Description:

Themengebiete und Aufgabenstellungen der Seminare entstammen typischerweise den Forschungs- und Lehrthemen aus dem Bereich Wirtschaftsinformatik und Softwaretechnik und werden jedes Semester neu zusammengestellt, um aktuelle Entwicklungen zu berücksichtigen. 

Learning Targets:

Die Studierenden können sich eigenständig in ein aktuelles Themengebiet der Wirtschaftsinformatik einarbeiten, die aus der Sicht der Wirtschaftsinformatik relevanten Aspekte identifizieren und die Ergebnisse entsprechend den Anforderungen des wissenschaftlichen Arbeitens differenziert dokumentieren und reflektiert diskutieren. Sie sind in der Lage, die Essenz der schriftlichen Ausarbeitung im Sinne der Wissenspräsentation im Rahmen einer abschließenden Präsentation aufzubereiten, vor einem Publikum vorzutragen und sich in den Diskurs mit anderen Seminarteilnehmern einzubringen.

Outline:

1. Die Bewerbung erfolgt im Rahmen des WISEM-Prozesses, vgl. Formalia
2. Bei Zuteilung zu unserem Lehrstuhl gibt es am 21.10.26 eine Einführungsveranstaltung und dann verschiedene Meilenstein-Kolloquien mit Input und Diskussion
3. Zusätzlich gibt es durch den zentralen WISEM-Prozess drei Workshops zum wissenschaftlichen Arbeiten.

Literature:

• Disterer, Georg (2014): Studienarbeiten schreiben. Berlin: Springer.
• Eine themenspezifische Literaturrecherche ist Aufgabe der Seminarteilnehmer.

Methods of Assessment:

Schriftliche Ausarbeitung und Präsentation

Formalities:

Alle weiteren Informationen finden Sie auf der zentralen Wirtschaftsinformatik-Seite unter Seminararbeiten. Beachten Sie dort insbesondere die Termine und Fristen, um sich für ein Seminarthema zu bewerben.

In den vergangenen Semestern bestand eine vergleichsweise hohe Nachfrage nach den Themenangeboten unseres Lehrstuhls (bis zu 6 Bewerbungen auf 1 Seminarplatz). Planen und bewerben Sie sich entsprechend, wenn Ihr Studienverlauf von einem Seminarangebot im aktuellen Semester abhängt. 

Topics available:

• SOFTEC-BA-1, Winter Semester 2026/2027, Bachelor

  Topic range: Zwischen Autonomie und Verantwortung: Accountability in agentischen Informationssystemen

  Agentische Informationssysteme erweitern die Möglichkeiten, Arbeit an KI zu delegieren. Sie können Ziele verfolgen, Aufgaben in Arbeitsschritte übersetzen und über angebundene Werkzeuge Handlungen ausführen. Damit verändert sich das Verhältnis zwischen Menschen und Informationssystemen. Neben der Nutzung einzelner Systemergebnisse tritt die Übertragung von Handlungsspielräumen innerhalb eines Arbeitsprozesses. Wie weit diese reichen und wie Menschen und Systeme zusammenarbeiten, hängt von der jeweiligen Gestaltung und Einbettung ab. Diese Entwicklung wirft Fragen nach der Verteilung von Entscheidungsbefugnissen, Aufsicht und Rechenschaftspflichten auf. Wer darf Aufgaben delegieren und Entscheidungen treffen? Wer kann das Systemhandeln nachvollziehen und eingreifen? Und wer muss Ergebnisse gegenüber anderen erklären und rechtfertigen? Accountability bezeichnet dabei eine Rechenschaftsbeziehung, in der Akteure ihr Handeln gegenüber einer Instanz begründen müssen, die dieses hinterfragen und beurteilen kann. Formale Zuständigkeiten allein beantworten deshalb noch nicht, ob die rechenschaftspflichtigen Personen über die erforderlichen Informationen und Einflussmöglichkeiten verfügen. 

  Der Themenkomplex untersucht durch Interviews, wie Organisationen diese Beziehungen beim Einsatz agentischer Informationssysteme ausgestalten. Die übergreifende Forschungsfrage lautet:

  Wie sollten Entscheidungsbefugnisse, Aufsicht und Rechenschaftspflichten beim Einsatz agentischer Informationssysteme verteilt und im Arbeitsalltag ausgestaltet werden?

  Ausgangspunkt sind Spannungen, die entstehen, wenn agentische Informationssysteme zunehmend eigenständig handeln, während Rechenschaftspflichten weiterhin bei Menschen und Organisationen verbleiben. Dadurch können Handlungsfähigkeit, Kontrolle, Verantwortungszuschreibung und die tatsächlichen Voraussetzungen für Rechenschaft auseinanderfallen. So kann etwa erwartet werden, dass Beteiligte Entscheidungen oder Handlungen eines Systems begründen und verantworten, obwohl sie diese nur begrenzt nachvollziehen, beeinflussen oder kontrollieren können.

  Die folgenden Seminarthemen untersuchen diese Spannungen in unterschiedlichen Domänen. Dabei ist zu identifzieren, ob Spannungen auftreten, unter welchen Bedingungen sie entstehen und wie Beteiligte mit ihnen umgehen. Ebenso relevant sind Situationen, in denen keine Spannungen berichtet werden. Welche Praktiken verhindern deren Entstehung? Welche Rolle spielen begrenzte Handlungsspielräume, klare Zuständigkeiten oder etablierte Kontrollverfahren? Und wann bleiben Spannungen möglicherweise lediglich unbemerkt?

  Literature

  • Ågerfalk, P. J. (2020). Artificial intelligence as digital agency. European Journal of Information Systems, 29(1), 1–8. doi.org/10.1080/0960085X.2020.1721947
  • Baird, A., & Maruping, L. M. (2021). The next generation of research on IS use: A theoretical framework of delegation to and from agentic IS artifacts. MIS Quarterly, 45(1), 315–341. doi.org/10.25300/MISQ/2021/15882
  • Birks, D. F., Fernandez, W., Levina, N., & Nasirin, S. (2013). Grounded theory method in information systems research: Its nature, diversity and opportunities. European Journal of Information Systems, 22(1), 1–8. doi.org/10.1057/ejis.2012.48
  • Bovens, M. (2007). Analysing and assessing accountability: A conceptual framework. European Law Journal, 13(4), 447–468. doi.org/10.1111/j.1468-0386.2007.00378.x
  • Holldack, F., Banh, L., & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36, Article 5. doi.org/10.1007/s12525-025-00861-0
  • Horneber, D., & Laumer, S. (2023). Algorithmic accountability. Business & Information Systems Engineering, 65(6), 723–730. doi.org/10.1007/s12599-023-00817-8
  • Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2–26. doi.org/10.1016/j.infoandorg.2006.11.001
  • Nguyen, L. H., Lins, S., Renner, M., & Sunyaev, A. (2024). Unraveling the nuances of AI accountability: A synthesis of dimensions across disciplines. Proceedings of the 32nd European Conference on Information Systems. 
  • Raji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., Smith-Loud, J., Theron, D., & Barnes, P. (2020). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 33–44. doi.org/10.1145/3351095.3372873
  • Santoni de Sio, F., & Mecacci, G. (2021). Four responsibility gaps with artificial intelligence: Why they matter and how to address them. Philosophy & Technology, 34, 1057–1084. doi.org/10.1007/s13347-021-00450-x
  • Strunk, J. A., Banh, L., Nissen, A., Strobel, G., & Smolnik, S. (2024). To delegate or not to delegate? Factors influencing human-agentic IS interaction. Proceedings of the 45th International Conference on Information Systems. 

  List of possible topics:

  • SOFTEC-BA-1-1, Tutor: Jan Laufer , M. Sc.

    Accountability beim Einsatz agentischer IS im Kontext von Knowledge Work

    Wissensarbeit umfasst Tätigkeiten, bei denen Informationen interpretiert, fachliche Urteile gebildet und begründete Handlungsempfehlungen entwickelt werden. Agentische Informationssysteme eröffnen die Möglichkeit, zusammenhängende Recherche-, Analyse- und Koordinationsaufgaben zu delegieren. Für ihren Einsatz stellt sich damit die Frage, wie viel Eigenständigkeit zweckmäßig ist und an welchen Stellen Menschen Aufgaben, Zwischenschritte und Ergebnisse prüfen sollten. Forschung zur generativen und prozessualen Autonomie von GenAI-Systemen zeigt unterschiedliche Praktiken, mit denen Handlungsspielräume ermöglicht oder begrenzt werden. 

    Für Wissensarbeit ist besonders relevant, ob Beschäftigte Ergebnisse fachlich nachvollziehen und gegenüber anderen vertreten können. Bereits die Forschung zu KI-gestützter professioneller Urteilsbildung verdeutlicht, dass eine menschliche Beteiligung nicht automatisch eine kritische Auseinandersetzung mit Systemergebnissen sicherstellt. Diese Erkenntnis liefert einen Ausgangspunkt für die Untersuchung weitergehender Delegation an agentische Systeme.

    Ziel der Seminararbeit ist es, zu untersuchen, wie Beschäftigte und Führungskräfte Entscheidungsbefugnisse, Aufsicht und Rechenschaftspflichten beim Einsatz agentischer IS in der Wissensarbeit ausgestalten. Im Mittelpunkt stehen beispielsweise analytische, beratende oder administrative Arbeitsprozesse. Die Arbeit soll klären, welche der beschriebenen Spannungen im Arbeitsalltag auftreten und welche Praktiken zu ihrer Bearbeitung oder Vermeidung beitragen.

    Forschungsfragen: 

    1. Welche Aufgaben und Entscheidungen werden an agentische IS delegiert, und wer muss deren Ergebnisse gegenüber welchen Personen oder Instanzen begründen?
    2. Welche Spannungen entstehen zwischen delegierter Aufgabenausführung, fachlicher Prüfung und Rechenschaftspflichten?
    3. Inwiefern stimmen formale Zuständigkeiten mit dem Verantwortungsverständnis der beteiligten Beschäftigten und Führungskräfte überein?
    4. Welche Strategien nutzen Beteiligte, um auftretende Spannungen zu bearbeiten, und welche Grenzen oder zusätzlichen Aufwände erleben sie dabei?
    5. Unter welchen Bedingungen werden keine Spannungen wahrgenommen, und welche Hinweise sprechen für eine vorbeugende Wirkung organisatorischer oder technischer Praktiken?

    Methodik:

    Zunächst ist ein semistrukturierter Interviewleitfaden zu entwickeln und zu erproben. Dieser soll konkrete Arbeitssituationen erschließen: die Delegation einer Aufgabe, die Prüfung eines Ergebnisses und dessen anschließende Verwendung oder Rechtfertigung. Offene Fragen zu diesen Abläufen werden durch gezielte Nachfragen zu Zuständigkeiten, Informationszugang und Eingriffsmöglichkeiten ergänzt. Problematische und unproblematische Situationen sind gleichermaßen einzubeziehen.

    Anschließend werden Interviews mit Personen durchgeführt, die agentische IS tatsächlich in der Wissensarbeit einsetzen. Soweit zugänglich, sollen ergänzend Personen befragt werden, die Ergebnisse freigeben oder für den betreffenden Arbeitsprozess verantwortlich sind. Bei der Auswahl ist zu prüfen, ob tatsächlich Arbeitsschritte delegiert werden und der Einsatz über die isolierte Erzeugung von Text hinausgeht.

    Die Interviews werden transkribiert, pseudonymisiert und mittels qualitativer Inhaltsanalyse ausgewertet. Verglichen werden insbesondere die Verteilung von Befugnissen, berichtete Konflikte, eingesetzte Strategien und deren wahrgenommene Folgen. Fälle ohne Spannungen sind auf alternative Erklärungen zu untersuchen; ihre Abwesenheit darf nicht allein als Nachweis erfolgreicher Prävention gelten.

    Erwarteter Beitrag:

    Erwartet wird eine empirisch begründete Einordnung, welche Accountability-Spannungen bei agentischer Wissensarbeit auftreten und welche Bedingungen ihr Auftreten begünstigen oder begrenzen. Die Arbeit soll Praktiken zur Aufgabenabgrenzung, fachlichen Prüfung und Klärung von Rechenschaftspflichten systematisieren. Daraus sollen kontextbezogene Empfehlungen entstehen, wie Delegation und die Fähigkeit, Ergebnisse fachlich zu vertreten, miteinander verbunden werden können.

    Literature

    • Siehe Literatur für das Oberthema
    • Heimburg, V., & Wiesche, M. (2026). Harnessing and reducing the generative and workflow autonomy of generative AI systems: A multiple-case study. Proceedings of the 34th European Conference on Information Systems. Veröffentlichung
    • Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To engage or not to engage with AI for critical judgments: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, 33(1), 126–148. https://doi.org/10.1287/orsc.2021.1549

  • SOFTEC-BA-1-2, Tutor: Jan Laufer , M. Sc.

    Accountability in der agentischen Softwareentwicklung

    Agentische Entwicklungswerkzeuge ermöglichen es, Aufgaben der Softwareentwicklung an Systeme zu delegieren, die über einzelne Codevorschläge hinaus an Implementierungen arbeiten. Dadurch werden Planung, Umsetzung und Prüfung zwischen Entwickelnden und Systemen neu verteilt. So wird bereits erforscht wie Entwicklerinnen und Entwickler durch Aufgabenplanung, begrenzte Arbeitsschritte und Überprüfung Einfluss auf die Arbeit von Coding Agents behalten.

    Damit stellt sich eine spezifische Accountability-Frage: Unter welchen Bedingungen können Entwicklerinnen und Entwickler für Änderungen einstehen, die sie nicht vollständig selbst erarbeitet haben? Technische Prüfverfahren und menschliche Beurteilung müssen im Zusammenspiel betrachtet werden. Auch die Forschungsperspektive auf agentische Software Engineers betont neben technischer Verlässlichkeit die Bedeutung menschlichen Vertrauens und der Einbettung in Entwicklungspraktiken.

    Die Seminararbeit untersucht, wie Entwicklungsteams Entscheidungsbefugnisse, Kontrolle und Rechenschaftspflichten entlang agentisch unterstützter Entwicklungsprozesse verteilen. Im Mittelpunkt stehen die Übergänge zwischen Aufgabenvergabe, Implementierung, Review und Freigabe. Zu klären ist, wann dabei Spannungen entstehen und welche Praktiken verhindern, dass eine formale Freigabe von der tatsächlichen Fähigkeit zur Prüfung und Begründung einer Änderung entkoppelt wird.

    Forschungsfragen: 

    1. Welche Handlungsspielräume erhalten Coding Agents bei Aufgabenplanung, Implementierung und Prüfung, und wer entscheidet über die Übernahme ihrer Änderungen?
    2. Welche Accountability-Spannungen treten zwischen agentischer Codeerstellung, menschlichem Verständnis und der Verantwortung für freigegebene Änderungen auf?
    3. Wie unterscheiden sich die formalen Zuständigkeiten und wahrgenommenen Rechenschaftspflichten von Entwickelnden, Reviewenden und technisch verantwortlichen Personen?
    4. Welche Strategien setzen Teams zur Bearbeitung auftretender Spannungen ein, und wie beurteilen sie deren Nutzen, Grenzen und Aufwand?
    5. Welche Arbeitsweisen oder Rahmenbedingungen kennzeichnen Fälle ohne berichtete Spannungen, und inwiefern lassen sie sich als vorbeugende Gestaltung erklären?

    Methodik:

    Zunächst ist ein semistrukturierter Interviewleitfaden zu entwickeln. Ausgangspunkt sollen nachvollziehbare Änderungsvorgänge sein: Wie wurde die Aufgabe an einen Coding Agent formuliert? Welche Schritte übernahm der Agent? Wer prüfte die Änderungen? Auf welcher Grundlage erfolgte die Freigabe? Ergänzend werden Situationen untersucht, in denen Änderungen zurückgewiesen, Handlungsspielräume eingeschränkt oder Fehler nachträglich entdeckt wurden.

    Die Interviews werden mit Entwicklerinnen und Entwicklern geführt, die Coding Agents praktisch einsetzen. Ergänzende Perspektiven von Reviewenden oder technischen Verantwortlichen sollen einbezogen werden, soweit dies im gewählten Untersuchungskontext möglich ist. Der Leitfaden wird vorab erprobt. Die Auswahl der Interviewpersonen soll Unterschiede in Delegationsumfang und Prüfpraktiken berücksichtigen.

    Die transkribierten und pseudonymisierten Interviews werden mittels qualitativer Inhaltsanalyse entlang der Forschungsfragen ausgewertet Spannungen, domänenspezifische Muster und Lösungsstrategien werden induktiv erfasst. Mögliche Praktiken wie Berechtigungsbegrenzungen, kleine Änderungsschritte, Tests oder verbindliche Reviews dienen als Gegenstände der Untersuchung; ihre Wirksamkeit wird nicht vorausgesetzt. Besonders zu vergleichen sind formale Prüfvorgaben und die von Beteiligten beschriebene tatsächliche Prüfung.

    Erwarteter Beitrag:

    Die Arbeit soll zeigen, an welchen Stellen agentischer Entwicklungsprozesse Accountability-Spannungen auftreten und wie Teams diese bearbeiten oder vermeiden. Erwartet wird eine Systematisierung des Zusammenspiels von Delegationsumfang, technischem Verständnis, Prüfpraktiken und Freigabebefugnissen. Daraus sollen Empfehlungen für die Organisation agentischer Softwareentwicklung abgeleitet werden, die nachvollziehbare Rechenschaft über übernommene Änderungen unterstützen.

    Literature

    • Siehe Literatur für das Oberthema
    • Banh, Leonardo; Holldack, Florian; Strobel, Gero: Copiloting the Future: How Generative AI Transforms Software Engineering. In: Information and Software Technology, Jg.183 (2025), S. 107751. doi:10.1016/j.infsof.2025.107751
    • Huang, R., Reyna, A., Lerner, S., Xia, H., & Hempel, B. (2025). Professional software developers don’t vibe, they control: AI agent use for coding in 2025 [Preprint, Version 1]. arXiv. https://arxiv.org/abs/2512.14012v1
    • Roychoudhury, A., Păsăreanu, C., Pradel, M., & Ray, B. (2026). Agentic AI software engineers: Programming with trust. Communications of the ACM, 69(5), 56–58. https://doi.org/10.1145/3769314

  • SOFTEC-BA-1-3, Tutor: Jan Laufer , M. Sc.

    Accountability beim Einsatz physisch verkörperter agentischer Informationssysteme

    Bei physisch verkörperten agentischen Informationssystemen verbindet sich digitale Entscheidungsfähigkeit mit Handlungen in einer materiellen Umgebung. Systeme wie autonome Roboter können sich bewegen, mit Gegenständen interagieren und dadurch unmittelbar in betriebliche Abläufe eingreifen. Für die Untersuchung ihrer Accountability müssen deshalb neben der Systemgestaltung auch die Rollen der betreibenden Organisation und weiterer beteiligter Akteure berücksichtigt werden.

    Die physische Handlungsebene macht die Frage nach tatsächlicher Aufsicht besonders relevant: Können zuständige Personen eine Situation rechtzeitig erkennen, beurteilen und beeinflussen? Die bloße Existenz einer menschlichen Kontrollrolle beantwortet dies noch nicht. Das Konzept der Meaningful Human Control richtet den Blick deshalb auf das Zusammenspiel von Systemverhalten, menschlichem Verständnis und den Voraussetzungen für verantwortliche Einflussnahme.

    Die Seminararbeit greift damit die Leitfrage nach der Verteilung von Entscheidungsbefugnissen, Aufsicht und Accountability ausdrücklich für Systeme auf, die digitale Agency mit physischem Handeln verbinden. Sie untersucht in einem abgegrenzten Einsatzfeld, beispielsweise der innerbetrieblichen Logistik oder industriellen Inspektion, welche Spannungen im praktischen Betrieb auftreten. Ebenso ist zu untersuchen, welche organisatorischen und technischen Vorkehrungen deren Entstehung verhindern können.

    Forschungsfragen: 

    1. Wie sind Entscheidungsbefugnisse, Überwachung, Eingriffsmöglichkeiten und Rechenschaftspflichten zwischen den beteiligten Personen und Organisationen verteilt?
    2. Welche Accountability-Spannungen entstehen, wenn Systeme physische Handlungen eigenständig ausführen?
    3. Inwiefern verfügen rechenschaftspflichtige Personen über die Informationen, Kompetenzen und zeitlichen Möglichkeiten, um Systemhandlungen zu beurteilen und zu beeinflussen?
    4. Welche Strategien werden zur Bearbeitung auftretender Spannungen eingesetzt, und welche Folgen beschreiben Beteiligte für Autonomie, Kontrollaufwand und betriebliche Abläufe?
    5. Unter welchen Einsatzbedingungen bleiben Spannungen aus, und welche Rolle spielen dabei vorbeugende Begrenzungen, Zuständigkeitsregelungen oder eingeübte Eingriffsverfahren?

    Methodik:

    Zunächst ist ein semistrukturierter Interviewleitfaden zu entwickeln und zu erproben. Dieser soll konkrete Betriebssituationen rekonstruieren: die Festlegung einer Aufgabe, die autonome Ausführung, die Überwachung und gegebenenfalls einen Eingriff oder eine nachträgliche Erklärung des Systemverhaltens. Neben Störungen sind ausdrücklich gewöhnliche, aus Sicht der Beteiligten unproblematische Abläufe zu erfassen.

    Anschließend werden Interviews mit Personen geführt, die entsprechende Systeme betreiben, überwachen oder organisatorisch verantworten. Je nach Feldzugang können beispielsweise operative Nutzende, Betriebsverantwortliche oder Personen mit Sicherheitsaufgaben einbezogen werden. Bei der Fallauswahl ist festzuhalten, welche Entscheidungen das System selbstständig trifft und welche physischen Handlungen daraus folgen.

    Die Interviews werden transkribiert, pseudonymisiert und mittels qualitativer Inhaltsanalyse ausgewertet. Es gilt Spannungen und zusätzliche Muster zu identifzieren. Verglichen werden insbesondere formale Aufsicht und tatsächliche Eingriffsmöglichkeiten sowie die berichteten Strategien vor, während und nach einer problematischen Situation. Aussagen über erfolgreiche Prävention sind anhand konkreter Beispiele zu prüfen und von bloß bislang ausgebliebenen Problemen zu unterscheiden. Die Interviews erlauben dabei eine Analyse berichteter Praktiken und Erfahrungen, keine technische Sicherheitsbewertung der Systeme.

    Erwarteter Beitrag:

    Erwartet wird eine empirisch begründete Darstellung, wie physische Handlungsmöglichkeiten die untersuchten Accountability-Spannungen prägen. Die Arbeit soll Bedingungen herausarbeiten, unter denen Aufsicht und Eingriffsmöglichkeiten die bestehenden Rechenschaftspflichten unterstützen oder hinter ihnen zurückbleiben. Darauf aufbauend sollen Empfehlungen für die Verteilung von Befugnissen, die Gestaltung der Überwachung und den Umgang mit betrieblichen Ausnahmesituationen entstehen.

    Literature

    • Siehe Literatur für das Oberthema
    • Laufer, Jan; Banh, Leonardo; Strobel, Gero: Bridging Mind and Matter: A Taxonomy of Embodied Generative AI. In: AIS (Hrsg.): Wirtschaftsinformatik 2025 Proceedings. Münster, Germany, 2025. 
    • Santoni de Sio, F., & van den Hoven, J. (2018). Meaningful human control over autonomous systems: A philosophical account. Frontiers in Robotics and AI, 5, Article 15. https://doi.org/10.3389/frobt.2018.00015
    • Tóth, Z., Caruana, R., Gruber, T., & Loebbecke, C. (2022). The dawn of the AI robots: Towards a new framework of AI robot accountability. Journal of Business Ethics, 178(4), 895–916. https://doi.org/10.1007/s10551-022-05050-z

• SOFTEC-BA-2, Winter Semester 2026/2027, Bachelor

  Topic range: Digitale Plattformökosysteme im Zeitalter agentischer KI

  Digitale Plattformökosysteme, etwa rund um Plattformen wie Amazon, Uber oder OpenAI, ermöglichen die Zusammenarbeit weitgehend autonomer Akteure über digitale Plattformen. Mit der zunehmenden Verbreitung generativer und agentischer KI verändern sich sowohl die technischen Möglichkeiten zur Einbindung externer Akteure als auch die Aktivitäten, die über Plattformen erbracht werden können.

  Die folgenden Seminarthemen untersuchen diese Veränderungen aus zwei Perspektiven. Das erste Thema betrachtet technische und organisatorische Schnittstellen, über die Plattformbetreiber externe Agenten und Komplementoren einbinden. Das zweite Thema untersucht aus Sicht von Dienstleistungsanbietern, wie KI ihre Beteiligung an digitalen Plattformen unterstützen und verändern könnte.

  Literature

  • Adner, R. (2017). Ecosystem as structure. Journal of Management, 43(1), 39–58.
  • Hein, A., Schreieck, M., Riasanow, T., Setzke, D. S., Wiesche, M., Böhm, M., & Krcmar, H. (2020). Digital platform ecosystems. Electronic Markets, 30, 87–98.
  • Holldack, F., Banh, L., & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36, Article 5.
  • Jacobides, M. G., Cennamo, C., & Gawer, A. (2018). Towards a theory of ecosystems. Strategic Management Journal, 39(8), 2255–2276.

  List of possible topics:

  • SOFTEC-BA-2-1, Tutor: Robert Woroch , M. Sc.

    Agentenorientierte Boundary Resources in digitalen Plattformökosystemen

    Digitale Plattformen stellen externen Akteuren technische und organisatorische Ressourcen bereit, über die sie komplementäre Produkte und Dienstleistungen entwickeln, integrieren und anbieten können. Zum Beispiel nutzen App-Entwickler bei mobilen Plattformen bereitgestellte APIs, SDKs und Entwicklungsvorgaben, um eigene Apps oder Services anzubinden. Diese Ressourcen ermöglichen externe Innovation und steuern zugleich den Zugang zur Plattform. In der Plattformforschung werden solche Schnittstellen und Ressourcen als Boundary Resources untersucht. Sie ermöglichen externe Innovation, dienen Plattformbetreibern zugleich aber auch dazu, Zugang und Interaktionen innerhalb eines Plattformökosystems zu gestalten und zu kontrollieren.

    Mit dem Aufkommen agentischer Informationssysteme entstehen neue Formen solcher Boundary Resources. Dazu können beispielsweise Protokolle wie das Model Context Protocol (MCP) oder Agent2Agent (A2A), aber auch Programmierschnittstellen, Agent Registries, Software Development Kits, Tool-Integrationen sowie Mechanismen zur Authentifizierung, Autorisierung oder Interaktion zwischen Agenten gehören. Über solche Ressourcen können externe Entwickler eigene Agenten, Tools oder agentenbasierte Services an eine Plattform anbinden. Unterschiedliche Plattformbetreiber können diese Ressourcen auf verschiedene Weise kombinieren und in ihre Plattformökosysteme integrieren.

    Für die Governance agentischer Plattformökosysteme ist daher nicht nur relevant, welche Boundary Resources bereitgestellt werden, sondern auch, welche Funktionen sie übernehmen und auf welche Akteure oder Rollen sie gerichtet sind.

    Ziel der Seminararbeit ist es, anhand mehrerer Plattformfälle zu untersuchen, welche agentenorientierten Boundary Resources bereitgestellt werden und wie sie die Beteiligung und Interaktion externer Agenten und Komplementoren ermöglichen und steuern.

    Forschungsfragen: 

    • Welche agentenorientierten Boundary Resources lassen sich in digitalen Plattformökosystemen identifizieren und welche Funktionen übernehmen sie?
    • Auf welche Akteure beziehungsweise Rollen zielen diese Boundary Resources und wie unterscheiden sich diese Governance-Beziehungen zwischen den untersuchten Plattformökosystemen?

    Methodik:

    Die Arbeit folgt einem qualitativen Multi-Case-Study-Ansatz. Zunächst werden auf Grundlage wissenschaftlicher Literatur zentrale Funktionen und Ausprägungen von Boundary Resources herausgearbeitet.

    Anschließend werden durch eine gezielte Websuche potenziell geeignete digitale Plattformökosysteme identifiziert. Hierzu werden insbesondere Plattform-Webseiten, Entwicklerportale, technische Dokumentationen und weitere öffentlich verfügbare Informationen nach agentenbezogenen Schnittstellen und Ressourcen durchsucht. Auf Grundlage dieser Voruntersuchung werden geeignete Fälle für eine vertiefte Analyse ausgewählt.

    Innerhalb der einzelnen Fälle werden die bereitgestellten agentenorientierten Boundary Resources systematisch erfasst. Neben ihrer technischen oder organisatorischen Ausgestaltung wird untersucht, welche Funktion sie innerhalb des Plattformökosystems erfüllen und auf welche Akteure beziehungsweise Rollen sie gerichtet sind. Dies können beispielsweise externe Entwickler, Komplementoren, Agentenanbieter, Agenten oder andere Plattformteilnehmer sein.

    Abschließend werden die untersuchten Fälle miteinander verglichen, um wiederkehrende Muster sowie Unterschiede hinsichtlich der eingesetzten Boundary Resources, ihrer Funktionen und ihrer Governance-Beziehungen herauszuarbeiten.

    Erwarteter Beitrag:

    Die Seminararbeit soll eine strukturierte Übersicht agentenorientierter Boundary Resources entwickeln und aufzeigen, welche Akteure beziehungsweise Rollen durch diese Mechanismen adressiert werden.

    Der fallübergreifende Vergleich soll Gemeinsamkeiten und Unterschiede hinsichtlich der eingesetzten Boundary Resources, ihrer Funktionen und ihrer Governance-Ziele sichtbar machen. Die Ergebnisse sollen dazu beitragen, etablierte Konzepte der Plattform-Governance auf agentische Plattformökosysteme zu übertragen und mögliche neue Ausprägungen von Boundary Resources sowie deren Beziehungen zu unterschiedlichen Akteuren und Rollen zu identifizieren.

    Literature

    • Siehe Literatur für das Oberthema.
    • Gawer, A., & Cusumano, M. A. (2014). Industry platforms and ecosystem innovation. Journal of Product Innovation Management, 31(3), 417–433. 
    • Ghazawneh, A., & Henfridsson, O. (2013). Balancing platform control and external contribution in third-party development: The boundary resources model. Information Systems Journal, 23(2), 173–192.
    • Tiwana, A. (2014). Platform Ecosystems: Aligning Architecture, Governance, and Strategy. Morgan Kaufmann. 
    • Woroch, R., Schreieck, M., Banh, L., & Strobel, G. (2026). Mission: Orchestration – Governance mechanisms and future research directions in digital platform ecosystems. ECIS 2026 Research Papers. 
    • Yin, R. K. (2018). Case Study Research and Applications: Design and Methods. Sage.

  • SOFTEC-BA-2-2, Tutor: Robert Woroch , M. Sc.

    KI-Unterstützung für Dienstleistungsanbieter auf digitalen Plattformen

    Digitale Plattformen vermitteln zunehmend Dienstleistungen zwischen Kunden und unabhängigen Dienstleistungsanbietern. Entsprechende Plattformen sind beispielsweise MyHammer für Handwerks- und Dienstleistungen, Uber oder Bolt für Mobilitätsdienstleistungen sowie Malt, Upwork oder Fiverr für freiberufliche und digitale Dienstleistungen.

    Dienstleistungsanbieter übernehmen bei der Teilnahme an solchen Plattformökosystemen unterschiedliche Aktivitäten. Sie suchen und bewerten Aufträge, kommunizieren mit Kunden, kalkulieren Angebote, koordinieren Termine oder wickeln administrative Aufgaben über die jeweilige Plattform ab. Plattformbetreiber unterstützen bereits Teile dieser Aktivitäten digital. Durch generative und agentische KI entstehen zusätzliche Möglichkeiten, solche Tätigkeiten zu unterstützen oder teilweise automatisiert auszuführen.

    Ziel der Seminararbeit ist es, aus Sicht der Dienstleistungsanbieter zu untersuchen, wie sie plattformvermittelte Arbeit organisieren, welche KI-basierte Unterstützung bereits genutzt oder durch die Plattform bereitgestellt wird und bei welchen Aktivitäten weitere Unterstützung sinnvoll oder unerwünscht erscheint.

    Forschungsfragen: 

    • Welche Aktivitäten führen Dienstleistungsanbieter bei der Akquisition und Durchführung plattformvermittelter Aufträge aus und wie werden diese derzeit digital oder KI-basiert unterstützt?
    • Bei welchen dieser Aktivitäten sehen Dienstleistungsanbieter Potenziale und Grenzen für zusätzliche KI-basierte oder agentische Unterstützung?

    Methodik:

    Zunächst erfolgt eine strukturierte Recherche ausgewählter digitaler Plattformen. Dabei werden insbesondere deren Funktionsumfang sowie bereits angebotene KI-basierte Unterstützungsfunktionen erfasst. Die Recherche dient dazu, unterschiedliche Formen plattformvermittelter Dienstleistungen und mögliche Einsatzbereiche von KI zu strukturieren und die anschließende empirische Untersuchung vorzubereiten.

    Anschließend werden qualitative Interviews mit Personen durchgeführt, die regelmäßig Dienstleistungen über die ausgewählten digitalen Plattformen anbieten. Dies können beispielsweise Handwerksbetriebe, selbstständige Fahrer oder Fahrunternehmen, Freelancer oder andere Dienstleistungsanbieter sein. Die Interviewpartner müssen dabei nicht alle dieselbe Plattform oder Plattformdomäne nutzen. Eine gezielte Mischung verwandter Plattformkontexte ist möglich, sofern die jeweiligen Tätigkeiten und Nutzungssituationen vergleichbar ausgewertet werden können. Angestrebt werden mindestens zehn Interviews.

    Die Interviews sollen konkrete Abläufe der Plattformnutzung rekonstruieren. Dabei wird untersucht, welche Aktivitäten die Dienstleistungsanbieter selbst übernehmen, welche Funktionen durch die Plattform unterstützt werden und welche zusätzlichen Werkzeuge oder KI-Systeme sie außerhalb der Plattform einsetzen. Darüber hinaus wird erhoben, wie bestehende KI-Unterstützung wahrgenommen wird, ob sie tatsächlich genutzt wird und für welche weiteren Tätigkeiten Unterstützung erwünscht oder bewusst nicht gewünscht ist.

    Erwarteter Beitrag:

    Die Arbeit soll die zentralen Aktivitäten von Dienstleistungsanbietern innerhalb digitaler Plattformökosysteme systematisieren und aufzeigen, wie diese Aktivitäten derzeit durch Plattformfunktionen, KI-basierte Angebote oder eigene externe Werkzeuge unterstützt werden.

    Darüber hinaus soll herausgearbeitet werden, wie die Dienstleistungsanbieter bestehende Unterstützungsangebote bewerten, welche davon tatsächlich genutzt werden und bei welchen Aktivitäten sie zusätzliche KI-basierte oder agentische Unterstützung wünschen oder ablehnen.

    Der erwartete Beitrag liegt damit sowohl in einem besseren Verständnis plattformvermittelter Wertschöpfung als auch in der Identifikation konkreter Einsatzmöglichkeiten und Anforderungen für zukünftige KI-basierte Plattformfunktionen.

    Literature

    • Siehe Literatur für das Oberthema.
    • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33, Article 63.
    • Kapoor, R. (2018). Ecosystems: Broadening the locus of value creation. Journal of Organization Design, 7, Article 12.
    • Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2–26.
    • Wulfert, T., Woroch, R., & Strobel, G. (2024). Follow the flow: An exploratory multi-case study of value creation in e-commerce ecosystems. Information & Management, 61, 104035.

• SOFTEC-BA-3, Winter Semester 2026/2027, Bachelor

  Topic range: Generative und Agentische KI in der Nutzung

  Jüngste Fortschritte in der künstlichen Intelligenz, insbesondere durch Large Language Models (LLMs) und generative Agenten, erweitern die kognitiven Fähigkeiten von Informationssystemen (IS) grundlegend und verschieben damit das traditionelle Verständnis der Mensch-Maschine-Beziehung. Während IS bislang primär als reaktive Werkzeuge fungierten, die menschliche Entscheidungen unterstützen, sind moderne IS zunehmend in der Lage, eigenständig Ziele zu verfolgen, in unstrukturierten Umgebungen zu handeln und Aufgaben proaktiv an andere Akteure zu delegieren – ein Phänomen, das in der Forschung als Agentic IS bezeichnet wird. Agency meint dabei die Fähigkeit eines Systems, Rechte und Verantwortlichkeiten für Entscheidungen und Handlungen selbstständig zu übernehmen. Dieser Paradigmenwechsel eröffnet neuartige Formen der Zusammenarbeit zwischen Mensch und IS – etwa in kollaborativen oder hybriden Mensch-IS-Teams –, wirft jedoch zugleich grundlegende Fragen hinsichtlich Delegation, Vertrauen, menschlicher Kontrolle und rechtlicher Verantwortlichkeit auf. Wie aktuelle Forschung zeigt, sind sowohl die effektive Gestaltung von Delegationsprozessen als auch die Sicherstellung menschlicher Handlungsfähigkeit in agentischen Systemen bislang unzureichend verstanden. In diesem Themenkomplex sollen daher die Auswirkungen agentischer Informationssysteme auf Individuen, Organisationen und gesellschaftliche Strukturen systematisch untersucht werden.

  Literature

  • Baird, A. & Maruping, L. M. (2021). The Next Generation of Research on IS Use: A Theoretical Framework of Delegation to and from Agentic IS Artifacts. MIS Quarterly, 45(1), 315–341. https://doi.org/10.25300/misq/2021/15882
  • Fechner, P., Lämmermann, L., Lockl, J., Röglinger, M. & Urbach, N. (2025). F Toward Triadic Delegation: How Agentic IS Artifacts Affect the Patient-Doctor Relationship in Healthcare. Journal Of The Association For Information Systems, 26(6), 1703–1736. doi.org/10.17705/1jais.00954
  • Holldack, F., Banh, L. & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36(1). doi.org/10.1007/s12525-025-00861-0
  • Kuss, P. & Meske, C. (2025). From Entity to Relation? Agency in the Era of Artificial Intelligence. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5183049
  • Leonardi, P. M. (2025). Homo agenticus in the age of agentic AI: Agency loops, power displacement, and the circulation of responsibility. Information and Organization, 35(3), 100582. https:// doi.org/10.1016/j.infoandorg.2025.100582
  • Schuetz, S. & Venkatesh, V. (2020). Research Perspectives: The Rise of Human Machines: How Cognitive Computing Systems Challenge Assumptions of User-System Interaction. Journal Of The Association For Information Systems, 460–482. doi.org/10.17705/1jais.00608
  • Stelmaszak, M., Möhlmann, M., & Sørensen, C. (2025). When Algorithms Delegate to Humans: Exploring Human-Algorithm Interaction at Uber. MISQ, 49(1), 305–330. doi.org/10.25300/MISQ/2024/17911
  • Strunk, J., Banh, L., Nissen, A., Strobel, G., & Smolnik, S. (2024). To Delegate or Not to Delegate? Factors Influencing Human-Agentic IS Interaction. ICIS 2024 Proceedings.

  List of possible topics:

  • SOFTEC-BA-3-1, Tutor: Leonardo Banh , M. Sc.

    How to Navigate Token Limits in ChatGPT & Co.? Individuelle Strategien im Umgang mit Nutzungslimits generativer und agentischer KI-Systemen

    Generative und agentische KI-Systeme sind in der Wissensarbeit zunehmend in laufende Arbeitsprozesse eingebettet. Ihr Zugang ist dabei durchgängig kontingentiert: Abonnements begrenzen Anfragen pro Zeitfenster, leistungsfähige Modelle sind nur innerhalb eines Kontingents verfügbar und unterscheiden sich in ihrer Verfügbarkeit, und agentische Werkzeuge verbrauchen dieses Kontingent in einer für Nutzende kaum vorhersehbaren Geschwindigkeit. Die dadurch entstehende Knappheit ist nicht organisational bedingt, sondern wird vom Anbieter festgelegt und kann sich kurzfristig ändern. Ein erreichtes Limit unterbricht die Arbeit dabei häufig mitten in einer Aufgabe und zwingt den Nutzenden zu einer Neuordnung des Vorgehens. Das Werkzeug tritt aus dem selbstverständlichen Gebrauch heraus und wird selbst zum Gegenstand der Aufmerksamkeit - die Arbeit muss reorganisiert werden.

    Auf solche Unterbrechungen reagieren Nutzende mit eigenen Strategien. Diese können antizipierend sein, etwa das Aufsparen leistungsfähiger Modelle für anspruchsvolle Aufgaben, das Bündeln von Aufgaben, die Verdichtung von Prompts, die Schonung von Kontext oder die bewusste zeitliche Platzierung von Arbeitsläufen. Sie können auch reaktiv sein, etwa der Wechsel des Modells oder Anbieters, die manuelle Übergabe von Kontext, das Aufteilen einer Aufgabe oder die Rückkehr zur unassistierten Bearbeitung. Bei agentischen Systemen sind diese Reaktionen besonders voraussetzungsvoll, weil ein Wechsel mit Kontextverlust, erneuter Aufgabenbeschreibung und abweichender Ergebnisqualität verbunden ist. Wie solche Strategien entstehen, wie sie gelernt und routinisiert werden und welche Folgen ihnen zugeschrieben werden, ist bislang kaum untersucht.

    Zielsetzung

    Die Seminararbeit untersucht, wie Nutzende ihre Arbeit unter Nutzungslimits reorganisieren, welche Strategien sie entwickeln, um ihre Arbeit trotz begrenzter Kontingente fortzuführen, und unter welchen Bedingungen sie trotz verfügbarer Alternativen in einem limitierten System verbleiben. Untersuchungsgegenstand ist das individuelle Handeln, nicht die Preisstrategie der Anbieter.

    Forschungsfragen:

    1. Wie nehmen Nutzende Nutzungslimits von generativen und agentischen KI-Systemen im Verlauf ihrer Arbeit wahr und antizipieren sie?
    2. Welche antizipierenden und reaktiven Anpassungsstrategien entwickeln sie, und wie verfestigen sich diese zu Routinen?
    3. Welche Bedingungen bestimmen, ob eine Strategie gewählt oder verworfen wird, insbesondere bei Kontextverlust und Wechselkosten?
    4. Welche Folgen schreiben Nutzende ihren Strategien für Arbeitsweise, Ergebnisqualität und Arbeitskontinuität zu?

    Methodik

    Auf Basis von Literatur zu Breakdowns, Workarounds und zu Anpassungs- und Bewältigungsverhalten in der IS-Forschung wird ein semistrukturierter Interviewleitfaden entwickelt. Der Leitfaden zielt auf konkrete Situationen statt auf allgemeine Einschätzungen: die Befragten schildern jeweils eine Situation, in der ein Limit erreicht wurde, und eine, in der ein bevorstehendes Limit ihr Vorgehen bereits vorab verändert hat.

    In der Interviewstudie werden Teilnehmende befragt, die generative oder agentische KI-Systeme regelmäßig für berufliche oder studienbezogene Aufgaben nutzen. Das Sampling variiert bewusst nach Nutzungsweise, also persönliches Abonnement, organisational bereitgestelltes Abonnement, API-basierte Nutzung sowie parallele Nutzung mehrerer Anbieter, und nach Aufgabentyp, insbesondere dialogische gegenüber agentischer Nutzung.

    Die Auswertung folgt einem Vorgehen nach der Grounded Theory. Die Interviews werden transkribiert und pseudonymisiert und anschließend offen, axial und selektiv kodiert. Kennzeichnend sind das ständige Vergleichen des Datenmaterials, das Festhalten von Zwischenergebnissen in Memos und die schrittweise Verdichtung der Kodes zu Kategorien. Erhebung und Auswertung verlaufen verschränkt, sodass der Leitfaden nach den ersten Interviews angepasst wird und weitere Fälle gezielt entlang der entstehenden Kategorien ausgewählt werden.

    Erwarteter Beitrag

    Die Arbeit liefert eine empirisch begründete Systematisierung individueller Strategien im Umgang mit Nutzungslimits sowie ein Prozessmodell ihrer Entstehung. Sie verbindet die Literatur zu Workarounds und Anpassungsverhalten mit dem noch wenig untersuchten Kontext kontingentierter KI-Nutzung. Aus den Ergebnissen lassen sich Anforderungen an Verbrauchstransparenz, an die Gestaltung von Kontingenten und an die Übergabe von Kontext zwischen Modellen und Werkzeugen ableiten.

    Literature

    • Bhaskaran, S., Erat, S., & Mukherjee, R. (2026). Pay more, use more: Consumer bias and demand management for digital services. Production and Operations Management. https://doi.org/10.1177/10591478261454768
    • Choudhary, V. (2010). Use of pricing schemes for differentiating information goods. Information Systems Research, 21(1), 78–92. https://doi.org/10.1287/isre.1080.0203
    • Gnewuch, U., & Reinkemeier, F. (2026). Overcoming breakdowns in customer-chatbot interaction: Design and impact of collaborative repair strategies. MIS Quarterly, 50(2), 497–525. doi.org/10.25300/MISQ/2025/18742 
    • Holldack, F., Banh, L., & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36, Article 5. https://doi.org/10.1007/s12525-025-00861-0
    • Lambrecht, A., & Skiera, B. (2006). Paying too much and being happy about it: Existence, causes, and consequences of tariff-choice biases. Journal of Marketing Research, 43(2), 212–223. https://doi.org/10.1509/jmkr.43.2.212
    • Li, B., & Kumar, S. (2022). Managing software-as-a-service: Pricing and operations. Production and Operations Management, 31(6), 2588–2608. https://doi.org/10.1111/poms.13729
    • Lins, S., Pandl, K. D., Teigeler, H., Thiebes, S., Bayer, C., & Sunyaev, A. (2021). Artificial intelligence as a service: Classification and research directions. Business & Information Systems Engineering, 63, 441–456. https://doi.org/10.1007/s12599-021-00708-w
    • Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2–26. https://doi.org/10.1016/j.infoandorg.2006.11.001
    • OpenAI. (2026). Paid weekly Work and Codex rate limit resets. OpenAI Help Center
    • OpenAI. (2026). Understanding and counting tokens. OpenAI Help Center
    • Randhawa, R. S., & Kumar, S. (2008). Usage restriction and subscription services: Operational benefits with rational users. Manufacturing & Service Operations Management, 10(3), 429–447. https://doi.org/10.1287/msom.1070.0180
    • Wang, L., & Lee, H. C. B. (2026). How costs influence preferences for control in generative artificial intelligence (GenAI): Human-guided vs. GenAI-based delegated search. Information Systems Research. Advance online publication. https://doi.org/10.1287/isre.2025.1836
    • Xiao, P., Chen, Y., Bharadwaj, A., & Bao, W. (2022). The effects of information nudges on consumer usage of digital services under three-part tariffs. Journal of Management Information Systems, 39(1), 130–158. https://doi.org/10.1080/07421222.2021.2023409

• SOFTEC-BA-4, Winter Semester 2026/2027, Bachelor

  Topic range: Generative KI in der Hochschullehre

  Generative KI hat sich innerhalb weniger Jahre im Hochschulalltag verbreitet. Studierende nutzen sie, um Inhalte zu erschließen, Aufgaben zu bearbeiten und Texte zu verfassen. Lehrende setzen sie bei der Vorbereitung von Veranstaltungen, der Erstellung von Materialien und Prüfungsaufgaben sowie beim Feedback ein. Der Einsatz erfolgt dabei überwiegend informell und individuell, ohne institutionelle Rahmung. Lehr- und Lernpraktiken verändern sich dadurch schneller, als sie beschrieben werden.

  Der Themenkomplex untersucht durch qualitative Interviews, wie Lehrende und Studierende generative KI tatsächlich in ihre Arbeit einbinden. Die übergreifende Forschungsfrage lautet:

  Wie verändert der Einsatz generativer KI die Lehr- und Lernpraktiken an Hochschulen, und wie gehen Lehrende und Studierende mit den daraus entstehenden Anforderungen um?

  Ausgangspunkt sind Verschiebungen, die entstehen, wenn Teile der inhaltlichen Arbeit an ein System übergehen, während die Verantwortung für Lehre, Prüfung und den eigenen Lernerfolg bei den Beteiligten verbleibt. Beide Gruppen müssen entscheiden, welche Aufgaben sie abgeben, wie sie Ergebnisse prüfen und woran sie erkennen, ob ein Inhalt verstanden oder lediglich übernommen wurde.

  Die folgenden Seminarthemen untersuchen diese Verschiebungen aus der Perspektive der Lehrenden und aus der Perspektive der Studierenden. Zu erheben ist, welche Praktiken sich herausgebildet haben, welche Kriterien den Einsatz steuern und welche Wirkungen die Beteiligten beschreiben. Ebenso relevant sind bewusste Entscheidungen gegen den Einsatz generativer KI und die Gründe dafür.

  Literature

  • Banh, L., Holldack, F. & Strobel, G. Designing Generative AI-Based Agents to Empower Collaborative Self-Learning in Higher Education. Bus Inf Syst Eng (2026). doi.org/10.1007/s12599-026-01012-1
  • Banh, L. & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1). https://doi.org/10.1007/s12525-023-00680-1
  • Hughes, L., Malik, T., Dettmer, S., Al-Busaidi, A. S. & Dwivedi, Y. K. (2025). Reimagining Higher Education: Navigating the Challenges of Generative AI Adoption. Information Systems Frontiers. https://doi.org/10.1007/s10796-025-10582-6
  • Mashayekhy, M., Nosrati, F. & Ghasemaghaei, M. (2025). Unlocking the Future of Education: Empirical Insights into the Adoption of Generative AI in Higher Education. Communications Of The Association For Information Systems, 57(1), 1270–1295. https://doi.org/10.17705/1cais.05755
  • Singh, A., Mansour, J., Patel, J. & Van Slyke, C. (2026). Generative Artificial intelligence in Information Systems Education: Benefits, challenges and recommendations. Communications Of The Association For Information Systems. https://aisel.aisnet.org/cais/vol58/iss1/31
  • Van Slyke, C., Johnson, R. & Sarabadani, J. (2023). Generative Artificial Intelligence in Information Systems Education: Challenges, Consequences, and Responses. Communications Of The Association For Information Systems, 53(1), 1–21. doi.org/10.17705/1cais.05301

  List of possible topics:

  • SOFTEC-BA-4-1, Tutor: Florian Holldack , M. Sc.

    Hinter der Vorlesung: Wie Hochschullehrende generative KI einsetzen

    Generative KI-Systeme sind innerhalb kurzer Zeit Teil des Hochschulalltags geworden. Die Aufmerksamkeit von Forschung und Praxis richtet sich dabei überwiegend auf Studierende, etwa auf Nutzungsverhalten, Lernwirkung und Prüfungsintegrität. Lehrende bilden die zweite zentrale Gruppe im Hochschulkontext. Sie bereiten Veranstaltungen vor, erstellen Materialien und Prüfungsaufgaben, geben Feedback und verantworten die fachliche wie didaktische Qualität ihrer Lehre.

    Vieles deutet darauf hin, dass Lehrende generative KI bereits in diese Tätigkeiten einbeziehen. Der Einsatz erfolgt jedoch weitgehend informell und individuell, ohne institutionelle Rahmung und ohne dokumentierte Praxis. Es ist daher wenig darüber bekannt, welche Aufgaben Lehrende tatsächlich an ein KI-System abgeben, an welchen Stellen sie bewusst darauf verzichten und wie sie die Qualität der erzeugten Inhalte prüfen.

    Hinzu kommt eine Spannung, die sich aus der Rolle der Lehrenden selbst ergibt. Der Einsatz generativer KI verspricht Entlastung, verändert zugleich aber den eigenen Anteil an der Entstehung von Lehrinhalten. Die Verantwortung für Lehre und Prüfung verbleibt vollständig bei den Lehrenden, während Teile der Inhaltserstellung an ein System übergehen. Wie Lehrende dieses Verhältnis für sich auflösen, ist bislang empirisch kaum untersucht.

    Forschungsfragen: 

    1. In welchen Tätigkeiten der Vorbereitung, Durchführung und Prüfung von Lehrveranstaltungen setzen Lehrende generative KI ein, und wie fügt sich dieser Einsatz in ihre Arbeitsabläufe ein?
    2. Nach welchen Kriterien entscheiden Lehrende, welche Aufgaben sie an ein KI-System abgeben und welche sie bewusst bei sich behalten?
    3. Wie prüfen und sichern Lehrende die fachliche und didaktische Qualität KI-generierter Inhalte, und welcher Aufwand entsteht dabei?
    4. Welche Spannungen nehmen Lehrende zwischen erwarteter Entlastung, ihrer Verantwortung für die Lehre und ihrem professionellen Selbstverständnis wahr?
    5. Welche Erwartungen und Vorbehalte äußern Lehrende gegenüber einer hochschulseitig bereitgestellten, stärker strukturierten KI-Unterstützung?

    Methodik:

    Zunächst ist ein semistrukturierter Interviewleitfaden zu entwickeln und zu erproben. Der Leitfaden soll bewusst offen gehalten sein und konkrete Situationen rekonstruieren, etwa die Vorbereitung der letzten Vorlesungseinheit, die Erstellung einer Übungs- oder Klausuraufgabe oder die Formulierung von Feedback. Neben auffälligen Erfahrungen sind ausdrücklich Routinesituationen zu erfassen, ebenso bewusste Entscheidungen gegen den Einsatz generativer KI.

    Anschließend werden Interviews mit Lehrenden geführt. Einbezogen werden Personen unterschiedlicher Statusgruppen und Lehrformate, beispielsweise Professorinnen und Professoren, wissenschaftliche Mitarbeitende mit Lehraufgaben und Lehrbeauftragte. Angestrebt werden sechs bis acht Interviews. Die Fallauswahl ist zu dokumentieren, insbesondere Fach, Veranstaltungsgröße und bisherige Erfahrung mit generativer KI.

    Die Auswertung folgt einem Vorgehen nach der Grounded Theory. Die Interviews werden transkribiert und pseudonymisiert und anschließend offen, axial und selektiv kodiert. Kennzeichnend sind das ständige Vergleichen des Datenmaterials, das Festhalten von Zwischenergebnissen in Memos und die schrittweise Verdichtung der Kodes zu Kategorien. Erhebung und Auswertung verlaufen verschränkt, sodass der Leitfaden nach den ersten Interviews angepasst wird und weitere Fälle gezielt entlang der entstehenden Kategorien ausgewählt werden.

    Erwarteter Beitrag:

    Erwartet wird ein empirisch begründetes Kategoriensystem, das den Umgang von Lehrenden mit generativer KI ordnet und die Bedingungen benennt, unter denen Aufgaben abgegeben oder zurückgehalten werden. Darauf aufbauend soll ein Erklärungsmodell entstehen, das die beobachteten Spannungen zwischen Entlastung und Verantwortung nachvollziehbar macht. Die Ergebnisse sind anschlussfähig für die Gestaltung KI-basierter Unterstützungssysteme für Lehrende.

  • SOFTEC-BA-4-2, Tutor: Leonardo Banh , M. Sc.

    Gelernt oder nur erledigt? Studentische Praktiken im Umgang mit generativer KI

    Für Studierende sind generative KI-Systeme innerhalb weniger Jahre zu einem alltäglichen Werkzeug des Lernens geworden. Was als Hilfsmittel für einzelne Schreibaufgaben begann, erstreckt sich heute auf weite Teile des Studienalltags, etwa auf das Erschließen von Vorlesungsinhalten, das Lösen von Übungsaufgaben, die Prüfungsvorbereitung und das Verfassen eigener Texte. Viele Studierende haben ihr Studium ohne diese Systeme begonnen und den Übergang selbst erlebt, sodass sich Lernpraktiken in kurzer Zeit verschoben haben, ohne dass sie systematisch beschrieben wären.

    Die bisherige Forschung betrachtet vor allem Akzeptanz, Nutzungsabsicht und Fragen der Prüfungsintegrität. Wie Studierende generative KI tatsächlich in ihr Lernen einbinden, bleibt dabei weitgehend offen. Unklar ist insbesondere, an welchen Stellen des Lernprozesses sie das System einsetzen, wie sie mit fehlerhaften oder oberflächlichen Antworten umgehen und woran sie erkennen, ob sie einen Inhalt selbst verstanden oder lediglich ein Ergebnis übernommen haben.

    Hinzu kommt die Frage nach dem Lernerfolg. Studierende berichten von Zeitersparnis und leichterem Zugang zu schwierigen Inhalten, zugleich bestehen Sorgen vor Oberflächlichkeit und Abhängigkeit. Wie Studierende den Einfluss generativer KI auf ihren eigenen Lernerfolg einschätzen und woran sie diese Einschätzung festmachen, ist bislang empirisch kaum untersucht.

    Forschungsfragen: 

    1. In welchen Phasen des Lernens setzen Studierende generative KI ein, und wie fügt sich dieser Einsatz in ihre Lern- und Arbeitsroutinen ein?
    2. Wie hat sich das Lernverhalten seit der Verfügbarkeit generativer KI verändert, und welche früheren Vorgehensweisen wurden ersetzt, ergänzt oder beibehalten?
    3. Wie gehen Studierende mit fehlerhaften, unvollständigen oder oberflächlichen Antworten um, und welche Strategien der Prüfung und Absicherung entwickeln sie?
    4. Woran machen Studierende fest, ob sie einen Inhalt verstanden haben, und welche Rolle spielt generative KI in dieser Einschätzung?
    5. Welchen Einfluss schreiben Studierende generativer KI auf ihren Lernerfolg zu, und welche Erwartungen und Sorgen verbinden sie damit?

    Methodik:

    Zunächst ist ein semistrukturierter Interviewleitfaden zu entwickeln und zu erproben. Der Leitfaden soll bewusst offen gehalten sein und konkrete Situationen rekonstruieren, etwa die Vorbereitung auf die letzte Klausur, die Bearbeitung eines Übungsblatts oder das Schreiben einer Hausarbeit. Neben auffälligen Erfahrungen sind ausdrücklich Routinesituationen zu erfassen, ebenso bewusste Entscheidungen gegen den Einsatz generativer KI. Zusätzlich soll der Leitfaden den zeitlichen Verlauf ansprechen und zum Vergleich mit dem eigenen Vorgehen vor der Verfügbarkeit solcher Systeme anregen.

    Anschließend werden Interviews mit Studierenden geführt. Einbezogen werden Personen unterschiedlicher Studiengänge und Fachsemester, um verschiedene Prüfungsformen und Arbeitsweisen abzudecken. Angestrebt werden sechs bis acht Interviews. Die Fallauswahl ist zu dokumentieren, insbesondere Studienfach, Fachsemester, Studienbeginn vor oder nach der breiten Verfügbarkeit generativer KI sowie die berichtete Nutzungsintensität.

    Die Auswertung folgt einem Vorgehen nach der Grounded Theory. Die Interviews werden transkribiert und pseudonymisiert und anschließend offen, axial und selektiv kodiert. Kennzeichnend sind das ständige Vergleichen des Datenmaterials, das Festhalten von Zwischenergebnissen in Memos und die schrittweise Verdichtung der Kodes zu Kategorien. Erhebung und Auswertung verlaufen verschränkt, sodass der Leitfaden nach den ersten Interviews angepasst wird und weitere Fälle gezielt entlang der entstehenden Kategorien ausgewählt werden.

    Erwarteter Beitrag:

    Erwartet wird ein empirisch begründetes Kategoriensystem, das die Lernpraktiken Studierender im Umgang mit generativer KI ordnet und den Wandel gegenüber früheren Vorgehensweisen sichtbar macht. Darauf aufbauend soll ein Erklärungsmodell entstehen, das die Bedingungen benennt, unter denen der Einsatz das eigene Verstehen unterstützt und unter denen er es ersetzt. Die Ergebnisse sind anschlussfähig für die didaktische Rahmung von Lehrveranstaltungen und für die Gestaltung KI-basierter Lernunterstützung.

• SOFTEC-MA-1, Winter Semester 2026/2027, Master, Tutor: Jan Laufer , M. Sc.

  Evaluation einer KI-basierten Mobilitätsassistenz für blinde und sehbehinderte Menschen

  Blinde und sehbehinderte Menschen sind bei der selbstständigen Mobilität auf verlässliche und situationsgerechte Informationen über Hindernisse und ihre Umgebung angewiesen. Bestehende Hilfsmittel unterstützen sie dabei, decken jedoch jeweils nur bestimmte Informations- und Orientierungsbedarfe ab. KI-basierte Assistenzsysteme eröffnen neue Möglichkeiten, visuelle Umgebungsinformationen zu erfassen, nach ihrer situativen Relevanz zu gewichten und in zugänglicher Form bereitzustellen. Ob eine solche Unterstützung im Anwendungskontext tatsächlich einen Mehrwert schafft, lässt sich jedoch nicht allein anhand ihrer technischen Funktionsfähigkeit beurteilen.

  Für eine kontextabhängige KI-basierte Mobilitätsassistenz liegen bereits Gestaltungswissen und ein funktionsfähiger Proof-of-Concept-Prototyp vor. Die bisherige Evaluation zeigt, dass die Gestaltungsprinzipien technisch instanziierbar sind und die vorgesehenen Funktionen unter kontrollierten Bedingungen grundsätzlich umgesetzt werden können. Offen bleibt, wie blinde und sehbehinderte Personen die Assistenz in realitätsnahen Nutzungssituationen erleben, welchen Wert sie ihnen bietet und unter welchen Bedingungen sich die zugrunde liegende Gestaltung bewährt.

  Ziel dieser Seminararbeit ist es daher, ein methodisch fundiertes Evaluationskonzept für einen Proof of Value zu entwickeln und dieses mit blinden und sehbehinderten Personen anzuwenden. Untersucht werden sollen insbesondere der Wert des zugrundeliegenden Design Wissens. Darüber hinaus ist zu analysieren, wie die Assistenz Orientierung, Sicherheit und selbstständige Mobilität unterstützen kann und wo aus Sicht der Nutzenden Grenzen oder unerwünschte Wirkungen auftreten. Die Evaluationskriterien und Nutzungsszenarien werden aus dem vorhandenen Gestaltungswissen, dem Anwendungskontext und geeigneter Evaluationsliteratur hergeleitet. Die Ergebnisse dienen anschließend der evidenzbasierten und gegebenenfalls iterativen Revision des Gestaltungswissens. Soweit es für die Durchführung oder zur Bearbeitung identifizierter Probleme erforderlich ist, können auch Anpassungen am Prototyp vorgenommen werden.

  Forschungsfragen:

  Welchen Wert schafft das bestehenden Gestaltungswissens zur Mobilitätsassistenz für blinde und sehbehinderte Personen in realitätsnahen Nutzungssituationen?

  Teilfragen:

  1. Wie muss eine passende Evaluation gestaltet sein? Welche Ziele, Kriterien und Nutzungsszenarien muss ein Evaluationskonzept abdecken, um den Proof of Value der Mobilitätsassistenz zu untersuchen?
  2. Welche Anpassungen des Prototyps sind erforderlich, um eine aussagekräftige Evaluation zu ermöglichen oder während der Evaluation identifizierte Probleme zu adressieren?
  3. Welche Rückschlüsse ergeben sich für das Design Wissen? Welche bestehenden Gestaltungsprinzipien werden durch die Ergebnisse gestützt, welche müssen präzisiert oder verändert und welche gegebenenfalls ergänzt werden?

  Methodik:

  Die Arbeit folgt einem gestaltungsorientierten Forschungsansatz. Zunächst werden die bestehende Arbeit, das darin entwickelte Gestaltungswissen und der zugehörige Prototyp analysiert. Darauf aufbauend wird ein Evaluationskonzept entwickelt, das den Übergang vom technischen Machbarkeitsnachweis zu einer nutzenorientierten Evaluation mit der Zielgruppe ermöglicht. Das Konzept soll geeignete Evaluationsziele, Kriterien, Erhebungsmethoden und realitätsnahe Nutzungsszenarien festlegen.

  Anschließend wird die Evaluation mit blinden und sehbehinderten Personen durchgeführt. Die erhobenen Daten werden systematisch ausgewertet und auf das bestehende Gestaltungswissen zurückgeführt. Identifizierte Probleme, nicht bestätigte Annahmen und neue Anforderungen dienen dazu, die bestehenden Gestaltungsprinzipien zu bestätigen, zu präzisieren, zu ergänzen oder gegebenenfalls zu verwerfen. Sofern die Durchführung der Evaluation dies erfordert, kann auch eine Anpassung des vorhandenen Prototyps notwendig sein. Die technische Weiterentwicklung ist dabei kein eigenständiges Ziel, sondern dient der aussagekräftigen Prüfung des Gestaltungswissens.

  Erwarteter Beitrag

  Die Arbeit entwickelt und erprobt ein nachvollziehbares Evaluationskonzept für den Proof of Value einer KI-basierten Mobilitätsassistenz. Sie liefert empirische Erkenntnisse darüber, welchen Nutzen die bestehende Gestaltung aus Sicht blinder und sehbehinderter Personen bietet, unter welchen Bedingungen dieser Nutzen entsteht und welche Grenzen bestehen. Auf dieser Grundlage wird das vorhandene Gestaltungswissen evidenzbasiert und gegebenenfalls iterativ weiterentwickelt. Der Beitrag liegt damit sowohl in der nutzenorientierten Evaluation des bestehenden Systems als auch in der empirischen Schärfung des zugrunde liegenden Gestaltungswissens.

  Die Formulierung grenzt die neue Arbeit sauber von der bestehenden Bachelorarbeit ab: Die Anforderungen, Design Principles und technische Lösung werden nicht erneut entwickelt. Sie bilden den Ausgangspunkt und den Gegenstand der Evaluation. Der Prototyp ist dabei ein Mittel zur Prüfung und Weiterentwicklung des Gestaltungswissens. Diese Abgrenzung entspricht auch der in der Bachelorarbeit selbst formulierten Grenze zwischen der bereits gezeigten Instanziierbarkeit und dem noch offenen Alltagsnutzen für die Zielgruppe.

  Literature

  • Gregor, S., Chandra Kruse, L., & Seidel, S. (2020). Research perspectives: The anatomy of a design principle. Journal of the Association for Information Systems, 21(6), 1622–1652. https://doi.org/10.17705/1jais.00649
  • Hersh, M. (2022). Wearable travel aids for blind and partially sighted people: A review with a focus on design issues. Sensors, 22(14), 5454. https://doi.org/10.3390/s22145454
  • Iivari, J., Rotvit Perlt Hansen, M., & Haj-Bolouri, A. (2021). A proposal for minimum reusability evaluation of design principles. European Journal of Information Systems, 30(3), 286–303. https://doi.org/10.1080/0960085X.2020.1793697
  • Kuriakose, B., Shrestha, R., & Sandnes, F. E. (2022). Tools and technologies for blind and visually impaired navigation support: A review. IETE Technical Review, 39(1), 3–18. https://doi.org/10.1080/02564602.2020.1819893
  • Laufer, J., Banh, L., Schoormann, T., & Strobel, G. (2026). Designing assistive technologies for blind and visually impaired: Problem understanding and design objectives. In J. vom Brocke, L. C. Kruse, A. Hevner, M. Rosemann, M. C. Tremblay, & R. Winter (Eds.), Design for better futures: Beyond the science of the artificial. Completed research (Lecture Notes in Computer Science, Vol. 16605, pp. 109–127). Springer. https://doi.org/10.1007/978-3-032-28316-0_7
  • Nunamaker, J. F., Briggs, R. O., Derrick, D. C., & Schwabe, G. (2015). The last research mile: Achieving both rigor and relevance in information systems research. Journal of Management Information Systems, 32(3), 10–47. https://doi.org/10.1080/07421222.2015.1094961
  • Sonnenberg, C., & vom Brocke, J. (2012). Evaluations in the science of the artificial: Reconsidering the build-evaluate pattern in design science research. In K. Peffers, M. Rothenberger, & B. Kuechler (Eds.), Design science research in information systems: Advances in theory and practice (pp. 381–397). Springer. https://doi.org/10.1007/978-3-642-29863-9_28
  • Venable, J., Pries-Heje, J., & Baskerville, R. (2016). FEDS: A framework for evaluation in design science research. European Journal of Information Systems, 25(1), 77–89. https://doi.org/10.1057/ejis.2014.36

• SOFTEC-MA-2, Winter Semester 2026/2027, Master, Tutor: Robert Woroch , M. Sc.

  How Are Value Networks Generalized? A Systematic Review of Methodological Approaches

  Value networks are used in Information Systems research to analyze and represent value creation and exchange relationships among multiple actors. In the context of digital platform ecosystems, research often aims not only to model individual firms or platforms, but also to identify recurring structures across multiple cases and represent them at a higher level of abstraction.

  Existing studies follow different approaches to this task. Some derive value networks primarily from literature and existing concepts, while others analyze multiple empirical cases and subsequently abstract recurring roles and relationships. Further studies combine theoretical and empirical insights. The employed modeling elements and evaluation procedures also vary considerably. Existing studies, for example, combine literature reviews with case studies and use elements such as roles, meta-roles, segments, or value activities.

  However, the specific steps through which researchers move from individual observations to abstracted value networks are often only partially documented. The aim of this seminar paper is therefore to systematically investigate how value networks are generalized in existing research.

  Forschungsfragen:

  • How are value networks generalized from empirical and conceptual knowledge in existing research?
  • Which recurring methodological approaches and differences can be identified with regard to data sources, abstraction, modeling, and evaluation?

  Methodology:

  The seminar paper conducts a structured literature review and analysis. An existing search string and a preliminary review protocol will be provided and will be completed or updated as part of the seminar project.

  The identified publications will then be analyzed using a systematic coding scheme. Particular attention will be paid to the knowledge and data sources used, the modeled elements, the transition from case-specific observations to abstracted structures, and the evaluation of the resulting models.

  The analysis builds on existing preliminary work that has already identified literature on value networks, value flows, and e3value and has revealed initial differences with regard to data sources, modeling methods, evaluation approaches, and modeling elements.

  Expected Contribution:

  The seminar paper is expected to provide a systematic overview of how value networks have been generalized in prior research.

  The expected contribution is a structured synthesis of recurring approaches, similarities, and differences, as well as an analysis of how transparently generalization processes are documented. The results should provide a methodological foundation for the systematic development and evaluation of abstracted value network models.

  Literature

  • Gleiss, A., Kohlhagen, M., & Pousttchi, K. (2021). An apple a day – how the platform economy impacts value creation in the healthcare market. Electronic Markets, 31, 849–876.
  • Nickerson, R. C., Varshney, U., & Muntermann, J. (2013). A method for taxonomy development and its application in information systems. European Journal of Information Systems, 22(3), 336–359.
  • Peppard, J., & Rylander, A. (2006). From value chain to value network: Insights for mobile operators. European Management Journal, 24(2–3), 128–141.
  • vom Brocke, J., Simons, A., Niehaves, B., Riemer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the giant: On the importance of rigour in documenting the literature search process. ECIS Proceedings.
  • Webster, J., & Watson, R. T. (2002). Analyzing the past to prepare for the future: Writing a literature review. MIS Quarterly, 26(2), xiii–xxiii.
  • Wulfert, T., Woroch, R., & Strobel, G. (2024). Follow the flow: An exploratory multi-case study of value creation in e-commerce ecosystems. Information & Management, 61, 104035.

• SOFTEC-MA-3, Winter Semester 2026/2027, Master, Tutor: Florian Holldack , M. Sc.

  Who is the Agent? A Qualitative Study of Power Displacement in Agentic Information Systems

  Agentic information systems increasingly make decisions under uncertainty and carry out work steps on their own. They therefore no longer act as a passive tool but as an acting counterpart. This shifts to whom people attribute an action and its outcome, while formal responsibility for that outcome usually remains with the human.

  This shift creates a tension that has been described as power displacement. The more autonomous a system appears to be, the less control individuals feel they have, even though accountability formally stays with them. What matters here is not the formal allocation of responsibility but the subjective experience of authorship and control, which is established in concrete work situations.

  Empirically, this experience is still poorly understood. Early work shows that people hand over control and, under certain conditions, reclaim it. Which situations trigger this change, what people base it on, and how they reconcile the delegated execution of a task with the responsibility that remains with them are open questions. The seminar paper examines these questions through individual work episodes that participants recall in concrete terms.

  Research Questions:

  • In which situations do people attribute a work outcome to the system rather than to themselves, and what do they base this attribution on?
  • How do they experience the relationship between the execution of a task they have delegated and the responsibility for the outcome that remains with them?
  • Which events lead people to take back control over a task, and what does this reassertion look like in practice?
  • Which forms of supervision and verification do they use in order to maintain a sense of control despite autonomous execution by the system?
  • Which consequences do they describe for their subsequent way of working, for instance for trust, monitoring effort, and the handling of future tasks?

  Methodology:

  First, a semi-structured interview guide is to be developed and tested. The guide should remain deliberately open and reconstruct concrete work episodes, such as a task that was executed entirely by the system, a situation in which the outcome did not meet expectations, and a situation in which the participant deliberately took the task back. In addition to notable experiences, routine situations are explicitly to be covered.

  Interviews are then conducted with people who regularly work with agentic systems, for example in software development, consulting, marketing, or administrative functions. Eight to ten interviews are envisaged. The case selection is to be documented, in particular the field of work, the degree of autonomy of the system in use, and how long it has been used.

  The analysis follows a grounded theory approach. The interviews are transcribed and pseudonymized and are then coded openly, axially, and selectively. The approach is characterized by the constant comparison of the material, the recording of intermediate insights in memos, and the stepwise condensation of codes into categories. Data collection and analysis are interleaved, so that the guide is refined after the first interviews and further cases are selected along the categories that emerge.

  Expected Contribution:

  The seminar paper is expected to deliver an empirically grounded account of the situations in which control is handed over to a system and reclaimed from it, including the cues on which participants base their attribution. Building on this, a category system should emerge that organises the reported tensions between perceived control and formal responsibility. From these categories, starting points are to be derived for addressing these tensions in the design of human-system collaboration.

  Literature

  • Andraschko, L., & Weritz, P. (2026). Human agency and deliberate reassertion in the age of generative AI: Evidence from online labor platforms. Electronic Markets, 36(1), 35. doi.org/10.1007/s12525-026-00894-z
  • Baird, A., & Maruping, L. M. (2021). The Next Generation of Research on IS Use: A Theoretical Framework of Delegation to and from Agentic IS Artifacts. MIS Quarterly, 45(1), 315–341. https://doi.org/10.25300/MISQ/2021/15882
  • Holldack, F., Banh, L., & Strobel, G. (2026). Agentic information systems. Electronic Markets, 36(1), 5. doi.org/10.1007/s12525-025-00861-0
  • Leonardi, P. M. (2025). Homo agenticus in the age of agentic AI: Agency loops, power displacement, and the circulation of responsibility. Information and Organization, 35(3), 100582. doi.org/10.1016/j.infoandorg.2025.100582