1. Kohorte

Im Rahmen des Projekts soll zuerst ein breiter Ansatz verfolgt werden, um den Umsetzungsstand und die potenziellen Bedarfe und Ansatzpunkte für eine Nutzung der Digitalisierung in der Wirtschaftsförderung zu identifizieren. Im weiteren Verlauf wird eine Fokussierung auf die Veränderung von Innovationsprozessen bzw. das Monitoring von regionalen Innovationssystemen mit Hilfe digitaler Technologien erfolgen. Zielsetzungen des Projektes sind es, Ansatzpunkte und Umsetzungsvorschläge für die Wirtschaftsförderungen zu entwickeln, damit diese die neuen Innovationsprozesse von Unternehmen unterstützen können, und Möglichkeiten aufzuzeigen, wie sie selbst durch den Einsatz digitaler Technologien schneller und effizienter Entwicklungen des regionalen Innovationssystems identifizieren können. Zentral für das Projekt ist dabei die Entwicklung eines exemplarischen digitalen Angebots zur Nutzung in Wirtschaftsförderungen und ein Testdurchlauf. Der Fokus liegt hierbei erstmal auf der Analyse von strukturierten Daten (z. B. Patentdaten). Darüber hinaus soll ein Ausblick gegeben werden, wie diese Analysen um unstrukturierte Daten erweitert werden können.

Das Forschungsprojekt untersucht die weltweite Entwicklung von Technologien im Bereich künstlicher Intelligenz (KI). Das Projekt beruht konzeptionell auf Ansätzen aus dem Bereich der Innovationssysteme und technologischer Systeme. Ziel ist es, die geographischen Spezialisierungsmuster in KI-Technologien in den USA, China und Europa zu identifizieren, die Netzwerkstrukturen in spezifischen KI-Technologien in diesen Regionen sichtbar zu machen, sowie den Zusammenhang von Netzwerkposition und Unternehmenserfolg zu analysieren. Das Projekt verwendet die Methode der sozialen Netzwerkanalyse unter Berücksichtigung von Daten aus Patentanmeldungen, Publikationen sowie web-basierten Ressourcen.

• DRUID21, Copenhagen, Denmark, “AI’s local patterns of innovation”, 18. Oktober 2021.
• The Economics and Management of AI Technologies, “An evolutionary view on the emergence of Artificial Intelligence”, 19. Januar 2021.
• Data infrastructure for mapping production and diffusion of AI technologies, Copenhagen, Denmark, “Diffusion of AI: Preliminary findings from a global patent analysis”, 27. Februar 2019.
• Diginomics Brown Bag Seminar, Bremen, Germany, “The Race for Technological Leadership in Artificial Intelligence”, 22. Mai 2019.
• European Meeting on Applied Evolutionary Economics (EMAEE), Brighton, United Kingdom, “The Race for Technological Leadership in Artificial Intelligence”, 5. Juni 2019.
• Artificial Intelligence - Between Panacea and Skynet, Bremen, Germany, “Patenting Patterns in Artificial Intelligence: Identifying National and International Greenhouses”, 27. September 2019.
• New perspectives in innovation economics, Thiessow, Germany, “The diffusion of Artificial Intelligence: Preliminary findings”, 3. Oktober 2019.
• The Economics and Management of AI Technologies, Straßburg, France, “The diffusion of Artificial Intelligence: Preliminary findings”, 18. Oktober 2019.
• Diginomics Brown Bag Seminar, Bremen, Germany, “The Race for Technological Leadership in Artificial Intelligence”, 29. Januar 2020.

• Matheus E. Leusin, Björn Jindra, and Daniel S. Hain (2021): An evolutionary view on the emergence of Artificial Intelligence. Download. 
• Matheus E. Leusin, Jutta Günther, Björn Jindra, and Martin G. Moehrle (2020): Patenting patterns in Artificial Intelligence: Identifying national and international breeding grounds, World Patent Information No. 62, 101988.

• EAEPE Prize for the best Political Economy paper at EMAEE 2019, Brighton, United Kingdom, for the paper “The Race for Technological Leadership in Artificial Intelligence”, 4. Juni 2019.

Die Einführung neuer Technologien in Arbeitsabläufe ist mit einer Reorganisation vorhandener Prozesse verbunden, die eine Anpassung von hierarchischen und Gruppenstrukturen sowie Verantwortungsbereichen zur Folge hat und somit eine Veränderung der Aufgaben, der Führung und der Zusammenarbeit bedingt. In diesem Zusammenhang sollen, z.B. aufgrund der gewonnenen Gestaltungsspielräume, die Motivation und das Wohlbefinden der MitarbeiterInnen, auch unter Berücksichtigung von Wechselwirkungen mit bspw. der Branche beleuchtet werden. Ebenso kann vermutet werden, dass eine erhöhte Selbststeuerung und eine Veränderung von Kontrollmechanismen in den Arbeitsprozessen einen Einfluss auf die sozialen Normen in Gruppen und auf die Beziehungen zwischen Führungskräften und MitarbeiterInnen haben werden. Fragestellungen zu diesen Themen werden anhand von qualitativen und quantitativen Methoden im Kontext von Problemstellungen ausgewählter Praxispartner beantwortet.

• Rieth, M. & Hagemann, V. (2021). Automation als gleichwertiger Teamplayer des Menschen? – Eine Expertenstudie. Vortrag beim 67. Frühjahreskongress der Gesellschaft für Arbeitswissenschaften (GfA), Bochum, Deutschland.

• Rieth, M. & Hagemann, V. (2021). Analyse der Möglichkeiten der Automatisierung und damit einhergehende Auswirkungen in Bezug auf veränderte Anforderungen an Mitarbeitende in High Reliability Organizations. Vortrag beim 67. Frühjahreskongress der Gesellschaft für Arbeitswissenschaften (GfA), Bochum, Deutschland.

• Rieth, M. & Hagemann, V. (2019). Analyse von Kompetenzanforderungen an Mitarbeitende in High Reliability Organisationen aufgrund der Einführung von Automation. Vortrag bei der 11. Tagung der Fachgruppe Arbeits-, Organisations- und Wirtschaftspsychologie (AOW) der Deutschen Gesellschaft für Psychologie (DGPs), Braunschweig, Deutschland.

• Rieth, M. & Hagemann, V. (2022). Automation as an equal team player for humans? – A view into the field and implications for research and practice. Applied Ergonomics, 98, 103552. Download.
• Rieth, M. & Hagemann, V. (2021). Veränderte Kompetenzanforderungen an Mitarbeitende infolge zunehmender Automatisierung – Eine Arbeitsfeldbetrachtung. Gruppe. Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie (GIO), 52(1), 37-49. Download.

Die fortschreitende Digitalisierung hat schon heute weitreichende Konsequenzen für den Arbeitsmarkt. Neben dem Arbeitsmarkt, wirkt sich die zunehmende Digitalisierung aber auch im Bereich des Klimawandels aus. Auf der einen Seite kann Automatisierung zu einem effizienteren Einsatz von Ressourcen führen, auf der anderen Seite kann Digitalisierung aber auch den Einsatz von (fossilen) Rohstoffen vergrößern, was wiederum den Klimawandel vorantreibt. Ziel des Projekts ist es, die Wachstums- und Verteilungswirkungen der Digitalisierung vor dem Hintergrund des Klimawandels zu diskutieren.

Die Blockchain-Technologie verfügt über ein großes Einsatzspektrum für verschiedene Branchen. Einige Varianten der Blockchain-Technologie haben sich bereits konkretisiert, u.a. smarte Verträge und dezentralisierte Plattformen. Beide können das Patentmanagement in Unternehmen oder anderen patentierenden Organisationen verändern. Im Patentmanagement spielt Geheimhaltung eine wichtige Rolle, da eine Erfindung bei einer Anmeldung zum Patent als neu, d.h. als bisher der Welt unbekannt, zu gelten hat. Eine solche Geheimhaltung wird oft von entsprechenden Vereinbarungen, sog. NDAs (non-disclosure agreements) getragen. Zur gleichen Zeit müssen verschiedene Zwischenergebnisse und Laborbücher möglichst gut dokumentiert werden, um sie ggf. bei juristischen Auseinandersetzungen vorlegen zu können. Im Projekt sollen daher verschiedene Fragen untersucht werden: Wie viele der in die Blockchain gesetzten Erwartungen können bereits heute erfüllt und mit Fakten belegt werden? Wie gehen Experten im Betrieblichen Patentmanagement mit dieser neuen Technologie um? Werden Standards entstehen, die den überbetrieblichen Austausch von geheimen Informationen im Patentmanagement erleichtern? Und schließlich: Wie wird die Blockchain-Technologie das Patentmanagement verändern?

Kryptowährungen wie Bitcoin oder Ethereum sind seit einigen Jahren Teil einer neuen, alternativen Asset-Klasse. Diese Asset-Klasse der digitalen Assets ist hoch volatil, unabhängig von traditionellen Asset-Klassen wie Aktien oder Anleihen und ebenfalls noch sehr ineffizient. Diese Tatsache eröffnet die Gelegenheit bekannte Finanzmarktmodelle und –theorien in einer aufstrebenden und jungen Asset-Klasse wiederholt zu testen und zu untersuchen und somit Rückschlüsse für etablierte Anlageklassen zu ziehen. Da bisher außerhalb der technischen Perspektive nur wenige Erkenntnisse veröffentlicht worden sind, ist der Mehrwert, den man in finanzwirtschaftlicher Hinsicht schaffen kann, besonders hoch und macht den Themenkomplex damit umso interessanter.