Ob in der Produktion, in der Logistik, im Marketing oder dem Personalmanagement – KI-gestützte Anwendungen sind bereits ein fixer Bestandteil des Wirtschaftslebens. Robotik (z.B. Kuka Roboter), Konversationsbots (z.B. Alexa) und Datenanalytik (z.B. Amazon ML Service) sind nur einige Anwendungsbereiche von KI, und diese verändert die Rahmenbedingungen des Wirtschaftens sowohl für Unternehmen als auch für deren Belegschaft und Kund*innen.

Beginnend mit Operations Research wurden bereits seit den 1960er Jahren unterschiedliche Einsatzfelder von KI zur Unterstützung von Management-Entscheidungen, Prozesssteuerung und Automatisierung untersucht, erprobt und oftmals wieder verworfen. Doch erst die rasant steigende Rechenleistung und Datenverfügbarkeit in Kombination mit neuen Datenbanktechnologien, Devices und Breitbandinternet schafften Rahmenbedingungen, unter denen die einstigen Laborexperimente unter realen Bedingungen wiederholt und in markttaugliche Anwendungen, Produkte und Dienstleitungen weiterentwickelt und verwertet werden konnten. 

Das Beratungsunternehmen PricewaterhouseCoopers (PwC) erfragte 2019 unter 500 deutschen Unternehmen die für sie relevantesten Einsatzbereiche von KI:

^{Quelle: PricewaterhouseCoopers, 2019. Studie: „Künstliche Intelligenz in Unternehmen“ [WWW-Dokument]. PwC. URL https://www.pwc.de/de/digitale-transformation/kuenstliche-intelligenz/kuenstliche-intelligenz-in-unternehmen.html (Zugriff am 30.06.2021).}

KI verspricht einen effizienteren Einsatz von Ressourcen und erheblich bessere Maßnahmen der betrieblichen, wirtschaftlichen und gesellschaftlichen Steuerung. Auf der Kehrseite stehen umfassende Rationalisierungseffekte auf Seiten der Arbeitnehmer*innen und die Gefahr eines Überwachungskapitalismus (Surveillance Capitalism), in dem der Mensch nur mehr ein Produktionsfaktor ist, der an seinem Systembeitrag gemessen und eingestuft wird.

Fragestellungen, die im Kontext der wirtschaftlichen Nutzbarmachung auftreten, können entlang von fünf Problemdimensionen diskutiert werden:

• Bias-Problem: die Abhängigkeit des Analyseergebnisses von der Qualität der zugrundeliegenden Datenbasis
• Fairness-Problem: die Abhängigkeit des Analyseergebnisses von der Analysemethode
• Blackbox-Problem: die fehlende Transparenz und Nachvollziehbarkeit des Analyseprozesses
• Vertrauensproblem: die (berechtigte) Akzeptanz von, Skepsis gegenüber und Ablehnung von KI im Kontext ihrer Nutzbarmachung
• Access-Problem: die (un)intendierte Bevorzugung oder Benachteiligung bestimmter Bevölkerungsgruppen beim Zugang zu KI