From Strategy to Operations : Understanding and Managing the Integration of Artificial Intelligence in Organizations

Titelangaben

Protschky, Dominik:
From Strategy to Operations : Understanding and Managing the Integration of Artificial Intelligence in Organizations.
Bayreuth , 2025 . - VII, 131 S.
( Dissertation, 2025 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Dissertation_Dominik_Protschky_Veröffentlichungsversion.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
	Download (953kB)

Abstract

Effectively managing the integration of artificial intelligence (AI) is critical for organizations seeking to realize its transformative potential. Despite substantial investments and strategic interest, many AI initiatives fail due to fragmented approaches and underdeveloped management capabilities. Given AI’s complexity across application, strategic, and operations levels, organizations must adopt holistic management frameworks tailored to AI’s unique characteristics. Without such frameworks, firms risk failing to translate technological promises into sustained business value, highlighting the need for research that supports organizations in systematically navigating the organizational and managerial challenges of AI integration. Therefore, this dissertation seeks to provide insights into AI management by addressing four research goals (RGs). The first research goal (RG1) aims to support organizations in developing a comprehensive understanding of AI. Essay 1 introduces a dynamic categorization framework that delineates the evolving dimensions of AI, enabling structured organizational interpretation and management. The second research goal (RG2) focuses on guiding organizations in strategically managing AI integration. Essay 2 presents a taxonomy of AI strategies for incumbent firms, reflecting AI's distinctive attributes; essay 3 outlines a method to embed AI governance into existing frameworks to address AI-specific risks; essay 4 proposes an iterative method for identifying context-specific AI use cases aligned with strategic objectives. The third research goal (RG3) addresses AI integration at the application level. Essay 5 develops a multi-agent LLM system that enhances ideation processes by supporting divergent and convergent thinking; essay 6 introduces an architecture for continuous risk monitoring in projects using unstructured data; essay 7 examines the implementation of AI decision support in sports refereeing, highlighting technological, ethical, and human collaboration factors. The fourth research goal (RG4) concerns the operations management of AI. Essay 8 identifies monitoring practices for machine learning applications based on a circular quality management model; essay 9 develops a taxonomy of LLM-based synthetic data generation, offering insights into design options for data-driven AI applications.

Abstract in weiterer Sprache

Eine effektive Steuerung der Integration von Künstlicher Intelligenz (KI) ist entscheidend für Organisationen, die das transformative Potenzial von KI realisieren möchten. Trotz erheblicher Investitionen und strategischer Interessen scheitern viele KI-Initiativen aufgrund fragmentierter Vorgehensweisen und unzureichender Management-kompetenzen. Angesichts der Komplexität von KI über Anwendungs-, Strategie- und operativer Ebene hinweg müssen Organisationen ganzheitliche Management-rahmenwerke einführen, die auf die spezifischen Eigenschaften von KI zugeschnitten sind. Ohne solche Rahmenwerke riskieren Unternehmen, technologische Potenziale nicht in nachhaltigen geschäftlichen Nutzen zu überführen. Dies unterstreicht den Bedarf an Forschung, die Organisationen dabei unterstützt, die organisatorischen und managementbezogenen Herausforderungen der KI-Integration systematisch zu bewältigen. Vor diesem Hintergrund verfolgt diese Dissertation das Ziel, Erkenntnisse zum KI-Management zu liefern, indem vier Forschungsziele (FZ) adressiert werden. Das erste Forschungsziel (FZ1) zielt darauf ab, Organisationen bei der Entwicklung eines umfassenden Verständnisses von KI zu unterstützen. Dafür stellt Forschungspapier 1 einen dynamischen Kategorisierungsrahmen vor, der die sich stetig entwickelnden Dimensionen von KI strukturiert und damit eine systematische unternehmensbezogene Interpretation und Steuerung ermöglicht. Das zweite Forschungsziel (FZ2) fokussiert die strategische Steuerung der KI-Integration. Forschungspapier 2 präsentiert eine Taxonomie von KI-Strategien für etablierte Unternehmen, die die besonderen Charakteristika von KI berücksichtigen; Forschungspapier 3 beschreibt eine Methode zur Einbettung von KI-Governance in bestehende Rahmenwerke zur Adressierung KI-spezifischer Risiken; Forschungspapier 4 schlägt eine iterative Methode zur Identifizierung von KI-Anwendungsfällen vor, die kontextspezifisch und an strategische Zielsetzungen gekoppelt sind. Das dritte Forschungsziel (FZ3) befasst sich mit der KI-Integration auf Anwendungsebene. Forschungspapier 5 entwickelt ein Multi-Agenten-System basierend auf großen Sprachmodellen, welches Ideenfindungsprozesse durch Unterstützung des divergenten und konvergenten Denkens verbessert; Forschungspapier 6 führt eine Architektur zur kontinuierlichen Risikobewertung in Projekten mit unstrukturierten Daten ein; Forschungspapier 7 untersucht die Implementierung KI-basierter Entscheidungsunterstützung im Schiedsrichterwesen und beleuchtet dabei technologische, ethische sowie kollaborative Mensch-Maschine-Aspekte. Das vierte Forschungsziel (FZ4) betrifft das operative Management von KI. Forschungspapier 8 identifiziert Überwachungspraktiken für Anwendungen des maschinellen Lernens basierend auf einem zirkulären Qualitätsmanagementmodell; Forschungspapier 9 entwickelt eine Taxonomie der synthetischen Datengenerierung mit Hilfe von großen Sprachmodellen und liefert Einblicke in Gestaltungsoptionen für datengestützte KI-Anwendungen.