Nicht jede KI-Anwendung ist gleich

In der öffentlichen Debatte über KI in Unternehmen dominieren vor allem operative Anwendungsfelder: Predictive Maintenance in der Produktion, optimierte Logistik, KI-gestützte Belegverarbeitung in der Buchhaltung. Diese Anwendungen sind technisch vergleichsweise gut erschlossen, die Nutzenpotenziale gut messbar und die Implementierungspfade zunehmend standardisiert.

Wer jedoch wissen möchte, wie KI dabei helfen kann, neue Märkte zu identifizieren, die eigenen Kompetenzen in neue Felder zu übertragen oder Innovationsprozesse systematisch zu beschleunigen, betritt ein anderes Terrain. Hier geht es nicht um die Optimierung bekannter Prozesse, sondern um das Erschließen von Neuem unter unsicheren Bedingungen. Dieser Unterschied ist grundlegend – methodisch, organisatorisch und in Bezug auf die Qualitätsanforderungen an die verwendeten Daten und Ergebnisse.

Genau hier setzt die Arbeit der Wissenschaftler:innen des Fraunhofer-Instituts für System- und Innovationsforschung ISI an.

Häufiges Muster: Lösungen suchen ein Problem

Ein Muster, das wir als Innovationsforschende häufig beobachten, ist der »Solution-Push«: Unternehmensführungen fordern von ihren IT- und Strategieabteilungen, KI einzusetzen – nicht, weil ein konkretes Problem identifiziert wurde, sondern weil der Wettbewerb es tut und der Druck der öffentlichen Debatte spürbar ist. Das Ergebnis sind oft unproduktive Investitionen, gescheiterte Pilotprojekte und eine wachsende Skepsis gegenüber der Technologie. »Tokenmaxxing« beschreibt ein ähnliches Phänomen: Der intensive Einsatz von KI – gemessen am Tokenverbrauch – vermittelt den Eindruck hoher Produktivität, obwohl der tatsächliche Mehrwert oft begrenzt ist.

Der produktivere Ausgangspunkt ist die umgekehrte Frage: An welchen Stellen im Innovationsprozess gibt es heute Informationsdefizite, strategische Unsicherheiten oder Erkenntnislücken – und lassen sich diese durch KI-gestützte Methoden schließen? Dieser problemzentrierte Ansatz ist das methodische Grundprinzip, nach dem das Fraunhofer ISI Innovationsprozesse in Unternehmen unterstützt.

Von der Trendanalyse bis zur Umsetzung: KI im Innovationsprozess

1. Identifikation von Trends, (schwachen) Signalen, Technologien und Marktveränderungen
2. Identifikation neuer Chancen- und Suchfelder
3. Entwicklung und Bewertung von Ideen (z. B. zu neuen Geschäftsfeldern, Produkten, Services)
4. Entwicklung und Erprobung von Konzepten und Prototypen
5. Priorisierung und Umsetzung vielversprechender Innovationsvorhaben

KI-Werkzeuge entfalten in diesen Phasen unterschiedliche Wirkungen – von der Früherkennung relevanter Entwicklungen über die Unterstützung kreativer Prozesse bis hin zur Analyse und Entscheidungsunterstützung.

Größter Mehrwert bei Früherkennung und Marktanalyse

Früherkennung und strategische Marktanalyse gehören heute zu den Bereichen, in denen KI ihren größten Mehrwert im strategischen Kontext zeigt. Was früher vor allem durch Konferenzbesuche, Gespräche mit Expert:innen und manuelle Literaturrecherchen geleistet wurde, lässt sich heute durch systematisches Auswerten von Publikationsdatenbanken, Patentregistern und Webdaten ergänzen, erheblich beschleunigen und auf eine breitere empirische Basis stellen. Die Entwicklung und Implementierung orchestrierter (Trend-)Analyse-Agenten wird dabei ein zunehmender Wettbewerbsvorteil. Außerdem erlauben Methoden wie Retrieval-Augmented Generation (RAG), eigene Datenbestände gezielt zu durchsuchen – auch zu Fragen, die einzelne Analyst:innen nicht in vertretbarer Zeit bearbeiten könnten.

In der Ideationsphase können Large Language Models (LLMs) dazu beitragen, die Anzahl und Vielfalt potenzieller Lösungsansätze zu erhöhen. Sie unterstützen dabei, unterschiedliche Perspektiven einzunehmen, bestehende Denkmuster zu hinterfragen und neue Kombinationen aus Technologien, Kundenbedürfnissen und Geschäftsmodellen zu entwickeln. Dadurch entsteht eine größere Grundgesamtheit an Ideen, die anschließend anhand definierter Kriterien systematisch bewertet, priorisiert und weiterentwickelt werden kann. Für die Szenarioentwicklung – etwa zur Antizipation von Marktveränderungen – bieten KI-Werkzeuge die Möglichkeit, unterschiedliche strategische Pfade schnell und konsistent durchzuspielen.

Mensch und KI als Partner im Innovationsprozess

Strategische Entscheidungen hingegen bleiben menschliche Aufgabe. KI kann qualitativ hochwertigere Entscheidungsgrundlagen liefern – die finale Ableitung und Verantwortung kann sie aber nicht ersetzen. Wer das verkennt, riskiert, auf Basis von »halluzinierten« Inhalten – also plausibel klingenden, aber faktisch falschen KI-Ausgaben – Weichenstellungen vorzunehmen. Im Unterschied zu einer falsch optimierten Lagerhaltung, deren Fehler sich schnell empirisch zeigen, können strategische Fehlentscheidungen jahrelange Konsequenzen haben.

Aus Sicht des Fraunhofer ISI sind zukünftig vor allem hybride und augmentierte Innovationsprozesse wichtig, um strategische »Black-Box-Entscheidungen«, also autonom getroffene Entscheidungen der KI, zu vermeiden. Die Zukunft liegt daher nicht in vollständig automatisierten Innovationsprozessen, sondern in der intelligenten Orchestrierung von Mensch und KI.

Was angewandte Forschung leistet und was kommerzielle Werkzeuge nicht können

Kommerzielle KI-Plattformen liefern heute leistungsfähige Werkzeuge für Marktanalysen, Wettbewerbsscreening oder Ideengenerierung. Was sie in der Regel nicht mitbringen, ist die methodische Fundierung und das Technologie- und Marktwissen, die es erlauben, die Qualität der Ergebnisse einzuschätzen, Verzerrungen zu erkennen und Erkenntnisse wissenschaftlich einzuordnen.

Das Fraunhofer ISI verbindet bei der Begleitung von Innovationsprozessen mehrere Kompetenzen, die in diesem Kontext wichtig sind:

1. Zugang zur Forschungsbasis: Wissenschaftliche Publikationen fließen in Analysen inhaltlich ein – nicht als oberflächliche Zitate, sondern als verständnisleitende inhaltliche Grundlage. Das setzt voraus, dass das auswertende Team in der Lage ist, Forschungsergebnisse zu lesen, einzuordnen und auf strategische Fragestellungen zu übertragen.
2. methodische Eigenentwicklungen: Das Fraunhofer ISI setzt den funktionssemantischen Ansatz zur Kompetenzanalyse ein, um Unternehmenskompetenzen systematisch zu erfassen und gegen externe Datenbestände zu matchen. Dies geht über generische Prompt-Nutzung hinaus und erfordert eine strukturierte Datenbasis sowie ein Verständnis für die Aussagekraft der Ergebnisse.
3. institutionelle Neutralität: Als öffentlich finanzierte Forschungseinrichtung verfolgt das Fraunhofer ISI keine Produktinteressen. Das ist besonders relevant, wenn es darum geht, KI-Werkzeuge kritisch zu bewerten, Implementierungsrisiken ehrlich zu benennen – und gegebenenfalls Unternehmen davon abzuraten, in eine bestimmte Richtung zu investieren.

Ein methodisches Beispiel: Kompetenz-Mapping und strategische Neuausrichtung

Ein konkreter Ansatz, den wir in der Unternehmensbegleitung einsetzen, ist das sogenannte Kompetenz-Mapping in Verbindung mit einer KI-gestützten Markt- und Wettbewerbsanalyse.

Dazu erfassen wir zunächst die vorhandenen Kernkompetenzen des Unternehmens – oft genügt dafür ein einseitiges Kompetenzprofil, das in einem Workshop mit der Unternehmensführung erarbeitet wird. Anschließend spiegeln wir dieses Profil gegen externe Datenquellen und gleichen es über ein RAG-basiertes Retrievalverfahren mit externen Markt- und Technologieentwicklungen ab. Das Vorgehen folgt dem Prinzip des Double Diamond: Zunächst werden Daten breit erfasst und anschließend auf den konkreten Kontext des Unternehmens fokussiert. 

Das Ergebnis: Unternehmen erhalten in einem Bruchteil der Zeit einer manuellen Marktrecherche eine systematische Übersicht über Wettbewerber, deren Kompetenzprofile und mögliche weiße Flecken im eigenen Strategieportfolio. Für Unternehmen in Transformationsbranchen – etwa Automobilzulieferer, die neue Märkte erschließen müssen – kann dieser Schritt eine wichtige Orientierungsgrundlage sein, bevor sie größere Investitionsentscheidungen treffen. Die Frage lautet dann nicht mehr »Was machen wir mit KI?«, sondern »In welche Märkte können wir mit unseren bestehenden Fähigkeiten tatsächlich eintreten?«

Ein konkretes Beispiel aus unserer Arbeit: Ein Automobilzulieferer verfügte über Kompetenzen in Sensorintegration, thermischem Management und qualitätskritischer Serienproduktion. Unsere KI-gestützte Analyse identifizierte nicht nur Wettbewerber des Unternehmens, sondern auch mögliche Anwendungsfelder in Medizintechnik, Energiespeicherung oder industrieller Robotik. Anschließend prüften Fachleute Marktattraktivität, regulatorische Hürden und tatsächliche Kompetenznähe. Auf Basis dieses Zusammenspiels konnte das Unternehmen dann konkrete Investitionsentscheidungen treffen.

Das Beispiel verdeutlicht: Der Mehrwert von KI entsteht nicht durch das Werkzeug selbst, sondern durch seinen gezielten Einsatz zur Beantwortung strategischer Fragestellungen. Entscheidend ist, an welchen Stellen im Innovationsprozess Informationslücken, Unsicherheiten oder ungenutzte Chancen bestehen. Genau dort kann KI ihre größte Wirkung entfalten. Wer KI als Instrument zur Generierung von Zukunftswissen und zur Unterstützung fundierter Innovationsentscheidungen versteht, stärkt nachhaltig die Innovationsfähigkeit der eigenen Organisation.