Zurück zur Bibliothek

Kernfrage Neu

KI-aufbereitet · Von Autoren geprüft

Wie können Unternehmen KI-Anwendungen danach einteilen und gestalten, wer Aufgaben steuert und anstößt?

Developing a Configurational Typology of AI: Linking Tasks and Interaction Patterns
Victoria Sofia Santos Gabriel, Daniel Beimborn · International Conference on Information Systems (ICIS) · 2026
Illustration zu: Wie können Unternehmen KI-Anwendungen danach einteilen und gestalten, wer Aufgaben steuert und anstößt?

Lädt den Spotify-Player; Spotify kann Cookies setzen. Dieses Gerät merkt sich Ihre Auswahl.

Zentrale Ergebnisse

  • Identifiziert 22 distinkte KI-Teilaufgaben in mechanischen, analytischen, intuitiven und empathischen Funktionsbereichen anhand von Patentdaten.
  • Etabliert eine konfigurative Typologie entlang zweier Achsen: Handlungsautonomie (menschgeführt versus maschinengeführt) und Initiierungslogik (prompt-reaktiv versus aufgabeninitiierend).
  • Definiert vier praxisrelevante KI-Einsatzquadranten: Der kreative Assistent, der rationale Automatisierer, der proaktive Partner und der autonome Agent.
  • Zeigt, dass die menschliche Wahrnehmung von KI-Handlungsmacht primär davon abhängt, ob das System Aufgaben initiiert, und nicht von seiner reinen Rechenleistung.
  • Legt dar, dass der Einführungserfolg davon abhängt, kognitive Aufgabenanforderungen mit der Ausführungsautonomie in Einklang zu bringen, statt die technische Komplexität zu maximieren.

Bedeutung für die Praxis

CIO / IT-Leitung

Audit your current enterprise AI portfolio by mapping each deployed tool against the four operational quadrants (Creative Assistant, Rational Automator, Proactive Partner, and Autonomous Agent) to evaluate actual execution autonomy and initiation logic.

IT-Management

Evaluate incoming software requests by assessing whether a proposed AI application's task-initiating capabilities match the team's operational readiness, rather than prioritizing raw computational complexity.

Unternehmensstrategie

Redesign workflow automation proposals by explicitly matching the cognitive demands of specific business tasks with the appropriate action autonomy level, separating human-led from machine-led requirements.

Forschung

Incorporate the two-dimensional framework of action autonomy and initiation logic into future empirical studies examining how perceived AI agency influences user trust and adoption.

Politische Entscheidungsträger

Develop regulatory guidelines that distinguish between prompt-responsive AI and task-initiating AI systems, recognizing that machine-initiated autonomy drives higher perceived agency and requires distinct oversight.

Zusammenfassung

Diese Studie entwickelt eine mehrdimensionale, aufgabenbasierte Typologie, um zu erfassen, wie Fähigkeiten künstlicher Intelligenz in organisationalen Kontexten konfiguriert und eingesetzt werden. Die Autoren analysierten einen Datensatz von 508.659 erteilten KI-Patentfamilien aus den Jahren 2010 bis 2022 und kombinierten ein aus Patent-Abstracts sowie bestehenden Wörterbüchern abgeleitetes Vokabular mit einer Validierung durch große Sprachmodelle, um granulare funktionale Teilaufgaben abzuleiten. Diese Teilaufgaben wurden anschließend in ein zweidimensionales Framework überführt, das durch Handlungsautonomie und Initiierungslogik definiert wird.

Problemstellung

Bestehende KI-Klassifikationen beruhen oft auf linearen, eindimensionalen Modellen der Aufgabenkomplexität, die moderne generative und agentische Systeme mit kombinierten Fähigkeiten nicht abbilden können. Infolgedessen fällt es Organisationen schwer, KI-Anwendungen über verschiedene Geschäftsabläufe hinweg systematisch zu bewerten, zu konfigurieren und zu priorisieren.

Transkript
Host: Willkommen zu einer neuen Ausgabe von A.I.S. Insights — powered by Living Knowledge. Mein Name ist Anna Ivy Summers. Heute sprechen wir über eine wissenschaftliche Studie von Victoria Sofia Santos Gabriel und Daniel Beimborn mit dem Titel „Entwicklung einer konfigurativen Typologie der KI: Verknüpfung von Aufgaben und Interaktionsmustern“. Bei mir ist unser Analyst Alex Ian Sutherland. Alex, worum geht es in dieser Studie im Kern?
Expert: Hallo Anna. Die Studie entwickelt eine mehrdimensionale Typologie, um zu erfassen, wie Fähigkeiten künstlicher Intelligenz in Organisationen strukturiert und eingesetzt werden. Anstatt KI lediglich als allgemeines Werkzeug zu betrachten, verknüpft die Studie konkrete funktionale Aufgaben mit den dazugehörigen Interaktionsmustern zwischen Mensch und System.
Host: Welches Problem in der Unternehmenspraxis greift die Studie damit auf?
Expert: Viele bestehende Klassifikationen von KI beruhen auf linearen, eindimensionalen Modellen der Aufgabenkomplexität. Diese Modelle stoßen bei modernen generativen und agentischen Systemen an Grenzen, weil solche Systeme oft unterschiedliche kognitive Fähigkeiten kombinieren. In der Folge fehlt vielen Unternehmen ein klarer Bezugsrahmen, um KI-Anwendungen über verschiedene Geschäftsbereiche hinweg systematisch zu bewerten, zu konfigurieren und zu priorisieren.
Host: Wie sind die Autoren methodisch vorgegangen, um dieses Modell zu entwickeln?
Expert: Die empirische Grundlage bildet ein Datensatz von 508.659 erteilten KI-Patentfamilien aus den Jahren 2010 bis 2022. Die Autoren kombinierten Textanalysen aus Patent-Abstracts und bestehenden Wörterbüchern mit einer Validierung durch große Sprachmodelle. Daraus leiteten sie granulare funktionale Teilaufgaben ab und überführten diese in ein zweidimensionales Raster.
Host: Was sind die zentralen Ergebnisse dieser Analyse?
Expert: Die Studie identifiziert insgesamt 22 distinkte KI-Teilaufgaben in vier Funktionsbereichen: mechanisch, analytisch, intuitiv und empathisch. Diese Aufgaben werden entlang zweier Hauptachsen abgebildet: erstens der Handlungsautonomie, also menschgeführt versus maschinengeführt, und zweitens der Initiierungslogik, also prompt-reaktiv versus aufgabeninitiierend.
Host: Daraus leiten sich vier Quadranten für den Einsatz ab, richtig?
Expert: Genau. Es entstehen vier praxisrelevante Einsatzmuster: der kreative Assistent, der rationale Automatisierer, der proaktive Partner und der autonome Agent. Ein bemerkenswerter Befund der Studie ist dabei, dass die menschliche Wahrnehmung von KI-Handlungsmacht primär davon abhängt, ob das System Aufgaben von sich aus initiiert, und nicht von der reinen Rechenleistung des zugrundeliegenden Modells.
Host: Warum ist diese Erkenntnis für Entscheider in Unternehmen so wichtig?
Expert: Sie zeigt, dass der Einführungserfolg von KI nicht daran gekoppelt ist, stets die technisch komplexeste Lösung zu wählen. Entscheidend ist vielmehr, die kognitiven Anforderungen einer Aufgabe exakt mit dem passenden Grad an Handlungsautonomie und Initiierungslogik abzustimmen. Unternehmen können diese Typologie als Instrument nutzen, um bestehende Prozesse zu analysieren und festzulegen, welche Rollenverteilung zwischen Mensch und Maschine für einen bestimmten Arbeitsschritt funktional sinnvoll ist.
Host: Das Framework bietet Unternehmen somit eine strukturierte Orientierungshilfe, um Investitionen zielgerichteter zu steuern und Interaktionsmuster fundiert zu gestalten. Vielen Dank für diese Erläuterungen, Alex.
Expert: Sehr gerne, Anna.
Host: Und Ihnen vielen Dank fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Bis zur nächsten Ausgabe.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

Artificial Intelligence, AI Typology, Human-AI Collaboration, Action Autonomy, Initiation Logic, Patent Data