Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Naturkatastrophen und Brände stellen Rettungskräfte vor enorme Herausforderungen, da schnelle Entscheidungen und präzise Maßnahmen über Leben und Tod entscheiden können. Embodied Generative AI in Form autonomer Löschroboter, amphibischer Hochwasserschutzdrohnen oder Such- und Rettungseinheiten könnte gefährliche Bereiche erkunden, Überlebende lokalisieren und Rettungseinsätze koordinieren. Durch ihre Fähigkeit, in extremen Bedingungen zu agieren, könnten solche Systeme den Katastrophenschutz revolutionieren und Menschenleben retten.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• 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. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

In der Polizeiarbeit spielen Zeit und Präzision eine entscheidende Rolle. Embodied Generative AI könnte als kriminaltechnischer Assistent agieren, Tatorte analysieren, Spuren sichern oder Verdächtige per multimodaler Sensorik verfolgen. Während humanoide Systeme zur direkten Interaktion mit Ermittlern beitragen könnten, wären animalische Roboter für Geländeeinsätze oder funktionale Drohnen für Luftüberwachung besonders wertvoll. Solche autonomen Systeme könnten Ermittlungen beschleunigen und gleichzeitig die Sicherheit der Einsatzkräfte erhöhen.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• 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. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Die Sicherheit von Gebäuden beruht zunehmend auf KI-gestützten Überwachungssystemen, doch klassische Kameras und Sensoren sind oft statisch und reaktiv. Embodied Generative AI kann als autonom agierender Wachroboter Bedrohungen frühzeitig erkennen, flexibel durch Gebäude navigieren und mit Sicherheitssystemen interagieren. Ob humanoid zur Interaktion mit Menschen, animalisch für Agilität oder funktional als Drohne zur Überwachung großer Flächen – Embodied Generative AI bietet neue Möglichkeiten für proaktive Gebäudesicherheit.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• 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. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Allgemeine Einführung

In den letzten Jahren hat sich KI von der Datenklassifizierung hin zur Inhaltserzeugung weiterentwickelt (Strobel et al., 2024; Banh & Strobel, 2023). Generative AI (kurz GenAI) hat nicht nur neue Anwendungsfelder erschlossen, sondern auch bestehende Märkte revolutioniert. Gleichzeitig hat der Einsatz von KI die Robotik entscheidend vorangetrieben – etwa durch Fortschritte in der Objekterkennung, der Bewegung in verschiedenen Umgebungen und der autonomen Navigation. Dennoch fehlt es diesen Systemen an Intelligenz, um vollständig autonom zu agieren und universell einsetzbar zu sein.

Eine vielversprechende Lösung bietet „Embodied GenAI“, der Einsatz von GenAI in physischen Systemen. Einerseits kann GenAI die notwendige Intelligenz für Umgebungswahrnehmung, Aufgabenplanung und Aufgabenausführung bereitstellen. Andererseits würde die physische Verkörperung GenAI auf eine höhere Intelligenzstufe heben, da wahre kognitive Fähigkeiten aus der Verknüpfung von Wahrnehmung, Handlung, kontinuierlichem Lernen und physischer Präsenz entstehen (Duan et al., 2022).

Die Verbindung von Generativität und physischer Präsenz eröffnet völlig neue Anwendungsfelder – von Assistenzrobotern bis hin zu autonomen Systemen in kritischen Infrastrukturen. Gleichzeitig bringt die physische Integration von GenAI neue Herausforderungen mit sich, insbesondere in den Bereichen Sicherheit, Akzeptanz und der technischen Umsetzung realweltlicher Interaktionen (Larson, 2010).

Vor diesem Hintergrund stellt sich die zentrale Frage, wie Embodied Generative AI in spezifischen Anwendungsbereichen gestaltet werden kann, um ihr Potenzial optimal zu nutzen und bestehende Herausforderungen gezielt zu adressieren.

Anwendungsfeld

Blinde und sehbehinderte Menschen sind im Alltag oft auf externe Hilfsmittel oder menschliche Assistenz angewiesen. Embodied Generative AI kann als autonomer Begleiter in humanoider oder animalischer Form agieren und durch sensorbasierte Umgebungserfassung Hindernisse erkennen, Wegbeschreibungen geben und nonverbale Hinweise interpretieren. Durch die Kombination von Sprachverarbeitung, Computer Vision und taktiler Interaktion könnte eine solche KI-basierte Assistenz die Unabhängigkeit und Mobilität Betroffener erheblich verbessern.

Zielsetzung

Die Entwicklung von Embodied Generative AI für unterschiedliche Anwendungsbereiche erfordert eine fundierte wissenschaftliche Basis, um geeignete Design Principles zu identifizieren und systematisch abzuleiten (Wache et al., 2022; Chandra et al., 2015; Weisz et al., 2024). Ziel dieser Arbeit ist es, ein strukturiertes Forschungsdesign zur Datenerhebung zu nutzen, um praxisrelevante Design Principles für die Entwicklung und Implementierung von Embodied Generative AI-Systemen in spezifischen Anwendungsfeldern zu formulieren.

Hierzu sollen systematische Datenerhebungsmethoden kombiniert werden, um die relevanten Anforderungen, Herausforderungen und Potenziale von Embodied Generative AI zu erfassen. Für diese Arbeit relevant können dementsprechend je nach individueller Absprache sein:

• Systematische Literaturrecherche, um den aktuellen Forschungsstand zu erheben und bestehende theoretische Grundlagen für Embodied Generative AI zu identifizieren (vom Brocke et al., 2009; Webster & Watson, 2002).

• Experteninterviews mit Fachpersonen aus relevanten Domänen, um praxisnahe Anforderungen und Designüberlegungen zu ermitteln (Gioia et al., 2012; Myers & Newman, 2007).

• Fragebogenbasierte Umfragen, um Einschätzungen potenzieller Nutzer und Stakeholder zu erfassen und quantitative Erkenntnisse zur Akzeptanz und den Anforderungen an Embodied Generative AI zu gewinnen.

Startliteratur

• Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. DOI

• L. Chandra, S. Seidel and S. Gregor, "Prescriptive Knowledge in IS Research: Conceptualizing Design Principles in Terms of Materiality, Action, and Boundary Conditions," 2015 48th Hawaii International Conference on System Sciences, Kauai, HI, USA, 2015, pp. 4039-4048. DOI

• Duan, J., Yu, S., Tan, H. L., Zhu, H., & Tan, C. (2021). A Survey of Embodied AI: From Simulators to Research Tasks. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(2), 230-244. DOI

• Gioia, D. A., Corley, K. G., & Hamilton, A. L. (2012). Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology. Organizational Research Methods, 16(1), 15-31. DOI

• Larson, D. A. (2010). Artificial Intelligence: Robots, avatars, and the demise of the human mediator. Ohio St. J. on Disp. Resol., 25, 105. DOI

• Myers, M. D., & Newman, M. (2007). The qualitative interview in IS research: Examining the craft. Information and Organization, 17(1), 2-26. DOI

• Paolo, G., Gonzalez-Billandon, J., & Kégl, B. (2024). Position: A Call for Embodied AI. Proceedings of the Forty-first International Conference on Machine Learning. DOI

• Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring Generative Artificial Intelligence: A Taxonomy and Types. Proceedings of the 57th Hawaii International Conference on System Sciences. DOI

• 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. Proceedings of the 17th European Conference on Information Systems. DOI

• Wache, H., et al. (2022). Design Principles for Embodied Generative AI Systems. Journal of Artificial Intelligence Research, 75, 123-145. DOI

• Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. DOI

• Weisz, J. D., He, J., Muller, M., Hoefer, G., Miles, R., & Geyer, W. (2024, May). Design Principles for Generative AI Applications. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-22). DOI

Weitere Informationen

Das Thema kann sowohl als Bachelor- als auch als Masterarbeit in Deutsch oder Englisch bearbeitet werden. Bei Interesse melden Sie sich bitte per Mail bei mir und nach gemeinsamer Absprache gilt es ein Exposé zu erarbeiten. Ich freue mich auf Ihre Nachricht.

Unternehmen setzen zunehmend auf digitale, plattformbasierte Geschäftsmodelle, die Werttransaktionen zwischen komplementären Akteuren, etwa Produzenten und Konsumenten, koordinieren. Diese Verlagerung der Wertschöpfungskette nach außen erfordert eine gezielte Orchestrierung der Anbieter, um das Leistungsversprechen des Ökosystems zu verwirklichen.

Da Komplementäre meist nicht exklusiv an eine einzelne Plattform gebunden sind, müssen Plattformbetreiber strategische Verbindungs- und Koordinierungsmechanismen einsetzen, um das Ökosystem zu gestalten und zu steuern – ohne auf direkte Befehls- und Kontrollmaßnahmen zurückzugreifen. Hierzu implementieren Plattformbetreiber Governance-Mechanismen, die die Ressourcen der Komplementäre gezielt einbinden. Eine unzureichende Governance kann dagegen strukturelle Lücken im Ökosystem verursachen, wodurch das Wertschöpfungspotenzial sinkt und Netzwerkeffekte beeinträchtigt werden könnten.

Trotz der hohen Relevanz der Plattform-Governance ist der wissenschaftliche Diskurs in diesem Bereich noch begrenzt. Die vorliegende Arbeit adressiert diese Forschungslücke, indem sie den aktuellen Forschungsstand durch eine systematische Literaturrecherche aufarbeitet und darauf aufbauend eine Forschungsagenda ableitet.

Forschungsfragen:

• RQ1: Was sind die zentralen Themen der IS-Forschung im Kontext von Plattformen bzw. Ökosystemen und Governance?
• RQ2: Welche Aspekte der Plattform Governance sollten künftig erforscht werden?

Methodisches Vorgehen: Systematische Literaturrecherche in führenden Fachzeitschriften (Basket of Eight) und auf Konferenzen (ICIS, ECIS, PACIS, AMCIS, HICSS).

Zielsetzung: Die Generativität von Plattformen wird maßgeblich durch Governance-Mechanismen beeinflusst. Um diese Zusammenhänge zu verstehen, soll die Arbeit den aktuellen Forschungsstand systematisch aufarbeiten. Dabei sollen die verschiedenen Forschungsströme der inter- und intraorganisationalen Governance erfasst und im wissenschaftlichen Diskurs eingeordnet werden.

Auf Basis der analysierten Literatur soll ein Governance-Framework entwickelt werden, das zentrale Konzepte sowie deren Relationen darstellt. Dabei soll insbesondere berücksichtigt werden, welche Governance-Mechanismen in unterschiedlichen Domänen und Plattformtypen erforscht wurden. Die Ergebnisse dieser Analyse sollen als Grundlage für die Ableitung einer Forschungsagenda dienen.

Startliteratur:

• Hein, Andreas (2020): Digital Platform Ecosystems: Emergence and Value Co-Creation Mechanisms. Technischen Universität München, München.
• Jacobides, Michael G.; Cennamo, Carmelo; Gawer, Annabelle (2018): Towards a theory of ecosystems. In Strat. Mgmt. J. 39 (8), pp. 2255–2276. DOI: 10.1002/smj.2904.
• Tiwana, Amrit (2014): Platform Ecosystems: Elsevier, Kapitel 6
• Hein, Andreas; Schreieck, Maximilian; Wiesche, Manuel; Krcmar, Helmut (2016): Multiple-Case Analysis on Governance Mechanisms of Multi-Sided Platforms. In : Multikonferenz Wirtschaftsinformatik. Ilmenau, Germany.
• Staub, Nicola; Haki, Kazem; Aier, Stephan; Winter, Robert (2022): Governance Mechanisms in Digital Platform Ecosystems: Addressing the Generativity-Control Tension. In Communications of the Association for Information Systems 51 (1), pp. 906–939. DOI: 10.17705/1CAIS.05137.
• Bandara, Wasana; Furtmueller, Elfi; Gorbacheva, Elena; Miskon, Suraya; Beekhuyzen, Jenine (2015): Achieving Rigor in Literature Reviews: Insights from Qualitative Data Analysis and Tool-Support. In CAIS 37. DOI: 10.17705/1CAIS.03708.
• vom Brocke, Jan; Simons, Alexander; Niehaves, Björn; Riemer, Kai; Plattfaut, Ralf; Cleven, Anne (2009): Reconstructing the giant: On the importance of rigour in documenting the literature search process. In : 17th European Conference on Information Systems (ECIS 2009). Verona, Italy, pp. 2206–2217. Available online at aisel.aisnet.org/ecis2009/161.
• Webster, Jane; Watson, Richard T. (2002): Analyzing the Past to Prepare for the Future: Writing a Literature Review. In MIS Quarterly 26 (2), pp. xiii–xxiii.