Design Science Research DSR

Gestaltende Innovationsforschung zu KI-Anwendungen

25.03.26

Weltweit stehen viele Unternehmen vor der Herausforderung, bei der Künstlichen Intelligenz (KI) nicht den Anschluss zu verlieren und mit KI-Werkzeugen, die ihr spezifisches Wissen nutzen, Wettbewerbsvorteile zu erzielen. Diese Entwicklung führt zur Renaissance einer gestaltenden Management- und Innovationsforschung, die das Ziel hat, Theorie und Praxis zu verbinden. Dabei verlagert sich die Forschung von der empirischen Arbeit an Universitäten zu einem verbindenden Gestalten in Reallaboren des Wandels.

In diesem Blogpost skizziere ich die Entwicklung des gestaltenden Forschungsansatzes, zeige seine Vorteile auf und erläutere ein allgemeines Vorgehenskonzept.

Jahr der Entscheidung bei der Anwendung von KI

2026 könnte zum Jahr werden, in dem sich für viele Unternehmen entscheidet, ob bei der Anwendung von KI der Durchbruch gelingt oder ob es bei isolierten Pilotprojekten bleibt. Nach einer Analyse des Marktforschungsunternehmens Forrester berichten nur 15 Prozent der Entscheider, dass der Einsatz von KI bislang messbar zum operativen Ergebnis ihrer Unternehmen beigetragen hat. Dies könnte dazu führen, dass diese rund ein Viertel ihrer geplanten Ausgaben für KI auf 2027 verschieben. Die Gefahr bei einer zu zögerlichen KI-Anwendung ist jedoch, dass so ein Rückstand entsteht, der nur schwer aufzuholen ist.¹

Andererseits gelingt es Vorreiter-Unternehmen, mit einer an ihre spezifische Situation angepassten KI deutliche Wettbewerbsvorteile zu erzielen. Diese Pioniere praktizieren eine gestaltende Management- und Innovationsforschung, um so die Grundlage für Erfolge zu schaffen. Ein Beispiel ist Siemens, das das weltweite größte und breiteste Angebot an industriellen KI-Anwendungen gestalten und seinen Unternehmenswert verdoppeln möchte.²

Das Institut der Deutschen Wirtschaftsforschung (IW) prognostiziert, dass das Potenzial zur Steigerung der Bruttowertschöpfung durch den Einsatz von KI bis 2034 in Deutschland bei 440 Milliarden Euro liegt. Davon entfallen 110 Milliarden Euro auf mögliche Innovationen und 330 Milliarden Euro auf einer Steigerung der Produktivität. Für den Industriestandort Deutschland bildet vor allem die Anwendung von KI eine Chance. Das hat auch Google, die Tochter des US-Technologiekonzerns Alphabet erkannt. Man wird in Deutschland 5,5 Milliarden Euro investieren und in Berlin ein Zentrum für KI-Anwendungen eröffnen, wo auch eigene Forscher angesiedelt sind.³

Aus dieser neuen Lage ergeben sich spannende Implikationen für die Gestaltung von KI-Ökosystemen.

Gestaltung von KI-Ökosystemen

Die Chance für etablierte Unternehmen liegt in einer wissensspezifischen KI, bei der KI-Werkzeuge das spezielle Know-how der Unternehmen nutzen und verstärken.⁴ Dies gelingt am besten in KI-Ökosystemen.

Unter dem Begriff KI-Ökosystem versteht man ein dynamisches Netzwerk mit guten Verbindungen zwischen verschiedenen Akteuren, die KI-Technologien nutzen, um Innovationen zu gestalten und zu verbreiten. KI-Ökosysteme können auf eine Region konzentriert sein und sich um einen Kern herum entwickelt haben, z.B. eine Universität oder ein Unternehmen. Das bekannteste und einflussreichste KI-Ökosystem der Welt ist im Silicon Valley in der San Francisco Bay Area entstanden. Den Kern des Silicon Valley hat in den 1930er Jahren die Stanford University nahe Palo Alto gebildet. 1939 gründeten Bill Hewlett und David Packard dort in einer Garage das Unternehmen HP. Später haben sich hier führende Halbleiter-Unternehmen, die dem Tal seinen Namen gegeben haben und einige der großen KI-Anbieter angesiedelt.

Die Stanford University ist das Vorbild für Helmut Schöneberger gewesen, den Chef des Münchner Gründerzentrums Unternehmertum. Entscheidend für den Erfolg waren dabei die Zusammenarbeit mit der Technischen Universität München und die Unterstützung durch die BMW-Gesellschafterin Susanne Klatten: Daneben sind in München weitere Gründerzentren entstanden, wie z.B. das Center for Digital Technology and Management (CDTM), das den transdisziplinären Master-Studiengang Technology Management anbietet, dabei eng mit Industriepartnern zusammenarbeitet und über 250 Unternehmensgründungen hervorgebracht hat.

2025 haben Startups in München 3,3 Milliarden Euro Risikokapital erhalten und damit bei diesem Kriterium Berlin auf Rang 2 verdrängt, wo Jungunternehmen 2,7 Milliarden Euro einsammeln konnten. Daneben sind aber auch in anderen deutschen Regionen KI-Ökosysteme mit erfolgreichen Startups entstanden.

Schlüsselakteure in KI-Ökosystemen sind:

Verantwortliche in relevanten Politikfeldern und auf verschiedenen Ebenen von Ländern und Regionen
Universitäten und Schulen
KI-Startups, die als Ausgründungen entstanden sind oder sich in einer Region angesiedelt haben
Wagniskapitalgeber, die mit Venture Capital das Wachstum der KI-Startups finanzieren
große Anbieter von KI-Hardware und -Software, die mit ihrer Kapitalkraft die Finanzmärkte prägen und einen erheblichen Einfluss auf Umwelt und Gesellschaft haben sowie
etablierte Unternehmen und ihre Mitarbeitenden, die KI anwenden, mit Startups zusammenarbeiten und sich an ihnen beteiligen.

Ein interessantes Beispiel für neue Möglichkeiten der Zusammenarbeit zwischen etablierten Unternehmen und Startups liefert die Pharmaforschung.

In der Pharmabranche beschleunigen Techbio-Unternehmen, wie das französische Startup Owkin mithilfe von KI die frühe Wirkstoffforschung. Eine erste Welle von Medikamenten, die so entwickelt wurden, befindet sich in klinischen Studien. Eine mögliche Form der Zusammenarbeit ist, dass KI-Biotechs die frühe Wirkstoffsuche übernehmen und etablierte Pharma-Unternehmen die späteren Phasen und die Vermarktung. Eine andere Option ist, dass Pharma-Unternehmen die KI-Startups akquirieren und entsprechende eigene Kompetenzen aufbauen. In jedem Fall steht die forschungsintensive Branche vor einem grundlegenden Wandel, bei dem die Gestaltung von KI-Ökosystemen ein wichtiger Erfolgsfaktor ist.⁵ Das Beispiel verdeutlicht, dass sich mit dem Wandel von Branchen auch die Managementforschung verändert.

Künstliche Intelligenz ist aber nicht nur Treiber von Produktivität und Innovation, sondern stellt auch eine potenzielle Bedrohung dar. Angesichts der Veränderungen der Geopolitik kommt es für Europa darauf an, Gestaltungsmacht zurückzugewinnen. Ein wichtiges Mittel hierzu kann eine vertrauenswürdige KI sein. Die jüngste Auseinandersetzung zwischen der US-Regierung mit dem US-Startup Anthropic verdeutlicht, wie politisch die Gestaltung von KI-Ökosystemen inzwischen geworden ist.⁶ Auch dies führt zu gravierenden Veränderungen in der Managementforschung.

Ein wichtiger Aspekt, der bei KI-Ökosystemen häufig übersehen wird, sind die ökologischen und sozialen Wirkungen, die von KI-Technologien ausgehen. So erfordern große Sprachmodelle die Arbeit von Crawlern, die Daten zusammentragen und Annatoren, die Texte und Bilder kommentieren, bewerten und beschriften. Diese Arbeit läuft versteckt von der Öffentlichkeit häufig in Ländern des „globalen Südens“ ab. Die Transparenz dieser Lieferketten ist gering.⁷

Managementforschung in Reallaboren des Wandels

In der betriebswirtschaftlichen Forschung dominieren seit langem empirische Ansätze, die überwiegend von Universitäten ausgehen. Die Ergebnisse ihrer Arbeiten publizieren die Autoren in wissenschaftlichen Fachzeitschriften, die Praktiker aber nur selten lesen. Die Kritik an diesem Rückzug in einen „wissenschaftlichen Elfenbeinturm“ bemängelt, die praktische Relevanz der Forschung habe abgenommen. Diese Kritik ist nicht neu, aber stärker geworden.⁸

Die Universitäten verteidigen ihre Position mit dem Argument, die Praxisrelevanz der empirischen Forschung basiere auf „Exkursionen ins Feld“, in denen die Sichtweisen relevanter Akteure analysiert würden. Das Ziel der Arbeiten liegt jedoch in der Regel nicht darin, konkrete Objekte wie z.B. neue KI-basierte Geschäftsmodelle in ihrem spezifischen Kontext zu gestalten.⁹

Insofern unterscheidet sich die betriebswirtschaftliche Forschung von dem gestaltenden Ansatz der Technikwissenschaften, der überwiegend in Laboren und Pilotanlagen abläuft.

Aufgrund der wachsenden Bedeutung einer inter- oder transdisziplinären Forschung nimmt auch in der Managementwissenschaft inzwischen der Anteil eines verbindenden Gestaltens zu. Diese praxisnahe, Design-orientierte Forschung erfolgt zunehmend in Reallaboren des Wandels.¹⁰ Ein wichtiger Treiber dieser Entwicklung ist die Künstliche Intelligenz, die als Motor für die Gründung von Startups und eine Neuausrichtung etablierter Unternehmen wirkt. Wir vertreten die Auffassung, die Managementforschung sollte nach einer Phase des Rückzugs in Universitäten wieder stärker in der Praxis stattfinden und dabei gestaltende Ansätze nutzen.

Mit dieser Antwort auf die Fragen nach dem Wie und Wo der Forschungsansätze beginnt ein neues Kapitel in der Entwicklungsgeschichte der Managementforschung. Ein wichtiges Kennzeichen dieser Neuausrichtung auf ein Connective Design ist eine Forschung, in der Wissenschaftler, Berater und Praktiker ihre verschiedenen Perspektiven und Stärken zusammenführen. Der Nutzen liegt in einer besseren Lösung komplexer Probleme ausgehend von neuen wissenschaftlichen Erkentnissen.¹¹

Ein Beispiel liefert die Entwicklung von humanoiden Robotern. In dem rasant wachsenden Markt haben die Unternehmen die besten Chancen, die Software- und Hardware-Kompetenz verbinden. Dabei sind Daten aus der realen Welt der größte Engpass. Der Metzinger Hersteller Neura Robotics hat sich daher entschieden, Trainingshallen für Roboter zu errichten. Eines der ersten dieser Gyms entsteht in Zusammenarbeit mit der Technischen Universität München im Munich Institute of Robotics and Machine Intelligence (MIRMI) am Flughafen München. Im internationalen Wettbewerb mit Unternehmen aus den USA und aus China kommt es bei dieser KI-Anwendung auf eine schnelle Skalierung an.¹²

Da die gestaltende Managementforschung weniger verbreitet ist, möchte ich kurz ihre Entwicklungsgeschichte skizzieren. Persönlich habe ich in den letzten Jahrzehnten immer wieder erlebt, wie unterschiedlich die Denk- und Sprachmuster der relevanten Akteure in Theorie und Praxis sind.

Grundlagen und Pioniere einer gestaltenden Managementforschung

Die gestaltende Managementforschung basiert auf ähnlichen Grundlagen und wurde durch einige Pioniere geprägt.¹³ Diese Grundlagen sind:

Das von dem Sozialpsychologen Kurt Lewin ausgegangene Action Research. Lewin setzte sich für eine Verbindung von Theorie und Praxis ein, um reale Probleme zu lösen.
Die durch den Wirtschaftsnobelpreisträger Herbert Simon geprägte allgemeine Design-Theorie.¹⁴ Simon versteht hierunter eine Wissenschaft des Gestaltens von menschengemachten Artefakten und Systemen.
Die von dem Harvard-Professor Chris Argyris konzipierte Action Science.¹⁵ Argyris Ziel ist es vor allem, Wissen nutzbar zu machen, um Handlungen in Organisationen zu verbessern.
Dem von Alan Hevner an der Universität South Florida entwickelten Ansatz des Design Science Research (DSR).¹⁶ Bei diesem vor allem in der Wirtschaftsinformatik verbreiteten Konzept steht die Lösung von komplexen, realen Problemen durch innovative IT-Systeme im Mittelpunkt.
Das von verschiedenen Wissenschaftlern beschriebene Action Design Research (ADR), das Action Research und Design Science Research verbindet.

Pioniere einer gestaltenden Managementforschung sind unter anderem die an der Universität Eindhoven lehrenden Joan Ernst van Aken und Georges Romme sowie David Denyer von der Cranfield University in Großbritannien. Van Aken verfolgt das Ziel, die Kluft zwischen Managementtheorie und -praxis zu verringern. Im Vordergrund steht dabei eine transdisziplinäre Forschung zur Lösung praktischer Managementprobleme. Ausgehend von der Design-Theorie erprobt Romme iterative Prozesse bei der Organisationsgestaltung.¹⁷ Denyer sieht Managementwissen als gestaltbare Ressource, um reale Probleme zu lösen. Sein Ansatz zur Lösungsorientierung versucht, den Praxistransfer durch Wirkmechanismen und eine Evidenzprüfung mit verschiedenen Informationsquellen zu sichern.

Besonders deutlich werden die Vorteile eines gestaltungsorientierten Ansatzes in der Innovations- und Nachhaltigkeitsforschung.

Vorteile in der Innovations- und Nachhaltigkeitsforschung

Bei der Anwendung von KI entfalten sich die Vorteile einer gestaltenden Innovations- und Nachhaltigkeitsforschung vor allem in Unternehmen, die diesen Ansatz in selbstähnlichen Strategie 5.0-Laboren praktizieren. Das Ziel eines solchen Reallabors ist eine Verbindung der verschiedenen Handlungsfelder für KI-Anwendungen.¹⁸ Dabei hilft es, wenn das Gegenstromprinzip aus top-down entstehender KI-Strategie und einer sich bottom-up entwickelnden harmonischen Vielfalt der KI-Anwendungen funktioniert.

Nach unserer Erfahrung aus einer Reihe an Projekten haben die folgenden Vorteile eine besondere Bedeutung:

Die Beseitigung von Innovationsbarrieren
leistungsfähige und vertrauenswürdige Innovationsökosysteme
motivierte Hochleistungsteams
ein verbindendes Gestalten als Kernkompetenz
ein verbesserter Technologietransfer
beschleunigte Lernschleifen mit agilen Methoden sowie
konkrete Ergebnisse und messbare Erfolge für alle Stakeholder.

Diese Vorteile ermöglichen eine Neuausrichtung von Innovationssystemen.

Die Defizite bei der deutschen Energie- und Mobilitätswende sind ein Beispiel dafür, wie wichtig es ist, Innovationsbarrieren zu beseitigen.¹⁹ Hierbei geht es darum, neue Erkenntnisse der Innovationsforschung in praktisches Handeln umzusetzen.

Das Ziel ist die Gestaltung von leistungsfähigen und vertrauenswürdigen Innovationsökosystemen.²⁰ Ein Kennzeichen dieser Systeme ist die bessere Zusammenarbeit der Akteure aus den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft.

Eine Schlüsselrolle bei der gestaltenden Innovationsforschung haben motivierte Hochleistungsteams.²¹ Führungskräften kommt die Aufgabe zu, ein unternehmerisches Selbstbild vorzuleben und zu fördern. Dies beginnt bei der Ausbildung und setzt sich in der beruflichen Tätigkeit fort.

Eine dabei zu entwickelnde Kernkompetenz ist das verbindende Gestalten.²² Dies erfordert eine Neuausrichtung von Lehre und Forschung mit KI als Werkzeug. Eine solche Human-Centric AI durchdringt alle Disziplinen.

Ein positiver Nebeneffekt ist der verbesserte Technologietransfer.²³ Dabei geht es um eine Überwindung des deutschen Paradoxes zwischen Stärken in der Grundlagenforschung und Schwächen bei der Vermarktung.

Ein Mittel hierzu sind beschleunigte Lernschleifen in Organisationen.²⁴ Dabei kommen agile Methoden zum Einsatz. Wichtig ist, ein allgemeines Vorgehenskonzept an spezifische Problemtypen und die jeweilige Situation anzupassen.

Dabei sollten sich alle Stakeholder an konkreten Ergebnissen und messbaren Erfolgen orientieren.²⁵ Bei gemeinsamen Programmen erfolgt dies mit Hilfe eines transparenten Performance Managements.

Im Folgenden möchte ich ein geeignetes Vorgehenskonzept erläutern.

Schritte eines allgemeinen Vorgehenskonzepts

Ein Beispiel für gestaltende Innovations- und Nachhaltigkeitsforschung ist die KI-basierte strategische und organisatorische Neuausrichtung eines Unternehmens.²⁶ Bei Themen wie diesem hat sich ein allgemeines Vorgehenskonzept bewährt, das aus den in der Abbildung dargestellten sechs Schritten besteht.

Der erste Schritt ist eine Analyse des Standes der Forschung sowie von Best-Practise-Beispielen und der spezifischen Ausgangssituation. Hierbei stellt sich die Aufgabe, eine interne und eine externe Perspektive in einem Audit zu verbinden.

Entscheidend ist dann, ein umfassendes Verständnis der Problemkomplexität zu entwickeln, deren Ursachen zu verstehen und sich dabei zwischen den relevanten Akteuren abzustimmen. Erfolgreicher als disziplinäre Forschungsansätze ist dabei eine Zusammenarbeit verschiedener Fachbereiche mit der Praxis.

Auch bei der anschließenden Gestaltung und Auswahl von kreativen Lösungsansätzen spielen transdisziplinäre Teams eine wichtige Rolle. Was für eine einzelne Organisation Neuland, ist kann dabei in der Summe durchaus zu einem wissenschaftlichen Erkenntnisfortschritt beitragen.

Ein prägendes Kennzeichen der Design-orientierten Innovationsforschung ist die Durchführung von Pilotprojekten für Minimum Viable Solutions (MVS). Diese „minimal funktionsfähigen Lösungen“ werden in Reallaboren des Wandels getestet. Für etablierte Unternehmen erfordert das Arbeiten in Lernschleifen häufig einen Wandel des Mindset. Bei dieser Aufgabe kann die Personalentwicklung unterstützen.

Der fünfte Schritt ist die Planung und Durchführung der Umsetzung. Dies ist eng verbunden mit einer Finanzierung der Skalierung. Deutsche Startups beklagen seit langem Nachteile z.B. gegenüber den USA. Daher ist gerade bei diesem Schritt eine Verbesserung der politischen Rahmenbedingungen anzustreben.

Parallel dazu erfolgt eine transparente Leistungsmessung z.B. mit der Objectives and Key Results (OKR-) Methode. Transparent bedeutet in diesem Zusammenhang, dass das Performance Management nicht in sektoralen Silos stattfindet. Für eine Politik, die zwar Ziele festlegt, aber die Erfolgsmessung vernachlässigt, ist dies mit einem Lernprozess verbunden, der auf eine gemeinsame Systemgestaltung durch Innovationsmanager gerichtet ist.

Innovationsmanager gestalten komplexe, evolutionäre Systeme

Bereits in unserer 2014 erschienenen Buchpublikation „Der Innovationsmanager“ sind wir zu dem Ergebnis gekommen, dass eine zentrale Aufgabe von Innovationsmanagern in der Gestaltung von Innovationssystemen und einer Verbindung verschiedener Handlungsfelder liegt.²⁷ Danach haben wir uns intensiv mit der verhaltensökonomischen Perspektive eines solchen verbindenden Gestaltens beschäftigt.²⁸

Die wissenschaftliche Grundlage für das Connective Design bildet die Theorie komplexer, evolutionärer Systeme. Die Übertragung dieses Ansatzes auf sozio-technische Systeme hat einen Paradigmenwechsel im strategischen Management ausgelöst.²⁹ Das neue Management-Paradigma haben US-amerikanische Digital-Unternehmen besser gemeistert als die europäische Wirtschaft.³⁰

Eine weitere Erkenntnis ist, dass es sich bei der Innovationsforschung um eine transdisziplinäre Gestaltungsaufgabe handelt.

Inter- oder transdisziplinär?

Wir verwenden bewusst den Begriff transdisziplinär, um deutlich zu machen, dass es nicht nur wie bei dem Begriff interdisziplinär um die Vermittlung zwischen wissenschaftlichen Fächern geht, sondern auch um die Einbeziehung von nichtwissenschaftlichen Akteuren und eine Verbindung zwischen der Theorie und einem praktischen Gestalten.³¹ Die besondere Komplexität einer transdisziplinären Innovationsforschung resultiert aus

der Heterogenität der Disziplinen, die von der naturwissenschaftlichen und technischen Forschung über verschiedene Politikfelder bis zur Managementwissenschaft und Organisationspsychologie reicht
den verschiedenen Interessen und Denkmustern z.B. von Wissenschaftlern und Praktikern
der Dynamik der Entwicklung und der Anzahl von Ebenen, von der Geopolitik bis zum einzelnen Menschen sowie
den unterschiedlichen Rollen der Akteure, z.B. als neutraler Beobachter oder persönlich Betroffener.

Leider mangelt es der transdisziplinären Innovationsforschung in Universitäten bislang an Anerkennung. Die Ursachen hierfür sind vielfältig. Ein wichtiger Grund ist wohl, dass das traditionelle Wissenschafts- und Publikationssystem eher disziplinäre Spitzenleistungen honoriert. Dies ist eine Chance für die anwendungsorientierte Forschung.

Transdisziplinäre Forschung zu Nachhaltigkeitsinnovationen

Unsere 1994 erschienene Buchpublikation zum „ökologischen Umsteuern“ von Automobilunternehmen ist aus Beratungsprojekten und einer begleitenden Forschung an der Universität Stuttgart entstanden.³² Diese Forschung war transdisziplinär, aber nur eingeschränkt gestaltend, weil deutsche Unternehmen und die Politik damals unsere Empfehlungen z.B. zu neuen Antriebssystemen nicht umgesetzt haben.

Dreißig Jahre später kämpft die für die deutsche Wirtschaft so wichtige Branche mit gravierenden Problemen. VW, der nach Fahrzeugabsatz zweitgrößte Automobilhersteller weltweit, befindet sich in einem Prozess der strategischen und organisatorischen Neuausrichtung.³³ Gleichzeitig sind die geopolitischen Rahmenbedingungen von extremer Unsicherheit geprägt.

Das Beispiel verdeutlicht, dass beim Thema Nachhaltigkeitsinnovation eine transdisziplinäre und gestaltende Forschung für die Sicherung des Wohlstands unseres Landes von entscheidender Bedeutung ist. ³⁴ In den letzten Jahren hat sich das Thema dynamisch weiterentwickelt. Dabei ist die Verbindung von Umwelttechnik und Künstlicher Intelligenz in den Mittelpunkt des Interesses gerückt. Aus der Zusammenarbeit von etablierten Unternehmen mit Digital Greentech Startups können neue Marktführer entstehen, wenn es der europäischen Politik gelingt, die Rahmenbedingungen zu verbessern.³⁵

Ein Beispiel ist das deutsch-luxemburgische Startup R3 Robotics, das eine KI-gestützte Robotik-Plattform für das Batterierecycling entwickelt hat. Auf diese Weise kann Europa seine Abhängigkeit von Importen verringern und die Nachhaltigkeit von Batterien erhöhen.³⁶

Nach meiner persönlichen Erfahrung sind Studierende an solchen Themen nach wie vor sehr interessiert, weil sie die sich ergebenden Karrierechancen erkennen. Hiervon gehen für unser Expertenetzwerk wichtige Impulse aus.

Verbindung von Managementberatung und Personalentwicklung mit einer gestaltenden Innovations- und Nachhaltigkeitsforschung

Unser Expertennetzwerk Competivation verbindet seit langem Managementberatung und Personalentwicklung. Der Vorteil für die Klienten ist ein besseres Preis-Leistungsverhältnis als bei traditionellen Consultants, da ein Schwerpunkt auf der Qualifikation der Mitarbeitenden liegt, die aktiv in die Projekte eingebunden sind.

Seit einigen Jahren ergänzen wir diese Dienstleistung durch eine gestaltende Innovations- und Nachhaltigkeitsforschung. Dabei betreuen wir die Abschlussarbeiten von dualen Studierenden und externen Doktoranden, die in der Klientenorganisation an entsprechenden Projekten arbeiten. Hierbei liegt der Vorteil darin, dass die Forschung auf die spezifische Situation des Unternehmens zugeschnitten ist. Die Forschenden und ihr Unternehmen profitieren von der langen Erfahrung unserer Experten.

Mit diesem Ansatz hat Competivation ein internationales Alleinstellungsmerkmal geschaffen, das auf die Bedürfnisse des KI-Zeitalters ausgerichtet ist.

Eine gestaltende Forschung hat auch weit reichende Implikationen für die Hochschullehre. Dabei verstehen wir uns als innovativen Bildungsanbieter, der die Fähigkeit zu einem KI-unterstützten verbindenden Gestalten von Lösungen für komplexe Managementprobleme vermittelt.³⁷

Fazit

Bei der Anwendung von KI stehen viele Unternehmen vor der Aufgabe, ihre Position zu verteidigen und mit einem spezifischen Ansatz Wettbewerbsvorteile zu erzielen
Dabei kommt es entscheidend auf die Gestaltung von KI-Ökosystemen an
Parallel zu dieser Entwicklung verlagern sich Forschungsansatz und -ort in Richtung auf eine gestaltende Innovationsforschung in Reallaboren des Wandels
Dabei erlebt die gestaltende Management- und Innovationsforschung eine Renaissance, die sich aus einer Reihe von Vorteilen ergibt
Bei diesem transdisziplinären Forschungsansatz hat sich ein Vorgehen in sechs Schritten bewährt, das an den jeweiligen Problemtyp und die Situation angepasst wird.

Literatur

[1] Bomke, L., Wie Unternehmen den KI-Stresstest bestehen. In: Handelsblatt, 18. Februar 2026, S. 24

[2] Busch, R., „Wir erschaffen das industrielle Gegenstück zu ChatGPT“ (Interview). In: Manager Magazin, März 2026, S. 86-90

[3] Scheer, O., Das 440-Milliarden-Euro-Potenzial. In: Handelsblatt, 25. Februar 2026, S. 12

[4] Servatius, H.G., Wettbewerbsvorteile mit wissensspezifischer KI. In: Competivation Blog, 11.02.2025

[5] Smolak, H., Mehr Wirkstoffe, weniger Jobs? In: Handelsblatt, 24. Februar 2026, S. 22

[6] Matthes, S., Die Verfassungskrise der Maschinen. In: Handelsblatt, 13./14./15. März 2026, S. 5

[7] Muldoon, J., Feeding the Machine – Hinter den Kulissen der KI-Imperien, Harper Collins 2025

[8] Servatius, H.G., KI und die Zukunft der Management Education. In: Competivation Blog, 09.04.2025

[9] Servatius, H.G., KI als Werkzeug für das strategische Management. In: Competivation Blog, 01.05.2025

[10] Servatius, H.G., Gestaltung von vertrauenswürdigen Hochleistungssystemen. In: Competivation Blog, 29.01.2026

[11] Servatius, H.G., Lernen, Lösungen für komplexe Managementprobleme zu gestalten. In: Competivation Blog, 15.07.2025

[12] Buchenau, M., et al., Die deutschen Konkurrenten der Tesla-Roboter. In: Handelsblatt, 25.03.2026, S. 22-23

[13] Obdenakker, R., Cuijpers, C., Design Science Methodology for the Management Science – From Foundations to Implementation, Springer 2025

[14] Simon, H.A., The Sciences of the Artificial, 3. Aufl., MIT Press1996

[15] Argyris, C., Putnam, R., McLain Smith, A., Action Science – Concepts, Methods and Skills for Research and Intervention, Jossey-Bass 1985

[16] Hevner, A.R., et al., Design Science in Information Systems Research. In: MIS Quarterly, März 2004, S. 75-105

[17] Romme, G., The Quest for Professionalism – The Case of Management and Entrepreneurship, Paperbackshop UK Import 2016

[18] Servatius, H.G., Fraktale Organisation von Strategie 5.0-Laboren. In: Competivation Blog, 28.03.2023

[19] Servatius, H.G., Auf dem Weg zu einem neuen wirtschaftspolitischen Narrativ. In: Competivation Blog, 16.05.2022

[20] Servatius, H.G., Design von smarten Innovationsökosystemen. In: Competivation Blog, 12.05.2017

[21] Servatius, H.G., Eine Organisation auf Leistung trimmen. In: Harvard Manager, 1988, Nr. 4, S. 128-134

[22] Servatius, H.G., Let‘s Connect! Personalentwicklung für Stakeholder-Ökosysteme. In: IM+io, 2023, Heft 1, S. 40-41

[23] Servatius, H.G., Innovationsstrategien gemeinsam mit Stakeholdern gestalten. In: Competivation Blog, 31.08.2018

[24] Servatius, H.G., GenAI-basierte strategische Lernschleifen als verbindendes Prozessmuster. In: Competivation Blog, 15.08.2024

[25] Servatius, H.G., Von der digitalen Fitness zu Key Performance Indicators. In: Competivation Blog, 05.07.2017

[26] Servatius, H.G., Dreifache strategische Neuausrichtung. In: Competivation Blog, 07.06.2024

[27] Servatius, H.G., Gestaltung des Innovationssystems von Unternehmen. In: Servatius, H.G., Piller, F.D., (Hrsg.), Der Innovationsmanager – Wertsteigerung durch ein ganzheitliches Innovationsmanagement, Symposion 2014, S. 21-64

[28] Servatius, H.G., Wie Manager das Innovationssystem verhaltensökonomisch gestalten. In: IM+io, September 2015, Heft 3, S. 20-27

[29] Servatius, H.G., Entwicklung und Wandel des strategischen Managements. In: Competivation Blog, 19.09.2025

[30] Servatius, H.G., Von erfolgreichen Digital-Unternehmen lernen. In: Competivation Blog, 12.07.2024

[31] Schmohl, T., Philipp, T. (Hrsg.), Handbuch transdisziplinäre Didaktik, Transcript 2021

[32] Berger, R., Servatius, H.G., Krätzer, A., Die Zukunft des Autos hat erst begonnen – Ökologisches Umsteuern als Chance, Piper 1994

[33] Backovic, L., Weniger Volkswagen wagen. In: Handelsblatt, 20./ 21./ 22. März 2026, S. 50-54

[34] Servatius, H.G., Konnektivität bei Nachhaltigkeitsinnovationen. In: Competivation Blog, 01.02.2022

[35] Servatius, H.G., Mit einer Strategie 5.0 zu Erfolgen bei Digital GreenTech. In: Fesidis, B., Röß, S.A., Rummel, S. (Hrsg.), Mit Digitalisierung und Nachhaltigkeit zum klimaneutralen Unternehmen, SpringerGabler 2023, S. 71-94

[36] Höpner, A., Mit KI Elektroautos recyceln. In: Handelsblatt, 23. März 2026, S. 29

[37] Servatius H.G., Disruption der Management Education für KI-basierte Neuausrichtungen. In: Competivation Blog, 10.10.2025

Design-oriented innovation research on AI applications

25.03.26

Around the world, many companies face the challenge of keeping pace with artificial intelligence (AI) and gaining a competitive edge through AI tools that leverage their specific expertise. This development is leading to a renaissance in design-oriented management and innovation research, which aims to bridge the gap between theory and practice. In the process, research is shifting from empirical work at universities to connective design in real-world laboratories of change.

In this blog post, I outline the development of the design-oriented research approach, highlight its advantages, and explain a general procedural concept.

A decisive year for AI adoption

2026 could be the year that determines for many companies whether they achieve a breakthrough in AI adoption or remain stuck with isolated pilot projects. According to an analysis by the market research firm Forrester, only 15 percent of decision-makers report that the use of AI has so far made a measurable contribution to their companies’ operating results. This could lead them to postpone about a quarter of their planned AI spending until 2027. However, the danger of being too hesitant in adopting AI is that it creates a gap that is difficult to close.¹

On the other hand, pioneering companies are succeeding in achieving significant competitive advantages with AI tailored to their specific situations. These pioneers practice design-oriented management and innovation research to lay the groundwork for success. One example is Siemens, which aims to develop the world’s largest and broadest range of industrial AI applications and double its enterprise value.²

The German Economic Research Institute (IW) forecasts that the potential for increasing gross value added through the use of AI in Germany by 2034 stands at 440 billion euros. Of this, 110 billion euros is attributable to potential innovations and 330 billion euros to increased productivity. For Germany as an industrial hub, the application of AI in particular presents an opportunity. Google, a subsidiary of the U.S. technology conglomerate Alphabet, has also recognized this. It plans to invest 5.5 billion euros in Germany and open a center for AI applications in Berlin, where its own researchers will also be based.³

This new situation has exciting implications for the design of AI ecosystems.

Designing AI ecosystems

The opportunity for established companies lies in knowledge-specific AI, where AI tools leverage and amplify the companies’ specialized expertise.⁴ This is most effectively achieved within AI ecosystems.

The term “AI ecosystem” refers to a dynamic network with strong connections between various actors who use AI technologies to create and disseminate innovations. AI ecosystems can be concentrated in a single region and have developed around a central hub, such as a university or a company. The world’s best-known and most influential AI ecosystem emerged in Silicon Valley in the San Francisco Bay Area. Stanford University near Palo Alto formed the core of Silicon Valley in the 1930s. In 1939, Bill Hewlett and David Packard founded the company HP there in a garage. Later, leading semiconductor companies – which gave the valley its name – and some of the major AI providers established themselves here.

Stanford University served as a model for Helmut Schöneberger, the head of the Munich-based startup incubator UnternehmerTUM. Crucial to its success were the collaboration with the Technical University of Munich and the support of BMW shareholder Susanne Klatten. In addition, other startup incubators have emerged in Munich, such as the Center for Digital Technology and Management (CDTM), which offers the transdisciplinary master’s program in Technology Management, works closely with industry partners, and has spawned over 250 startups.

By 2025, startups in Munich had received 3.3 billion euros in venture capital, thereby pushing Berlin into second place in this category, where startups raised 2.7 billion euros. However, AI ecosystems with successful startups have also emerged in other German regions.

Key players in AI ecosystems include:

Decision-makers in relevant policy areas and at various levels of state and regional government
Universities and schools
AI startups that originated as spin-offs or have established themselves in a region
Venture capitalists who use venture capital to finance the growth of AI startups
Major providers of AI hardware and software that shape financial markets with their financial clout and have a significant impact on the environment and society, as well as
established companies and their employees, who use AI, collaborate with startups, and invest in them.

Pharmaceutical research provides an interesting example of new opportunities for collaboration between established companies and startups.

In the pharmaceutical industry, tech-bio companies, such as the French startup Owkin, are accelerating early-stage drug discovery with the help of AI. A first wave of drugs developed in this way is currently in clinical trials. One possible form of collaboration is for AI biotechs to take on early-stage drug discovery and for established pharmaceutical companies to handle the later phases and commercialization. Another option is for pharmaceutical companies to acquire AI startups and build up their own relevant capabilities. In any case, this research-intensive industry is facing a fundamental change, in which the design of AI ecosystems is a key success factor.⁵ This example illustrates that as industries evolve, management research changes as well.

However, artificial intelligence is not only a driver of productivity and innovation but also poses a potential threat. In light of geopolitical shifts, it is crucial for Europe to regain its ability to shape the future. A trustworthy AI can be an important means to this end. The recent dispute between the U.S. government and the U.S. startup Anthropic illustrates just how political the design of AI ecosystems has become.⁶ This, too, is leading to significant changes in management research.

An important aspect that is often overlooked in AI ecosystems is the environmental and social impact of AI technologies. For instance, large language models require the work of crawlers that collect data and annotators who comment on, evaluate, and label texts and images. This work often takes place out of the public eye, frequently in countries of the “Global South.” Transparency in these supply chains is low.⁷

Management research in real-world laboratories of change

Empirical approaches, predominantly originating from universities, have long dominated business research. The authors publish the results of their work in academic journals, which practitioners rarely read. Critics of this retreat into an “academic ivory tower” argue that the practical relevance of research has diminished. This criticism is not new, but it has grown stronger.⁸

Universities defend their position by arguing that the practical relevance of empirical research is based on “field trips” in which the perspectives of relevant actors are analyzed. However, the goal of such work is generally not to design concrete objects – such as new AI-based business models –within their specific context.⁹

In this respect, business research differs from the design-oriented approach of engineering sciences, which takes place predominantly in laboratories and pilot plants.

Due to the growing importance of inter- or transdisciplinary research, the proportion of connective design is also increasing in management science. This practice- and design-oriented research is increasingly taking place in real-world laboratories of change.¹⁰ A key driver of this development is artificial intelligence, which acts as a catalyst for the founding of startups and the realignment of established companies. We believe that, following a phase of retreat into universities, management research should once again take place more strongly in practice and utilize design-oriented approaches.

This response to the questions of how and where research approaches should be conducted marks the beginning of a new chapter in the history of management research. A key feature of this reorientation toward connective design is research in which scientists, consultants, and practitioners bring their diverse perspectives and strengths together. The benefit lies in better solutions to complex problems based on new scientific insights.¹¹

The development of humanoid robots provides an example. In this rapidly growing market, companies have the best chances when they combine software and hardware expertise. Data from the real world is the biggest bottleneck here. The Metzingen-based manufacturer Neura Robotics has therefore decided to build training facilities for robots. One of the first of these “gyms” is being developed in collaboration with the Technical University of Munich at the Munich Institute of Robotics and Machine Intelligence (MIRMI) at Munich Airport. In international competition with companies from the U.S. and China, rapid scaling is crucial for this AI application.¹²

Since design-oriented management research is less widespread, I would like to briefly outline its history. Personally, over the past few decades, I have repeatedly observed how different the thought and language patterns of the relevant actors are in theory and practice.

Principles and pioneers of creative management research

Design-oriented management research is based on similar principles and has been shaped by several pioneers.¹³ These principles are:

Action research, pioneered by social psychologist Kurt Lewin. Lewin advocated for a connection between theory and practice to solve real-world problems.
General design theory, as defined by Nobel Prize-winning economist Herbert Simon.¹⁴ Simon defines this as the science of designing human-made artifacts and systems.
Action Science, conceived by Harvard professor Chris Argyris.¹⁵ Argyris’s primary goal is to make knowledge usable in order to improve actions within organizations.
The Design Science Research (DSR) approach developed by Alan Hevner at the University of South Florida.¹⁶ This concept, which is particularly widespread in business informatics, focuses on solving complex, real-world problems through innovative IT systems.
Action Design Research (ADR), described by various scholars, which combines Action Research and Design Science Research.

Pioneers of design-oriented management research include Joan Ernst van Aken and Georges Romme, who teach at Eindhoven University, as well as David Denyer from Cranfield University in the UK. Van Aken aims to bridge the gap between management theory and practice. The focus is on transdisciplinary research to solve practical management problems. Building on design theory, Romme tests iterative processes in organizational design.¹⁷ Denyer views management knowledge as a malleable resource for solving real-world problems. His solution-oriented approach seeks to ensure practical application through mechanisms of action and evidence-based verification using various information sources.

The advantages of a design-oriented approach are particularly evident in innovation and sustainability research.

Advantages in innovation and sustainability research

When applying AI, the advantages of a design-oriented approach to innovation and sustainability research unfold most notably in companies that practice this approach in self-similar Strategy 5.0 labs. The goal of such a real-world lab is to connect the various fields of action for AI applications.¹⁸ It is helpful if the countercurrent principle – combining a top-down AI strategy with a bottom-up, harmoniously diverse range of AI applications – is effectively implemented.

Based on our experience from a series of projects, the following benefits are of particular importance:

The removal of barriers to innovation
high-performing and trustworthy innovation ecosystems
motivated high-performance teams
connective design as a core competency
improved technology transfer
accelerated learning loops using agile methods, as well as
concrete results and measurable success for all stakeholders.

These advantages enable a realignment of innovation systems.

The shortcomings in Germany’s energy and mobility transition are an example of how important it is to remove barriers to innovation.¹⁹ The aim here is to translate new insights from innovation research into practical action.

The goal is to design high-performing and trustworthy innovation ecosystems.²⁰ A hallmark of these systems is improved collaboration among stakeholders from the political, scientific, economic, and social sectors.

Motivated high-performance teams play a key role in shaping innovation research.²¹ Leaders have the task of exemplifying and fostering an entrepreneurial mindset. This begins with education and continues throughout one’s professional career.

A core competency to be developed in this context is connective design.²² This requires a reorientation of teaching and research using AI as a tool. Such human-centric AI permeates all disciplines.

A positive side effect is improved technology transfer.²³ The goal here is to overcome the German paradox between strengths in basic research and weaknesses in commercialization.

One way to achieve this is through accelerated learning loops within organizations.²⁴ Agile methods are used for this purpose. It is important to adapt a general approach to specific types of problems and the situation at hand.

In doing so, all stakeholders should focus on concrete results and measurable successes.²⁵ In joint programs, this is achieved through transparent performance management.

In the following, I would like to explain a suitable approach.

Steps of a general procedural concept

An example of design-oriented innovation and sustainability research is the AI-based strategic and organizational realignment of a company.²⁶ For topics such as this, a general procedural concept consisting of the six steps shown in the figure has proven effective.

The first step is an analysis of the state of research, best-practice examples, and the specific initial situation. The task here is to combine an internal and an external perspective in an audit.

It is then crucial to develop a comprehensive understanding of the problem’s complexity, to identify its causes, and to coordinate efforts among the relevant stakeholders. Collaboration between various disciplines and practitioners is more successful than disciplinary research approaches.

Transdisciplinary teams also play a key role in the subsequent design and selection of creative solutions. What may be uncharted territory for a single organization can, when taken as a whole, contribute significantly to scientific progress.

A defining characteristic of design-oriented innovation research is the implementation of pilot projects for Minimum Viable Solutions (MVS). These pilots are tested in real-world laboratories of change. For established companies, working in learning loops often requires a shift in mindset. Human resources development can support this effort.

The fifth step is planning and executing the implementation. This is closely linked to financing the scaling process. German startups have long complained of disadvantages, for example, compared to the U.S. Therefore, an improvement in the political framework conditions should be sought, particularly in this step.

In parallel, transparent performance measurement takes place, for example, using the Objectives and Key Results (OKR) method. In this context, “transparent” means that performance management does not occur in sectoral silos. For a policy that sets goals but neglects to measure success, this involves a learning process aimed at joint system design by innovation managers.

Innovation managers design complex, evolutionary systems

As early as in our 2014 book publication “The Innovation Manager,” we concluded that a central task of innovation managers lies in the design of innovation systems and the connection of various fields of action.²⁷ Subsequently, we engaged intensively with the behavioral economic perspective of such connective design.²⁸

The scientific foundation for connective design is the theory of complex, evolutionary systems. The application of this approach to socio-technical systems has triggered a paradigm shift in strategic management.²⁹ U.S. digital companies have mastered this new management paradigm better than the European economy.³⁰

Another insight is that innovation research is a transdisciplinary design task.

Interdisciplinary or transdisciplinary?

We deliberately use the term transdisciplinary to make it clear that, unlike the term interdisciplinary, it is not merely about mediating between scientific disciplines, but also about involving non-scientific actors and establishing a connection between theory and practical design.³¹ The particular complexity of transdisciplinary innovation research stems from

the heterogeneity of the disciplines, which ranges from natural science and technical research through various policy fields to management science and organizational psychology
the diverse interests and thought patterns, e.g., of scientists and practitioners
the dynamics of development and the number of levels, from geopolitics down to the individual, as well as
the different roles of the actors, e.g., as neutral observers or personally affected individuals.

Unfortunately, transdisciplinary innovation research has so far lacked recognition in universities. The reasons for this are manifold. One important reason is likely that the traditional academic and publication system tends to reward disciplinary excellence. This presents an opportunity for applied research.

Transdisciplinary research on sustainability innovations

Our book, published in 1994, on the “ecological reorientation” of automotive companies emerged from consulting projects and accompanying research at the University of Stuttgart.³² This research was transdisciplinary, but had only a limited impact because German companies and policymakers at the time did not implement our recommendations – for example, regarding new propulsion systems.

Thirty years later, this industry – so vital to the German economy – is grappling with serious problems. VW, the world’s second-largest automaker by vehicle sales, is undergoing a process of strategic and organizational realignment.³³ At the same time, the geopolitical landscape is marked by extreme uncertainty.

This example illustrates that, when it comes to sustainability innovation, transdisciplinary and design-oriented research is of crucial importance for securing our country’s prosperity. ³⁴ In recent years, the field has evolved dynamically. The intersection of environmental technology and artificial intelligence has moved to the center of attention. New market leaders can emerge from collaborations between established companies and digital greentech startups if European policymakers succeed in improving the framework conditions.³⁵

One example is the German-Luxembourgish startup R3 Robotics, which has developed an AI-powered robotics platform for battery recycling. In this way, Europe can reduce its dependence on imports and increase the sustainability of batteries.³⁶

In my personal experience, students remain very interested in such topics because they recognize the resulting career opportunities. This provides important impetus for our expert network.

Combining management consulting and human resources development with design-oriented innovation and sustainability research

Our expert network Competivation has long combined management consulting and human resources development. The advantage for clients is a better value for money than with traditional consultants, as the focus is on the qualifications of the employees who are actively involved in the projects.

For several years now, we have been supplementing this service with design-oriented innovation and sustainability research. In doing so, we supervise the theses of dual-track students and external doctoral candidates who are working on relevant projects within the client organization. The advantage here is that the research is tailored to the specific situation of the company. The researchers and their companies benefit from the extensive experience of our experts.

With this approach, Competivation has created a unique international selling point geared toward the needs of the AI era.

Design-oriented research also has far-reaching implications for university teaching. We see ourselves as an innovative educational provider that teaches the ability to a of AI-supported connective design of solutions for complex management problems.³⁷

Conclusion

When applying AI, many companies face the challenge of defending their position and gaining competitive advantages through a specific approach
In this context, the design of AI ecosystems is crucial
Parallel to this development, research approaches and locations are shifting toward design-oriented innovation research in real-world laboratories of change
In this context, design-oriented management and innovation research is experiencing a renaissance stemming from a number of advantages
In this transdisciplinary research approach, a six-step procedure has proven effective, which is adapted to the respective problem type and situation.

Gestaltende Innovationsforschung zu KI-Anwendungen

Neueste Beiträge

CONNECTIVE MANAGEMENT