe von „iModeler“ @ www.know-why.net.

Abbildung 8: Ursache-Wirkungsmodell von Nachhaltigkeitsherausforderungen (Neumann 2014).14
Analysiert man vor dem Hintergrund der bisherigen Ausführungen in diesem Kapitel die
Literatur hinsichtlich der besonderen Herausforderungen des NHMs bei der Messung und
Bewertung von nachhaltigkeitsbezogenen Daten sowie die dahinter liegenden Gründe mit der
Motivation, Schlüsselherausforderungen zu identifizieren, so können die Ursachen der Tabelle
entnommen werden.
14 Das Modell ist auch abrufbar @ https://imodeler.info/ro?key=AZ1G5dBFBFpJygUEe_RvcvA. Farben der

Faktoren im Modell: Lila = Ziele, Rot = Hindernisse auf dem Weg zur Nachhaltigkeit, Grün = Maßnahmen, Hebel
für mehr Nachhaltigkeit, Weiss = nicht beeinflussbare, externe Faktoren, Gelb = Ziele, Türkis = Hauptziele,
Dunkelblau = zentrales Ziel, Orange = Makrofaktoren.
Tabelle 4: Herausforderungen bei der Messung und Bewertung von NH-Leistungen.
Herausforderungen bei der Messung und Bewertung

von NH-Leistungen
Quelle Herausforderungen Gründe

Berücksichtigung der Vielfalt an Zielkonflikte bei sozialen, ökologischen und
gesellschaftlichen, kulturellen und ökonomischen Anliegen.
individuellen sozialen Ansprüchen (15).
Erfassung und Bewertung ökonomisch- Schwierige Messbarkeit sozialer Aspekte und
sozialer Zusammenhänge (Sozio-Effizienz) Komplexität bei der Kombination monetärer
Schaltegger et (74). und nicht-quantifizierbarer Größen.
al. 2007 Relativ große Aufwände für die Erfassung Keine oder nur geringe Verfügbarkeit
von Material- und Energieflüssen (140). physikalischer Daten.
Erfassung und Bewertung relevanter Daten Erfordert ein besonders gut funktionierendes
der vor- und nachgelagerten Aspekte der IT-System in der Lieferantenkette sowie eine
Wertschöpfungskette (Sustainable Supply weitgehende Offenlegung betrieblicher
Chain) (169f.). Daten.
Schwierige oder gar fehlende Messbarkeit Für eine nachhaltige Steuerung notwendige
von Nachhaltigkeitsdaten (30). Daten liegen nicht in der Genauigkeit und
Zuverlässigkeit vor wie die Daten aus dem
betrieblichen Rechnungswesen.
Beurteilung nachhaltiger Maßnahmen und Komplexe Beziehungen in nicht linearen
deren Auswirkungen (30f.) Zusammenhängen, kein eindeutiges
nachhaltiges Oberziel.
Soziale Indikatoren lassen sich insgesamt Zwischen Maßnahmen und ihren Wirkungen
(noch) schlechter messen als ökologische bestehen oftmals nur Hypothesen,
Sailer 2017 Indikatoren (192). intransparente und nicht lineare Ursache-
Wirkungsbeziehungen.
Messung und Bewertung der ökonomischen Isolierte Bewertung von Finanzkennzahlen
Nachhaltigkeit, die sich nicht als eine ohne Zusammenhang mit den Interessen der
langfristig ausgerichtete Kennzahl Stakeholder. Kurzfristige Ziele zulasten von
ausdrücken lässt (207). langfristigem Erfolg.
Vielzahl an Messkonzepten für ökologische, Viele verschiedene und teils konfliktäre Ziele
soziale und ökonomische Inhalte ohne und Kennzahlen. Fehlende anerkannte
Berücksichtigung von Interdependenzen Prinzipien für Interdepenzanalyse und
zwischen den Teilaspekten (208). -bewertung.
Geographisch verteilte und nicht Einsatz unterschiedlicher Technologien an
Füser 2018 verknüpfte Reportingsysteme. verschiedenen Standorten; Systeme, die
nicht miteinander verknüpft sind.
Exponentielles Datenwachstum Zunehmende Konnektivität von Menschen,
Leonhard &
strukturierter und unstruktierter Daten Maschinen und cyber-physischen Systemen.
Kospoth 2017
(78).
Gewährleistung einer 100%igen Unvollständige Datenqualität zum
SAP 2018 Datenverfügbarkeit (283). Energieverbrauch in Rechenzentren oder
Wasserverbrauch in Gebäuden.
Zusammengefasst können die Herausforderungen wie folgt formuliert werden:

 Effiziente Messung, Prozessierung und Aufbereitung aller relevanten Daten in
exponentiell zunehmenden und unstrukturierten Datenmengen aus verteilten und
offenen Systemen.
 Effektive Analyse, Verdichtung (Key Performance Indicator - KPIs) und Bewertung bei
intransparenten, nicht linearen Ursache-Wirkungsbeziehungen und intransparenten
Zielkonflikten (ökol. vs. soziale vs. ökon. Subziele).
Nachdem die Herausforderungen des NHMs bei der Messung und Bewertung von
Nachhaltigkeitsleistungen (NH-Leistungen) beleuchtet und Schlüsselherausforderungen
identifiziert wurden, sollen im folgenden Abschnitt die Herausforderungen bei der
Kommunikation analysiert werden.
4.1.4 Kommunizieren von Nachhaltigkeitsleistungen

Die allgemein steigende gesellschaftliche Bedeutung von Nachhaltigkeitsthemen führt dazu,
dass sich auch das Interesse an Unternehmensinformationen verstärkt (IÖW & future e. V
2016, 24). Die Berichterstattung über ihre Nachhaltigkeitsleistungen ist für viele Unternehmen
dabei ein zentrales Instrument, um den gestiegenen Transparenzanforderungen und
Informationsbedürfnissen ihrer Stakeholder aktiv zu entsprechen (IÖW & future e. V 2016, 5).
Sie umfasst die Rechenschaftslegung über ökologische, soziale und ökonomische Aspekte
unternehmerischen Handelns, idealerweise einschließlich seiner Wechselwirkungen. Damit
Vertrauen in das Unternehmen und seine Nachhaltigkeitsleistungen aufgebaut werden kann,
muss die Berichterstattung glaubwürdig sein (Schaltegger et al. 2007, 73; Seele 2017). Dies
kann erreicht werden, wenn das Engagement eines Unternehmens nachvollziehbar und
substanziell zu sozialen und ökologischen Verbesserungen und zum Unternehmenserfolg
beiträgt (Schaltegger & Petersen 2010, 140).
Nach Ahsen et al. (2006) bezieht sich die Berichterstattung auf den Produktionsprozess
jeglicher Art der Nachhaltigkeitsberichterstattung innerhalb einer Organisation sowie auf die
Kommunikationsprozesse mit Stakeholdern über die nicht finanzielle Performance. Die
Nachhaltigkeitsberichterstattung umfasst also prinzipiell mehr als nur einen
Nachhaltigkeitsbericht, nämlich interne Prozesse und externe Kommunikation. Betrachtet man
die internen Wirkungen des Prozesses einer Nachhaltigkeitsberichterstattung15, so stellen
aktuelle Studienergebnisse fest, dass die Erarbeitung von Nachhaltigkeitsberichten auch ein
wirksamer organisationsinterner Ansatz zur effektiven Verbesserung der unternehmerischen
Nachhaltigkeitsleistungen darstellt. So konnte empirisch nachgewiesen werden, dass NH-
Berichterstattung über die Zeit wirken kann und mit einer Verbesserung der Berichterstattung
die CO2-Emissionen im Folgezeitraum und im Durchschnitt signifikant gesenkt werden
konnten (Schaltegger & Qian 2018, 50f.).
Ein Nachhaltigkeitsbericht wird zumeist in gedruckter Form und/oder online im Portable
Document Format über die Website eines Unternehmens verfügbar gemacht. Die rein
internetbasierte Berichterstattung gewinnt vor allem bei den Großunternehmen zunehmend an
Bedeutung (IÖW & future e. V 2016, 29), wobei die auf der Website veröffentlichten
Unternehmensberichte bis dato das wichtigste Mittel der Nachhaltigkeitskommunikation
darstellen (Hetze & Winistörfer 2016). Es werden in aller Regel statische Inhalte präsentiert,
15 Bedeutungszuweisung des Themas durch die Geschäftsführung sowie organisationales Lernen durch
kontinuierliche Auseinandersetzung.
d. h. alle Leser erhalten die gleichen Informationen, unabhängig von ihrem besonderen
Interesse am Unternehmen. Jeder Stakeholder, der auf der Suche nach Informationen ist,
muss daher die Hürden beim Auffinden des Berichtsdokuments sowie beim Auffinden der für
ihn relevanten Informationen innerhalb der umfassenden Informationssammlung überwinden.
In einer Studie zur Wirksamkeit von Nachhaltigkeitskommunikation empfand die Mehrheit der
befragten Stakeholder die von Unternehmen online präsentierten Informationen als verwirrend
(ConeComm 2013). Eine spätere Studie der gleichen Agentur ergab, dass sich Unternehmen
allzu oft auf jährliche Nachhaltigkeitsberichte stützen, um den Fortschritt ihrer Ziele zu
kommunizieren. Um die Effektivität der Nachhaltigkeitskommunikation zu erhöhen, sollten
Unternehmen diese Informationen aber in Formaten präsentieren, die ihre Stakeholder
individuell ansprechen (ConeComm 2015; Alberts 2018).
Nachhaltigkeitsberichte können als ein klassisches Reporting- und Kommunikationsinstrument
betrachtet werden (Pufé 2014a, 214), wobei zu beobachten ist, dass sowohl ihre Anzahl als
auch ihr Umfang deutlich zugenommen haben, während Umfang und Tiefe der
Nachhaltigkeitsinformationen sowie die Berichtsqualität, insbesondere bei der zunehmenden
Zahl integrierter Geschäfts- und Nachhaltigkeitsberichte, abgenommen haben (IÖW & future
e. V 2016, 5).16 Bei den integriert berichtenden Unternehmen spiegelt sich nur selten eine
wirklich integrierte Denkweise der Unternehmen wider, was sich beispielsweise in den
überwiegend schwachen Darstellungen zur organisatorischen und strategischen Verankerung
von Nachhaltigkeit im Unternehmen zeigt (IÖW & future e. V 2016, 12f.). Eine fehlende, in der
Organisation nicht verankerte integrierte Denkweise kann als Indikator dafür gesehen werden,
inwieweit die Unternehmensführung tatsächlich in der Lage ist, die Komplexität einer
enkeltauglichen, unternehmerischen Wertschöpfung zu verstehen und entsprechend in ihren
Entscheidungen zu berücksichtigen (Sailer 2017, 238).
Eine weitere Herausforderung für die Unternehmensführung und damit für das NHM kann in
den gestiegenen Ansprüchen an das Corporate Reporting gesehen werden. So müssen mehr
als die Hälfte der international analysierten Unternehmen (n = 1000) elf oder mehr Reporting-
Standards bzw. Reporting-Systeme beachten, wie aus dem vierten „Global Corporate
Reporting Survey“ von Ernst & Young hervorgeht (UmweltDialog 2018; EY 2017, 7).
Hinsichtlich Nachhaltigkeitsberichterstattung kommt noch einmal eine große Anzahl zu
beachtender Berichtsstandards hinzu.17 Für Unternehmen, die mehrere dieser Standards
erfüllen wollen oder müssen, ist dies mit ressourcenintensiven Aufwänden verbunden (Muuß
2017, 10). So verwundert es nicht, dass die Mehrheit der von Ernst & Young befragten
Unternehmen davon ausgehen, dass die zunehmende Komplexität auf lokaler und
internationaler Ebene zulasten der Effektivität der Berichterstattung gehen wird (UmweltDialog
2018; EY 2017, 3).
Die Mehrheit der deutschen Unternehmen stellt ihre Aktivitäten rund um das Thema
nachhaltige Entwicklung in gesonderten Nachhaltigkeitsberichten dar. Grundsätzlich haben
Unternehmen die freie Wahl, ob sie integriert oder separat berichten wollen, beide Ansätze
16 Mehrzweck- und Multi-Stakeholder-Berichte streben danach, für alle alles zu sein, indem sie ein Bild der
Aktivitäten einer Organisation in groben Zügen zeichnen (Alberts 2018).
17 Z. B. GRI, Deutscher Nachhaltigkeitskodex, Sustainability Accounting Standards Board, Dow Jones Sustainability
Index, Carbon Disclosure Project oder UN Global Compact.

lassen sich mit den deutschen Corporate-Governance-Systemen und den handelsrechtlichen

Vorgaben vereinbaren (PwC 2017b). Dabei entsteht hinsichtlich der Integration ökologischer
und sozialer Aspekte des Unternehmenshandelns in den Geschäftsberichten ein ambivalentes
Bild, da gut die Hälfte der deutschen Großunternehmen zwar eine derartige Strategie verfolgt,
jedoch nur 14 Prozent zukünftig eine vollständige Integration anstreben. Während die
Integrationsbefürworter das erweiterte Informationsbedürfnis der Stakeholder nach nicht
finanziellen Kennzahlen im Vordergrund sehen, kritisieren Integrationsgegner vor allem die
Schwierigkeiten bei der praktischen Umsetzung (unterschiedliche Veröffentlichungszyklen,
Datenverfügbarkeit, strukturelle Rahmenbedingungen) sowie den Umstand, dass finanzmarkt-
bzw. nachhaltigkeitsorientierte Stakeholder unterschiedliche Informationsbedürfnisse hätten,
welche sich nur selten überschneiden dürften, sodass die spezifischen Anforderungen der
jeweiligen Zielgruppe nicht erfüllt werden könnten, wenn man den Umfang des
Berichtsdokuments überschaubar halten wolle (IÖW & future e. V 2016, 20 & 29). Hierbei
besteht grundsätzlich die Gefahr des „Carpet Bombing Syndroms“, womit die
Informationsüberflutung von Lesern mit zunehmend umfangreichen Nachhaltigkeitsberichten
gemeint ist (Herzig & Schaltegger 2006, 309).
Trotz umfangreicher Bereitstellung von Informationen kann beobachtet werden, dass eine
Einordnung, ob jeweils bereits ein gutes Nachhaltigkeitsniveau erreicht wurde, ob das
Unternehmen besser ist als der Wettbewerb, ob das Ergebnis den Vorstellungen der
Stakeholder entspricht oder ob noch umfangreiche Potenziale zur Steigerung der
Nachhaltigkeit bestehen, zumeist unbekannt bleibt. Vielfach finden sich in Berichten
umfangreiche Zahlenwerke zu teils sehr speziellen Indikatoren, welche die Stakeholder
vermutlich nicht alle beurteilen und einordnen können (Sailer 2017, 227f.). Dabei erwecken
Nachhaltigkeitsberichte von weit über 100 Seiten18 den Eindruck, dass ein Unternehmen
umfassend nachhaltig engagiert ist, dabei fällt eine tatsächliche Bewertung des Erfolgs aber
schwer, da der Vergleich von Unternehmen auf der Basis einheitlicher Indikatoren nur
eingeschränkt möglich ist. Wirft man einen genauen Blick auf zu vergleichende Unternehmen,
so zeigt sich, dass Geschäftsfelder und Produkte, Produktionsweisen und die
Wertschöpfungstiefe doch vielfach unterschiedlich sind. Dabei werden Indikatoren auf
verschiedene Arten gemessen und vorliegende Freiräume werden individuell genutzt. Wollte
man einen internationalen Vergleich anstellen, so kämen noch politische, gesellschaftliche und
kulturelle Unterschiede hinzu (Sailer 2017, 227f.).19
„Zur Gewährleistung einer effektiven, stakeholderorientierten [sic!] Kommunikation fordert die
GRI: „When making decisions about the content of its report, the organization is to consider
the reasonable expectations and interests of stakeholders. […] A process of stakeholder
engagement can serve as a tool for understanding the reasonable expectations and interests
of stakeholders, as well as their information needs.” (GRI 2016a). Um diese
Informationsbedürfnisse gezielt zu bedienen, sollten Inhalt, Umfang, Häufigkeit und
18 BMW 2014: 157 Seiten, E.ON 2014: 216 Seiten, BASF 2014: 246 Seiten (Sailer 2017, 228).
19 Hier gibt es Bemühungen zwischen dem Global Compact und der GRI, eine umfassende Offenlegung von SDG-
Indikatoren in die Berichtsformate der Unternehmen einzubringen und konsolidierte Wirtschaftskennzahlen zu
entwickeln, die als SDG-Indikatoren eindeutig die nachhaltigen Entwicklungsziele der UN unterstützen (DGCN
2017, 116).
Kommunikationsform zunächst während der Wesentlichkeitsanalyse für jede Stakeholder-

Gruppe verstanden werden, um deren Informationsbedürfnissen exakt entsprechen zu können
(Sailer 2017, 231). Denn es kann Folgendes beobachtet werden: „Global citizens […] seek
content that is personally relevant – balancing data with stories of impact – in channels that
are easily accessible and customized per audience (ConeComm 2015, 28).
Dabei haben Hetze & Winistörfer (2016) festgestellt, dass DAX-Unternehmen nur wenige
Optionen für einen Stakeholder-Dialog und -feedback anbieten. Als Stakeholder-Dialog wird
nach Walker (2013) die Gesamtheit der Kommunikationsmittel zwischen einem Unternehmen
und seinen Stakeholdern verstanden, die entsprechend den jeweiligen kommunikativen
Bedürfnissen der Stakeholder eingesetzt werden. Es scheint daher empfehlenswert, bei der
Nachhaltigkeitsberichterstattung nicht nur die Nachhaltigkeitsleistung des Unternehmens zu
kommunizieren, sondern auch einen Rückkanal für eine Zwei-Wege-Kommunikation zu
eröffnen (Hetze & Winistörfer 2016). Dadurch kann der Prozess der Kommunikation zugleich
auch in das Unternehmen zurückwirken (Schaltegger et al. 2007, 43), sodass dieser z. B. als
Frühwarnsystem für gesellschaftliche Trends dienen könnte. Ferner kanalisiert eine
bidirektionale Kommunikation den Druck, der durch die Rechenschaftspflicht entsteht, und
kann dazu beitragen, gesellschaftlich akzeptierte Lösungen und Innovationen zu entwickeln,
die den Geschäftserfolg eines Unternehmens beeinflussen können (Altenburger 2016, V;
akzente & I4S 2010).
Aus einer aufwandsorientierten Perspektive heraus kann beobachtet werden, dass erhebliche
Mengen an Ressourcen und Energie für die Entwicklung hoch verdichteter Berichtsdokumente
eingesetzt, diese dann aber nur selten gelesen werden (Lenzen 2017; Alberts 2018). Hinzu
kommt, dass im Nachhaltigkeitsreporting hinter den Kulissen noch viel Handarbeit zu stecken
scheint. Ursachen dafür können eine Vielzahl manueller Prozesse, unterschiedlichste
Datenquellen und fehlende Schnittstellen sein, die das Nachhaltigkeitsreporting vielfach
personalintensiv, langwierig und fehleranfällig machen. Hinzu kommt, dass Kunden,
Geschäftspartner, Non Government Organisationen (NGO), die interessierte Öffentlichkeit und
zunehmend auch der Finanzmarkt immer stärker nach belegbaren Informationen verlangen,
die auf ihre individuellen Bedürfnisse zugeschnitten sind. Um diese Erwartungen effizient und
effektiv erfüllen zu können, benötigen Unternehmen standardisierte Prozesse und eine
geeignete IT-Unterstützung mit Schnittstellen zu relevanten internen und externen Systemen,
um eine Mehrfacherfassung und Konsolidierungsfehler von Daten zu vermeiden. Jedoch
verlassen sich Unternehmen noch vielfach bei der Steuerung, Überwachung und
Berichterstattung von Nachhaltigkeitsleistungen auf individuelle Abfragen, selbst entwickelte
Tabellenblätter und diverse Insellösungen (Prengel 2017).
Hinzu kommt, dass in Konzernen mit Tochtergesellschaften in verschiedenen Ländern nicht
selten unterschiedliche Technologien zum Einsatz kommen und die Systeme dabei nicht
miteinander verknüpft sind, sondern parallel laufen und damit eine schnelle (Echtzeit-)
Auswertung von Daten erschweren. Dabei ist zeitgemäßes Reporting ein zentrales
Steuerungsinstrument für die tägliche Arbeit von Unternehmen, das konsolidierte und aktuelle
Informationen als Entscheidungsgrundlage für das Management bereitstellen sollte.
Innovative Technologien wie KI können dabei als ein Schlüssel gesehen werden, um das
Reporting zukunftsorientiert auszurichten (UmweltDialog 2018).
Grundsätzlich können vier mögliche Wege des Informationsaustausches zwischen
Unternehmen und Stakeholdern benannt werden, die jeweils hinsichtlich einer bidirektionalen
Kommunikation und Dialog (Feedback) gestaltet werden sollten:Unternehmen zu Stakeholder
(unidirektional und klassisch über einen Nachhaltigkeitsbericht), Stakeholder zu Stakeholder
(Austausch zwischen den Stakeholdern über die Inhalte der Berichterstattung), Stakeholder
zu Unternehmen (bidirektionaler Austausch ermöglicht direkten Kontakt mit und Feedback von
Stakeholdern) und Unternehmen zu Unternehmen (Austausch zwischen verschiedenen
Unternehmen ermöglicht Bewertung der Zusammenarbeit innerhalb einer Lieferkette) (Süpke
et al. 2009, 237f.). Die nachstehende Abbildung verdeutlicht die dargestellten
Kommunikationswege.
Abbildung 9: Kommunikationswege der Nachhaltigkeitsberichterstattung (Süpke et al. 2009, 238).
Durch den allgegenwärtigen Zugriff auf vernetzte mobile Geräte sind Daten heute leichter
zugänglich und können leichter erfasst, überprüft, und analysiert werden. Durch die große
Reichweite der Technik im Alltag erwarten Stakeholder nun, einen schnellen und komfortablen
Zugang zu Informationen, zu jederzeit. Sie erwarten, dass Informationen regelmäßig
aktualisiert und hinsichtlich ihrer Konsistenz und Gültigkeit leicht nachprüfbar sind. Eine solche
permanente öffentliche Kontrolle erfordert, dass Unternehmen jederzeit kohärente und
verlässliche Nachhaltigkeitsinformationen vorlegen können (Amesheva 2017). Nach einer
Trendstudie der Global Reporting Initiative (GRI) „Sustainability and Reporting Trends in 2025"
wird eine nahezu Echtzeit-Interaktion zukünftig zu einer stärkeren Einbindung der Stakeholder
in die Nachhaltigkeitsmechanismen der Unternehmen führen (GRI 2016b). Ferner wird es
neue Formate geben, durch die Unternehmen von der Publikation eines Jahresberichtes zu
einem regelmäßigen Nachhaltigkeitsdatenaustausch übergehen werden20. Dies deutet auf das
Ende der jährlichen Nachhaltigkeitsberichte hin, welche zum Zeitpunkt ihrer Veröffentlichung
in der Regel bereits drei Monate oder älter sind (Amesheva 2017).
Analysiert man vor dem Hintergrund der Ausführungen in diesem Kapitel die Literatur
hinsichtlich der besonderen Herausforderungen des NHMs bei der Kommunikation von
20 Dazu der „Chief Advisor on Innovation in Reporting“ Nelmara Arbex: “The Next Era of Corporate Disclosure lays
out the first steps that are needed in order to liberate sustainability data from reports so that it can be used to
inform decisions across businesses and entire economies. This is essential if we want to make the UN
Sustainable Development Goals and COP 21 agreements a reality.” (GRI 2016b).
Nachhaltigkeitsleistungen sowie die dahinter liegenden Gründe, so können die folgenden, in

der Tabelle dargestellten aufgeführt werden.
Tabelle 5: Herausforderungen bei der Kommunikation von Nachhaltigkeitsleistungen.
Herausforderungen bei der Kommunikation

von NH-Leistungen
Quelle Herausforderungen Gründe

Berücksichtigung der relevanten Geringe Kenntnisse über
Schaltegger et Anspruchsgruppen und ihrer Informationsbedarfe der verschiedenen
al. 2007 individuellen Informationsbedürfnisse Anspruchsgruppen und unklare
(75). Zielgruppenausrichtung.
Hetze & Gewährleistung eines Feedback-Kanals Technologische Abbildung, Aufnahme,
Winistörfer zur Realisierung einer Zwei-Wege- Analyse und Verarbeitung einer Vielzahl
2016 Kommunikation. von Stakeholder-Feedbacks.
Individualisierte, interaktive und Weltbürger erwarten
rückkoppelnde Stakeholder-Interaktion Nachhaltigkeitsinhalte, die individuell
ConeComm
(28). relevant sind, über Kanäle, die einfach
2015
zugreifbar und individuell auf das
Publikum angepasst sind.
Veränderte Kommunikations- Zunehmende Kritik von Stakeholdern an
erwartungen und verstärkte der Intransparenz von
IÖW & future
Informationsbedürfnisse der unternehmerischen Aktivitäten
e. V 2016
Stakeholder zu Verantwortung und allgemein und in der globalen
Risiken in der Lieferkette (23). Lieferkette im Besonderen.
Vermeidung umfangreicher und Problematische Urteilsbildung, wenn
komplexer Darstellungen zu teils sehr z. B. Mitarbeiter für die Fahrt zur Arbeit
speziellen Indikatoren, die der Leser im Durchschnitt pro Tag 4,5 kg CO2
Sailer 2017 zumeist nicht beurteilen und einordnen verursachen und das Unternehmen x-
kann (228). tausend Tonnen gefährlichen Abfall
verwertet und y-tausend Tonnen
beseitigt.
Fortlaufende Bereitstellung aktueller, Art und Weise, wie Unternehmen mit
kohärenter und verlässlicher der Gesellschaft hinsichtlich ihrer
GRI 2016b Nachhaltigkeitsinformationen sowie Leistungen interagieren, wird sich
(beinahe) echtzeitige Stakeholder- grundlegend verändern.
Interaktion.
Zielgruppengenaue Gestaltung der Veröffentlichung eines einzelnen
Nachhaltigkeitskommunikation. Gesamtnachhaltigkeitsberichtes nicht
mehr ausreichend, unerheblich, ob in
Lenzen 2017 gedruckter Form oder online. Implizite
Annahme, dass Stakeholder das für sie
Relevante selbst herausfiltern und
erarbeiten.
Zusammengefasst kann man konstatieren, dass die Schlüsselherausforderungen des NHMs

bei der Vermittlung von NH-Leistungen in der effektiven Kommunikation komplexer
Zusammenhänge zielgruppengenau, individuell relevant, zeitnah, interaktiv und rückkoppelnd
zu verorten sind.
Der Übersicht halber und Kapitel 4.1 damit abschließend, stellt nachfolgende Tabelle die
identifizierten und verdichteten Herausforderungen des NHMs in den Kernfunktionen des
Messens, Bewertens und Kommunizierens dar.
Tabelle 6: Konsolidierte Herausforderungen des NHMs.
NHM-Herausforderungen – Konsolidiert
Messen Bewerten Kommunizieren
Effiziente Messung, Prozessierung ... deren effektive Analyse, … sowie effektive
und Aufbereitung aller relevanten Verdichtung (KPIs) und Bewertung bei Kommunikation komplexer
Daten in exponentiell intransparenten, nicht linearen Zusammenhänge,
zunehmenden und Ursache-Wirkungsbeziehungen und zielgruppengenau, individuell
unstrukturierten Datenmengen intransparenten Zielkonflikten (ökol. relevant, zeitnah, interaktiv und
aus verteilten und offenen vs. soziale vs. ökon. Subziele)… rückkoppelnd.
Systemen…
4.2 Anwendungspotenziale der KI

Als Teil einer Welle der Automatisierung können breite und schnelle Einführungen von KI-
Technologien beobachtet werden, welche die Industrien in allen Sektoren verändern. Dies wird
weitreichende Auswirkungen auf die Weltwirtschaft, Länder und Organisationen haben und
sich beschleunigen, wenn parallele Technologien wie das IoT weitere Möglichkeiten eröffnen
(UNGC 2017a, 1). Jedoch bergen die erwarteten Effizienzsteigerungen durch Automatisierung
auch die Gefahr, dass man zu schnell zu viel automatisiert21. Dies wurde am Beispiel von Tesla
erst kürzlich deutlich. Nachdem Elon Musk eingeräumt hatte, dass es bei der Produktion des
Modells 3 ein Fehler gewesen sei, auf „exzessive Automatisierung“ zu setzen, musste die
Produktion zunächst für mehrere Tage eingestellt werden, um die (automatisierten) Probleme
lösen zu können (Musk 2018).
4.2.1 Allgemeine Anwendungspotenziale

KI hat das Potenzial, Probleme zu lösen, welche Menschen und IT-Systeme bisher nicht lösen
konnten. Die Fähigkeit von KI, neue Einsichten zu schaffen und zu lernen, birgt ein enormes
Potenzial, um die Funktionsweise von Organisationen zu verändern und ihre Agilität sowie
Adaptivität zu erhöhen. Ferner kann KI auch menschliche Fähigkeiten spezifisch erweitern,
z. B. durch die Analyse einer breiten und tiefgehenden Forschungsliteratur, durch die z. B.
Medizinern oder Juristen Informationen zugänglich gemacht werden, von denen sie bisher
nicht hätten hoffen können, diese jemals zu lesen oder zu analysieren (UNGC 2017a, 5).
Soweit nicht anders angegeben, basieren die folgenden Ausführungen im Wesentlichen auf
IBM (2016c). Seit Jahrzehnten werden Informationen wie z. B. die Geschichte der Weltliteratur
oder alle medizinischen Fachzeitschriften digitalisiert und aufbewahrt. Es werden die
21 „Paradoxie starker Automation“. Eine in den 1980er Jahren durchgeführte Analyse der Konsequenzen
weitreichender Automation förderte Erstaunliches zutage: 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, 119).
Bewegungen von Autos, Zügen, Flugzeugen und Mobiltelefonen sowie in den sozialen Medien
ausgedrückte Stimmungen von Milliarden Menschen verfolgt und aufgezeichnet22. IBM
erwartet, dass in diesem weiter- und schnell wachsenden digitalen Informationsmaterial die
Geheimnisse der Krebsbekämpfung, der Umkehrung des Klimawandels oder der Bewältigung
der Komplexität der Globalisierung liegen könnten. Damit könnten viele der Ambiguitäten und
Ineffizienzen der kritischen Systeme, die das Leben auf diesem Planeten ermöglichen,
beseitigt werden. KI-Systeme könnten dabei die Werkzeuge sein, die uns helfen, diese
ehrgeizigen Ziele zu erreichen, so IBM weiter optimistisch.
Des Weiteren zahlt unsere Gesellschaft als Ganzes einen hohen Preis dafür, dass sie nicht
weiß, wie sie unsere besten Einsichten nutzen kann, wenn, wann und wo es darauf ankommt.
Dies geschieht, weil wir nicht die Kapazitäten haben, alle Informationen aufzunehmen, die für
die Lösungen unserer größten Probleme relevant sind. Dabei können KI-Systeme auf eine
wachsende Zahl von Problemen angewandt werden, die dem Gemeinwohl dienen und der
Gesellschaft zugutekommen. Als Beispiele hierfür können die folgenden genannt werden:
 Gesundheitswesen: Ein speziell für die Krebsbehandlung optimiertes KI-Tool nimmt
die elektronische Krankengeschichte der Patienten auf, zieht relevante klinische
Informationen für den unmittelbaren Fall heran, führt Kohortenanalysen durch, um die
Mikrosegmentierung anderer ähnlicher Patienten zu finden und wertet den derzeit
akzeptierten Standard der Behandlungspraktiken aus, um die verfügbaren
Behandlungsmöglichkeiten zu prüfen, geordnet nach Relevanz, Risiko und Präferenz.
Das Ergebnis: Unterstützung der Mediziner bei der Entscheidung über die besten,
evidenzbasierten Behandlungen für ihre Krebspatienten.
 Transport: KI-Systeme sind auf dem besten Weg, selbst fahrende Fahrzeuge zu
ermöglichen. Sie versprechen eine signifikante Verringerung der Verkehrsunfälle
sowie der Verkehrsüberlastung und damit der Umweltverschmutzung.
 Bildung: Verwendung von KI in einem Spielzeugdinosaurier namens CogniToy, um
mit Kindern zu interagieren, ihre Fragen zu beantworten, ihnen Rätsel und Geschichten
zu erzählen und grundlegende pädagogische Übungen durchzuführen, zugeschnitten
auf die spezifische Lerngeschwindigkeit und -stärke des Kindes.
Sollte die skalierbare Kraft der KI richtig genutzt werden, so könnte sie möglicherweise einer
der mächtigsten Beschleuniger zur Erreichung der 17 UN Sustainable Development Goals
(SDGs) sein. Wie in der nachfolgenden Abbildung visualisiert, existieren hierzu bereits
entsprechende Use Cases (Ibaraki 2017).
22 WhatsApp ist in 109 Ländern die führende Messeging-App und der Facebook Messenger in 49 Ländern. Da
beide zu Facebook gehören, bedeutet dies, dass in 158 von 187 untersuchten Ländern weltweit, Facebook der
Plattformanbieter der digitalen Kommunikation via Messenger ist. Das sind beinahe 85 Prozent des weltweiten
Messaging (Böttcher 2016).
Abbildung 10: KI zur Realisierung der SDGs (ITU 2017, 3).
Obwohl die SDGs nicht rechtsverbindlich sind, wird von den Regierungen erwartet, dass sie
die Verantwortung übernehmen und nationale Rahmenbedingungen für die Erreichung der 17
Ziele schaffen. Die Länder tragen die Hauptverantwortung für die Weiterverfolgung und
Überprüfung der Fortschritte bei der Umsetzung der Ziele, die eine qualitativ hochwertige,
zugängliche und zeitnahe Datenerhebung erfordern (Osburg & Lohrmann 2017).
Viele weitere Beispiele des Einsatzes von KI zur Steigerung des Gemeinwohls können
beobachtet werden, z. B. blinde Menschen, die dank KI wieder die Emotionen ihrer
Mitmenschen erkennen und das Geschehen in ihrem Umfeld wahrnehmen können (Bitkom &
DFKI 2017, 86) oder taubstumme Menschen, welche die Chance erhalten, ihren Aktionsraum
deutlich zu erweitern, durch die Integration von Übersetzungsdiensten mit einem
Gebärdensprachen-Avatar (Bitkom & DFKI 2017, 52). Weitere Beispiele und
Anwendungsszenarien finden sich z. B. bei dem „Project Breakthrough“, entstanden in
Kooperation zwischen dem UN Global Compact, Volans, PA Consulting, der DO School und
der Singularity University (UNGC 2017a), oder bei der Kooperation „Uniting to delivery
technology for the global goals“ (UNGC 2017b).
Nach dieser Betrachtung allgemeiner KI-Einsatzpotenziale aus einer Gemeinwohlperspektive
soll die weitere Analyse im Hinblick auf die Identifikation von Anwendungspotenzialen im
betrieblichen Kontext fokussiert werden.
4.2.2 Anwendungspotenziale im betrieblichen Umfeld

Das Spektrum an Einsatzmöglichkeiten der KI im wirtschaftlichen Kontext ist sehr vielfältig und
umfasst nahezu alle Branchen, Unternehmenstypen und -bereiche. Dabei ist zu beobachten,
dass der Einsatz von KI-Technologien in einigen Unternehmensbereichen noch wesentlich
stärker ausgeprägt ist als in anderen, was u. a. mit dem Vorhandensein von Kompetenzen und
dadurch zügig realisierbaren und nutzenstiftenden Use Cases zusammenhängen dürfte
(Böttcher et al. 2017, 37-38). Die nachfolgende Abbildung zeigt den Einsatz von KI-
Technologien in unterschiedlichen Unternehmensbereichen bei einer Grundgesamtheit in der
Analyse von n = 197 Unternehmen.
Abbildung 11: Einsatz von KI-Technologien nach Unternehmensbereichen (Böttcher et al. 2017, 38).
Es gibt Anwendungsbereiche, in denen der Einsatz von KI-Technologien besonders

vielversprechend erscheint, darunter die Situationserkennung, die
Entscheidungsunterstützung, die Entwicklung von Vorhersagen und die menschliche
Interaktion (Bitkom & DFKI 2017, 14). Wenn KI-Technologien effektiv in Workflows integriert
werden, können sie direkt beeinflussen, wie Organisationen Aufgaben erledigen,
Entscheidungen treffen und ansprechende Interaktionen mit Stakeholdern gestalten und
dadurch bessere Geschäftsergebnisse erzielen (Davenport et al. 2017, 2). Hierzu folgen einige
Beispiele (Davenport et al. 2017, 7-8):
 Wertschöpfung „intelligenter" machen zur Verbesserung der Fähigkeiten, Funktionen
und/oder Leistung von Produkten und Dienstleistungen, die mehr als nur schrittweise
Verbesserungen bedeuten.
 Mitarbeiter dabei unterstützen, ihr Urteilsvermögen zu erhöhen, indem strukturierte und

unstrukturierte Daten durchsucht und Entwicklungen sowie Ergebnisse prognostiziert
werden, sodass diese bessere Entscheidungen treffen können.
 Verbesserung von Geschäftsabläufen und Wirtschaftlichkeit durch Optimierung von
z. B. Lieferketten oder die Verringerung des Stromverbrauchs in Rechenzentren.
Wo dies nicht durch andere Quellennachweise angegeben ist, basieren die folgenden
Ausführungen bis Kap. 4.2.5 im Wesentlichen auf Davenport & Rananki (2018). Eine Umfrage
unter 250 Führungskräften, die mit dem Einsatz kognitiver Technologien in ihren Unternehmen
vertraut sind, und eine Analyse von 152 realisierten KI-Projekten zeigen, dass Unternehmen
erfolgreicher sind, wenn sie bei der Entwicklung und Implementierung von KI zunächst einen
inkrementellen anstelle eines transformationellen Ansatzes verfolgen und sich darauf
konzentrieren, die menschlichen Fähigkeiten zu erweitern anstatt sie zu ersetzen. Basierend
auf den Untersuchungen der thematischen Projektschwerpunkte, kann man die betrieblichen
Anwendungsbereiche von KI in drei Kategorien einteilen, die in den folgenden Kapiteln näher
erläutert werden:
 Automatisierung von Aufgaben und Geschäftsprozessen (in 71 Projekten),
 Gewinnung von Einblicken durch Datenanalyse (in 57 Projekten),
 Interaktion mit Stakeholdern (in 24 Projekten).
4.2.3 Automatisierung von Geschäftsprozessen (kognitive Automation)

Von den 152 untersuchten Projekten war die Automatisierung wiederkehrender und
regelbasierter Aufgaben unter Verwendung von RPA der am häufigsten verfolgte
Anwendungsbereich. RPA ist fortschrittlicher als frühere Werkzeuge zur Automatisierung von
Geschäftsprozessen, da die Software-Roboter (d. h. der Programmiercode) wie ein Mensch
mit Tastatur und Maus agieren, der Informationen in mehrere IT-Systeme eingibt und/oder aus
diesen benutzt. RPA ist die günstigste und am einfachsten zu implementierende kognitive
Technologie und bringt in der Regel einen schnellen und hohen Return on Investment. Es ist
auch die am wenigsten „intelligente“ Technologie in dem Sinne, dass diese Anwendungen
bisher nicht darauf programmiert waren, zu lernen und sich selbständig zu verbessern
(Davenport et al. 2017, 23).
Als eine der reiferen Technologien wird RPA zunehmend mit anderen KI-Technologien wie
dem maschinellen Lernen und konversationsbasierten Schnittstellen kombiniert (Kap. 2.2.2),
um wahrnehmbare- und urteilsbasierte Aufgaben zu automatisieren, welche einst dem
Menschen vorbehalten waren. Damit sind solche Systeme in der Lage, Eingabedaten zu
erfassen, zu verstehen und in die passende Weiterverarbeitung zu leiten (Bitkom 2014, 34),
womit die Automatisierung auf neue Bereiche ausgeweitet werden kann und wodurch sich
wesentlich verändert, wie und von wem Aufgaben in einer Organisation ausgeführt werden
(Davenport et al. 2017, 20). RPA ist besonders gut geeignet, um über mehrere Backend-
Systeme hinweg mit großer Präzision und Geschwindigkeit zu arbeiten. Dabei kann die
Technologie auf getrennte Systeme zugreifen, den Inhalt sichten und sowohl strukturierte als
auch unstrukturierte Daten in ein standardisiertes Format übertragen (EY 2017, 10).
Kernpotenziale: Automatisierung und Erfassung wiederkehrender Aufgaben zur Erfassung
und Bearbeitung von Daten über verteilte Systeme hinweg mit hoher Geschwindigkeit und
Präzision.
4.2.4 Gewinnung von Einblicken durch Datenanalyse (kognitive Einsichten)

Der zweithäufigste Anwendungsbereich in der Studie verwendete Algorithmen des
maschinellen Lernens, um Muster und Ursache-Wirkungsbeziehungen in großen
Datenmengen zu erkennen, ihre Bedeutung zu interpretieren und Prognosen sowie detaillierte
Modelle zu generieren.
Kognitive Einsichten aus dem maschinellen Lernen unterscheiden sich von denen der
traditionellen Analytik in dreifacher Hinsicht: Sie sind in der Regel sehr viel datenintensiver und
detaillierter, die Modelle werden typischerweise an einem Teil des Datensatzes trainiert und
die Modelle werden besser – d. h., ihre Fähigkeit, neue Daten für Vorhersagen zu nutzen oder
Dinge in Kategorien einzuordnen, verbessert sich mit der Zeit. Versionen des Machine
Learning (insbesondere Deep Learnings) können Leistungen erbringen wie das Erkennen von
Bildern und Sprache. Machine Learning kann auch neue Daten für eine bessere Analytik
bereitstellen und dabei intelligente Erkenntnisse generieren, die zu besseren Entscheidungen
und Ergebnissen führen.
Während die Tätigkeit der Datenpflege in der Vergangenheit sehr arbeitsintensiv war, kann
Machine Learning nun probabilistische Übereinstimmungen identifizieren – Daten, die
wahrscheinlich mit derselben Bezugsgröße in Verbindung gebracht werden, die aber in leicht
unterschiedlichen Formaten vorliegen –, und zwar datenbankübergreifend. Anwendungen für
kognitive Einsichten werden typischerweise eingesetzt, um die Leistung von Tätigkeiten zu
verbessern, die nur Maschinen ausführen können, wie z. B. Hochgeschwindigkeits-
datenverarbeitung und -automatisierung.
Bezüglich ihres Reifegrades ergibt sich ein gemischtes Bild. Zum einen ergab eine Studie,
dass Machine-Learning-Technologien in vielen Unternehmensbereichen bereits eingesetzt
werden und bald einen Reifegrad erreicht haben dürften, der vermutlich dazu führen wird, dass
sie in den nächsten zwei Jahren zum IT-Mainstream zählen werden (Böttcher et al. 2017, 73).
Ferner ist die Technologie, angewendet auf einen spezifischen Bereich, schon so weit
entwickelt, dass sie z. B. das komplexeste Strategiebrettspiel der Welt, „Go“, besser
beherrscht als menschliche Experten (DeepMind 2018; Silver et al. 2017).23 Und zum anderen
mangelt es der Technologie noch an Reife hinsichtlich ihrer Erklärungsfähigkeit sowie
Übertragbarkeit auf andere Anwendungsbereiche (Kap. 5.1.2).
23 Go wurde weithin als gewaltige Herausforderung für KI angesehen, da das Spiel einen präzisen und ausgefeilten
Vorausblick in großen Suchräumen erfordert. AlphaGo bewertete Positionen und ausgewählte Bewegungen mit
Hilfe von tiefen neuronalen Netzen. Diese neuronalen Netzwerke wurden durch überwachtes Lernen von
menschlichen Expertenbewegungen und durch Verstärkung durch Selbstspiel trainiert (Silver et al. 2017, 354).
Kernpotenziale: Muster und Ursache-Wirkungszusammenhänge in großen nicht linearen

Datenmengen erkennen, ihre Bedeutung interpretieren sowie Prognostizierung zukünftiger
Entwicklungen.
4.2.5 Interaktion mit Stakeholdern (kognitiver Dialog)

Der dritthäufigste und damit geringste Anwendungsbereich in der Studie war der Einsatz von
Conversational Interfaces (Chatbots, intelligente Agenten) in Kombination mit maschinellem
Lernen, um damit Mitarbeiter und Kunden anzusprechen. Lösungsansätze in diesem Bereich
sind z. B. intelligente Agenten, die rund um die Uhr einen interaktiven Kundendienst in der
natürlichen Sprache des Kunden anbieten, oder Empfehlungssysteme, die maßgeschneiderte
Lösungen erstellen, frühere Vorgänge berücksichtigen und die Personalisierung steigern. Die
Interaktionen und Erfahrungen mit Stakeholdern können damit erweitert, beschleunigt und
verbessert werden (Davenport et al. 2017, 20).
Die Unternehmen in der Studie tendierten dazu, kognitive Dialogtechnologien eher für die
Interaktion mit Mitarbeitern als für die Interaktion mit Kunden zu nutzen. Das kann sich ändern,
wenn Organisationen überzeugt von der technologischen Reife sind, um tatsächlich
Kundeninteraktionen auf Maschinen zu übertragen. Unternehmen tendieren hier derzeit noch
zu einem konservativen Ansatz, vor allem wegen der technologischen (noch) Unreife24.
Facebook z. B. fand heraus, dass seine Messenger-Chatbots 70% der Kundenanfragen nicht
ohne menschliches Zutun beantworten konnten. Daher beschränken Facebook und einige
andere Firmen die Bot-basierten Anwendungen vorerst auf bestimmte Themenbereiche oder
Konversationsarten.
Kernpotenziale: Erweiterung und Beschleunigung der Kommunikation mit Stakeholdern,
personalisiert, interaktiv und jederzeit.
Die Erkenntnisse der eingangs erwähnten Führungskräftebefragung zusammengefasst,
können viele Unternehmen von der Einführung dieser Technologien profitieren, vor allem in
drei praktischen Bereichen (Davenport et al. 2017, 20):
 Aufgaben: Ändern der Art und Weise, wie Aufgaben von der Organisation ausgeführt
werden und ändern der Art und Weise, wer sie ausführt.
 Entscheidungen: Generierung intelligenterer Erkenntnisse, die zu besseren
Ergebnissen führen.
 Interaktionen: Erweiterung, Beschleunigung und Verbesserung der Interaktionen und
Erfahrungen mit Stakeholdern.
In folgender Tabelle werden die identifizierten und konsolidierten Potenziale der einzelnen
Anwendungsbereiche zusammengefasst.
24 Beachte Hinweis auf eine hochaktuelle und bedeutende Entwicklung in Kap. 6.1.1 („Google Duplex“).
Tabelle 7: Konsolidierte KI-Potenziale im betrieblichen Umfeld.
KI-Potenziale – Konsolidiert
Kognitive Automation Kognitive Einsichten Kognitiver Dialog

Automatisierung wiederkehrender Muster und Ursache- Erweiterung und Beschleunigung
Aufgaben zur Erfassung und Wirkungszusammenhänge in der Kommunikation mit
Bearbeitung von Daten über großen nicht linearen Stakeholdern, personalisiert,
verteilte Systeme hinweg mit Datenmengen erkennen, interaktiv und jederzeit.
hoher Geschwindigkeit und Interpretation ihrer Bedeutung
Präzision. und Prognostizierung zukünftiger
Entwicklungen.
Die Betrachtung der aktuellen Anwendungen von KI-Technologien im betrieblichen Umfeld

lässt vermuten, dass es eine Vielzahl potenziell nutzenstiftender Anwendungsszenarien
innerhalb der definierten Anwendungsbereiche gibt, die je nach Unternehmensbereich
unterschiedlich stark ausgeprägt sein dürften. Dabei kann beobachtet werden, dass
Unternehmen bei zunehmender Vertrautheit in der Anwendung von KI-Werkzeugen mit
Projekten experimentieren, die Elemente aus allen drei Kategorien kombinieren, um die
Vorteile der KI optimal zu nutzen (Davenport & Ronanki 2018).
Als Beispiele für die kombinierte Anwendung von Elementen aus den zuvor genannten
Kategorien sollen die folgenden zwei Lösungen vorgestellt werden, die jeweils den Ansatz
verfolgen, Informationen welche von Unternehmen im Rahmen ihrer
Nachhaltigkeitsberichterstattung bereit gestellt werden, um eine Betrachtung und Bewertung
der Nachhaltigkeitsleistungen von Außen zu ergänzen.
Insight360 von TruValueLabs: Messung von ESG-Leistungen (Environmental Social
Governance), gebunden an die vom Sustainability Accounting Standards Board entwickelten
Maßnahmen für die externe Bewertung von Unternehmen. Bei dieser Lösung werden KI-
Technologien genutzt, um jeden Monat Millionen von Datenpunkten zu durchsuchen und
daraufhin einen robusten und zeitnahen Satz von Daten und Analysen zu immateriellen
Faktoren bereit zu stellen, welche einen wesentlichen Einfluss auf die Unternehmens- und
Branchenleistung haben. Die Ergebnisse werden in einem Dashboard dargestellt, das
interaktiv bedient werden kann (TruValue Labs 2018).
S-Ray von Arabesque: Messung und Bewertung der Nachhaltigkeitsleistungen von weltweit
börsennotierten Unternehmen nach den normativen Prinzipien des UN Global Compact sowie
eine branchenspezifische Bewertung nach finanziell wesentlichen Nachhaltigkeitskriterien. Bei
dieser Lösung werden selbstlernende Quantenmodelle (Maschinelles Lernen) und große
Datenmengen kombiniert eingesetzt, und dabei systematisch über 200 ESG-Metriken mit
Nachrichtensignalen aus über 50.000 Quellen in 15 Sprachen kombiniert25, um damit die
zusätzliche finanzielle Leistung von Unternehmen zu bewerten und ihren Wert für die
25 Ein weiterer Anbieter benennt die genutzten Quellen etwas genauer. Dieser verwendet Daten aus
Unternehmensberichten, von Nachrichtenagenturen und Regulierungsbehörden sowie aus sozialen Medien
(Datamaran 2018).
Gesellschaft (Value to Society) besser zu verstehen. S-Ray kann dabei auf drei Arten genutzt
werden (Arabesque 2018):
 GC Score (0-100) - Eine normative Bewertung jedes Unternehmens auf Basis der
Kernprinzipien des UN Global Compact.
 ESG Score (0-100) - Eine branchenspezifische Analyse der Leistung jedes
Unternehmens in Bezug auf finanziell wichtige Umwelt-, Sozial- und Governance-
Themen.
 Präferenzen Filter - Ein Suchinstrument, mit dem man die geschäftlichen Engagements
von Unternehmen mit seinen persönlichen Werten vergleichen kann.
Die nachstehende Abbildung zeigt beispielhaft die Bewertung der SAP (vor 3 Monaten)26 und
ihre Position im Vergleich mit allen bewerteten deutschen Unternehmen.
Abbildung 12: Beispiel für die kombinierte Anwendung von KI-Technologien (Arabesque 2018).
26 Einschränkung in der frei zugänglichen Webversion.

42 POTENZIALE DER KI ALS W ERKZEUG DES NHMS
5 POTENZIALE DER KI ALS WERKZEUG DES NHMS
Nachdem in Kap. 4 operative Herausforderungen des NHMs und Anwendungspotenziale der

KI identifiziert und verdichtet wurden, sollen diese nun inhaltlich gegenübergestellt werden, um
auf dieser Basis eine Potenzialanalyse durchzuführen.
Abbildung 13: Herausforderungen des NHMs & Anwendungspotenziale der KI.
Dabei werden die Herausforderungen als high level Demand Stories (Business-Problem) und
die Potenziale als high level Use Cases formuliert. Ein Use Case wird im vorliegenden Kontext
verstanden als eine gezielte Anwendung digitaler Technologien auf ein spezifisches Business-
Problem mit einem messbaren Resultat (Chui et al. 2018, 7). Den Use Cases werden KI-
Technologien zugeordnet, deren besondere Fähigkeiten, ihr Reifegrad, die
Anwendungshäufigkeit und ihre Anwendbarkeit als Werkzeug des NHMs, bewertet sowie ihre
limitierende Faktoren beleuchtet werden. Zudem wird als Stimulus für Diskussionen ein
visionäres Anwendungsszenario präsentiert. Schließlich werden die Forschungsfragen
beantwortet und die Ergebnisse bewertet.
5.1 Demand Stories und Use Cases
5.1.1 Messen und kognitive Automation

Es ist weithin bekannt, dass Daten im 21. Jahrhundert das neue Gold, das neue Öl, der neue
Rohstoff bzw. die neue Währung darstellen (Osburg & Lohrmann 2017, 8; BMWi 2016, 6). Im
Kontext des NHMs bedeutet dies, dass die Verfügbarkeit relevanter Daten ebenfalls einen
hohen Stellenwert einnimmt, deren Erfassung und Aufbereitung jedoch vielfach noch manuell
erfolgen, sodass viele Ressourcen dafür gebündelt werden (Kap. 4.1.4), während wesentliche
Verbesserungen erst dann möglich werden, wenn derartige (repetitive) Aktivitäten und
Prozesse durch geeignete IT-Lösungen unterstützt und, zeitgemäß wie zukunftsorientiert,
vollständig automatisiert werden (Süpke & Heil 2013, 511).
Vor diesem Hintergrund und den in Kap. 4.1.3 herausgearbeiteten Herausforderungen des
NHMs beim Messen von NH-Leistungen sowie den in Kap. 4.2.3 identifizierten Potenzialen
der KI bei der Automatisierung von Geschäftsprozessen können Demand Story und Use Case
wie folgt formuliert werden:
 Demand Story – Als NHM benötige ich ein Werkzeug, welches alle relevanten Daten
aus verteilten und offenen Systemen effizient messen, prozessieren und aufbereiten
POTENZIALE DER KI ALS W ERKZEUG DES NHMS 43
kann, sodass ich dies nicht mehr manuell durchführen muss, meine Aufwände sich
dadurch reduzieren und eine vollständige wie konsistente Datenbasis zur Verfügung
steht.
 Use Case – Automatisierung wiederkehrender Aufgaben zur Erfassung und
Bearbeitung von beliebig formatierten Daten über verteilte und offene Systeme hinweg,
mit hoher Geschwindigkeit und Präzision durch selektive Anwendung von RPA- in
Kombination mit IoT- und Machine-Learning-Technologie.27
 Zu erwartendes Use-Case-Resultat – Aufwandsreduktion durch gezielte
Automatisierung, Vermeidung von Medienbrüchen und Revisionssicherheit (Conrad
2014, 193), Geschwindigkeitssteigerung durch zeitnahe Datenverfügbarkeit sowie
Qualitätssteigerung durch Datenvollständigkeit und -konsistenz (EY 2017, 10).
Wie in Kap. 4.2.3 identifiziert, zeichnet sich RPA durch die Fähigkeit des Arbeitens über
mehrere Backend-Systeme hinweg aus und kann darüber hinaus als eine systemunabhängige
Option zur Verbindung und Analyse von Daten gesehen werden, die einen verhältnismäßig
günstigen Weg bedeutet, in kurzer Zeit Systeme zu überbrücken ohne die Notwendigkeit, dafür
eigens Systemschnittstellen zu konstruieren (EY 2017, 11). Der Reifegrad und die
Anwendungshäufigkeit dieser Technologie (71 Projekte von 152 = 47%) können jeweils als
hoch (Kap. 4.2.3) und ihre Anwendbarkeit als Werkzeug des NHMs, aufgrund der Passung
von Demand Story und Use Case, als gegeben eingestuft werden.
Jedoch gibt es auch Limitierungen zu beachten. So braucht es für die Realisierung einer
Automatisierungslösung die freie Bewegung nicht personenbezogener Daten in einer
integrierten und regulierten Infrastruktur mit Sicherheitsprotokollen, die sie vor unerlaubtem
Zugriff schützen (EY 2017, 10). Weiter ist zu gewährleisten, dass Praktiken nicht nur bei der
Erhebung, sondern auch bei der Bearbeitung und Kommunikation von Daten mit den
geltenden Gesetzen übereinstimmen (EY 2017, 27). Datensicherheit, Datenschutz und
Compliance zu gewährleisten, sind die größten Herausforderungen und damit gleichzeitig
auch Limitierungen in heutigen Unternehmensberichterstattungsumgebungen, vor allem im
Zusammenhang mit Cloud-Diensten (EY 2017, 27).
Als weitere Limitierung gilt zu beachten, dass RPA für sich kein Allheilmittel zur
Automatisierung darstellt, da es ohne eingebaute Intelligenz (nur) für fest definierte
(regelbasierte) Aufgaben einsetzbar ist. Die Implementierung einer Vielzahl von RPA-
Lösungen („robotic Band-Aid“) zur Automatisierung spezifischer Aufgaben führt sowohl zu
einer architektonischen Komplexitätssteigerung als auch zu hohen Wartungsaufwänden.
Daher ist der RPA-Ansatz am sinnvollsten, wenn er integriert in andere Technologien wie Deep
Learning gestaltet wird, um eine notwendige Anpassungsfähigkeit (Intelligenz) auf
Veränderungen in den Geschäftsprozessen (z. B. regulatorische Änderungen oder
27 RPA-Technologie als Plattform zur Prozessierung der Daten von IoT-Sensoren an Geräten in der Peripherie („the
edge“) und Mittel zur beschleunigten Einführung neuer IoT-Technologien, indem diese zeitnah in bestehende
Systeme und Prozesse integriert werden können (Rosencrance 2018). Machine-Learning-Technologie zur
Gewährleistung der Anpassungsfähigkeit bei Veränderungen in den Geschäftsprozessen (Noga & Schroetel
2017).
Systemumstellungen) realisieren zu können, ohne dafür jedes Mal neu konfiguriert werden zu
müssen (Edlich & Sohoni 2017; Noga & Schroetel 2017). Dies geschieht, indem man
allgemeine Richtlinien aufstellt, ohne dem System genau zu sagen, was es zu tun hat. Der
zugrundeliegende Algorithmus lernt aus den vorherigen Aktionen des Benutzers und
berücksichtigt alle verfügbaren Daten, um die relevanteste Antwort auf ein Ereignis zu liefern
(Noga & Schroetel 2017).
5.1.2 Bewerten und kognitive Einsichten

Wie in Kap. 4.1.3 herausgearbeitet, besteht eine wesentliche Herausforderung des NHMs
darin, nicht lineare Ursache-Wirkungszusammenhänge und langfristige Zielkonflikte zu
erkennen, zu bewerten und effektive Entscheidungen daraus abzuleiten.
Nachhaltigkeitsprobleme können als ein Komplex von miteinander verbundenen Faktoren in
einem pluralistischen Kontext betrachtet werden (Dijk et al. 2017, 305). Um derartige
Komplexität besser zu beherrschen und seine Entscheidungsfähigkeit zu erhöhen, könnte sich
das NHM fortschrittlicher Algorithmen als Werkzeug bedienen. Bedenkt man, auf welche
Weise Algorithmen eigentlich Mehrwert generieren, so kann man konstatieren, dass dies
einerseits durch eine verbesserte Kenntnis eines gegebenen (komplexen) Kontextes und
andererseits durch eine Steigerung der Entscheidungsagilität erfolgt. Denn Kenntnis alleine
erzeugt noch keinen Nutzen, erst durch die Anwendung von Kenntnis wird letztlich Mehrwert
erzeugt, wie die folgende Darstellung verdeutlicht (Bitkom & DFKI 2017, 68).
Abbildung 14: Wertschöpfung durch Daten und Algorithmen (Bitkom & DFKI 2017, 68).
Entscheidungsagilität als Basis für zeitnahe Aktions- und Adaptionsfähigkeit kann als eine
wesentliche Voraussetzung gesehen werden, um sich in einer VUCA-Welt28 flexibel bewegen
und im darwinistischen Sinne schnell und wirksam an Veränderungen anpassen zu können.
28 Wortschöpfung, um die „Welt“ zu benennen, mit der wir es heute zu tun haben. Demnach ist sie: volatile
(unbeständig), uncertain (ungewiss), complex (unübersichtlich) und ambiguous (uneindeutig) (Schober-Ehmer
et al. 2017, 669).
Werden die in Kap. 4.1.3 identifizierten Herausforderungen des NHMs bei der Bewertung von
NH-Leistungen sowie die in Kap. 4.2.4 verdichteten Potenziale der KI bei der Generierung von
Einsichten miteinander kombiniert, so können Demand Story und Use Case wie folgt formuliert
werden:
 Demand Story – Als NHM benötige ich ein Werkzeug, welches mich bei der Analyse,
Verdichtung und Bewertung von Daten aus nicht linearen Ursache-
Wirkungsbeziehungen unterstützt, sodass ich komplexe Zusammenhänge und
Interdependenzen sowie Zielkonflikte erkennen und effektive Maßnahmen daraus
ableiten kann.
 Use Case – Erkennung von Mustern und Ursache-Wirkungsbeziehungen in komplexen
Datenmengen, Interpretation ihrer Bedeutung und Prognostizierung von Auswirkungen
durch die Anwendung von Machine Learning.
 Zu erwartendes Use-Case-Resultat – Verbesserte Kenntnis des komplexen Kontextes,
verbunden mit höherer Entscheidungsagilität und besserer sowie schnellerer
Prognosen als Basis zur Beurteilung und Ableitung effektiver Maßnahmen (Bitkom &
DFKI 2017, 68; Agrawal et al. 2018).
Die besonderen Fähigkeiten des Machine Learnings liegen in der Mustererkennung, der
Bedeutungsinterpretation und der Prognostizierung von Entwicklungen29, dabei ist diese
Technologie am nützlichsten in Umgebungen mit einem hohen Grad an Komplexität (durch
Deep Learning) zur Lösung von komplexen nicht linearen Problemen (Segars 2018; Agrawal
et al. 2017, 24). Ferner können, kombiniert mit IoT-Technologie, Szenariomodelle realisiert
werden, welche hypothetische „Was-wäre-wenn“-Alternativen erstellen, auf deren Basis
sowohl Zielkonflikte erkannt (z. B. ökologisch vs. ökonomische Auswirkungen) als auch die
Wirksamkeit verschiedener Maßnahmen bewertet werden können (IBM 2018b). Der Reifegrad
von Machine Learning kann als (tendenziell) hoch (Kap. 4.2.4), die Anwendungshäufigkeit (57
Projekte von 152 = 37%) als hoch30 und die Anwendbarkeit als Werkzeug des NHMs, aufgrund
der Passung von Demand Story und Use Case, als gegeben eingestuft werden.
Keine Prognose ist 100% akkurat (Agrawal et al. 2018), jedoch werden Prognosen genauer
und damit wertvoller, wenn Daten allgemeiner verfügbar und zugreifbar sind (Agrawal et al.
2017, 24). Damit wäre einer der limitierenden Faktoren beim Einsatz dieser Technologie
benannt. Machine Learning kann sein volles Potenzial erst entfalten, wenn sehr große
Datenmengen als Analysebasis zur Verfügung stehen. Die Sammlung der „richtigen“ und
qualitativ hochwertigen Daten ist für Unternehmen sehr kostbar und zuweilen sehr
ressourcenintensiv. Dabei werden domänenspezifische Content-Sammlungen entwickelt oder
beschafft und dann immer weiter angereichert (Bitkom & DFKI 2017, 17). Dieser Ansatz
beschränkt jedoch die Erkenntnis- und Gestaltungsfähigkeit eines Unternehmens, da
Datenbestände nur sukzessive und letztlich immer limitiert auf die eigene Perspektive
29 „Prediction is about using information you have to generate information you don’t have.“ (Agrawal et al. 2018).
30 Siehe zu dieser Einschätzung auch die Studie „Machine Learning im Unternehmenseinsatz“ (Böttcher et al.
2017).
aufgebaut werden. Daher ergibt es Sinn, Datenbestände öffentlich zugänglich und damit
nutzbar zu machen (Kap. 6.1.2).
Die Verwendung des Begriffs „Intelligenz“ führt oft zu Missverständnissen über die
tatsächlichen Fähigkeiten von KI (Kap. 4.2) und birgt das Risiko von Anthropomorphismus.31
Dabei lernt und optimiert sich ein Großteil der heute verfügbaren Machine-Learning-
Technologien im Hinblick auf bestimmte Ziele. Ihre Fähigkeiten spiegeln letztlich die Qualität
der Trainingsdaten und der Prozesse wider. Typischerweise besteht nach wie vor Bedarf an
menschlicher Beteiligung zur Behandlung von Ausnahmen. Das bedeutet, Machine Learning
in seiner derzeitigen Form ist darauf begrenzt, spezifische Aufgaben zu bearbeiten, es kann
nicht beliebig (ohne Anpassungen) auf andere Anwendungsbereiche übertragen werden
(UNGC 2017a, 5).
Eine weitere Limitierung besteht in einer schlechten Erklärungsfähigkeit darin, wie ein KI-
System zu seinen Ergebnissen gelangt ist (Wahlster 2017, 17 & 28). Da Deep-Learning-
basierte Systeme der nächsten Generation nach der Initiierung selbstständig lernen32, ist die
Entscheidungsfindung von außen aktuell nur noch schwer nachvollziehbar (Böttcher et al.
2017, 14; UNGC 2017a, 5), es handelt sich quasi um eine „Blackbox“ (Böttcher et al. 2017,
52; Bitkom & DFKI 2017, 18).
Neben den aus Kap. 5.1.1 übertragbaren Limitierungen Datensicherheit, Datenschutz und
Compliance ist ein weiterer limitierender Aspekt die Möglichkeit der unbeabsichtigten
Voreingenommenheit (engl. Bias) eines KI-Systems. Diese kann dann auftreten, wenn
Trainingsdaten nicht repräsentativ für die größere Population sind, auf die ein KI-Modell
letztlich angewendet wird: Z. B. könnten Gesichtserkennungsmodelle, die bei einer Population
von Gesichtern trainiert wurden, die der Demographie von KI-Entwicklern entsprechen, bei
Anwendung auf Populationen mit unterschiedlichen Merkmalen problematisch sein (Chui et al.
2018, 27).
5.1.3 Kommunizieren und kognitiver Dialog

In einer zunehmend mobileren Welt hat die Eingabe via Tastatur und Maus ihren Zenit
überschritten und nach Touch-Displays gewinnen konversationsbasierte Schnittstellen (Kap.
2.2.2) zwischen Mensch und Maschine zunehmend an Bedeutung. Entscheidend für diesen
Wandel sind Chatbots bzw. intelligente Agenten, deren wesentliche Grundlage Machine-
Learning-Technologien, Spracherkennung, Natural Language Processing und die Analyse von
Gesten, Mimik und Gesichtern sind (Böttcher et al. 2017, 68f.). Es kann daher erwartet werden,
dass der Einsatz von Chatbots und intelligenten Agenten für Unternehmen zum
entscheidenden Faktor im weltweiten Wettbewerb um die Aufmerksamkeit und die
Interaktionsmöglichkeit mit Stakeholdern sowie zur Stärkung der Stakeholder-Beziehungen
wird (Bitkom & DFKI 2017, 151).
31 Zuordnung von menschenähnlichen Eigenschaften und Verhaltensweisen zu nicht menschlichen Dingen.

32 Dies wird auch als „Reinforcement Learning“ bezeichnet, d. h. lernen ohne menschliche Anleitungen und
Beispiele und ohne jede Kenntnis der zu verstehenden Disziplin jenseits definierter Grundregeln. Im Gegensatz
dazu wird bei „Supervised Learning“ ein System trainiert, um die Entscheidungen menschlicher Experten zu
replizieren (Silver et al. 2017, 354).
Wie in Kap. 4.1.4 herausgearbeitet, besteht die Kommunikationsherausforderung für das NHM
darin, den Stakeholdern komplexe Zusammenhänge zeitnah und individualisiert zu vermitteln.
Anhand dieser Herausforderung, im Kontext der KI-Potenziale hinsichtlich kognitiver
Dialogführung (Kap. 4.2.5) betrachtet, können daraus folgende Demand Story und Use Cases
formuliert werden:
 Demand Story – Als NHM benötige ich ein Werkzeug, welches mich bei der
Kommunikation komplexer Zusammenhänge über Stakeholder-präferierte Kanäle
effektiv unterstützt, sodass ich NH-Leistungen zielgruppengenau, individuell relevant,
zeitnah und interaktiv vermitteln kann.
 Use Case – Personalisierte und interaktive Kommunikation mit Stakeholdern, über die
von ihnen präferierten Kanäle, zu jeder Zeit.
 Zu erwartendes Use Case Resultat – Erweiterung, Beschleunigung und Verbesserung
von Interaktionen und Erfahrungen mit Stakeholdern, gemessen an der Menge,
Häufigkeit und Qualität von Stakeholder Interaktionen.
In Anlehnung an die Arbeit von Süpke et al. (2009), der die Potenziale von Web 2.0 im Kontext
von NHM untersuchte, kann die Nutzung von KI für die Kommunikation von NH-Leistungen
einen vielversprechenden Ansatz bedeuten, um die Grenzen konventioneller
Berichtsmethoden zu überwinden, da sie eine Reihe spezifischer Möglichkeiten zur
Verbesserung durch Interaktivität, Individualisierung, Stakeholder-Dialog und Partizipation
bieten und sich damit von einem geschlossenen und einseitig kontrollierten Prozess zu einem
Stakeholder-getriebenen Prozess entwickeln kann (Süpke et al. 2009, 235).
Menschen enthüllen erhebliche Informationen über ihre Meinungen, Gefühle, Vorlieben und
Abneigungen, wenn sie auf natürliche, dialogische Weise kommunizieren (Artificial Solutions
2018). Voraussetzung, um authentische Stakeholder-Meinungen zu erhalten und in sinnvolle
Daten transferieren zu können, ist allerdings, dass die eingesetzte Technologie aus
menschlicher Perspektive einen als natürlich empfundenen Dialog führen kann. Jedoch ist
festzustellen, dass KI, trotz der jüngsten Fortschritte bei der Verarbeitung natürlicher Sprache
und der Stimmungsanalyse (engl. Sentiment Analysis), die Kunst der menschlichen
Konversation bisher noch nicht gemeistert hat. Gründe hierfür sind zum einen der Umstand,
dass die Bedeutung von Worten und Sätzen von einem größeren Kontext abhängt (der Kultur,
den Sprecherabsichten, dem Geschlecht, dem Alter) und zum anderen die Tatsache, dass KI
(noch) nicht in der Lage ist, sich mit dem Menschen auf einer emotionalen Ebene zu verbinden
(Pring-Mill 2017; Pring-Mill 2018).
Obgleich der Einsatz von Chatbots und intelligenten Agenten große Innovationspotenziale
bedeuten kann, so birgt er auch nicht unerhebliche Risiken. Wenn diese direkt mit externen
Stakeholdern interagieren, aber noch nicht ausgereift sind, besteht das Risiko eines
dauerhaften Vertrauensverlustes und Image-Schadens (Böttcher et al. 2017, 68f.). Ein
besonders markantes Beispiel für die Unreife dieser Technologie und dafür, wie sich ein KI-
basiertes Dialogsystem fehlentwickeln kann, war Chatbot „Tay“ von Microsoft. Entworfen, um
mit 18- bis 24-Jährigen einen unterhaltsamen Dialog auf der Plattform Twitter zu führen, wurde
der Chatbot innerhalb von 24 Stunden durch die Konfrontation mit rassistischen und
nazistischen Ausdrücken derart missbraucht, dass er infolgedessen wild unangemessene und
verwerfliche Wörter und Bilder twitterte (Lee 2016).
Abschließend werden die Anwendungshäufigkeit dieser Technologie (24 Projekte von 152 =
16%) als (noch) gering, ihr Reifegrad als (noch) gering (Kap. 4.2.5) und ihre Anwendbarkeit
als Werkzeug des NHMs, aufgrund der Passung von Demand Story und Use Case, als
gegeben eingestuft werden.
5.2 Anwendungsszenario: Predictive Sustainability Control

Szenarien sind keine Prognosen, da sie die Zukunft nicht voraussehen. Szenarien sind auch
keine Utopien, da sie ganz konkreten Bezug zur Gegenwart nehmen. Es geht nicht darum, ob
und wie Szenarien eintreten und es gibt auch kein „richtiges“ Szenario, denn es bleibt jedem
Betrachter überlassen, welche Unsicherheiten bzw. Alternativen er in den Blick nimmt.
Vielmehr sollen Szenarien zum Nachdenken über längerfristige Alternativen anregen, Raum
für Veränderung schaffen und Lernprozesse anstoßen (DGCN 2017, 8). Indem man sich
frühzeitig und systematisch mit denkbaren Entwicklungen auseinandersetzt, verbessert man
die Sensibilität für notwendige Veränderungen und die Qualität von Entscheidungen im Hier
und Jetzt (Bienzeisler 2017).
Es kann erwartet werden, dass die Fähigkeit von Maschinen, Geräten, Sensoren und
Menschen, sich miteinander zu vernetzen und über das Internet der Dinge oder das Internet
der Menschen zu kommunizieren, in den kommenden Jahren weiter stark zunehmen wird.
Dabei werden die virtuelle und die reale Welt fortschreitend deckungsgleicher, während
Informationen noch rascher und transparenter zur Verfügung stehen als bisher. Dasselbe kann
für die Fähigkeit von Informationssystemen erwartet werden, die digitale Modelle mit
Sensordaten anreichern können, um damit ein virtuelles Abbild der realen Welt zu erzeugen
(Drenth et al. 2017, 64).
In diesem Abschnitt wird ein theoretisches Konzept namens „Predictive Sustainability Control“
(PSC) von Peter Seele (2016) vorgestellt. Das Ziel dieser Darstellung ist nicht die Analyse
einer konkreten Anwendungsoption als Werkzeug für das NHM, sondern vielmehr die
Präsentation eines visionären Szenarios, das als Stimulus für Diskussionen, weitere
Auseinandersetzungen und ggfls. Weiterentwicklung dienen soll. Die folgenden Ausführungen
basieren vollständig auf Seele (2016), soweit nicht anders angegeben.
Man stelle sich vor, dass die 17 Ziele der nachhaltigen Entwicklung zusammen mit den
spezifischeren 169 Zielen für 2030, die von den Vereinten Nationen 2015 in Paris
verabschiedet wurden, messbar und kontrollierbar währen, indem sie in einem einheitlichen
und transparenten Datenspeicher vereint würden, der nicht nur für Regulierungsbehörden,
sondern auch für andere Interessengruppen wie NGOs, Medien und nicht zuletzt für die
Öffentlichkeit zugänglich wäre. Was wäre, wenn Predictive Analytics (Vorhersage-
Algorithmen), einheitliche Datenbestände für das IoT und statistische Modellierung
Transparenz und koordiniertes Handeln ermöglichen, wie es sie bisher in der Geschichte nicht
gegeben hat? Was wäre, wenn Nachhaltigkeit und soziale Verantwortung der Unternehmen
neu definiert würden, von einer ehrgeizigen, aber nicht ausreichenden Vorgehensweise zu
einem effektiven Ansatz der Schaffung einer nachhaltigen Welt, die – auch in Zahlen und
Fakten – nachhaltig wäre? Könnte eine sozialökologische Transformation33 (Lange &
Santarius 2018) in Wirtschaft und Gesellschaft, unter Nutzung von IoT, Big Data und Predictive
Analytics, tatsächlich erreicht werden? Wagen wir es, systemisch-revolutionär zu denken und
betrachten das Konzept näher.
PSC kann verstanden werden als der Einsatz analytischer Techniken zur Identifizierung von
Themen für gegenseitige Überlegungen, Beaufsichtigung und Intervention mit dem Ziel,
zukünftige Schäden im Zusammenhang mit Umwelt-, Sozial- und Governance-Themen zu
vermeiden und potenzielle Akteure von nicht nachhaltigen Aktivitäten sowie ihre Stakeholder
zu identifizieren. Als theoretisches Konzept, abgeleitet vom „predictive policing“ Ansatz und
übertragen auf die Arena nachhaltiger Entwicklung, könnte PSC auch als eine
vorausschauende Nachhaltigkeitssteuerung verstanden werden. Die Anwendung von PSC im
Unternehmenskontext würde sich auf drei wesentliche Funktionsbereiche auswirken:
Nachhaltigkeitsmanagement, Stakeholder-Partnerschaft und regulatorische Integration.
Im Bereich des NHMs sollte PSC eine effektive Ressourcenallokation, Risikomanagement und
Frühwarnung, taktische und strategische Planung sowie fiskalische Verantwortlichkeit fördern.
Bei der Erreichung der regulatorischen Integration sollte PSC die Entwicklung und Umsetzung
einheitlicher Strategien zur Verringerung künftiger Schäden, zur Erhöhung der
Rechenschaftspflicht von Regulierungsbehörden und zur Bereitstellung eines umfassenden
Profils von Akteuren nicht nachhaltigen Handelns erleichtern. Im Bereich der Stakeholder-
Partnerschaft sollte PSC die Problemlösungskapazitäten stärken, Bedarfsanalysen
durchführen und den einfachen Informationsaustausch sowie die Sammlung von
Informationen erleichtern. Die nachstehende Abbildung stellt eine Skizze des
operationalisierten Konzeptes dar.
33 Grundlegende Umgestaltung der Art und Weise, wie wir produzieren und konsumieren, um ökologisch nachhaltig
und sozial gerecht zu werden (Lange & Santarius 2018, 8).
Abbildung 15: Operationalisierung einer „Predictive Sustainability Control“ (Seele 2016).
Auf der allgemeinen Ebene wird ein IoT als gegeben vorausgesetzt. Hier sind Dinge mit
Maschinen und Dinge mit Menschen verbunden, und es werden große Datenmengen (Big
Data) gesammelt. Helbing hat auf Basis des technisch Möglichen das Konzept der „Future
ICT“34 entwickelt (Helbing 2012) und in der Folge ein Big-Data-getriebenes Modell namens
„Planetary Nervous System“35 entworfen (Helbing 2014); ein „citizen web“, das darauf abzielt,
eine offene, transparente und intelligente Softwareschicht auf dem IoT als grundlegende
Informationsinfrastruktur für die digitalen Gesellschaften des 21. Jahrhunderts zu schaffen
(Helbing 2014).
Als nächster Schritt würden das IoT und das planetarische Nervensystem als Überbau für PSC
eine Verbindung zur Geschäftswelt und zu den Umwelt-, Sozial- und Finanzdaten benötigen,
die in Unternehmen generiert und von Aufsichtsbehörden überwacht werden. Hier kommt der
Geschäftsberichtsstandard „XBRL“ ins Spiel. XBRL steht für „eXtensible Business Reporting
Language", wurde ursprünglich für die Finanzberichterstattung entwickelt und ist seit 2009 als
Berichtsformat von der U.S. Securities and Exchange Commission vorgeschrieben. Der
Standard ermöglicht Echtzeittransparenz, reduzierte Datenmigrationsfehler und
Transaktionskosten. Es gibt bereits erste Versuche, XBRL im NHM als Datengrundlage zu
übernehmen sowie eine Kooperation mit der GRI in diesem Kontext. XBRL hat zu der Idee
eines transparenten Echtzeitberichtsformats für ESG-Daten namens „Digital Unified
Reporting" geführt und ebnet den Weg, um Nachhaltigkeitsleistungen überwachen und
regulieren zu können. In einem letzten Schritt könnte Predictive Analytics auf die strukturierten
und unstrukturierten Daten angewendet werden, um zu einem funktionsfähigen PSC zu
gelangen. An dieser Stelle soll die stark verdichtete Konzeptvorstellung enden und eine
Bewertung erfolgen.
34 https://futurict.inn.ac/
35 https://www.nervousnet.ethz.ch/
„Nichts ist mächtiger als eine Idee, deren Zeit gekommen ist“ (Victor Hugo). Es wäre
wünschenswert, wenn die Zeit einer Idee kommen würde, die eine sinnvolle und von der
„Partnership for the Goals“ (SDG 17) getragene Nutzbarmachung technologischer Fortschritte
als Werkzeug für eine effektive und systemische Realisierung der SDGs durchführbar
erscheinen ließe. Dabei gibt es bereits Kooperationen auf globaler Ebene, die diese Vision mit
ihrem Engagement verfolgen, so z. B. die „Global Partnership for Sustainable Development
Data“, eine Koalition von Regierungen, Unternehmen und anderen globalen Organisationen,
die die Nachhaltigkeitsziele erreichen wollen, indem sie ihre Datensätze bündeln (GP4SDD
2018); dann die Initiative des UN Global Compact „Uniting to Deliver Technology for the Global
Goals“ mit dem Namen „2030 Vision“, eine neue Partnerschaft zwischen Unternehmen, NGOs
und Regierungen mit der Vision von digitaler Technologie als Enabler für die Realisierung der
globalen Ziele (UNGC 2017b). Des Weiteren gibt es die GRI mit ihrem Projekt „Sustainability
and Reporting 2025“ mit dem Ziel, den Wert von NH-Leistungsdaten zu entschlüsseln, indem
diese auf neue Weise zugreif- und teilbar gemacht werden (GRI 2016c, 4) oder die
„Independent Expert Advisory Group on a Data Revolution for Sustainable Development“ der
Vereinten Nationen (IEAGDR4SD 2018), einem 2014 eingesetzten und 24-köpfigen
Beratungsgremium, bestehend aus Vertretern der Zivilgesellschaft, Privatwirtschaft,
Wissenschaft, Politik und internationalen Organisationen, dessen bislang wichtigste
Empfehlung der Aufbau eines Informations-Pools ist, der sich aus möglichst vielen
unterschiedlichen Datenquellen zusammensetzen soll, und zwar mit dem Ziel, allen Menschen
freien Zugang zu einem Maximum an belastbaren Informationen zu ermöglichen (Schmid &
Ritzrau 2016, 76).
Natürlich wirft ein Konzept wie PSC viele Fragen auf. Da es auf dem Ansatz des „Predictive
Policing“ basiert, kann es zunächst eine Assoziation mit einem globalen Polizeistaat erzeugen.
Daher wären Fragen zu einer technologischen Machbarkeit ebenso zu klären wie auch
rechtliche Aspekte. Dabei ließe sich sagen, dass die relevanten Probleme einer solchen
Lösung im Kern weder technischer noch mathematischer, sondern ethischer Natur sind – und
dass diese nicht durch Fragen, die mit „können“ beginnen, gelöst werden, sondern dass
Fragen gestellt werden müssen, in denen das Wort „sollten“ vorkommt (Weizenbaum 1987,
300). Wenn wir die Möglichkeit dazu hätten, sollten wir dann z. B. eine „Super Human
Intelligence“ erschaffen, die uns mit einer globalen Perspektive, und ggfls. orientiert am
normativen Menschenbild eines „homo sustinens“ als Desideratum (Siebenhüner 2016, 10),
den Weg hin zu individuell nachhaltigem Denken und Handeln weisen könnte, da wir als
Menschheit aus eigenem Antrieb bisher nicht dazu in der Lage zu sein scheinen (Lesch &
Kamphausen 2017)? Es gibt Wissenschaftler die der Meinung sind das sollten wir.36
36 “What mankind would need is a super-human intelligence which on the basis of all available knowledge always
would follow the rules of consistent, logical and rational thinking taking a global and far-sighted perspective. It
might be realized – or at least approximated – in the form of artificially intelligent and rational agents (AIRA).
These could assist anyone in the daily behavior and in all decisions, and this way compensate for the human
intellectual and ethical deficiencies.“ (Bibel 2014, 100).
5.3 Synthetisierung & Ergebnisbewertung

Im folgenden Abschnitt sollen die in Kap. 1.3 aufgestellten Forschungsfragen beantwortet
werden.
5.3.1 Forschungsfrage 1: NHM-Herausforderungen

 Was sind die Herausforderungen des NHMs beim Messen, Bewerten und
Kommunizieren von Nachhaltigkeitsleistungen?
Die Analyse der operativen Herausforderungen (Kap. 4.1.2 bis Kap. 4.1.4) hat ergeben, dass
es konsolidiert betrachtet um die zweckoptimale Erhebung und Nutzung von
Nachhaltigkeitsdaten geht, von der vollständigen, und soweit sinnvoll und möglich,
automatisierten Erhebung und Aufbereitung über die Ursache-Wirkung-, Trend- und
Szenarioanalyse bis hin zur zeitnahen, individualisierten und interaktiven Vermittlung der
bisherigen und der zu verbessernden NH-Leistungen. Die Forschungsfrage kann damit
zusammengesetzt wie folgt beantwortet werden:
 Effiziente Messung, Prozessierung und Aufbereitung aller relevanten Daten in
exponentiell zunehmenden und unstrukturierten Datenmengen aus verteilten und
offenen Systemen…
 ... deren effektive Analyse, Verdichtung (KPIs) und Bewertung bei intransparenten,
nicht linearen Ursache-Wirkungsbeziehungen und intransparenten Zielkonflikten (ökol.
vs. soziale vs. ökon. Subziele) …
 … sowie effektive Kommunikation komplexer Zusammenhänge zielgruppengenau,
individuell relevant, zeitnah, interaktiv und rückkoppelnd.
5.3.2 Forschungsfrage 2: KI-Potenziale

 Was sind die Potenziale der KI in aktuellen Anwendungsbereichen des betrieblichen
Managements?
Die Betrachtung der KI-Potenziale im Kontext betrieblicher Anwendungsbereiche (Kapitel
4.2.2 bis Kap. 4.2.5) auf Basis von Studien zur Analyse und Bewertung von KI-Technologien
und realisierten KI-Projekten im betrieblichen Kontext (Davenport & Ronanki 2018; Böttcher et
al. 2017; Bitkom & DFKI 2017; FABD 2017) führte zu der Erkenntnis, dass die präzise
Erfassung und zeitnahe Bearbeitung von strukturierten und unstrukturierten Daten über
verteilte Systeme, die Muster- und Ursache-Wirkungserkennung, Bedeutungsinterpretation
und Entscheidungsunterstützung auf Basis großer Datenmengen sowie die personalisierte
und interaktive Stakeholder-Kommunikation zu den besonderen Fähigkeiten der betrachteten
KI-Technologien gehören. Die Forschungsfrage kann damit zusammengefasst wie folgt
beantwortet werden:
 Automatisierung wiederkehrender Aufgaben zur Erfassung und Bearbeitung von Daten
über verteilte Systeme hinweg mit hoher Geschwindigkeit und Präzision…
 … die Erkennung von Mustern und Ursache-Wirkungszusammenhängen in großen
nicht linearen Datenmengen, die Interpretation ihrer Bedeutung und Prognostizierung
zukünftiger Entwicklungen…
 … sowie die Erweiterung und Beschleunigung der Kommunikation mit Stakeholdern,

personalisiert, interaktiv und rückkoppelnd.
5.3.3 Forschungsfrage 3: KI als Werkzeug des NHMs

 Welche Potenziale der KI in aktuellen Anwendungsbereichen des betrieblichen
Managements könnten als Werkzeug zur Lösung von Herausforderungen des NHMs
beim Messen, Bewerten und Kommunizieren von Nachhaltigkeitsleistungen nutzbar
gemacht werden?
Die Beantwortung dieser Frage erfolgt aufgrund der Deckungsgleichheit im Rahmen der
Beantwortung der Kernforschungsfrage (Kap. 5.3.5).
5.3.4 Forschungsfrage 4: Entwurf und Bewertung von Use Cases

 Welche Use Cases und Anwendungsszenarien können entworfen bzw. identifiziert
werden und wie sind diese zu bewerten?
Insgesamt konnten drei Use Cases entworfen (Kap. 5.1) und ein Anwendungsszenario
identifiziert werden (Kap. 5.2). Als Anwendungsszenario wurde ein theoretisches Konzept
namens PSC vorgestellt. Hierbei wurde das Gedankengerüst für einen globalen
Lösungsansatz vorgestellt, der nicht nachhaltige Entwicklungen präventiv verhindern und
nachhaltige Entwicklung damit effektiv befördern soll, was in dieser Form zwar impulsgebend,
vor allem aber aus ethischer Perspektive vielfach Klärungsbedarf besitzt. In diesem Kontext
wurden außerdem dem Geiste nach ähnliche Ansätze (Nutzbarmachung technologischer
Fortschritte als Werkzeug für eine effektive und systemische Realisierung der SDGs) in Form
von internationalen und interdisziplinären Kooperationen aufgezeigt. Eine zusammenfassende
Darstellung und Bewertung der Use Cases findet sich in Tab. 7.
5.3.5 Kernforschungsfrage
 Welche Potenziale bietet künstliche Intelligenz als Werkzeug des betrieblichen
Nachhaltigkeitsmanagements für die Lösung von Herausforderungen des Messens,
Bewertens und Kommunizierens von Nachhaltigkeitsleistungen?
Die Analyse und Bewertung der KI-Potenziale im Kontext der operativen Herausforderungen
des NHMs und auf Basis der entworfenen Demand Stories und Use Cases hat ergeben, dass
KI als Werkzeug des NHMs nutzbar gemacht werden könnte. Es zeigte sich zudem, dass es
sich empfiehlt, KI, in Abhängigkeit von ihrem Reifegrad, auch zeitnah nutzbar zu machen (Kap.
6.3). Die nachstehende Bewertungsmatrix soll als Grundlage zu dieser Einschätzung
abschließend eine Gesamtübersicht bieten.
Tabelle 8: Potenzialanalyse der KI als Werkzeug des NHMs.

Messen & Bewerten & Kommunizieren &
kognitive Automation kognitive Einsichten kognitiver Dialog
Als NHM benötige ich ein Als NHM benötige ich ein Als NHM benötige ich ein
Werkzeug, welches alle relevanten Werkzeug, welches mich bei der Werkzeug, welches mich bei der
Daten aus verteilten und offenen Analyse, Verdichtung und Kommunikation komplexer
Systemen effizient messen, Bewertung von Daten aus nicht Zusammenhänge über Stakeholder-
prozessieren und aufbereiten kann, linearen Ursache- präferierte Kanäle effektiv
sodass ich dies nicht mehr manuell Wirkungsbeziehungen unterstützt, unterstützt, sodass ich NH-
Demand Story durchführen muss, meine sodass ich komplexe Leistungen zielgruppengenau,
Aufwände sich dadurch reduzieren Zusammenhänge und individuell relevant, zeitnah und
und eine vollständige wie Interdependenzen sowie interaktiv vermitteln kann.
konsistente Datenbasis zur Zielkonflikte erkennen und effektive
Verfügung steht. Maßnahmen daraus ableiten kann.
Automatisierung wiederkehrender Erkennung von Mustern und Personalisierte und interaktive

Aufgaben zur Erfassung und Ursache-Wirkungsbeziehungen in Kommunikation mit Stakeholdern
Bearbeitung von beliebig komplexen Datenmengen, über die von ihnen präferierten
Use Case formatierten Daten über verteilte Interpretation ihrer Bedeutung und Kanäle, zu jeder Zeit.
und offene Systeme hinweg mit Prognostizierung von
hoher Geschwindigkeit und Auswirkungen.
Präzision.
Gezielte Anwendung digitaler Gezielte Anwendung digitaler Gezielte Anwendung digitaler
Technologie (IoT & RPA) zur Lösung Technologie (Machine Learning) zur Technologie (Chatbots, intelligente
eines spezifischen Business- Lösung eines spezifischen Business- Agenten, Machine Learning) zur
Problems (effiziente Messung, Problems (Erkennung von Ursache- Lösung eines spezifischen Business-
Prozessierung & Aufbereitung von Wirkungsbeziehungen und Problems (zeitnahe und effektive
Use Case Logik Daten), mit einem messbaren Zielkonflikten), mit einem Kommunikation komplexer
Resultat (reduzierter messbaren Resultat (verbesserte Zusammenhänge über Stakeholder-
Ressourcenaufwand, zeitnahe Kenntnis, höhere präferierte Kanäle), mit einem
Datenverfügbarkeit, Entscheidungsagilität, bessere und messbaren Resultat (Menge,
Datenvollständigkeit, schnellere Prognosen). Häufigkeit und Qualität von
Datenkonsistenz). Stakeholder-Interaktionen).
IoT, RPA, Machine Learning Machine Learning Conversational Interfaces
KI-Technologie (Chatbots, intelligente Agenten) &
Machine Learning
Arbeiten über mehrere Backend- Mustererkennung, Erweiterung, Beschleunigung und
Systeme, hohe Präzision & Bedeutungsinterpretation, Verbesserung von Interaktionen
Geschwindigkeit. Prognostizierung von und Erfahrungen mit Stakeholdern,
Entwicklungen, Lösung von personalisiert, interaktiv und
KI Fähigkeit
komplexen nicht linearen jederzeit.
Problemen, Darstellung von
Zielkonflikten,
Szenariomodellierung.
Reifegrad Hoch (Noch) Mittel (Noch) Gering
Anwendungs-
Hoch (Tendenziell) Hoch (Noch) Gering
häufigkeit
Anwendbarkeit als Gegeben (Siehe Use-Case-Logik) Gegeben (Siehe Use-Case-Logik) Gegeben (Siehe Use-Case-Logik)
Werkzeug des NHMs
Datensicherheit, Datenschutz und Verfügbarkeit sehr großer und Unkontrollierbarkeit von
Compliance. Ohne eingebaute qualitativ hochwertiger Dialoginhalten und -verläufen,
Intelligenz (nur) für fest definierte Datenmengen (Trainingsdaten). unreife Sprachübersetzung,
(regelbasierte) Aufgaben Bedarf an menschlicher Beteiligung Datensicherheit, Datenschutz und
einsetzbar. RPA Ansatz am zur Behandlung von Ausnahmen. Compliance.
Limitierungen sinnvollsten, wenn integriert mit Nicht ohne Aufwand auf andere
anderen Technologien wie IoT und Anwendungsbereiche übertragbar.
Machine Learning. Schlechte Erklärungsfähigkeit
(Blackbox), Datensicherheit,
Datenschutz, Compliance, Bias.
Wie die Potenzialanalyse gezeigt hat, können KI-Technologien theoretisch, und abhängig von
ihrem Reifegrad, als Werkzeug zur Unterstützung des operativen NHMs genutzt werden.
Daraus können für das NHM folgende Fragen entstehen:
 Was sind weitere Entwicklungen, die es zu berücksichtigen gilt?
 Was sind Implikationen dieser Entwicklungen aus einer Managementperspektive?
 Wie kann die Evaluation und Integration von KI-Systemen gestaltet werden?
Diese Fragen sollen im Verlauf des nun folgenden Diskussionskapitels beantwortet werden.
56 DISKUSSION
6 DISKUSSION
Digitalisierung und Nachhaltigkeit scheinen auf den ersten Blick zueinander im Widerspruch
zu stehen, da Nachhaltigkeit für Beständigkeit, Stabilität und langfristiges Gleichgewicht steht,
während Digitalisierung mit ihrer derzeitigen Ausrichtung für disruptive Veränderung steht
(Kap. 2.2). Da es sich bei Nachhaltigkeit aber um ein Leitbild handelt (Kap. 2.1.1), ist es für
einen Vergleich sinnvoller, das Prozesshafte und Werdende einer nachhaltigen Entwicklung
heranzuziehen. Bei dieser Betrachtung scheint sich der vermutete Widerspruch wieder
aufzulösen, da beide Phänomene eine fortlaufende Veränderung und damit auch ein
herausforderndes „moving target“ bedeuten. „Im Wesentlichen ist nachhaltige Entwicklung ein
Prozess des Wandels, in dem die Nutzung von Ressourcen, […] die Richtung technologischer
Entwicklung und institutioneller Wandel miteinander harmonieren und das derzeitige und
künftige Potenzial vergrößern, menschliche Bedürfnisse […] zu erfüllen (RNE 2017, 2). Daher
sollten nachhaltige Entwicklung und Digitalisierung zusammen gedacht werden.
Man könnte sagen, wir vermengen damit eine bisher linear verlaufende nachhaltige
Entwicklung mit einer „perpetual disruption“ (Kap. 2.2.1). Da die Bemühungen um eine
nachhaltige Entwicklung bisher nicht ausreichend waren (UN 2017), scheint es Disruptionen
zu benötigen, um einer enkeltauglichen Zukunft entgegenblicken zu können. Bei dieser
Sichtweise stellt Digitalisierung keinen Widerspruch dar, sondern könnte, wenn sinnvoll
gestaltet, eine große Chance hin zu einer systemimmanenten nachhaltigen Entwicklung sein.
In diesem Geiste werden in den folgenden Abschnitten zu erwartende Entwicklungen und
Implikationen betrachtet, welche es in der Meinungsbildung und als Basis zukünftiger
Entscheidungen zu berücksichtigen gilt, und es werden abschließend
Handlungsempfehlungen für das NHM aufgezeigt.
6.1 Prognosen – die Welt im (digitalen) Wandel

Entwicklungen vorherzusagen, erinnert an ein Zitat, das vielfach dem Physiker Niels Bohr
zugeschrieben wird: „Prediction is very difficult, especially if it’s about the future.” (UNGC
2017b, 3). Aus diesem Grund basiert die folgende Auswahl an Prognosen nicht auf einer
Suche nach Genauigkeit, sondern fokussiert vielmehr auf Anzeichen einer großen
Wahrscheinlichkeit.
6.1.1 Me, Myself and A. I. – A.ugmented I.ntelligence

KI wird als einer der Top-3-Technologie-„Mega-Trends“ im Gartner Hypcycle for Emerging
Technologies 2017 benannt, der die einflussreichsten Technologietrends der nächsten 5 bis
10 Jahre ankündigen soll (Gartner 2017). Es wird erwartet, dass KI in naher Zukunft zum IT-
Mainstream zählt (Böttcher et al. 2017, 73), in fünf Jahren in nahezu jedem Produkt und jeder
Dienstleistung integriert ist und quasi zum Betriebssystem unseres Alltags wird
(Riemensperger 2018).
Nach Accenture wird der Mensch zukünftig weniger Zeit und Aufwand investieren müssen, um
Maschinen zur Bewältigung von Aufgaben zu bewegen. Demnach werden Maschinen immer
DISKUSSION 57
intelligenter – ausreichend, um bald auch auf menschlicher Ebene kommunizieren zu können.

Durch die Interaktion mit anderen KI-Systemen (z. B. von Unternehmen), im Auftrag und
Namen des Benutzers, soll KI zukünftig alles, womit es in Kontakt kommt, intelligenter machen
– und durch das Lernen, wie es geht, wird es seine eigene Benutzerfreundlichkeit permanent
verbessern (Accenture 2017, 30). Weiter prognostiziert Accenture (Accenture 2017, 33):
 In fünf Jahren wird mehr als die Hälfte der Kunden ihre Dienstleistungen nach ihrer KI
anstatt nach ihrer traditionellen Marke auswählen.
 In sieben Jahren werden die meisten Schnittstellen keinen Bildschirm mehr haben und
stattdessen in die täglichen Aufgaben integriert sein.
 In 10 Jahren werden digitale Assistenten so allgegenwärtig sein, dass sie die
Mitarbeiter rund um die Uhr produktiv halten und im Hintergrund für Interaktionen am
Arbeitsplatz arbeiten, wie z. B. die Erstellung von Videozusammenfassungen direkt
nach einem wichtigen Meeting.
Neben den bisherigen Einsatzbereichen von Machine Learning im Unternehmenskontext, wie

z. B. der Optimierung bestehender Prozesse , soll zukünftig die Ausgestaltung und
Automatisierung der digitalen Stakeholder-Interaktion über Sprachsteuerung und digitale
Agenten eine große Bedeutung erlangen (Böttcher et al. 2017, 68). Auch wird erwartet, dass
Unternehmen immer transparenter werden. Technische Assistenzsysteme werden
Servicemitarbeitende und Stakeholder mithilfe aggregierter, visualisierter und verständlicher
Informationen bei raschen Entscheidungen unterstützen (Drenth et al. 2017, 64). KI-
Assistenten werden unter Design Thinking-Aspekten weiterentwickelt und stellen damit die
Anforderungen des menschlichen Nutzers in den Mittelpunkt (Human-centered Innovation).
KI-Elemente werden damit stärker als bisher emotionale Intelligenz und Empathie
demonstrieren. Dies könnte für Unternehmen zu einem kritischen Differenzierungsmerkmal im
Wettbewerb führen (Fjordnet 2016).
Durch KI werden die Interaktionen mit Stakeholdern von einfachen Transaktionsmodellen zu
mehrdimensionalen Dialogen über eine Vielzahl von komplementären Kanälen führen. Dabei
werden KI-gestützte Beziehungen über Schnittstellen und Kommunikationsstile hinweg
bestehen und wachsen können: textbasierte Chats, gesprochene Gespräche, Gesten oder
sogar virtuelle Realität. Durch die Berücksichtigung der persönlichen Vorlieben in jeder
Interaktion wird KI befriedigendere Interaktionen für Individuen auf der Grundlage ihres
situativen Kontextes ermöglichen. Menschen werden wählen können, wie viel und welche Art
der Interaktion sie mit Unternehmen zu einem bestimmten Zeitpunkt haben möchten
(Accenture 2017, 28).
Damit kündigen die mittel- und langfristigen Prognosen zur KI-Entwicklung zum einen
signifikante Veränderungen an der Mensch-Maschine-Schnittstelle und Interaktionsfähigkeit
an und zum anderen eine Tendenz in Richtung allgegenwärtiger KI (IBM 2018c). Kurzfristig
betrachtet, geht Forrester davon aus, dass in denjenigen Unternehmen Ernüchterung eintreten
wird, die KI-Technologien bisher als ein Allheilmittel zur Behandlung sämtlicher
Herausforderungen betrachtet haben. Demnach wird 2018 das Jahr sein, in dem sich die
58 DISKUSSION
Mehrheit dieser Unternehmen mit den harten Fakten beschäftigen wird: KI und andere neue
Technologien erfordern nach wie vor harte Arbeit (Forrester Research 2017b).
Wie in Kap. 5 herausgearbeitet, sind bei einem geplanten Einsatz von KI derzeit einige
Limitierungen zu berücksichtigen. Diese sind u. a. die kritische gesellschaftliche
Wahrnehmung einer berufsgefährdenden Vollautomatisierungstechnologie, ihre schlechte
Erklärungsfähig- und damit Nachvollziehbarkeit (Blackbox) sowie ihre noch unreife
Dialogfähigkeit. Von daher ist es im Prinzip wenig überraschend, dass PwC die Öffnung der
KI-Blackbox37 als eine wesentliche Entwicklungspriorität prognostiziert. Denn eine KI, die sich
unerklärlich verhält – und damit Menschen davor abschreckt sie zu benutzen –, stellt ein
echtes Erfolgsrisiko dar (PwC 2018). Auch IBM prognostiziert, dass es sich bei der weiteren
Entwicklung von KI-Technologie zunächst primär um die Aufhebung ihrer derzeitigen
Limitierungen drehen wird. Demnach wird es u. a. folgende Schwerpunkte geben:
 Vertrauen in die KI aufbauen – menschliche Werte vermitteln und Transparenz
schaffen (IBM 2018a).
 Eine neue KI-Innovationsgleichung – „Deep Reasoning“ tritt in die Gleichung ein, Deep
Learning erhält eine Neugestaltung (IBM 2018e).
 Konversation mit Kontext leitet die Zukunft der KI ein – Umstellung der Mensch-
Maschine-Schnittstelle auf Konversation mit Berücksichtigung des Zusammenhanges
(IBM 2018c)38.
„Mittlerweile hat sich der breite Einsatz von KI als globaler Trend etabliert, dem sich keine
entwickelte Volkswirtschaft und kaum noch ein Unternehmen zu entziehen vermag. Der
Aufstieg der intelligenten Technologie wird die Struktur der Weltwirtschaft tiefgreifend
verändern.“ (Bitkom & DFKI 2017, 13).
Zusammengefasst kann erwartet werden, dass die Relevanz von KI weiter und erheblich
zunehmen wird, dass die benutzerzentrierte Weiterentwicklung der Mensch-Maschine-
Schnittstelle einen signifikanten Einfluss auf die Interaktions- und Nutzungsmöglichkeiten
haben wird und dass sowohl die erfolgreiche Öffnung der KI-Blackbox als auch eine geänderte
gesellschaftliche Wahrnehmung (JapanGov 2017) erfolgskritisch für die Akzeptanz sein
werden (Lange & Santarius 2018, 93).
6.1.2 Von Big Data zur globalen Datensphäre

Ein weiterer Bereich, dessen Entwicklungen beachtlich erscheint, ist der des exponentiellen
Datenwachstums. So gibt z. B. CISCO, weltweit führender Entwickler und Hersteller von
37 Visualisierungen von Entscheidungskriterien bzw. Handlungsoptionen können helfen, die grundsätzliche

Funktionsweise eines KI-Systems zu verstehen (Hermann 2018). Ferner kann die Anwendung der LIME
Technik „Local Interpretable Model-Agnostic Explanations“ sehr nützlich sein. Diese kann die zugrundeliegende
Logik und Vertrauenswürdigkeit einer Maschinenvorhersage erklären (Ribeiro et al. 2016).
38 Als hochaktuelles Beispiel für eine beachtlich Entwicklung an der Mensch-Maschine-Schnittstelle sei hier „Google
Duplex“ genannt. Ein KI-System, das auf die Erledigung spezifischer Aufgaben (Planung bestimmter Arten von
Terminen) ausgerichtet ist und dabei verblüffend menschenähnlich agieren kann (Leviathan & Matias 2018).
DISKUSSION 59
Netzwerkkomponenten, in seiner Studie „The Zettabyte Era“ u. a. folgende globale Prognosen

(CISCO 2017, 2):
 Der Internet-Datenverkehr wird sich über die nächsten 5 Jahre fast verdreifachen.
 Der Smartphone-basierte Datenverkehr wird bis 2021 größer sein als der von PCs.
 Drahtlos- und Mobilgeräte werden bis 2021 mehr als 63 Prozent des gesamten
Datenverkehrs ausmachen.
 Die Anzahl der vernetzten Geräte wird bis 2021 mehr als das Dreifache der
Weltbevölkerung betragen.
Diese Entwicklungen können als Ausläufer der Evolution des Internets zum IoT, als dem
Netzwerk der Netzwerke (Abb. 16). betrachtet werden (CISCO 2011, 4).
Abbildung 16: Das Netzwerk der Netzwerke (CISCO 2011, 4).
Dessen Geburtsstunde soll nach Cisco zwischen 2008 und 2009 gelegen haben, dem
Zeitraum, in dem mehr „Dinge“ als Menschen mit dem Internet verbunden waren (CISCO 2011,
2).
Abbildung 17: Entstehung des Internet of Things (CISCO 2011, 3).

60 DISKUSSION
Durch die zunehmende Ausbreitung des IoTs kann erwartet werden, dass sich das weltweite
Datenvolumen in den kommenden Jahren exponentiell entwickeln wird: von ca. 8,6 Zettabyte
im Jahr 2015 auf rund 40 Zettabyte im Jahr 2020.
Abbildung 18: Entwicklung des weltweiten Datenvolumens (IDC 2017b, 7).
Dabei berücksichtigen die bisher genannten Prognosen noch nicht das Wachstum an
Datenverkehr und Datenvolumen, welches durch geschätzte fünf Milliarden Menschen und
damit neuer Netzwerkteilnehmer erzeugt wird (Diamandis 2018), wenn die globalen
Konnektivitätsprojekte „OneWeb“ (OneWeb 2018) oder „Loon“ (Google 2018) realisiert
würden.39
Die weitere Entwicklung des IoTs könnte dazu führen, dass wir die Vielfalt an gesammelten,
analysierten und verteilten Daten nutzen werden, um diese in Informationen, in Wissen und
(hoffentlich) in Weisheit40 umzuwandeln (CISCO 2011, 2; Kap. 5.2). Um zunächst das nötige
Wissen in der Gesellschaft, Wissenschaft, Politik und Wirtschaft erlangen zu können, wird es
daher von Bedeutung sein, dass die entstehenden Mengen an (nicht personenbezogen) Daten
öffentlich und frei zugänglich gehalten werden (Kap. 5.2; Kap. 2.2.2). Darüber hinaus wird
ebenfalls von Bedeutung sein, dass Datenbestände von Unternehmen überbetrieblich
ausgetauscht werden können, da nachhaltige Entwicklung im Zuge des globalen Wettbewerbs
nur im Rahmen von überbetrieblichen Systemen wirksam durchgesetzt werden kann
(Schaltegger et al. 2007, 170).
39 Bemühungen des Privatsektors, eine weltweit flächendeckende Internetversorgung zu ermöglichen.

40 „Weisheit im Sinne Platons bezeichnet die Erkenntnis der realen Welt, die allein die Philosophen innehaben.“
(Psylex 2018). Da es vermutlich nicht genug Philosophen gibt, um die Digitalisierung zu gestalten, wird
folgendes Begriffsverständnis zugrunde gelegt: „Tiefgehendes Verständnis von Zusammenhängen in Natur,
Leben und Gesellschaft sowie die Fähigkeit, bei Problemen und Herausforderungen die jeweils schlüssigste
und sinnvollste Handlungsweise zu identifizieren.“ (Wikipedia 2018)
DISKUSSION 61
Offene Datensätze sind also nicht nur für die Forschung (z. B. Trainingsdaten für die weitere
Evolution des Machine Learnings) (The White House 2016b, 30; IBM 2018d), sondern auch
für Unternehmen (z. B. Transparenz in der Lieferkette, zukünftige Geschäftsmodelle) von
strategisch entscheidender Bedeutung (Chui et al. 2013; Böttcher 2016), um dadurch einen
breiteren Kontext gewinnen und bessere Entscheidungen treffen zu können (IBM 2017).
In diesem Zusammenhang ist beachtlich, dass wir heute mehr Sichtbarkeit und Zugang zu
Daten und Inhalten haben als je zuvor. Wissenschaft und Unternehmen profitieren von der
Daten-Demokratisierung in einer Weise, die noch vor einem Jahrzehnt unmöglich schien.
Regierungsstellen, Verbände, Bildungseinrichtungen und sogar gemeinnützige
Organisationen erzeugen und teilen Informationen wie nie zuvor über verschiedene Kanäle
und Formate, darunter (IBM 2017):
 soziale Medien.
 Gemeinschaft von Praxisportalen und Extranets.
 Streaming oder aufgezeichnete Videos und Podcasts.
 Whitepapers, E-Books, Berichte und andere Thought-Leadership-Inhalte.
 Berichte der Regierungsbehörden.
Um die Chancen nachhaltiger unternehmerischer Entwicklung realisieren zu können, sollten

Unternehmen öffentliche und frei verfügbare Daten systematisch erschließen und weitere
Datenquellen sowie die Möglichkeiten zur Erschließung lokalisieren. Da Unternehmen oftmals
nicht genügend relevante Datenquellen besitzen, um bestimmte Analysen durchführen zu
können, sollten sie den Zugang zu weiteren Datenquellen entweder durch einen Kauf oder auf
Basis eines Pay-per-Use-Modells evaluieren (Böttcher 2016). Die folgende Tabelle zeigt eine
Auswahl von Anbietern öffentlicher Datenquellen:
Tabelle 9: Anbieter öffentlicher Datenquellen.
Anbieter Inhalte URL

US Regierung Daten, Tools und Ressourcen für
Forschung, Entwicklung, https://www.data.gov/
Datenvisualisierung und mehr.
Open Commons Verwaltung, gemeinsame Nutzung und
Consortium Analyse großer Datenmengen für https://www.opensciencedatacloud.org/
Wissenschaftler.
Senatskanzlei Verwaltungsdaten transparent, offen und
https://www.govdata.de/
Hamburg frei nutzbar.
Google Öffentliche Google BigQuery-Datasets. https://cloud.google.com/bigquery/public-
data/
Amazon Datensätze, die über Amazon-Webservice-
https://registry.opendata.aws/
Ressourcen verfügbar sind.
https://www.quora.com/Where-can-I-find-
et al. Links zu weiteren Quellen.
large-datasets-open-to-the-public
62 DISKUSSION
Zusammenfassend kann festgestellt werden, dass wir uns in Zeiten eines exponentiellen
Datenwachstums, getrieben durch das Wachstum des IoTs, befinden, dass die Verfügbarkeit
öffentlicher Datensätze genutzt werden könnte und sollte, um ein umfassenderes
Kontextverständnis zu erlangen und auf dieser Basis bessere Entscheidungen zu treffen.
Zudem könnte es für Unternehmen Sinn ergeben, öffentliche und private Datenquellen
systematisch zu erschließen, um damit Chancen nachhaltiger unternehmerischer Entwicklung
realisieren zu können.
Da sich die datenorientierte Zusammenarbeit zwischen Unternehmen, Non-Profit-
Organisationen und Regierungen weiterentwickelt (GP4SDD 2018; UNGC 2017b;
IEAGDR4SD 2018)41, können Fortschritte bei der Kartierung von Risiken im Zusammenhang
mit natürlichen Ressourcen, Arbeitspraktiken und einer Vielzahl anderer Bereiche erwartet
werden (Segars 2018). Dabei scheint die Ära der Hypervernetzung gerade erst begonnen zu
haben. Das bedeutet, es wird zunehmend darauf ankommen, Relevantes von Irrelevantem in
stetig wachsenden Datenbergen unterscheiden zu können (Beim & Fleischer 2017). Kann KI
für das NHM hierfür eine ultimative Lösung bereitstellen?
6.1.3 Die ultimative KI-Lösung

Glühende Medienberichte mögen suggeriert haben, dass KI ein Zauberstab sei, der so einfach
installiert werden könne wie eine Microsoft-Software, aber dem ist nicht so (Kap. 6.1.1). KI-
Systeme erfordern eine gründliche Datenaufbereitung, eine intensive Überwachung der
Algorithmen und viele Anpassungen, um sinnvoll verwendbar zu sein (Suich Bass 2018;
Böttcher et al. 2017, 74).
Zudem ist zu berücksichtigen, das noch viele Forschungslücken und systemische Schwächen
von KI-Systemen bestehen, die auch auf absehbare Zeit erhalten bleiben werden (IBM 2016a;
Bitkom & DFKI 2017, 167)42, und dass sich der KI-Bereich immer noch rasant entwickelt und
selbst Experten Schwierigkeiten haben, den Fortschritt in diesem Bereich zu verstehen und zu
verfolgen (SAIL 2017, 5). Ferner ist die Anbieterlandschaft für KI-Systeme fragmentiert, es gibt
einen Mangel an Talenten und die Integration in bestehende Systeme stellt ebenfalls eine
große Herausforderung dar (Davenport et al. 2017, 2).
So wenig wie es die eine Kennzahl gibt, die über alle relevanten ökonomischen oder gar
Nachhaltigkeitsaspekte informiert (Sailer 2017, 217), so wenig gibt es die eine KI-Lösung für
das Management beliebiger Komplexitäten in beliebigen Kontexten. Welche Lösung geeignet
ist, hängt von vielen Faktoren ab: konkrete Anforderungen, unternehmensspezifische
Prozesse, Größe, Komplexität der Unternehmensorganisation, Branchenspezifika,
bestehende IT-Systeme und Standards, vorhandenes Know-how etc. (Prengel 2017).
Damit kann zusammenfassend konstatiert werden: „Due to the inherent complexity and
uncertainty of human and natural systems, simple and generally applicable solutions are
unlikely to be sufficient and ‘perfect’ solutions are mostly not (a priori) at hand (Schaltegger et
al. 2017, 114).
41 Siehe auch Projekt iGreen (DFKI 2018).

42 Z. B. KI-Blackbox, Verfügbarkeit von Erfahrung & Expertenwissen, Intuition und „gesunder Menschenverstand“.
DISKUSSION 63
6.2 Implikationen für das Management

Was bedeutet das alles für das Management nachhaltiger Entwicklung? „Der erste Schritt, den
vielfältigen Herausforderungen entgegen zu treten [sic!], ist ein mentaler: Die Erkenntnis, dass
die Digitalisierung den Beginn einer neuen Epoche des Lebens und des Wirtschaftens
markiert, in der herkömmliche Modelle immer weniger greifen.“ (Beim & Fleischer 2017). In
einem zweiten Schritt empfiehlt es sich, sich ein allgemeines Verständnis für die Technologien
und Einsatzmöglichkeiten in allen Managementebenen anzueignen (Bienert 2018). Weitere
Handlungsempfehlungen werden in Kap. 6.3 aufgezeigt. Doch zunächst wollen wir uns näher
anschauen, welchen Einfluss die Digitalisierung vermutlich auf die Wissensarbeit haben wird.
Könnte die Funktion des NHMs vielleicht automatisiert werden?
6.2.1 Die (R)Evolution der Wissensarbeit

In einer Studie zur Automatisierbarkeit von Arbeitsplätzen in 702 Berufen kamen Frey &
Osborne (2013) zu der Erkenntnis, dass es einen negativen Zusammenhang zwischen der
Wahrscheinlichkeit der Automatisierung und dem Lohn-/ Bildungsniveau eines Berufes gebe.
Sie prognostizierten daraufhin, dass 47% der Beschäftigten in den USA durch Automatisierung
gefährdet seien. Der Untersuchungsansatz dieser Studie wurde auf Deutschland übertragen
und ergab: „Demnach arbeiten derzeit 42 % der Beschäftigten in Deutschland in Berufen mit
einer hohen Automatisierungswahrscheinlichkeit.“ (ZEW 2015, 1).
Geht man nun davon aus, dass in erster Linie Tätigkeiten und weniger ganze Beruf
automatisiert werden, und berücksichtigt man weiter, dass nicht alle Beschäftigten der
gleichen Berufsgruppen auch dieselben Tätigkeiten ausüben, so ergibt dieser alternative
Betrachtungsansatz, dass in den USA 9% und in Deutschland 12% der Arbeitsplätze ein
Tätigkeitsprofil mit einer relativ hohen Automatisierungswahrscheinlichkeit aufweisen. Die
identifizierte Korrelation zwischen einer hohen Automatisierungswahrscheinlichkeit für
Geringqualifizierte und Geringverdiener bleibt jedoch bestehen (ZEW 2015, 1). Die
Organisation für wirtschaftliche Zusammenarbeit und Entwicklung schätzt, dass in allen
Mitgliedsstaaten 9% aller Arbeitsplätze automatisierbar sind, weitere 15-35% der Arbeitsplätze
werden von signifikanten Aufgabenänderungen betroffen sein (Arntz et al. 2016).
Bei den verschiedenen derzeit verfügbaren Studien und Analysen bleibt letztlich unklar, was
der verstärkte Einsatz von Technologie für den Arbeitsmarkt bedeutet, aber insgesamt scheint
es einen gewissen Konsens zu geben, dass zwischen 10-20% aller derzeitigen Arbeitsplätze
gefährdet sein könnten, während weitere 20-30% stark von der Digitalisierung betroffen sind.
Das bedeutet, dass bis zu 50% der heute ausgeführten Arbeiten stark betroffen sein und sich
signifikant in den nächsten Jahren verändern werden (Osburg & Lohrmann 2017, 11).
Dabei sind Veränderungen am Arbeitsplatz nicht neu. Vor rund 200 Jahren arbeiteten 70% der
Amerikaner auf Farmen, heute sind es weniger als 1%. Als die Maschinen die Farmarbeit
übernahmen, kümmerten sich die Landarbeiter um die Instandhaltung und das Management.
Aber heute stehen wir vor einem anderen Szenario: Diesmal werden nicht nur physische durch
intellektuelle Jobs ersetzt, sondern Maschinen erfüllen immer mehr intellektuell anspruchsvolle
Aufgaben (Brynjolfsson & McAfee 2015). Das bedeutet, KI-Systeme erfüllen Aufgaben, nicht
ganze Berufe (Davenport & Ronanki 2018). Um den Einfluss von KI auf die Arbeitsplätze von
64 DISKUSSION
Wissensarbeitern zu verstehen, sollte man daher zunächst die Anatomie der ausgeführten
Aufgaben untersuchen (Agrawal et al. 2017).
Was bedeutet das für die Managementfunktion und Rolle des NHMs? Angesichts der
Querschnittsfunktion, des breiten Themenspektrums und der facettenreichen Anforderungen
sind explizite NHM eher als Generalisten und Systemdenker herausgefordert (Schaltegger
2015, 23). Daher ist davon auszugehen, dass Digitalisierung das NHM nicht auflösen wird, da
das Aufgabenfeld und Berufsbild des NHMs sich nicht digital einlesen und ausfüllen lässt.
Jedoch macht Digitalisierung das Aufgabenfeld eher anspruchsvoller und breiter, sowohl für
explizite als auch für implizite NHM (Schaltegger & Petersen 2017, 20). Solange nachhaltige
Entwicklung noch nicht in die DNA eines Unternehmens eingegangen ist (Schaltegger 2016)43,
wird die Rolle des NHMs weiter benötigt.
KI-Technologien wird das Potenzial zugesprochen, wissensbasierte Arbeit transformieren zu
können (MIT Sloan CIO Symposium 2017). Können sie also auch die Arbeit des NHMs
transformieren?
6.2.2 Die Transformation des NHMs

Wenn der Megatrend Digitalisierung die Art, wie und was wir arbeiten, grundlegend verändern
wird (Kap. 1.1; Kap. 6.2.1), wenn organisatorische Veränderungsprozesse jede Branche und
jeden Winkel eines Unternehmens erreichen werden (Kap. 2.2.1) und wenn KI das Potenzial
hat, die menschliche Intelligenz effektiv zu erweitern, sodass wir (sinnvolle) Dinge tun können,
die bisher für uns unmöglich waren (Kap. 2.2.2), könnte diese Kombination dann das
Fundament bereiten, auf dem eine Transformation des NHMs realisiert werden könnte? Und
falls dem so wäre, was würde eine Transformation für das NHM bedeuten? Woran würde man
erkennen, dass sie passiert (ist)? Bevor wir uns an die Beantwortung dieser Fragen wagen,
wollen wir uns zunächst vor Augen führen, wie die Erfolgsquoten von
Nachhaltigkeitsprogrammen in Unternehmen aussehen, wovon diese abhängig sind und wie
das NHM diese gegebenenfalls positiv beeinflussen könnte.
43 „Unternehmerische Nachhaltigkeit setzt weder am Ende noch am Anfang eines Produktionsablaufs ein, sondern
in der DNA eines Unternehmens – den Geschäftsmodellen!”.
DISKUSSION 65
In einer Studie von Bain & Company zur Analyse von Transformationsprogrammen in
Unternehmen waren 93% der befragten CEOs (n = 300) der Meinung, dass Nachhaltigkeit
wichtig für den zukünftigen Geschäftserfolg sei. Gleichzeitig wurde aber festgestellt, dass 98%
der untersuchten Nachhaltigkeitsinitiativen fehlschlugen (Abb. 19), da ihnen ausreichende
Senior-Management-Unterstützung fehlte, um sicherzustellen, dass das Projekt ausreichende
Ressourcen zur Verfügung hat, dass Mitarbeiter motiviert und unterstützend sind, dass andere
Prioritäten nicht im Wege stehen und dass es klare Messwerte zur Bestimmung des Erfolges
gibt (Davis-Peccoud et al. 2016).
Abbildung 19: Erfolgsquoten allgemeine vs. nachhaltige Veränderungsprogramme (Davis-Peccoud et

al. 2016).
Nach dieser Analyse stellt sich die Frage, warum ist das so? Warum bewerten Führungskräfte
mit überwältigender Mehrheit eine nachhaltige Unternehmensentwicklung als wichtig für den
Geschäftserfolg und geben dieser dann nicht die notwendige Priorität und Unterstützung?
Dazu sei zunächst noch einmal ein kurzer Blick auf Zweck und Ziel des NHMs gerichtet.
Betrachtet man professionelles NHM als Implementierung eines systemischen Ansatzes, der
nicht nur zur Optimierung konkreter Zustände, wie z. B. einer Steigerung der
Ressourceneffizienz führt, sondern die Steuerungsfähigkeit des gesamten Unternehmens
verbessern soll (Schaltegger et al. 2007, 13), und sieht man darüber hinaus das eigentliche
Ziel der nachhaltigen Entwicklung in Unternehmen in der Integration, d. h. der koordinierten
Begegnung der zentralen Herausforderungen und der Zusammenführung des konventionellen
Managements mit dem Management von Nachhaltigkeitsaspekten zu einem integrativen NHM
(Kap. 4.1.1), dann sind Werkzeuge, die dem Management die Realisierung der beiden
Integrationsziele ermöglichen, auf dem Weg der nachhaltigen Entwicklung von besonderer
Bedeutung (Schaltegger et al. 2007, 22).
Vergegenwärtigen wir uns nun nochmal, was die Analyse der KI-Potenziale als Werkzeug des
NHMs bei der Bewältigung von NH-Herausforderungen ergab. Hier konnte festgestellt werden,
dass neben zu erwartenden Aufwandsreduktionen und Geschwindigkeits- und Qualitäts-
steigerungen beim Datenmanagement auch eine langfristig zu erwartende Neudefinition der
Art und Weise der Interaktion mit Stakeholdern auf der Kommunikations- und Berichtsebene
66 DISKUSSION
erwartet werden kann. Des Weiteren konnte im Anwendungsbereich der kognitiven Einsichten
eine verbesserte Kenntnis des komplexen Kontextes durch die Fähigkeit der KI, Ursache-
Wirkungsbeziehungen zu erkennen und Zielkonflikte abzubilden sowie eine höhere
Entscheidungsagilität als zu erwartende Resultate festgestellt werden (Kap. 5.3).
Um die notwendige Aufmerksamkeit und Unterstützung der Entscheider im Unternehmen zu
erreichen, ist es notwendig, dass dieser Ebene Sichtbarkeit über Ursache-
Wirkungsbeziehungen verschafft wird und damit Verständnis für Treiber und Indikatoren, die
den wichtigsten sozialen und ökologischen Auswirkungen vorausgehen (Schaltegger et al.
2017, 116) und die Basis für integriertes Denken und Handeln bereiten kann. Dass bis dato
das NHM nicht integriert gestaltet ist, lässt darauf schließen, dass den Entscheidern diese
Ursache-Wirkungszusammenhänge nicht transparent sind, da davon auszugehen ist, dass sie
anderenfalls die notwendigen Prioritäten setzen und die Veränderungsprogramme zur
nachhaltigen Unternehmensentwicklung sichtbar und energisch unterstützen würden, wenn
nachgewiesen werden könnte, dass sich der Business Case for Sustainability rechnet.
Wenn also das NHM durch den Einsatz von KI theoretisch in die Lage versetzt werden kann,
Ursache-Wirkungszusammenhänge und Zielkonflikte transparent zu machen, dann könnte
das zu einer Transformation des NHMs hin zu einem integrativen NHM führen, da es keinen
ökonomischen Sinn ergeben würde, die nun bekannten und ergebnisrelevanten
Interdependenzen auf der Entscheiderebene zu ignorieren (Bspl. SAP BHCI Kap. 4.1.3). Dass
eine solche Transformation passiert (ist), wäre dann u. a. an einem mit dem konventionellen
Controlling harmonisierten und in der Folge integrierten Erfassungs-, Bewertungs- und
Berichtswesen sowie durch faktisch integratives Denken und Handeln (walk the talk) zu
erkennen. Zusätzliche Transformationsindikatoren wären gegeben, wenn die Messung und
Beurteilung von NH-Leistungen zum einen auf wissenschaftsbasierten Zielen fußten
(adressiert im planetarischen Grenzkonzept von Rockström et al. 2009), indem diejenigen
sozialen und ökologischen Themen betrachtet würden, die am kritischsten in der jeweiligen
Industrie oder Situation wären und die dazu beitragen, für und in einem sicheren
Handlungsraum für die Menschheit zu wirtschaften (Schaltegger et al. 2018); zum anderen,
wenn die generierten Informationen und angewendeten Indikatoren mit den SDGs operativ
und nachvollziehbar verlinkt wären (Schaltegger et al. 2017, 116).
Digitalisierung kann zu einer nachhaltigen Entwicklung führen oder auch nicht. Denn um ihren
Nutzen zu entfalten, ob als Beitrag zur Erreichung von Nachhaltigkeitszielen oder zu einer
Transformation, müssen Technologien an die Hand genommen werden (Schaltegger &
Petersen 2017, 17).
6.3 Handlungsempfehlungen für das NHM

Nachdem der erste mentale Schritt gegangen und die Erkenntnis gereift ist, dass eine neue
Epoche begonnen hat (Kap. 6.2), empfiehlt es sich in einem zweiten Schritt, ein allgemeines
Verständnis für die Technologien, ihren Reifegrad und ihre Einsatzmöglichkeiten zu erwerben
(Kap. 4.2). Um das Technologie- und damit Potenzialverständnis über die bisherige
DISKUSSION 67
Darstellung hinaus noch etwas zu schärfen, wird im Folgenden, als kurzer Exkurs, die
größtmögliche Vereinfachung eines Modells zur modernen KI vorgestellt.
Diese besteht aus vier in unterschiedlichen Anteilen enthaltenen Kernfähigkeiten: Sense,
Comprehend, Act and Learn (Wahrnehmen, Verstehen, Handeln und Lernen). „Sense,
Comprehend and Act“ entspricht der Methode, auf der die meisten klassischen EDV-Systeme
basieren: Input – Prozess – Output oder Eingabe – Verarbeitung – Ausgabe. Was wirklich neu
ist, ist die Lernfähigkeit und, davon ausgehend, auch das Verstehen. Das Besondere an
heutigen „echten“ KI-Systemen ist, dass sie in der Verarbeitungskomponente trainiert werden
und so immer bessere Ergebnisse erzielen können (Bitkom & DFKI 2017, 31).
Abbildung 20: Vereinfachung eines Modells zur modernen KI (Bitkom & DFKI 2017, 32).
Welches enorme Potenzial in den Anwendungen besteht, wird deutlich, wenn man die vier
Kernkomponenten detaillierter betrachtet (Bitkom & DFKI 2017, 32):
1. Sense – Vielfalt an verarbeiteten Datenarten und Datenmengen, die kaum noch
Limitationen unterliegen.
2. Comprehend – Die verarbeitende Komponente wird um KI-Methoden, meist
Sprachverstehen und Deep bzw. Machine Learning, erweitert. Die Experten-Software
wird damit um eine trainierbare, lernende Komponente erweitert.
3. Act – Die Ausgabekomponente beinhaltet alle Steuerungsmöglichkeiten moderner IT-
Systeme, wie z. B. intelligente Prozess- oder Gerätesteuerung.
4. Learn – Das Besondere an aktuellen KI-Systemen ist nun, dass sie während der
Trainingsphase, aber auch im laufenden Betrieb, aus ihren Fehlern bzw. anhand eines
Feedbacks lernen können.
68 DISKUSSION
Übertragen auf das NHM als evolutionärer Ansatz zur Datenerhebung, könnte z. B. das IoT
zur Verschmelzung virtueller und realer Produktionsräume in cyber-physischen Systemen
genutzt werden, um die echtzeitliche Messung, Analyse, Abbildung und Optimierung
betrieblicher Stoff- und Energieströme zu realisieren. Ähnliches könnte für das Facility-
Management der Gebäude oder die Überwachung des Fuhrparkverbrauchs gelten
(Schaltegger & Petersen 2017, 17). Der Zeitpunkt für eine Realisierung scheint aus einer
Budgetierungsperspektive günstig zu sein: „87% of CFOs Plan to increase their investment in
corporate reporting technologies over the next two years“ (EY 2017, 9).
Nachdem das Technologie- und Potenzialverständnis (zweiter Schritt) weiter geschärft
wurden, betrachten wir nun den dritten Schritt, die Identifikation von Use Cases mit dem
Potenzial, den größten Wertbeitrag leisten zu können (Kap. 5.1). Im Sinne von revolutionärem
Denken und evolutionärem Handeln empfiehlt es sich, hier zunächst von hochambitionierten
„Mondraketen“ (Moonshots) abzusehen (Davenport & Ronanki 2018). I. d. R. sind diese
weniger erfolgreich als „low-hanging-fruit"-Projekte, die Geschäftsprozesse verbessern,
Einspar- und Konsolidierungspotenziale realisieren und damit Anfangsinvestitionen
rechtfertigen und Ressourcen für weitere Projekte verfügbar machen können (Böttcher et al.
2017, 73). Für Anregungen zu potenziell übertragbaren Use Cases auf Basis von
Anwendungsbeispielen verschiedener Branchen siehe Anhänge 1 bis 11.
Nachdem vielversprechende Use Cases identifiziert wurden, empfiehlt sich als vierter Schritt
die Erstellung eines Projektportfolios. Dieses Portfolio sollte nicht nur darüber informieren, wo
der theoretische Wertbeitrag gesehen wird, sondern auch darüber, wie die Technologie im
gesamten Unternehmen eingesetzt werden kann. Die Frage nach einer Skalierung wird
weniger von der Technologie selbst, als vielmehr von den Fähigkeiten, Möglichkeiten und
Daten eines Unternehmens bestimmt. Dabei sollte man sich zum einen Gedanken über die
„erste Meile" machen, d. h. wie man Daten und Aufwände erfasst und organisiert, und zum
anderen über die „letzte Meile", d. h. wie man die Ausgabe von KI-Modellen in die
Arbeitsabläufe integrieren kann, vom Leiter klinischer Studien über den Außendienst bis hin
zum Einkaufsleiter. Darüber hinaus sollte man bei dem Einsatz von KI-Systemen, angesichts
wachsender gesellschaftlicher Bedenken, eine sichere und verantwortungsvolle Datennutzung
und die betriebenen Geschäftsmodelle, die die Nutzer- oder Kundendaten nutzen, kritisch
überprüfen (Chui et al. 2018, 29f.).
Als letzten Schritt (fünf) empfiehlt es sich, Piloten zu starten und Prototypen umzusetzen. Da
die Lücke zwischen aktuellen und gewünschten KI-Fähigkeiten nicht immer offensichtlich ist,
sollten zunächst Pilotprojekte für KI-Anwendungen erstellt werden. Proof-of-Concept-Piloten
eignen sich dabei besonders für Use Cases, die einen potenziell hohen Wertbeitrag
versprechen oder die es dem Unternehmen ermöglichen, verschiedene Technologien zur
gleichen Zeit zu testen. Falls geplant ist, im Unternehmen mehrere Piloten zu starten, sollte
die Schaffung eines KI-Kompetenzzentrums oder einer ähnlichen Struktur für ein Programm-
Management erwogen werden. Dieser Ansatz trägt dazu bei, die erforderlichen
technologischen Fähigkeiten und Fertigkeiten innerhalb der Organisation aufzubauen und
gleichzeitig kleine Piloten in umfangreichere Anwendungen mit größerer Wirkung überführen
DISKUSSION 69
zu können (Davenport & Ronanki 2018). Schließlich sollten erste Prototypen zügig umgesetzt
werden, um Feedback- und Lernprozesse zeitnah in Gang zu setzen (Böttcher et al. 2017, 73).
Zusammengefasst ergibt sich damit ein fünfstufiges Empfehlungsrahmenwerk zur Evaluation
und Integration von KI-Systemen (angelehnt an Davenport & Ronanki 2018):
1. Erkenntnis schaffen (Beginn einer neuen Epoche, Handlungsbedarf)
2. Technologien verstehen (Eignung für spezifische Problemlösung und Reifegrad)
3. Use Cases identifizieren (nach größtem Wertbeitrag)
4. Projektportfolio erstellen (Priorität 1 für Low-Hanging-Fruits)
5. Piloten starten & Prototypen schnell umsetzen (Fähigkeiten-Lücke früh erkennen und
Lernprozesse zeitnah in Gang setzen).
Um ein Gefühl dafür zu bekommen, wie lange die Implementierung eines KI-Systems (in
Abhängigkeit von den in Kap. 6.1.3 genannten Faktoren) ungefähr dauern kann, sei an dieser
Stelle die „10-10-10“-Methode von CognitiveScale erwähnt. Diese gibt eine einprägsame
Indikation für die Dauer der Konfiguration und Visualisierung, der Testphase und das Erreichen
des ROI (CognitiveScale 2018).
Abbildung 21: Beispielhafter Implementierungs- & ROI-Zeitraum eines KI-Systems (CognitiveScale

2018).
Mit diesen Handlungsempfehlungen wird deutlich, dass sich die Ansprüche an das
technologische Verständnis des NHMs vertiefen und dass das NHM die Digitalisierung als
Chance ergreifen und sich frühzeitig in den Gestaltungsprozess einbringen sollte (Schaltegger
& Petersen 2017, 18). Darzustellen, wie dies systematisch-evolutionär angegangen werden
könnte, war die Motivation für diesen Abschnitt.
70 DISKUSSION
Das Kap. Handlungsempfehlungen abschließend, wollen wir noch einmal in den visionären
Bereich vordringen und uns anschauen, was das NHM Dank technologischer Entwicklungen
initiieren könnte, und unter besonderer Beachtung sozialer Implikationen, auch tun sollte.
Folgende Aspekte können zunächst als evident betrachtet werden:
 Deep Learning ermöglicht selbstlernende KI-Systeme (Kap. 5.1.2).
 Diese Fähigkeit ermöglicht Lösungen, die ohne menschliche Anleitungen und nur auf
Basis definierter Grundregeln alles lernen können, was es über eine definierte Domäne
und zur Erreichung eines definierten Zieles (z. B. Societatem Sustinens, das
nachhaltige Unternehmen) zu lernen gibt (Kap. 5.1.2).
 Dies mit einer Geschwindigkeit, Effektivität und Effizienz, welche die kognitiven
Möglichkeiten eines Menschen weit übersteigen (Kap. 4.2.4).
 Damit zu ganz neuen Einsichten, Erkenntnissen und Transparenz führen können (Kap.
4.2.1).
 Was das Potenzial bedeutet, wissensbasierte Domänen transformieren zu können
(Kap. 6.2.1).
Man stelle sich vor, ein Deep Learning basiertes KI-System das ausgerichtet wird um alles
verfügbare zu lernen über:
 Gestaltungsmöglichkeiten für Öko Effektivität, Sozio Effektivität, Öko-/Sozio-Effizenz
und Ansätze zur Integration des Umwelt- und Sozialmanagements in das konventionell
ökonomisch ausgerichtete Management (Kap. 4.1.1).
 Gestaltungsmöglichkeiten für die Messung und Bewertung von NH-Leistungen auf der
Basis von wissenschaftsbasierten Zielen (planetares Grenzkonzept) und unter
Berücksichtigung derjenigen sozialen und ökologischen Themen, die am kritischsten
in der jeweiligen Industrie und Situation sind (Kap. 6.2.2).
 Gestaltungsmöglichkeiten für die operative und nachvollziehbare Verlinkung
betrieblicher Aktivitäten mit den SDGs (Kap. 6.2.2).
Welche Impulse könnten von solch einem KI-System erwartet werden? Könnten diese zu einer
Transformation des NHMs führen? Was würde eine Anwendung dieses Systems auf alle
Unternehmen weltweit für das intergenerationale Ziel der Gerechtigkeit und damit für die
Enkeltauglichkeit unternehmerischen Handelns bedeuten?
ZUSAMMENFASSUNG 71
7 ZUSAMMENFASSUNG
„Mit der Agenda 2030, […] hat sich die Weltgemeinschaft zu Nachhaltigkeit und
Transformation bekannt. Die Agenda ist ein Weltzukunftsvertrag, an dem wir alle,
Regierungen, Unternehmen, Wissenschaft und Zivilgesellschaft, unser Handeln ausrichten
sollten.“ (Steinmeier 2017).
Den Beginn dieser Arbeit markierte die Aussage, dass wir am Rande einer technologischen
Revolution stehen, die die Art wie wir leben, arbeiten und miteinander umgehen grundlegend
verändern wird und dass diese Transformation in ihrer Größe, ihrem Umfang und ihrer
Komplexität anders sein wird als alles, was die Menschheit bisher erlebt hat. Weiter wurde
dargestellt, dass die Generation, der jetzt Lebenden die erste sein könnte, die mit der Gefahr
eines globalen Systemzusammenbruchs konfrontiert ist, aber auch die erste mit den
technologischen und wissenschaftlichen Mitteln und Fähigkeiten diesen Prozess zu stoppen
bevor er irreversibel wird.
Was die Bemühungen von Unternehmen zur Gestaltung einer nachhaltigen Entwicklung
betrifft, so musste konstatiert werden, dass die Anstrengungen bisher über ein bestimmtes
Maß nicht hinausgekommen sind. Als anzustrebendes Zielsystem wurde daraufhin ein
integriertes Erfassungs-, Bewertungs- und Berichtswesen aufgezeigt, als Grundlage und
Evidenz für integriertes Denken und Handeln sowie einer ganzheitlichen
Unternehmensführung orientiert am „Sustainable Value“ für die Gesellschaft. Dabei wurde
betont, dass NHM dann als integriert angesehen werden kann, wenn es ähnlich systematisch
und systemgestützt umgesetzt wird, wie alle anderen Geschäftsprozesse in einem
Unternehmen.
Im Weiteren wurde herausgearbeitet, dass Nachhaltigkeit als ein normatives Leitbild orientiert
an einem Idealzustand verstanden werden kann und damit von einer nachhaltigen Entwicklung
als kontinuierlichen Veränderungsprozess und „moving target“, zu unterscheiden ist. Diesen
aus unternehmerischer Perspektive so zu gestalten, dass die Art der Gewinnerzielung umwelt-
und sozialverträglich umgesetzt wird, wurde als Anspruch, Aufgabe und Ziel des NHMs
festgestellt. Das NHM formal implementiert, stellt eine explizite betriebliche
Querschnittsfunktion dar, die zur Bewältigung ihrer Aufgabe die Unterstützung von impliziten
NHMs in den Fachbereichen benötigt.
Aus einer vergleichenden Meta-Perspektive heraus wurde die Annahme geäußert, dass
Digitalisierung, mit ihrer heutigen Ausrichtung auf disruptive Veränderung (dynamische
Dimension), und Nachhaltigkeit, mit ihren Merkmalen Beständigkeit und Stabilität (statische
Dimension), zueinander im Widerspruch stehen könnten. Diese Annahme konnte insofern
aufgelöst werden, als dass ein Vergleich zweier dynamischer Dimensionen (Digitalisierung vs.
nachhaltige Entwicklung) sinnvoller erschien, und bei einer solchen Betrachtung die
Gemeinsamkeit der kontinuierlichen Veränderung deutlich wurde.
Aus einer makroökonomischen Perspektive konnten wir beobachten, dass bei der Nutzung
fortschrittlicher Technologien zur Problemlösung kontinental unterschiedliche Visionen verfolgt
72 ZUSAMMENFASSUNG
werden. Während in Europa die Digitalisierung von Produktionsprozessen (Industrie 4.0)

bisher im Vordergrund steht, kann in Asien der Fokus auf einer Bewältigung zentraler
Herausforderungen der Gesellschaft (Society 5.0) beobachtet werden. Dies u. a. durch die
Nutzbarmachung von KI, als diejenige unter den fortschrittlichen Technologien, welche das
Potenzial haben könnte, zur Lösung einiger der dauerhaftesten Probleme der Welt beizutragen
und deren Auswirkungen sogar tiefgreifender sein könnten, als dies durch die
Nutzbarmachung von Elektrizität oder Feuer der Fall war.
Für eine Potenzialanalyse der KI als Werkzeug des NHMs wurden in Kap. 5 high level Demand
Stories & Use Cases entwickelt, KI-Technologien zugeordnet und deren besondere
Fähigkeiten, ihr Reifegrad, die Anwendungshäufigkeit und ihre Anwendbarkeit als Werkzeug
des NHMs bewertet sowie limitierende Faktoren wie z. B. Datensicherheit, Datenschutz,
Compliance und eine kritische gesellschaftliche Wahrnehmung aufgezeigt. Daraufhin wurde
ein visionäres Anwendungsszenario präsentiert, dass zwar etliche Fragen offenließ, aber auch
dazu geführt hat zu realisieren, dass Fragen zur Lösung von Problemen bei der
Nutzbarmachung technologischer Optionen nicht mit „könnten wir“, sondern mit „sollten wir“
zu beginnen sind.
Die Analyse der operativen Herausforderungen des NHMs ergab konsolidiert betrachtet, dass
diese im Ende zu Ende Management von Daten über NH-Leistungen zu verorten sind, von der
vollständigen Erhebung und Aufbereitung, über die Ursache-Wirkungs-, Trend- und
Szenarioanalyse bis hin zur zeitnahen, personalisierten und interaktiven Vermittlung der
bisherigen und noch zu verbessernden NH-Leistungen. Des Weiteren ergab die Untersuchung
der KI Potenziale im Kontext betrieblicher Anwendungsbereiche, dass die präzise Erfassung
und zeitnahe Bearbeitung von strukturierten und unstrukturierten Daten über verteilte
Systeme, die Muster- und Ursache-Wirkungserkennung, die Bedeutungsinterpretation und die
Entscheidungsunterstützung auf Basis großer Datenmengen sowie die personalisierte,
interaktive und zeitnahe Stakeholder Kommunikation zu den besonderen Fähigkeiten der
betrachteten KI Technologien gezählt werden können.
Abschließend ergab die Analyse und Bewertung der KI-Potenziale im Kontext der operativen
Herausforderungen des NHMs und auf Basis der entworfenen Demand Stories und Use
Cases, dass KI als Werkzeug des NHMs nutzbar gemacht werden könnte, und dass sich eine
zeitnahe Nutzbarmachung, in Abhängigkeit von ihrem Reifegrad, empfiehlt.
In Kap. 6 wagten wir zunächst einen Blick nach vorne und stellten dabei fest, dass
Vorhersagen sehr schwierig sein können, vor allem, wenn es sich dabei um die Zukunft
handelt. Anhand von Studien und Prognosen renommierter Organisationen konnten als zu
erwartende Entwicklungen aufgezeigt werden, dass sich der breite Einsatz von KI als globaler
Trend weiter etablieren wird und das sich dem keine entwickelte Volkswirtschaft zu entziehen
vermag. Ferner, dass die Integration von KI in nahezu jedes Produkt und jede Dienstleistung
erwartbar sein dürfte und das die benutzerzentrierte Weiterentwicklung der
konversationsbasierten Mensch-Maschine-Schnittstelle einen signifikanten Einfluss auf die
Interaktions- und Nutzungsmöglichkeiten haben wird und das sowohl die erfolgreiche Öffnung
der KI-Blackbox, als auch eine geänderte gesellschaftliche Wahrnehmung erfolgskritisch für
die Akzeptanz der KI sein werden.
ZUSAMMENFASSUNG 73
Darüber hinaus wurde eine wachsende Anzahl vernetzter „Dinge“ im IoT, als Evolution des
Internets betrachtet, und festgestellt, dass die weitere Entwicklung des IoTs dazu führen
könnte, dass wir die Vielfalt an gesammelten, analysierten und verteilten Daten nutzen
werden, um diese in Wissen und (hoffentlich) in Weisheit umzuwandeln. Es wurde deutlich,
dass wir uns durch die zunehmende Ausbreitung des IoTs in Zeiten eines exponentiellen
Datenwachstums befinden, dass die Verfügbarkeit öffentlicher Datensätze genutzt werden
könnte und sollte, um ein umfassenderes Kontextverständnis zu erlangen und auf dieser Basis
besser Entscheidungen treffen zu können. Und dass es für Unternehmen Sinn machen könnte,
öffentliche und private Datenquellen systematisch zu erschließen, um damit neue Chancen
nachhaltiger unternehmerischer Entwicklung realisieren zu können.
Aus einer KI-Lösungsperspektive heraus wurde beleuchtet, dass glühende Medienberichte
eine KI suggeriert haben mögen, die wie ein Zauberstab sei, der so einfach installiert und
nutzbar gemacht werden kann wie eine Microsoft-Software. Jedoch stellte sich heraus, dass
KI-Systeme, durch die Notwendigkeit einer gründlichen Datenaufbereitung und einer
intensiven Überwachung der Algorithmen, harte Arbeit sind. Ferner, dass noch viele
Forschungslücken und systemische Schwächen von KI-Systemen bestehen, die vermutlich
auch auf absehbare Zeit erhalten bleiben werden, und dass sich der KI-Bereich rasant
entwickelt und selbst Experten Schwierigkeiten haben den Fortschritt zu verfolgen. Auf der
Suche nach einer ultimativen KI-Lösung musste abschließend festgestellt werden, dass es
diese ebenso wenig gibt, wie die eine Kennzahl, die über alle relevanten ökonomischen- oder
Nachhaltigkeitsaspekte informiert.
In Kap. 6.2 wurde der Frage nachgegangen, was die aufgezeigten Entwicklungen für das
Management allgemein, und das einer nachhaltigen Entwicklung im Besonderen, bedeuten
könnten. Dabei wurde zunächst deutlich, dass der erste Schritt, den vielfältigen
Herausforderungen entgegen zu treten, ein mentaler ist: Die Erkenntnis, dass die
Digitalisierung den Beginn einer neuen Epoche des Lebens und des Wirtschaftens markiert,
in der herkömmliche Modelle zur Problemlösung immer weniger greifen. Dies führte zu der
nächsten Frage, was dies für die Managementfunktion und Rolle des NHMs bedeuten könnte.
Hier konnte festgestellt werden, dass explizite NHM, angesichts der Querschnittsfunktion, des
breiten Themenspektrums und der facettenreichen Anforderungen, mehr als Generalisten und
Systemdenker herausgefordert sind und das davon auszugehen ist, dass das Aufgabenfeld
des NHMs durch die Digitalisierung anspruchsvoller und breiter wird, sowohl für explizite als
auch für implizite NHM.
Anschließend wurde der Frage nach gegangen, ob das Fundament für eine mögliche
Transformation des NHMs bereitet sein könnte, wenn Digitalisierung die Art wie and was wir
arbeiten grundlegend verändern wird, wenn organisatorische Veränderungsprozesse jede
Branche und jeden Winkel eines Unternehmens erreichen werden und wenn KI das Potenzial
hat die menschliche Intelligenz effektiv zu erweitern, so dass wir (sinnvolle) Dinge tun können,
die bisher für uns unmöglich waren. Und falls dem so wäre, was eine Transformation für das
NHM dann bedeuten, und woran man erkennen würde, dass sie passiert (ist). Es war dann
zunächst beachtlich festzustellen, dass eine überwältigende Mehrheit von Führungskräften
eine nachhaltige Unternehmensentwicklung als wichtig für den Geschäftserfolg betrachtet,
74 ZUSAMMENFASSUNG
während sie ihr gleichzeitig nicht die notwendige Priorität und Unterstützung zukommen lässt
um zu erfolgen. Auf der Suche nach einer logischen Erklärung dafür wurde festgestellt, dass
es notwendig ist, will man die Aufmerksamkeit und Unterstützung der Entscheider im
Unternehmen erreichen, dieser Ebene Sichtbarkeit über Ursache-Wirkungsbeziehungen zu
ermöglichen und damit Verständnis für Treiber und Indikatoren, die den wichtigsten sozialen
und ökologischen Auswirkungen vorausgehen, um damit das Fundament für integriertes
Denken und Handeln zu legen. Da das NHM bis dato jedoch nicht integriert gestaltet ist, ließ
vermuten, dass den Entscheidern diese Ursache-Wirkungszusammenhänge nicht transparent
sein können. Daraufhin wurde kombiniert, dass wenn das NHM durch den Einsatz von KI in
die Lage versetzt werden kann, Ursache-Wirkungszusammenhänge und Zielkonflikte
transparent zu machen, dann könnte das zu einer Transformation des NHMs hin zu einem
integrativen NHM führen, da es keinen ökonomischen Sinn ergeben würde, die nun bekannten
und ergebnisrelevanten Interdependenzen auf der Entscheider-Ebene zu ignorieren.
Abschließend wurde festgehalten, dass Digitalisierung zu einer nachhaltigen Entwicklung
führen kann, oder auch nicht. Denn um ihren Nutzen zu entfalten, ob als Beitrag zur Erreichung
von Nachhaltigkeitszielen oder zu einer Transformation des NHMs, müssen Technologien an
die Hand genommen und gestaltet werden.
Als Handreichung für das NHM wurde in Kap. 6.3 ein fünfstufiges Empfehlungsrahmenwerk
zur Evaluation und Integration von KI entwickelt. Dabei wurde u. a. empfohlen, im Sinne von
revolutionärem Denken und evolutionärem Handeln, zunächst von hochambitionierten
Mondraketen abzusehen, da diese vielfach weniger erfolgreich seien als "low-hanging fruit"
Projekte, welche Geschäftsprozesse verbessern, Einspar- und Konsolidierungspotenziale
realisieren und damit Anfangsinvestitionen rechtfertigen und Ressourcen für weitere Projekte
verfügbar machen können. Am Ende der Handlungsempfehlungen wurde konstatiert, dass
sich durch die Digitalisierung die Ansprüche an das technologische Verständnis des NHMs
vertiefen und, dass das NHM die Digitalisierung als Chance ergreifen und sich frühzeitig in
den Gestaltungsprozess einbringen sollte.
Auf Basis der erfolgten Studien, Analysen und Bewertungen werden abschließend einige
Schlüsselerkenntnisse festgehalten:
 Wir befinden uns inmitten einer digitalen (R)Evolution, dabei scheinen die
Herausforderungen der Menschheit und die Optionen zu ihrer Lösung niemals so groß
gewesen zu sein wie derzeit.
 Die besonderen Herausforderungen der Digitalisierung liegen in der sehr hohen
Veränderungsgeschwindigkeit (selbst Experten haben Probleme die Fortschritte zu
verfolgen) sowie in der zu entwickelnden gesellschaftlichen Akzeptanz (KI zur
Automation vs. KI zur Erweiterung der menschlichen Denk- und
Handelsmöglichkeiten).
 Als ethisches Fundament für eine gemeinwohl- und problemlösungsorientierte
Gestaltung der Digitalisierung, empfehlen sich Fragestellungen, in denen „sollten wir“
vorkommt.
ZUSAMMENFASSUNG 75
 Digitalisierung und nachhaltige Entwicklung müssen zusammen gedacht werden

(ökologische, soziale und ökonomische Implikationen).
 KI ist als Werkzeug für das NHM geeignet, um materielle NH-Leistungen effizient und
vollständig Messen, um immaterielle NH-Leistungen durch die Identifikation von
Ursache-Wirkungszusammenhängen effektiv bewerten, dass NHM damit
transformieren, und um die Art und Weise der Stakeholder-Interaktion neu gestalten
zu können.
An dieser Stelle soll auf die Limitierungen dieser Ausarbeitung hingewiesen werden. Die erste
kann in der begrenzten und damit nur bedingt repräsentativen Anzahl analysierter KI Projekte
gesehen werden. Hier benötigt es weitere und umfangreichere Studien, um fundierte deduktive
Schlüsse ziehen zu können. Die zweite Limitierung kann darin gesehen werden, dass die
entworfenen Use Cases, ihre erwarteten Resultate sowie die Bewertung anhand der
entworfenen Potenzialanalysematrix nicht auf ihre Praxistauglichkeit hin untersucht wurden.
Eine weitere Limitierung kann in dem nicht empirisch bewiesenen KI-Potenzial zur
Identifikation von Ursache-Wirkungszusammenhängen im Kontext des NHMs sowie des
unterstellten Transformationspotenzials für das NHM gesehen werden. Hierfür bedarf es der
Realisierung eines Moonshot-Piloten, wofür diese Arbeit einen Impuls und Bezugsrahmen für
das NHM geschaffen hat, auf Basis dessen Ansätze zur weiteren Gestaltung entwickelt
werden können.
So vielversprechend transformativ KI als Werkzeug des NHMs aus einer mikroökonomischen
Perspektive erscheinen- und sich mit großer Wahrscheinlichkeit auch manifestieren mag,
nachhaltige Entwicklung muss global systemimmanent gedacht, gestaltet und verankert
werden, damit wir als Weltgemeinschaft einer enkeltauglichen Zukunft entgegenblicken
können. Technologische Entwicklungen geben uns die Gestaltungsmöglichkeit die SDGs, als
Fundament einer notwendigen sozial-ökologischen Transformation, zu realisieren.
Digitalisierung ist und wird sein, was wir als Gesellschaft und im NHM daraus machen. Damit
ist eine Vision formuliert für ein, systemisch-revolutionär denkendes und systematisch-
evolutionär handelndes, Nachhaltigkeitsmanagement in Zeiten der Digitalisierung.
X LITERATURVERZEICHNIS
LITERATURVERZEICHNIS
Accenture (Hrsg.) (2017): Technology Vision 2017. Technology for people, URL:
https://www.accenture.com/t20170530T164033Z__w__/us-en/_acnmedia/Accenture/next-
gen-4/tech-vision-2017/pdf/Accenture-TV17-Full.pdfla=en?la=en, (Zugriff 26.8.2017).
Aebischer, B. & Hilty, L. M. (2015): „The Energy Demand of ICT: A Historical Perspective
and Current Methodological Challenges“, in: Hilty, L. M. & Aebischer, B. (Hrsg.): ICT
Innovations for Sustainability. Cham: Springer International Publishing (Advances in
intelligent systems and computing), 71-103.
AGI Society (Hrsg.) (2017): Artificial General Intelligence (AGI), URL: http://www.agi-
society.org/, (Zugriff 26.2.2017).
Agrawal, A.; Gans, J. & Goldfarb, A. (2018): A Simple Tool to Start Making Decisions with
the Help of AI, URL: https://hbr.org/2018/04/a-simple-tool-to-start-making-decisions-with-the-
help-of-ai, (Zugriff 29.4.2018).
Agrawal, A.; Gans, J. S. & Goldfarb, A. (2017): What to Expect From Artificial Intelligence, in:
Massachusetts Institute of Technology (MIT) (Hrsg.): How to Make Your Company Smarter.
MIT Sloan Management Review, Sonderheft Nr. 3, 23-26.
Ahsen, A. & Herzig, C. & Pianowski, M. (2006): „Nachhaltigkeitsberichterstattung der DAX 30
Unternehmen im Internet“, in: Umweltwirtschaftsforum, 14(1), 30-35.
akzente & I4S (Hrsg.) (2010): Stakeholder Relationship Management in Deutschland: Status
Quo und Herausforderung. Eine Befragung, URL:
http://www.4sustainability.de/fileadmin/redakteur/bilder/Publikationen/Stakeholder_Relations
hip_Management_in_Deutschland.pdf, (Zugriff 10.5.2018).
Alberts, J. S. (2018): The Sustainable Revolution: Reporting and the Accountant’s Role,
URL: https://themarketmogul.com/sustainable-revolution-sustainability-reporting-
accountants-role/, (Zugriff 10.5.2018).
Allison-Hope, D.; Park, J. & Rohwer, M. (2018): Seven Things Every Company Should Know
about Artificial Intelligence and Sustainable Business, URL: https://www.bsr.org/en/our-
insights/blog-view/artificial-intelligence-sustainable-businesss-every-company-should-know,
(Zugriff 6.5.2018).
Altenburger, R. (2016): „Stakeholderorientierung als Treiber unternehmerischer
Wertschöpfung“, in: Altenburger, R. & Mesicek, R. H. (Hrsg.): CSR und
Stakeholdermanagement. Strategische Herausforderungen und Chancen der
Stakeholdereinbindung. Berlin, Heidelberg: Springer Gabler (Management-Reihe Corporate
Social Responsibility), V-VI.
Amesheva, I. (2017): Five technology trends defining the future of corporate sustainability,
URL: http://www.eco-business.com/opinion/five-technology-trends-defining-the-future-of-
corporate-sustainability/, (Zugriff 1.5.2018).
LITERATURVERZEICHNIS XI
Arabesque (Hrsg.) (2018): S-Ray. Explore the sustainability of the world’s biggest
companies, URL: https://arabesque.com/s-ray/, (Zugriff 20.5.2018).
Arntz, M.; Gregory, T. & Zierahn, U. (2016): The Risk of Automation for Jobs in OECD
Countries. A Comparative Analysis, URL: https://www.oecd-ilibrary.org/social-issues-
migration-health/the-risk-of-automation-for-jobs-in-oecd-countries_5jlz9h56dvq7-en, (Zugriff
13.5.2018).
Artificial Solutions (Hrsg.) (2018): Making Technology Think, URL: https://www.artificial-
solutions.com/, (Zugriff 11.5.2018).
Aurik, J. (2018): Which countries are best prepared for the future of production?, URL:
https://www.weforum.org/agenda/2018/01/time-for-action-who-is-really-ready-for-the-future-
of-production/, (Zugriff 8.5.2018).
BASF (Hrsg.) (2017): We create value, URL:
https://www.basf.com/de/en/company/sustainability/management-and-
instruments/quantifying-sustainability/we-create-value.html, (Zugriff 19.8.2017).
Beim, M. & Fleischer, R. (2017): Angestaubte Digitalisierung?, URL:
http://www.umweltdialog.de/de/csr-management/Gastbeitrag/2017/Angestaubte-
Digitalisierung.php, (Zugriff 17.11.2017).
Bergius, S. (2014): Grüne Wirtschaft. Sie scheitert an der Kommunikation, URL:
http://www.wiwo.de/technologie/green/biz/gruene-wirtschaft-sie-scheitert-an-der-
kommunikation/13550410.html, (Zugriff 11.6.2017).
Bertelsmann Stiftung (Hrsg.) (2014): Leitfaden zum Deutschen Nachhaltigkeitskodex.
Orientierungshilfe für mittelständische Unternehmen, URL: http://www.deutscher-
nachhaltigkeitskodex.de/fileadmin/user_upload/dnk/dok/leitfaden/DNK_Leitfaden.pdf, (Zugriff
8.5.2017).
Bibel, W. (2000): Was ist Intellektik?, URL: http://www.intellektik.informatik.tu-
darmstadt.de/in2.html, (Zugriff 13.3.2018).
Bibel, W. (2014): „Artificial Intelligence in a historical perspective“, in: AI Communications:
raIOS Press, Bd. 27, 87-102.
Bienert, J. (2018): Künstliche Intelligenz – Hype oder ernst zu nehmende technologische
Herausforderung?, URL: http://veranstaltungen.handelsblatt.com/kuenstliche-
intelligenz/2017/12/14/ki-news/, (Zugriff 7.3.2018).
Bienzeisler, B. (2017): Zukunftsschau München 2040+, URL:
https://www.iao.fraunhofer.de/lang-de/presse-und-medien/aktuelles/1816-zukunftsschau-
muenchen-2040.html, (Zugriff 11.5.2018).
Böttcher, B. (2016): Öffentliche Datensätze – Warum freie Daten wichtig für die digitale
Entwicklung sind, URL: https://www.crisp-research.com/die-bedeutung-von-offentlichen-
datensatzen-warum-freie-daten-wichtig-fur-die-digitale-entwicklung-eines-unternehmens-
sind/, (Zugriff 5.5.2018).
XII LITERATURVERZEICHNIS
Böttcher, B.; Klemm, D. & Velten, C. (2017): Machine Learning im Unternehmenseinsatz.

Künstliche Intelligenz als Grundlage digitaler Transformationsprozesse, URL:
https://www.unbelievable-machine.com/downloads/studie-machine-learning.pdf, (Zugriff
20.8.2017).
Bouée, C.-E. (2018): Warum Elon Musks panische Angst vor künstlicher Intelligenz
unbegründet ist, URL: https://www.linkedin.com/pulse/warum-elon-musks-panische-angst-
vor-künstlicher-ist-bouée/, (Zugriff 9.5.2018).
Bowen, H. R. (1953): Social responsibilities of the businessman. New York: Harper, 1. ed.
Brennen, J. S. & Kreiss, D. (2016): „Digitalization“, in: Jensen, K. B.; Rothenbuhler, E.;
Pooley, J. & Craig, R. T. (Hrsg.): The International Encyclopedia of Communication Theory
and Philosophy. Hoboken, NJ, USA: John Wiley & Sons, Inc, 1-11.
Broy, M. (2017): Die Quadratur des Kreises: Digitalisierung mit Nachhaltigkeit verbinden,
URL: http://www.huffingtonpost.de/marco-englert/digitalisierung-
nachhaltigkeit_b_15450500.html, (Zugriff 28.3.2018).
Brundtland, J. H. (1987): Report of the World Commission on Environment and
Development: Our Common Future, URL: http://www.un-documents.net/our-common-
future.pdf, (Zugriff 10.12.2016).
Brynjolfsson, E. & McAfee, A. (2015): The Second MACHINE AGE. Wie die nächste digitale
Revolution unser aller Leben verändern wird. Kulmbach: Börsenmedien AG; [i. e. Plassen-
Verl.], 2. Aufl.
Buchanan, B. G. (2005): A (very) brief history of artificial intelligence, Ai Magazine, Jg. 26, H.
4, 53-60.
Bundesministerium für Bildung und Forschung (BMBF) (Hrsg.) (2013):
Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0, URL:
https://www.bmbf.de/files/Umsetzungsempfehlungen_Industrie4_0.pdf, (Zugriff 8.5.2018).
Bundesministerium für Wirtschaft und Energie (BMWi) (Hrsg.) (2016): Digitale Strategie
2025, URL: https://www.bmwi.de/Redaktion/DE/Publikationen/Digitale-Welt/digitale-strategie-
2025.pdf, (Zugriff 28.4.2018).
Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. (Bitkom)
(Hrsg.) (2014): Bitkom Positionspapier Künstliche Intelligenz: Mehr Sachlichkeit bitte, URL:
https://www.bitkom.org/noindex/Publikationen/2014/Positionen/Positionspapier-Kuenstliche-
Intelligenz/BITKOM-Positionspapier-Kuenstliche-Inteligenz.pdf, (Zugriff 26.2.2017).
(Hrsg.) (2017): Weltmarkt für Cognitive Computing vor dem Durchbruch, URL:
https://www.bitkom.org/Presse/Presseinformation/Weltmarkt-fuer-Cognitive-Computing-vor-
dem-Durchbruch.amp.html, (Zugriff 26.2.2017).
& Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) (Hrsg.) (2017):
Entscheidungsunterstützung mit Künstlicher Intelligenz. Wirtschaftliche Bedeutung,
LITERATURVERZEICHNIS XIII
gesellschaftliche Herausforderungen, menschliche Verantwortung, URL:

https://www.bitkom.org/noindex/Publikationen/2017/Sonstiges/KI-Positionspapier/170901-KI-
Gipfelpapier-online.pdf, (Zugriff 12.9.2017).
Carlowitz, H. C. v.; Irmer, K. & Grober, U. (2000): Sylvicultura oeconomica. Anweisung zur
wilden Baum-Zucht. Freiberg: TU, Bergakademie Freiberg, Reprint der Ausgabe Leipzig:
Braun, 1713.
Carroll, A. B. (1999): Corporate social responsibility: Evolution of a definitional construct,
Business & Society, Jg. 38, H. 3, 268-295.
Cheater, A. (2018): An executive’s guide to AI in supply chain management, URL:
https://blog.kinaxis.com/2018/03/an-executives-guide-to-ai-in-supply-chain-management/,
(Zugriff 9.5.2018).
Chui, M.; Farrell, D. & van Kuiken, S. (2013): Generating Economic Value through Open
Data, URL: http://beyondtransparency.org/chapters/part-3/generating-economic-value-
through-open-data/, (Zugriff 14.5.2018).
Chui, M.; Manyika, J.; Miremadi, M.; Henke, N.; Chung, R.; Nel, P. & Malhotra, S. (2018):
Notes from the AI Frontier. Insights from hundres of Use Cases (Discussion Paper), URL:
https://www.mckinsey.com/global-themes/artificial-intelligence/notes-from-the-ai-frontier-
applications-and-value-of-deep-learning, (Zugriff 26.4.2018).
CIO (Hrsg.) (2018): Forscher entdecken neue Sicherheitslücken in Intel-Chips, URL:
https://www.cio.de/a/forscher-entdecken-neue-sicherheitsluecken-in-intel-chips,3580430,
(Zugriff 6.5.2018).
CISCO (Hrsg.) (2011): The Internet of Things. How the Next Evolution of the Internet Is
Changing Everything, URL:
https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf,
(Zugriff 12.5.2018).
CISCO (Hrsg.) (2017): The Zettabyte Era: Trends and Analysis, URL:
https://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-
vni/vni-hyperconnectivity-wp.pdf, (Zugriff 12.5.2018).
CognitiveScale (Hrsg.) (2018): Learn, Build, and Deploy at the Speed of Business, URL:
https://www.cognitivescale.com/, (Zugriff 5.5.2018).
Cone Communications (ConeComm) (Hrsg.) (2013): Global CSR Study, URL:
http://www.conecomm.com/2013-cone-communicationsecho-global-csr-study-pdf, (Zugriff
9.5.2018).
Cone Communications (ConeComm) (Hrsg.) (2015): Global CSR Study, URL:
http://www.conecomm.com/2015-cone-communications-ebiquity-global-csr-study-pdf, (Zugriff
9.5.2018).
Conrad, C. (2014): „ERP for ESG. Nachhaltigkeitsmanagement mit Software-Systemen“, in:
Schulz, T. & Bergius, S. (Hrsg.): CSR und Finance. Berlin, Heidelberg: Springer Berlin
Heidelberg (Management-Reihe Corporate Social Responsibility), 193-206.
XIV LITERATURVERZEICHNIS
Datamaran (Hrsg.) (2018): Datamaran: The leading solution for non-financial risk
management., URL: https://www.datamaran.com/, (Zugriff 20.5.2018).
Davenport, T. (2017): What We Talk About When We Talk About AI, URL:
https://www.linkedin.com/pulse/what-we-talk-when-ai-tom-davenport/, (Zugriff 13.3.2018).
Davenport, T.; Loucks, J. & Schatsky, D. (2017): Bullish on the business value of cognitive.
The 2017 Deloitte State of Cognitive Survey, URL:
https://www2.deloitte.com/content/dam/Deloitte/us/Documents/deloitte-analytics/us-deloitte-
cognitivesurvey.pdf, (Zugriff 17.3.2018).
Davenport, T. & Ronanki, R. (2018): 3 Things AI Can Already Do for Your Company, URL:
https://hbr.org/2018/01/artificial-intelligence-for-the-real-world, (Zugriff 17.3.2018).
Davis-Peccoud, J.; Stone, P. & Tovey, C. (2016): Achieving Breakthrough Results in
Sustainability, URL: http://www.bain.com/publications/articles/achieving-breakthrough-
results-in-sustainability.aspx, (Zugriff 5.5.2018).
DeepMind Technologies Limited (DeepMind) (Hrsg.) (2018): AlphaGo, URL:
https://deepmind.com/research/alphago/, (Zugriff 15.5.2018).
Deloitte (Hrsg.) (2015): From brawn to brains. The impact of technology on jobs in the UK,
URL: https://www2.deloitte.com/content/dam/Deloitte/uk/Documents/Growth/deloitte-uk-
insights-from-brawns-to-brain.pdf, (Zugriff 6.5.2018).
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) (Hrsg.) (2018):
Projekt iGreen, URL: http://www.igreen-projekt.de/iGreen/index.php?id=47, (Zugriff
14.5.2018).
Deutsches Global Compact Netzwerk (DGCN) (Hrsg.) (2017): Deutschland 2030 – Wie
können wir die SDGs umsetzen?
Diamandis, P. (2016): Massive Disruption Is Coming With Quantum Computing, URL:
https://singularityhub.com/2016/10/10/massive-disruption-quantum-computing/, (Zugriff
26.2.2017).
Diamandis, P. (2018): A Data Storage Revolution? DNA Can Store Near Limitless Data in
Almost Zero Space, URL: https://singularityhub.com/2018/04/26/the-answer-to-the-digital-
data-tsunami-is-literally-in-our-dna, (Zugriff 28.4.2018).
Dijk, M.; Kraker, J. de; van Zeijl-Rozema, A.; van Lente, H.; Beumer, C.; Beemsterboer, S. &
Valkering, P. (2017): Sustainability assessment as problem structuring. Three typical ways,
Sustainability Science, Jg. 12, H. 2, 305-317.
Drenth, R.; Bigler, L. & Große-Ruyken, P. T. (2017): „Information & Communication
Technology (ICT) 4.0“, in: Schircks, A. D.; Drenth, R. & Schneider, R. (Hrsg.): Strategie für
Industrie 4.0. Wiesbaden: Springer Fachmedien Wiesbaden, 49-75.
Edlich, A. & Sohoni, V. (2017): Burned by the bots: Why robotic automation is stumbling,
URL: http://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/digital-
blog/burned-by-the-bots-why-robotic-automation-is-stumbling, (Zugriff 2.6.2017).
LITERATURVERZEICHNIS XV
Elkington, J. (2004): Enter the Triple Bottom Line, URL:

http://www.johnelkington.com/archive/TBL-elkington-chapter.pdf, (Zugriff 12.12.2017).
Ernst & Young (EY) (Hrsg.) (2017): Can innovative corporate reporting build trust in a volatile
world? Finance 4.0 and the transformation of reporting and governance in a high-risk world,
URL: http://www.ey.com/Publication/vwLUAssets/ey-financial-accounting-advisory-services-
faas-fourth-global-corporate-reporting-survey/$FILE/ey-financial-accounting-advisory-
services-faas-fourth-global-corporate-reporting-survey.pdf, (Zugriff 17.4.2018).
Ertel, W. (2018): Grundkurs Künstliche Intelligenz, URL: http://www.hs-
weingarten.de/~ertel/kibuch/kibuch-folien.pdf, (Zugriff 9.5.2018).
Europäisches Parlament (Hrsg.) (2016): Data protection reform – Parliament approves new
rules fit for the digital era, URL: http://www.europarl.europa.eu/news/en/press-
room/20160407IPR21776/data-protection-reform-parliament-approves-new-rules-fit-for-the-
digital-era, (Zugriff 6.5.2018).
Fjordnet (Hrsg.) (2016): Fjord Trends 2017, URL:
http://www.presseportal.de/showbin.htx?id=399155&type=document&action=download&attn
ame=fjord-2017-trends-german-executive-summary-final.pdf, (Zugriff 4.5.2018).
Forrester Research (Hrsg.) (2017a): Digital Business Transformation: Where We Are And
Where We’re Headed, URL: https://go.forrester.com/what-it-means/ep21-digital-business-
transformation/, (Zugriff 13.5.2018).
Forrester Research (Hrsg.) (2017b): Predictions 2018: The Honeymoon For AI Is Over, URL:
https://www.forrester.com/report/Predictions+2018+The+Honeymoon+For+AI+Is+Over/-/E-
RES139744, (Zugriff 4.5.2018).
Fraunhofer-Allianz Big Data (FABD) (Hrsg.) (2017): Zukunftsmarkt Künstliche Intelligenz.
Potenziale und Anwendungen, URL:
https://www.iais.fraunhofer.de/content/dam/bigdata/de/documents/Publikationen/KI-
Studie_Ansicht_201712.pdf, (Zugriff 3.5.2018).
Frey, C. B. & Osborne, M. A. (2013): THE FUTURE OF EMPLOYMENT: HOW
SUSCEPTIBLE ARE JOBS TO COMPUTERISATION?, URL:
https://www.oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf,
(Zugriff 6.5.2018).
Fünning, H.; Kreis, T. & Scholl, G. (2016): Nachhaltigkeitsberichterstattung in der Praxis.
Ergebnisse einer Befragung von Großunternehmen und KMU im Rahmen des Rankings der
Nachhaltigkeitsberichte 2015, URL: http://www.ranking-
nachhaltigkeitsberichte.de/data/ranking/user_upload/2015/IOEW-future-
Ranking_2015_Unternehmensbefragung.pdf, (Zugriff 9.5.2018).
Füser, K. (2018): Corporate Reporting: Digitalisierung als zusätzliche Herausforderung, URL:
http://www.umweltdialog.de/de/management/nachhaltigkeitsberichte/2018/Immer-mehr-
Finanzberichte-und-Reporting-Standards-machen-CFOs-zu-schaffen-Digitalisierung-als-
zusaetzliche-Herausforderung.php, (Zugriff 9.5.2018).
XVI LITERATURVERZEICHNIS
Gartner (Hrsg.) (2017): Top Trends in the Gartner Hype Cycle for Emerging Technologies,
2017, URL: http://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hype-cycle-
for-emerging-technologies-2017/, (Zugriff 25.8.2017).
Gartner (Hrsg.) (2018a): IT Glossary: Digitization, URL: https://www.gartner.com/it-
glossary/?s=digitization, (Zugriff 8.5.2018).
Gartner (Hrsg.) (2018b): IT Glossary: Internet of Things, URL: https://www.gartner.com/it-
glossary/?s=IoT, (Zugriff 8.5.2018).
Global Partnership for Sustainable Development Data (GP4SDD) (Hrsg.) (2018): Global
Partnership for Sustainable Development Data. Better Data. Better Decisions. Better lives,
URL: http://www.data4sdgs.org/, (Zugriff 11.5.2018).
Global Reporting Initiative (GRI) (Hrsg.) (2016a): Consolidated set of GRI Sustainability
Reporting Standards, URL: https://www.globalreporting.org/standards/gri-standards-
download-center/?g=74d892d7-5457-4273-8798-6af193928602, (Zugriff 9.5.2018).
Global Reporting Initiative (GRI) (Hrsg.) (2016b): GRI predicts new formats for sustainability
reporting and real-time stakeholder interaction, URL:
https://www.globalreporting.org/information/news-and-press-center/Pages/GRI-predicts-new-
formats-for-sustainability-reporting-and-real-time-stakeholder-interaction.aspx, (Zugriff
10.5.2018).
Global Reporting Initiative (GRI) (Hrsg.) (2016c): The Next Era of Corporate Disclosure.
Digital, Responsible, Interactive, URL: https://www.globalreporting.org/resourcelibrary/The-
Next-Era-of-Corporate-Disclosure.pdf, (Zugriff 4.5.2018).
Goodman, B. & Flaxman, S. (2016): European Union regulations on algorithmic decision-
making and a „right to explanation”, URL: https://arxiv.org/pdf/1606.08813.pdf, (Zugriff
6.5.2018).
Google (Hrsg.) (2018): Balloon-powered internet for everyone, URL: https://x.company/loon/,
(Zugriff 12.5.2018).
Grace, K.; Salvatier, J.; Dafoe, A.; Zhang, B. & Evans, O. (2017): When Will AI Exceed
Human Performance? Evidence from AI Experts, URL: https://arxiv.org/pdf/1705.08807.pdf,
(Zugriff 2.6.2017).
Grober, U. (2013): Die Entdeckung der Nachhaltigkeit. Kulturgeschichte eines Begriffs.
München: Kunstmann, [Aktualisierte und erw. Neuausg.].
Hauff, V. (1987): Unsere gemeinsame Zukunft. Der Brundtland-Bericht der Weltkommission
für Umwelt und Entwicklung. Greven: Eggenkamp.
Helbing, D. (2012): „The FuturICT knowledge accelerator towards a more resilient and
sustainable future“, in: Ball, P. (Hrsg.): Why Society is a Complex Matter. Meeting Twenty-
first Century Challenges with a New Kind of Science. 1. Aufl. Berlin, Heidelberg: Springer,
55-60.
LITERATURVERZEICHNIS XVII
Helbing, D. (2014): Creating („Making") a Planetary Nervous System as Citizen Web, URL:
http://futurict.blogspot.de/2014/09/creating-making-planetary-nervous.html, (Zugriff
7.5.2018).
Hermann, W. (2018): Was CIOs aus ersten KI-Projekten lernen können, URL:
https://www.cio.de/a/was-cios-aus-ersten-ki-projekten-lernen-koennen,3544447, (Zugriff
5.5.2018).
Herzig, C. & Schaltegger, S. (2006): „Corporate Sustainability Reporting. An Overview“, in:
Schaltegger, S.; Bennett, M. & Burritt, R. (Hrsg.): Sustainability accounting and reporting:
Springer (Eco-Efficiency in Industry and Science, 21), 301-324.
Hetze, K. & Winistörfer, H. (2016): „CSR communication on corporate websites compared
across continents“, in: International Journal of Bank Marketing, 34 (4), 501-528.
Hildebrandt, A. & Silber, C. (2017): „Dinge des Lebens im Zeitalter der Digitalisierung“, in:
Hildebrandt, A. & Landhäußer, W. (Hrsg.): CSR und Digitalisierung. Der digitale Wandel als
Chance und Herausforderung für Wirtschaft und Gesellschaft. Berlin, Heidelberg: Springer
Berlin Heidelberg (Management-Reihe Corporate Social Responsibility), 555-573.
Hilty, L. M. & Aebischer, B. (2015): „ICT for Sustainability: An Emerging Research Field“, in:
Hilty, L. M. & Aebischer, B. (Hrsg.): ICT Innovations for Sustainability. Cham: Springer
International Publishing (Advances in intelligent systems and computing), Bd. 310, 3-36.
Holst, A. (2014): Nachhaltiges Kommunikationsproblem. Woran eine grünere Wirtschaft
bisher scheitert …, URL: http://www.wiwo.de/technologie/green/nachhaltiges-
kommunikationsproblem-woran-eine-gruenere-wirtschaft-bisher-scheitert-/13550442.html,
(Zugriff 11.6.2017).
Ibaraki, S. (2017): Accelerating the Sustainable Development Goals through AI, in:
International Telecommunication Union (ITU) (Hrsg.): AI for social good. How artificial
intelligence can boost sustainable development. ITU News Magazine, Sonderheft Nr. 1, 4-8.
IBM (Hrsg.) (2016a): Concluding Remarks on Cognitive Computing, URL:
https://www.research.ibm.com/cognitive-computing/ostp/document11.shtml, (Zugriff
14.5.2018).
IBM (Hrsg.) (2016b): Safety and control issues for AI, URL:
16.3.2018).
IBM (Hrsg.) (2016c): The use of AI for public good, URL:
16.3.2018).
IBM (Hrsg.) (2017): Mine public and private data to gain broader context and make better
decisions, URL: https://www.ibm.com/blogs/watson/2017/05/mine-public-private-data-gain-
broader-context-make-better-decisions/, (Zugriff 14.5.2018).
IBM (Hrsg.) (2018a): Building trust in AI, URL: https://www.ibm.com/watson/advantage-
reports/future-of-artificial-intelligence/building-trust-in-ai.html, (Zugriff 12.5.2018).
XVIII LITERATURVERZEICHNIS
IBM (Hrsg.) (2018b): Green Horizons. Harnessing the power of Cognitive Computing and IoT
to help fight pollution and climate change, URL: http://www.research.ibm.com/green-
horizons/, (Zugriff 11.5.2018).
IBM (Hrsg.) (2018c): How conversation (with context) will usher in the AI future, URL:
https://www.ibm.com/watson/advantage-reports/future-of-artificial-intelligence/ai-
conversation.html, (Zugriff 12.5.2018).
IBM (Hrsg.) (2018d): Response to – Request for Information. Preparing for the Future of
Artificial Intelligence, URL: https://www.research.ibm.com/cognitive-computing/ostp/rfi-
response.shtml, (Zugriff 16.3.2018).
IBM (Hrsg.) (2018e): The new AI innovation equation, URL:
https://www.ibm.com/watson/advantage-reports/future-of-artificial-intelligence/ai-innovation-
equation.html, (Zugriff 12.5.2018).
Independent Expert Advisory Group on a Data Revolution for Sustainable Development
(IEAGDR4SD) (Hrsg.) (2018): Data Revolution Group, URL:
http://www.undatarevolution.org/, (Zugriff 13.5.2018).
Institut für ökologische Wirtschaftsforschung (IÖW) & future e. V (Hrsg.) (2016):
Nachhaltigkeits-Berichterstattung in Deutschland. Ergebnisse und Trends im Ranking der
Nachhaltigkeitsberichte 2015, URL: http://www.ranking-
nachhaltigkeitsberichte.de/data/ranking/user_upload/2015/Ranking_Nachhaltigkeitsberichte_
2015_Ergebnisbericht.pdf, (Zugriff 16.4.2018).
International Data Cooperation IDC (Hrsg.) (2017a): IDC FutureScape: Worldwide IT Industry
2018 Predictions, URL:
https://www.idc.com/getfile.dyn?containerId=US43171317&attachmentId=47302690, (Zugriff
13.3.2018).
International Data Cooperation (IDC) (Hrsg.) (2017b): Data Age 2025: The Evolution of Data
to Life-Critical. Don’t Focus on Big Data; Focus on the Data That’s Big, URL:
https://www.seagate.com/files/www-content/our-story/trends/files/Seagate-WP-
DataAge2025-March-2017.pdf, (Zugriff 20.4.2018).
International Integrated Reporting Council (IIRC) (Hrsg.) (2013): The International <IR>
Framework, URL: http://integratedreporting.org/wp-content/uploads/2015/03/13-12-08-THE-
INTERNATIONAL-IR-FRAMEWORK-2-1.pdf, (Zugriff 13.4.2018).
International Telecommunication Union (ITU) (Hrsg.) (2017): AI for social good. How artificial
intelligence can boost sustainable development, ITU News Magazine, Jg. 2017, 1.
Itasse, S. (2017): Japans Gesellschaft vor dem digitalen Wandel, URL: https://www.industry-
of-things.de/japans-gesell-schaft-vor-dem-digitalen-wandel-a-584572/, (Zugriff 29.3.2018).
Jacob, C. & Lobacher, P. (2016): Die digitale Transformation, URL:
https://www.video2brain.com/de/tutorial/die-digitale-transformation, (Zugriff 8.5.2018).
LITERATURVERZEICHNIS XIX
JapanGov (Hrsg.) (2017): Realizing Society 5.0, URL:

https://www.japan.go.jp/abenomics/_userdata/abenomics/pdf/society_5.0.pdf, (Zugriff
29.3.2018).
Johnson, M.; Halberstadt, J.; Schaltegger, S. & Viere, T. (2016): „Software and Web-Based
Tools for Sustainability Management in Micro-, Small- and Medium-Sized Enterprises“, in:
Marx Gomez, J.; Sonnenschein, M.; Vogel, U.; Winter, A.; Rapp, B. & Giesen, N. (Hrsg.):
Advances and New Trends in Environmental and Energy Informatics. Cham: Springer
International Publishing (Progress in IS), 259-274.
Johnson, M. & Schaltegger, S. (2015): Nachhaltigkeitsmanagement-Software. Software und
webbasierte Ansätze zur Integration unternehmerischer Nachhaltigkeit in kleinen und
mittleren Unternehmen, URL:
http://www.leuphana.de/fileadmin/user_upload/Forschungseinrichtungen/csm/files/Download
s/Johnson___Schaltegger_2015_Nachhaltigkeitsmanagement-Software_in_KMU.pdf,
(Zugriff 18.1.2018).
Johnson, M. P. & Schaltegger, S. (2016): Two Decades of Sustainability Management Tools
for SMEs: How Far Have We Come?, Journal of Small Business Management, Jg. 54, H. 2,
481-505.
Kagermann, H.; Lukas, W.-D. & Wahlster, W. (2011): Industrie 4.0: Mit dem Internet der
Dinge auf dem Weg zur 4. industriellen Revolution, URL: http://www.vdi-
nachrichten.com/Technik-Gesellschaft/Industrie-40-Mit-Internet-Dinge-Weg-4-industriellen-
Revolution, (Zugriff 28.2.2017).
Kaplan, R. S. & Norton, D. P. (1996): The balanced scorecard. Translating strategy into
action. Boston, Mass: Harvard Business School Press.
Krcmar, H. (2015): Leadership in Digital Transformation, URL:
https://open.sap.com/courses/ldt1-tl, (Zugriff 20.12.2017).
Kroll, A. (2016): Computational Intelligence. Probleme, Methoden und technische
Anwendungen. Berlin, Boston: De Gruyter Oldenbourg, 2. Auflage.
Lange, S. & Santarius, T. (2018): Smarte grüne Welt? Digitalisierung zwischen
Überwachung, Konsum und Nachhaltigkeit. München: oekom verlag.
Lee, P. (2016): Learning from Tay’s introduction, URL:
https://blogs.microsoft.com/blog/2016/03/25/learning-tays-introduction/, (Zugriff 11.5.2018).
Lenzen, E. (2017): Warum (fast) niemand Nachhaltigkeitsberichte liest, URL:
http://www.umweltdialog.de/de/csr-management/nachhaltigkeitsberichte/2017/Warum-fast-
niemand-Nachhaltigkeitsberichte-liest.php, (Zugriff 7.6.2017).
Leonhard, G. & Kospoth, C.-A. G. v. (2017): „Exponential Technology Versus Linear
Humanity: Designing A Sustainable Future“, in: Osburg, T. H. & Lohrmann, C. (Hrsg.):
Sustainability in a Digital World. New Opportunities Through New Technologies. Cham:
Springer (CSR, Sustainability, Ethics & Governance), 77-83.
XX LITERATURVERZEICHNIS
Lesch, H. & Kamphausen, K. (2017): Die Menschheit schafft sich ab. Die Erde im Griff des
Anthropozän. München/Grünwald: Komplett-Media, 1. Auflage.
Leviathan, Y. & Matias, Y. (2018): Google Duplex: An AI System for Accomplishing Real-
World Tasks Over the Phone, URL: https://ai.googleblog.com/2018/05/duplex-ai-system-for-
natural-conversation.html, (Zugriff 19.5.2018).
Lexikon der Nachhaltigkeit (2015): Nachhaltigkeit Definition, URL:
https://www.nachhaltigkeit.info/artikel/definitionen_1382.htm, (Zugriff 10.12.2016).
McAfee, A. & Brynjolfsson, E. (2017): Machine, platform, crowd. Harnessing our digital
future. New York: W.W. Norton & Company, First edition.
Merkel, A. (31.05.2016): Rede der Bundeskanzlerin auf der 16. Jahreskonferenz des Rates
für nachhaltige Entwicklung. Veranstaltung vom 31.05.2016. Berlin. Veranstalter: Rat für
Nachhaltige Entwicklung (RNE), URL:
https://www.nachhaltigkeitsrat.de/jahreskonferenz/video/bundeskanzlerin-angela-merkel/,
(Zugriff 11.6.2016).
MIT Sloan CIO Symposium (Hrsg.) (2017): The Cognitive Company: Incremental Present,
Transformational Future, URL: http://www.mitcio.com/panel/the-cognitive-company-
incremental-present-transformational-future/, (Zugriff 5.5.2018).
MIT Technology Review (Hrsg.) (2018): Ethereum’s smart contracts are full of holes, URL:
https://www.technologyreview.com/s/610392/ethereums-smart-contracts-are-full-of-holes/,
(Zugriff 6.5.2018).
Musk, E. (2018): Tesla CEO Elon Musk, stressed but „optimistic," predicts big increase in
Model 3 production, URL: https://www.cbsnews.com/news/elon-musk-tesla-model-3-
problems-interview-today-2018-04-13/, (Zugriff 10.5.2018).
Muuß, K. (2017): Nachhaltigkeit managen. Softwaresysteme für das
Nachhaltigkeitsmanagement – richtig auswählen und implementieren. Bremen: brands &
values GmbH, Stand März 2017.
Neumann, K. (2014): Integrated Assessment Modell (IAM) Nachhaltigkeit für das
Umweltbundesamt, URL: https://www.know-why.net/model/AT8roK0_fQCHRRrtwhp_1-w,
(Zugriff 7.5.2018).
Ng, A. (2017): The evolution of employment and skills in the age of AI, URL:
http://www.mckinsey.com/global-themes/future-of-organizations-and-work/the-evolution-of-
employment-and-skills-in-the-age-of-ai, (Zugriff 8.9.2017).
Nikolić, I.; Kolluri, A.; Sergey, I.; Saxena, P. & Hobor, A. (2018): Finding The Greedy,
Prodigal and Suicidal Contracts at Scale, URL: https://arxiv.org/pdf/1802.06038.pdf, (Zugriff
6.5.2018).
Noga, M. & Schroetel, S. (2017): How to Get the Best Out of Automation, URL:
https://news.sap.com/how-to-get-the-best-out-of-automation/, (Zugriff 9.5.2018).
LITERATURVERZEICHNIS XXI
oekom research (oekom) (Hrsg.) (2017): oekom Corporate Responsibility Review 2017.
Globale Transformationsprozesse – Unternehmen im Soll?, URL: http://oekom-
research.com/homepage/german/oekom_cr_review_D_2017.pdf, (Zugriff 11.6.2017).
OneWeb (Hrsg.) (2018): Access for everyone, URL: http://www.oneweb.world/, (Zugriff
12.5.2018).
Osburg, T. H. & Lohrmann, C. (Hrsg.) (2017): Sustainability in a Digital World. New
Opportunities Through New Technologies. Cham: Springer.
Parker, C. (2018): AI will save us, not destroy us according to Google's CEO, URL:
https://www.weforum.org/agenda/2018/01/google-ceo-ai-will-be-bigger-than-electricity-or-
fire/, (Zugriff 10.3.2018).
Petry, T. (2016): „Digital Leadership. Unternehmens- und Personalführung in der digital
Economy“, in: Petry, T. (Hrsg.): Digital Leadership. Erfolgreiches Führen in Zeiten der Digital
Economy. 1. Auflage. Freiburg, München, Stuttgart: Haufe Gruppe (Haufe Fachbuch), 21-82.
Prengel, R. (2017): Im Nachhaltigkeitsreporting steckt hinter den Kulissen noch viel
Handarbeit, URL: http://www.pwc.de/de/nachhaltigkeit/im-nachhaltigkeitsreporting-steckt-
hinter-den-kulissen-noch-viel-handarbeit.html, (Zugriff 20.8.2017).
PricewaterhouseCoopers (PwC) (Hrsg.) (2017a): Bot.Me: A revolutionary partnership. How
AI is pushing man and machine closer together, URL:
https://www.pwc.in/assets/pdfs/consulting/digital-enablement-advisory1/pwc-botme-
booklet.pdf, (Zugriff 9.5.2018).
PricewaterhouseCoopers (PwC) (Hrsg.) (2017b): Die Qual der Wahl: Integrierte oder
separate Berichterstattung über Nachhaltigkeit?, URL:
https://www.pwc.de/de/nachhaltigkeit/die-qual-der-wahl-integrierte-oder-separate-
berichterstattung-ueber-nachhaltigkeit.html, (Zugriff 9.5.2018).
PricewaterhouseCoopers (PwC) (Hrsg.) (2018): 2018 AI Predictions. 8 insights to shape
business strategy, URL: https://www.pwc.com/us/en/services/consulting/library/artificial-
intelligence-predictions.html, (Zugriff 12.5.2018).
Pring-Mill, D. (2017): Is the Use of Chatbots Resourceful or Reckless?, URL:
http://www.dmnews.com/agency/is-the-use-of-chatbots-resourceful-or-
reckless/article/710865/, (Zugriff 11.5.2018).
Pring-Mill, D. (2018): Why Hasn’t AI Mastered Language Translation?, URL:
https://singularityhub.com/2018/03/04/why-hasnt-ai-mastered-language-translation, (Zugriff
11.5.2018).
Psylex (Hrsg.) (2018): Weisheit (Psychologie), URL: https://psylex.de/psychologie-
lexikon/persoenlichkeit/weisheit.html, (Zugriff 12.5.2018).
Pufé, I. (2014a): Nachhaltigkeit. Konstanz, München: UVK Verl.-Ges. [u. a.], 2., überarb. und
erw. Aufl.
XXII LITERATURVERZEICHNIS
Pufé, I. (2014b): Was ist Nachhaltigkeit? Dimensionen und Chancen, URL:

http://www.bpb.de/apuz/188663/was-ist-nachhaltigkeit-dimensionen-und-chancen?p=all,
(Zugriff 12.12.2017).
Rat für Nachhaltige Entwicklung (RNE) (Hrsg.) (2017): Deutscher Nachhaltigkeitsalmanach.
Initiativen und Eindrücke zur gesellschaftlichen Realität der Nachhaltigkeit, URL:
http://www.nachhaltigkeitsrat.de/fileadmin/user_upload/dokumente/publikationen/broschuere
n/Deutscher_Nachhaltigkeitsalmanach_texte_Nr_52_Maerz_2017.pdf, (Zugriff 23.10.2017).
Ribeiro, M. T.; Singh, S. & Carlos Guestrin (2016): Introduction to Local Interpretable Model-
Agnostic Explanations (LIME). A technique to explain the predictions of any machine learning
classifier, URL: https://www.oreilly.com/learning/introduction-to-local-interpretable-model-
agnostic-explanations-lime, (Zugriff 21.5.2018).
Rich, E. (1983): Artificial Intelligence. New York: McGraw-Hill.
Riemensperger, F. (2018): Künstliche Intelligenz wird das Betriebssystem unseres Alltags,
URL: https://www.cio.de/a/kuenstliche-intelligenz-wird-das-betriebssystem-unseres-
alltags,3563562, (Zugriff 12.5.2018).
Riffle, C. (2017): What artificial intelligence means for sustainability, URL:
https://www.greenbiz.com/article/what-artificial-intelligence-means-sustainability, (Zugriff
28.7.2017).
Ritzrau, W. (02.05.2017): How Digitization enables holistic and integrated Corporate
Reporting. Veranstaltung vom 02.05.2017. Universität Mannheim.
Rockström, J.; Steffen, W.; Noone, K.; Persson, Å. & Chapin, F. & Lambin, E. et al. (2009):
Planetary Boundaries: Exploring the Safe Operating Space for Humanity, Institute for
Sustainable Solutions Publications, URL:
http://pdxscholar.library.pdx.edu/cgi/viewcontent.cgi?article=1063&context=iss_pub, (Zugriff
18.1.2018).
Rogall, H. (2012): Nachhaltige Ökonomie. Ökonomische Theorie und Praxis einer
nachhaltigen Entwicklung. Marburg: Metropolis-Verlag, 2. überarbeitete und stark erweiterte
Auflage.
Rogall, H.; Gapp, K.; Hewelt, F.; Brüning-Pfeiffer, A. & Klinkow, S. (2016): „Globale Trends“,
in: Rogall, H.; Binswanger, H.-C.; Ekardt, F.; Grothe, A.; Hasenclever, W.-D.; Hauchler, I.;
Jänicke, M.; Kollmann, K.; Michaelis, N. V.; Nutzinger, H. G. & Scherhorn, G. (Hrsg.): 5.
Jahrbuch nachhaltige Ökonomie. Im Brennpunkt: Ressourcenwende – Transformation zu
einer ressourcenleichten Gesellschaft. Marburg: Metropolis Verlag, 347-406.
Rosencrance, L. (2018): IoT finds a home in RPA technology, URL:
https://internetofthingsagenda.techtarget.com/feature/IoT-finds-a-home-in-RPA-technology,
(Zugriff 11.5.2018).
Russell, S. & Norvig, P. (2012): Artificial Intelligence. A Modern Approach. München, Harlow,
Amsterdam: Pearson, 3., aktualisierte Auflage.
LITERATURVERZEICHNIS XXIII
Sailer, U. (2017): Nachhaltigkeitscontrolling. Was Controller und Manager über die

Steuerung der Nachhaltigkeit wissen sollten. Konstanz und München: UVK
Verlagsgesellschaft mbH, 2., bearbeitete Auflage.
SAP (Hrsg.) (2018): Intelligente Unternehmen. Integrierter Bericht der SAP 2017, URL:
https://www.sap.com/docs/download/investors/2017/sap-2017-integrierter-bericht.pdf,
(Zugriff 13.3.2018).
Schaltegger, S. (2015): „Kompetenzen impliziter Nachhaltigkeitsmanager stärken“, in: ACC
Verlag & Services GmbH (Hrsg.): Jubiläumsausgabe – Bestandsaufnahme und
Zukunftsperspektiven für Corporate Responsbility. Frankfurt a. M.: FAZ-Institut (Corporate
responsibility), 20-23.
Schaltegger, S. (2016): Wer Erfolg will, muss Nachhaltigkeit zum Kerngeschäft machen,
URL: https://www.xing.com/news/klartext/wer-erfolg-will-muss-nachhaltigkeit-zum-
kerngeschaft-machen-1199, (Zugriff 9.11.2016).
Schaltegger, S.; Beckmann, M. & Hockerts, K. (2018): Sustainable Entrepreneurship:
Creating Environmental Solutions in Light of Planetary Boundaries, International Journal of
Entrepreneurial Venturing, Jg. 10, H. 1, 1–16.
Schaltegger, S.; Christian Herzig; Kleber, O.; Torsten Klinke & Jan Müller (2007):
Nachhaltigkeitsmanagement in Unternehmen. Von der Idee zur Praxis: Managementansätze
zur Umsetzung von Corporate Social Responsibility und Corporate Sustainability.
Herausgegeben von Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit
(BMU), econsense – Forum nachhaltige Entwicklung der Deutschen Wirtschaft e. V. und
Centre for Sustainability Management (CSM), URL: http://www.bmub.bund.de/fileadmin/bmu-
import/files/pdfs/allgemein/application/pdf/nachhaltigkeitsmanagement_unternehmen.pdf,
(Zugriff 19.2.2016).
Schaltegger, S.; Etxeberria, I. Á. & Ortas, E. (2017): Innovating Corporate Accounting and
Reporting for Sustainability – Attributes and Challenges, Sustainable Development, Jg. 25,
H. 2, 113-122.
Schaltegger, S.; Hörisch, J.; Windolph, S. E. & Harms, D. (2012): Corporate Sustainability
Barometer 2012. Praxisstand und Fortschritt des Nachhaltigkeitsmanagements in den
größten Unternehmen Deutschlands. Herausgegeben von Center for Sustainability
Management e. V. Lüneburg, URL:
http://www2.leuphana.de/csm/CorporateSustainabilityBarometer2012.pdf, (Zugriff 3.8.2017).
Schaltegger, S. & Petersen, H. (2010): „CSR: Von der Vision zur Verankerung
unternehmerischer Nachhaltigkeit – Eine Frage von Managementbildung?“, in: Theis, F. &
Klein, S. (Hrsg.): CSR-Bildung. Corporate Social Responsibility als Bildungsaufgabe in
Schule, Universität und Weiterbildung. Wiesbaden: VS Verl. für Sozialwiss, 139-152.
Schaltegger, S. & Petersen, H. (2017): „Die Rolle des Nachhaltigkeitsmanagements in der
Digitalisierung“, in: Digitalisierung und Nachhaltigkeit. München: ALTOP (B.A.U.M. e. V
Jahrbuch 2017), 17-20.
XXIV LITERATURVERZEICHNIS
Schaltegger, S. & Qian, W. (2018): Wer berichtet, wird besser, Controlling & Management
Review, Jg. 62, H. 1, 48-51.
Schircks, A. D. (2017): „Die Arbeitswelt 4.0 kompetent gestalten“, in: Schircks, A. D.; Drenth,
R. & Schneider, R. (Hrsg.): Strategie für Industrie 4.0. Wiesbaden: Springer Fachmedien
Wiesbaden, 1-33.
Schmid, D. (2015): GRI Reporting 2025 Interview. Interview 14: Daniel Schmid, URL:
https://www.globalreporting.org/resourcelibrary/Reporting-2025-interview-14-Daniel-
Schmid.pdf, (Zugriff 9.5.2018).
Schmid, D. & Ritzrau, W. (2016): Die Wissensrevolution. Big Data & nachhaltige
Entwicklung, Forum Nachhaltig Wirtschaften, H. 02/2016, 76-79.
Schmidhuber, J. (2015): Deep Learning in Neural Networks. An Overview, Neural networks:
The official journal of the International Neural Network Society, Jg. 61, 85-117.
Schmidt, H. (2017a): Der Wettlauf um den Quantencomputer, URL:
https://netzoekonom.de/2017/03/27/der-wettlauf-um-den-quantencomputer/, (Zugriff
28.3.2017).
Schmidt, H. (2017b): Digitale Transformation gehört bei jedem zweiten Unternehmen zu den
Top-3-Prioritäten, URL: https://netzoekonom.de/2017/03/09/bei-jedem-zweiten-
grossunternehmen-gehoert-digitale-transformation-zu-den-top-3-prioritaeten/, (Zugriff
8.5.2018).
Schmidt-Schauß, M. & Sabel, D. (2013): Einführung in die Methoden der Künstlichen
Intelligenz, URL: http://www.ki.informatik.uni-
frankfurt.de/lehre/WS2012/KI/skript/skript11Feb13.pdf, (Zugriff 3.8.2017).
Schober-Ehmer, H.; Ehmer, S. & Regele, D. (2017): „Die neue Gleichzeitigkeit von
Unterschieden – wie soll man da noch führen?“, in: Hildebrandt, A. & Landhäußer, W.
(Hrsg.): CSR und Digitalisierung. Der digitale Wandel als Chance und Herausforderung für
Wirtschaft und Gesellschaft. Berlin, Heidelberg: Springer Berlin Heidelberg (Management-
Reihe Corporate Social Responsibility), 667-687.
Schulze-Quester, M. (2017): Whitepaper Nachhaltigkeitsmanagement. 12 Vorteile eines
strukturierten Nachhaltigkeitsmanagements für Unternehmen, URL:
https://www.ecointense.de/services/whitepaper/nachhaltigkeitsmanagement, (Zugriff
8.9.2017).
Schwab, K. (2016): The Fourth Industrial Revolution: what it means, how to respond, URL:
https://www.weforum.org/agenda/2016/01/the-fourth-industrial-revolution-what-it-means-and-
how-to-respond/, (Zugriff 24.4.2018).
Schwab, K. (2017): Systems strengthening – the key global challenge, URL:
https://www.weforum.org/agenda/2017/09/systems-strengthening-the-key-global-challenge/,
(Zugriff 7.5.2018).
LITERATURVERZEICHNIS XXV
Seele, P. (2016): Predictive Sustainability Control. A review assessing the potential to

transfer big data driven ‘predictive policing’ to corporate sustainability management, Journal
of Cleaner Production, Jg. 153, 673-686.
Seele, P. (2017): Greenwashing ist irreführende Kommunikation, URL:
http://www.baumev.de/News/8939/GreenwashingistirrefhrendeKommunikation.html, (Zugriff
9.5.2018).
Segars, A. H. (2018): Seven Technologies Remaking the World. An MIT SMR Executive
Guide, URL: https://sloanreview.mit.edu/projects/seven-technologies-remaking-the-
world/#chapter-6, (Zugriff 11.5.2018).
Service, R. F. (2017): DNA could store all of the world's data in one room, URL:
http://www.sciencemag.org/news/2017/03/dna-could-store-all-worlds-data-one-room, (Zugriff
29.4.2018).
Siebenhüner, B. (2016): Homo sustinens als Menschenbild für eine nachhaltige Ökonomie,
URL: http://www.sowi-online.de/sites/default/files/siebenhuener.pdf, (Zugriff 28.11.2016).
Silver, D.; Schrittwieser, J.; Simonyan, K.; Antonoglou, I.; Huang, A. & Guez, A. et al. (2017):
Mastering the game of Go without human knowledge, Nature, Jg. 550, H. 7676, 354–359.
Sourcemap (Hrsg.) (2018): Supply Chain Mapping. Powerful technology and intuitive
software that answers the most complex questions about end-to-end supply chains, URL:
http://www.sourcemap.com/, (Zugriff 13.5.2018).
Stanford Artificial Intelligence Laboratory (SAIL) (Hrsg.) (2017): The AI Index. 2017 Annual
Report, URL: http://cdn.aiindex.org/2017-report.pdf, (Zugriff 26.3.2018).
Stanford University (Hrsg.) (2016): Artificial Intelligence and life in 2030. One hundred year
study on artificial intelligence, URL:
https://ai100.stanford.edu/sites/default/files/ai100report10032016fnl_singles.pdf, (Zugriff
28.2.2017).
Stanford University (Hrsg.) (2017): One Hundred Year Study on Artificial Intelligence (AI100),
URL: https://ai100.stanford.edu/, (Zugriff 1.3.2017).
Steinmeier, F. W. (2017): Agenda 2030, in: Deutsches Global Compact Netzwerk (DGCN)
(Hrsg.): Deutschland 2030 – Wie können wir die SDGs umsetzen?, 132.
Suich Bass, A. (2018): Non-tech businesses are beginning to use artificial intelligence at
scale, URL: https://www.economist.com/news/special-report/21739431-artificial-intelligence-
spreading-beyond-technology-sector-big-consequences, (Zugriff 14.5.2018).
Süpke, D. & Heil, M. (2013): „IT-Unterstützung für eine zukunftsorientierte
Nachhaltigkeitsstrategie“, in: Marx Gómez, J.; Lang, C. & Wohlgemuth, V. (Hrsg.): IT-
gestütztes Ressourcen- und Energiemanagement. Berlin, Heidelberg: Springer Berlin
Heidelberg, 509-512.
Süpke, D.; Marx Gómez, J. & Isenman, R. (2009): „Web 2.0 for sustainability reporting:
Approach to refining communication on sustainability“, in: Wohlgemuth, V.; Page, B. & Voigt,
XXVI LITERATURVERZEICHNIS
K. (Hrsg.): Environmental informatics and industrial environmental protection: concepts,

methods and tools. EnviroInfo 2009; 23rd International Conference on Informatics for
Environmental Protection; proceedings of the 23rd International Conference Environmental
Informatics – Informatics for environmental protection, sustainable development and risk
management, September 09 – 11, 2009, HTW Berlin, University of Applied Sciences,
Germany. Aachen: Shaker (/Berichte aus der Umweltinformatik]), 235-243.
The Guardian (Hrsg.) (2018): Revealed: 50 million Facebook profiles harvested for
Cambridge Analytica in major data breach, URL:
https://www.theguardian.com/news/2018/mar/17/cambridge-analytica-facebook-influence-us-
election, (Zugriff 6.5.2018).
The White House (Hrsg.) (2016a): Preparing for the future of artificial intelligence, URL:
https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NS
TC/preparing_for_the_future_of_ai.pdf, (Zugriff 28.2.2017).
The White House (Hrsg.) (2016b): The national artificial intelligence research and
development strategic plan, URL:
https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NS
TC/national_ai_rd_strategic_plan.pdf, (Zugriff 28.2.2017).
Tranfield, D.; Denyer, D. & Smart, P. (2003): Towards a Methodology for Developing
Evidence‐Informed Management Knowledge by Means of Systematic Review, British Journal
of Management, Jg. 14, 207-222.
TruValue Labs (Hrsg.) (2018): Insight360. Leverage artificial intelligence to find opportunities
and manage risk using the Insight360 Platform, URL:
https://www.truvaluelabs.com/insight360-platform#, (Zugriff 20.5.2018).
UmweltDialog (Hrsg.) (2018): Corporate Reporting: Digitalisierung als zusätzliche
Herausforderung, URL: http://www.umweltdialog.de/de/csr-
management/nachhaltigkeitsberichte/2018/Immer-mehr-Finanzberichte-und-Reporting-
Standards-machen-CFOs-zu-schaffen-Digitalisierung-als-zusaetzliche-Herausforderung.php,
(Zugriff 22.4.2018).
UN Global Compact et al. (UNGC) (Hrsg.) (2017a): Artificial Intelligence. A more intelligent
future, URL: http://breakthrough.unglobalcompact.org/site/assets/files/1454/hhw-16-0017-
d_c_artificial_intelligence.pdf, (Zugriff 23.9.2017).
UN Global Compact (UNGC) (Hrsg.) (2017b): Uniting to deliver technology for the global
goals. 2030 Vision – Global Goals Technology Forum, URL:
https://www.unglobalcompact.org/docs/publications/ARM_2030VisionReport.pdf, (Zugriff
24.4.2018).
United Nations (UN) (Hrsg.) (1987): Our Common Future. Report of the World Commission
on Environment and Development, Vorlage zur 42. UN Generalversammlung vom 4. August
1987, URL: http://www.bfnu.de/files/downloads/Brundtland_Bericht_1987.pdf, (Zugriff
1.5.2016).
LITERATURVERZEICHNIS XXVII
United Nations (UN) (Hrsg.) (2017): Sustainable Development Goals. 17 Goals to transform
our world, URL: http://www.un.org/sustainabledevelopment/sustainable-development-goals/,
(Zugriff 15.4.2017).
Wahlster, W. (2017): Künstliche Intelligenz versus menschliche Intelligenz: Wie lernen,
verstehen und denken Computer?, URL:
http://www.dfki.de/wwdata/Gutenberg_Stiftungsprofessur_Mainz_2017/Lernende_Maschinen
.pdf, (Zugriff 10.3.2018).
Walker, T. (2013): „Der Stakeholderansatz als Fundament der CSR-Kommunikation“, in:
CSR und Kommunikation. Unternehmerische Verantwortung überzeugend vermitteln. Berlin,
Heidelberg: Springer Gabler (Management-Reihe Corporate Social), 65-78.
Weizenbaum, J. (1987): Die Macht der Computer und die Ohnmacht der Vernunft. Frankfurt
a. M.: Suhrkamp, 7. Aufl.
Wenzel, E. (2016): Warum wir dringend eine Management-Agenda für das Jahr 2030
brauchen, URL: http://www.zukunftpassiert.de/wir-brauchen-eine-management-agenda-
2030/, (Zugriff 14.8.2016).
Westerman, G. (2017): Your Company Doesn’t Need a Digital Strategy, URL:
https://sloanreview.mit.edu/article/your-company-doesnt-need-a-digital-strategy/, (Zugriff
15.1.2018).
Wichert, A. (2000): Künstliche Intelligenz, URL:
http://www.spektrum.de/lexikon/neurowissenschaft/kuenstliche-intelligenz/6810, (Zugriff
7.3.2018).
Wikipedia (Hrsg.) (2018): Weisheit, URL: https://de.wikipedia.org/wiki/Weisheit, (Zugriff
12.5.2018).
World Economic Forum (WEF) (Hrsg.) (2018), URL:
https://toplink.weforum.org/knowledge/insight/a1Gb0000001RIhBEAW/explore/summary,
(Zugriff 6.5.2018).
Zeit Online (Hrsg.) (2018): Sicherheitskreise: Deutsches Regierungsnetz gehackt, URL:
https://www.zeit.de/news/2018-02/28/sicherheitskreise-deutsches-regierungsnetz-gehackt-
180228-99-282724, (Zugriff 6.5.2018).
Zentrum für Europäische Wirtschaftsforschung (ZEW) (Hrsg.) (2015): Übertragung der
Studie von Frey/Osborne (2013) auf Deutschland, URL: http://ftp.zew.de/pub/zew-
docs/gutachten/Kurzexpertise_BMAS_ZEW2015.pdf, (Zugriff 6.5.2018).
XXVIII ANHANG – KI-Anwendungsbeispiele nach Branchen
ANHANG – KI-ANWENDUNGSBEISPIELE NACH BRANCHEN
Anhang 1) Automobilindustrie / Mobilität ................................................................. XXIX

Anhang 2) Energiewirtschaft .................................................................................... XXX
Anhang 3) Finanzdienstleistungen / Versicherungswesen ....................................... XXXI
Anhang 4) Gesundheitswesen ............................................................................... XXXII
Anhang 5) Industrielle Produktion ......................................................................... XXXIII
Anhang 6) Konsumelektronik ................................................................................ XXXIV
Anhang 7) Landwirtschaft....................................................................................... XXXV
Anhang 8) Logistik ................................................................................................ XXXVI
Anhang 9) Marketing / Medien ............................................................................. XXXVII
Anhang 10) Recht / Rechtsdienstleistungen .......................................................... XXXVIII
Anhang 11) Sicherheit / Verteidigung ...................................................................... XXXIX
ANHANG – KI-Anwendungsbeispiele nach Branchen XXIX
Anhang 1) Automobilindustrie / Mobilität (FABD 2017, 44).

XXX ANHANG – KI-Anwendungsbeispiele nach Branchen
Anhang 2) Energiewirtschaft (FABD 2017, 453).

ANHANG – KI-Anwendungsbeispiele nach Branchen XXXI
Anhang 3) Finanzdienstleistungen / Versicherungswesen (FABD 2017, 46).

XXXII ANHANG – KI-Anwendungsbeispiele nach Branchen
Anhang 4) Gesundheitswesen (FABD 2017, 47).

ANHANG – KI-Anwendungsbeispiele nach Branchen XXXIII
Anhang 5) Industrielle Produktion (FABD 2017, 48).

XXXIV ANHANG – KI-Anwendungsbeispiele nach Branchen
Anhang 6) Konsumelektronik (FABD 2017, 49).

ANHANG – KI-Anwendungsbeispiele nach Branchen XXXV
Anhang 7) Landwirtschaft (FABD 2017, 50).

XXXVI ANHANG – KI-Anwendungsbeispiele nach Branchen
Anhang 8) Logistik (FABD 2017, 51).

ANHANG – KI-Anwendungsbeispiele nach Branchen XXXVII
Anhang 9) Marketing / Medien (FABD 2017, 51).

XXXVIII ANHANG – KI-Anwendungsbeispiele nach Branchen
Anhang 10) Recht / Rechtsdienstleistungen (FABD 2017, 52).

ANHANG – KI-Anwendungsbeispiele nach Branchen XXXIX
Anhang 11) Sicherheit / Verteidigung (FABD 2017, 52).

XL ERKLÄRUNG
ERKLÄRUNG
Ich erkläre hiermit durch meine eigenhändige Unterschrift, dass ich die vorstehende Arbeit
selbständig und ohne unzulässige fremde Hilfe angefertigt und alle Stellen, die wörtlich,
annähernd wörtlich oder sinngemäß aus Veröffentlichungen genommen sind, als solche
kenntlich gemacht habe. Die Erklärung bezieht sich auch auf in der Arbeit gelieferten
Zeichnungen, Skizzen, bildlichen Darstellungen und dergleichen.
München, 22.05.2018

Masterarbeit Karsten Lau KI Im Nachhaltigkeitsmanagement 1

Hochgeladen von

Copyright:

Verfügbare Formate

Masterarbeit Karsten Lau KI Im Nachhaltigkeitsmanagement 1

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Masterarbeit Karsten Lau KI Im Nachhaltigkeitsmanagement 1

Hochgeladen von

Copyright:

Verfügbare Formate

Nachhaltigkeitsmanagement in

Zeiten der Digitalisierung

Masterarbeit im MBA Sustainability Management

Erstgutachterin: Prof. Dr. Ursula Weisenfeld

Centre for Sustainability Management (CSM)

Trotz der Bemühungen um professionelles Nachhaltigkeitsmanagement (NHM) scheint es, als

Abbildungsverzeichnis ..................................................................................................... VII

Tabellenverzeichnis .......................................................................................................... VII

Abkürzungsverzeichnis ................................................................................................... VIII

2 Thematische Grundlagen & Abgrenzungen .............................................................. 5

3 Forschungsdesign & Methodik .................................................................................16

4 Herausforderungen des NHMs & Potenziale der KI .................................................18

5 Potenziale der KI als Werkzeug des NHMs...............................................................42

Anhang – KI-Anwendungsbeispiele nach Branchen ................................................ XXVIII

Abbildung 1: Forschungsframework ................................................................................. 3

Tabelle 1: Stufen nachhaltiger Entwicklung in und von Unternehmen ................................. 7

Tabelle 6: Konsolidierte Herausforderungen des NHMs.....................................................33

AGI Artificial General Intelligence

ROI Return on Investment

1.1 Einführende Betrachtungen

1.3 Zielsetzung & Forschungsfragen

Eine Eingrenzung der KI soll über eine Systematisierung aktueller betrieblicher

1.4 Struktur der Arbeit

2 THEMATISCHE GRUNDLAGEN & ABGRENZUNGEN

2.1 Nachhaltigkeit & betriebliches Nachhaltigkeitsmanagement

2.1.1 Nachhaltigkeit vs. nachhaltige Entwicklung

2.1.2 Betriebliches Nachhaltigkeitsmanagement

Stufe 1 Stufe 2 Stufe 3

Begrüßenswerte NHM als Wechsel vom Shareholder-

2.2 Digitalisierung und künstliche Intelligenz

2.2.1 Digitale (R)Evolution

umbrechende Veränderung“6 bedeutet, besser geeignet sein, um Auswirkungen und ihre

Abbildung 2: Entering Society 5.0 (JapanGov 2017).

Zusammenfassend kann Digitalisierung als eine revolutionäre Veränderung gesehen werden,

2.2.2 Künstliche Intelligenz vs. erweiterte (menschliche) Intelligenz

Eine weitere und nach human-rationalen Kriterien differenzierte Definitionsübersicht bieten

Tabelle 2: KI-Technologien & Funktionalitäten.

11 Z. B. SAP (2018, 10f.).

3 FORSCHUNGSDESIGN & METHODIK

Für eine systematische Beantwortung der Forschungsfragen wurden die Forschungsfelder

Die geplanten Bearbeitungsschritte im Detail:

5. Reflexion, Diskussion und Bewertung der Erkenntnisse, Erweiterung der

Bei der Erarbeitung des aktuellen Forschungsstandes zur Anwendung von KI im

4 HERAUSFORDERUNGEN DES NHMS & POTENZIALE DER KI

4.1 Management betrieblicher Nachhaltigkeitsleistungen

4.1.1 Zentrale Herausforderungen des NHMs

Abbildung 4: Nachhaltigkeitsleistung von international tätigen Großunternehmen (oekom 2017, 12).

Abbildung 5: Zentrale Herausforderungen des NHMs (Schulze-Quester 2017, 8).

4.1.2 Operative Herausforderungen des NHMs

4.1.3 Messen und Bewerten von Nachhaltigkeitsleistungen

Abbildung 6: Treiberbaum für den Sustainable Value (Sailer 2017, 221).

Abbildung 7: Ursache-Wirkungskette nicht finanzielle zu finanzielle Leistung (SAP 2018, 250).

13 Z. B. mithilfe von „iModeler“ @ www.know-why.net.

Abbildung 8: Ursache-Wirkungsmodell von Nachhaltigkeitsherausforderungen (Neumann 2014).14

14 Das Modell ist auch abrufbar @ https://imodeler.info/ro?key=AZ1G5dBFBFpJygUEe_RvcvA. Farben der

Tabelle 4: Herausforderungen bei der Messung und Bewertung von NH-Leistungen.

Herausforderungen bei der Messung und Bewertung

Quelle Herausforderungen Gründe