Im Rahmen der Arbeit soll eine qualitativ-orientierte Nutzenanalyse der KI-Technologie Pflegeroboter anhand der spezifischen Stakeholder-Gruppe Pflegepatient zum Status Quo erarbeitet werden. Das Ziel der Arbeit adressiert somit primär die Forschungsfrage: Welchen Nutzen können Pflegepatienten aus dem Einsatz von intelligenten Pflegerobotern ziehen?
Hierfür sollen zunächst die Kundenanforderungen der Patienten im Kontext der Inanspruchnahme von Pflegeleistungen erarbeitet werden und den funktionalen und nichtfunktionalen Eigenschaften von smarten Pflegerobotern gegenübergestellt werden, wodurch folgende Sub-Fragen zu beantworten sind: Welche Anforderungen stellen Pflegepatienten an die Pflege per se? Welche funktionalen und nicht-funktionalen Eigenschaften besitzen intelligente Pflegeroboter?
Auf der Grundlage der Nutzenbewertung, welche durch den oben dargestellten Vergleich generiert wird, soll ein potenzieller Lösungsraum für innovative Geschäftsmodelle skizziert werden. Künstliche Intelligenz hat sich in den vergangenen Jahren zunehmend als Trendthema in Forschung und Praxis etabliert. Die Einsatzmöglichkeiten der korrespondierenden Technologien scheinen in beinahe jedem Lebensbereich angekommen zu sein. Gartner geht in seiner 2018 vorgestellten Studie zu aufkommenden Technologien sogar von einem Trend zur Democratized AI aus, welcher eine umfangreiche Verfügbarkeit von KI-Anwendungen für die breite Masse impliziert.
Die von der deutschen Bundesregierung beschlossene, bis 2025 drei Milliarden Euro umfassende Strategie für die Transformation hin zu einem führenden KI-Standort, untermauert ebenfalls die Relevanz der angesprochenen Thematik. Äquivalente zur Förderung von KI wurden in den Jahren 2017 und 2018 zudem in mehr als 25 Staaten beschlossen oder angekündigt. Der stetige Aufstieg von diversen Technologien bekräftigt zwar den Status der KI als Trendthema, unterstellt diesen bei zugrundeliegenden überhöhten Erwartungen jedoch simultan ein (noch) fehlendes Level an produktiver Nutzbarkeit.
Folglich ist, trotz der ubiquitären Präsenz von entsprechenden Anwendungen, der scheinbar induzierte Nutzen für die entsprechenden Anspruchsgruppen zum Status Quo noch nicht endgültig verifiziert. Eine Branche, welche in den kommenden Jahren starke Investitionen in intelligente Anwendungen vornehmen möchte, ist die Gesundheits- und Pflegebranche. Hierdurch soll der Umsatz durch KI bis zum Jahr 2025 auf über 36 Milliarden US-Dollar steigen.
Inhaltsverzeichnis
Inhaltsverzeichnis
Abkürzungsverzeichnis
Abbildungsverzeichnis
1. Einführung
1.1 Problemstellung und Relevanz
1.2 Zielsetzung
1.3 Aufbau der Arbeit
2. Theoretische Grundlagen
2.1 Künstliche Intelligenz
2.1.1 Definition und Abgrenzung
2.1.2 Künstliche Intelligenz in der Gesundheitsbranche
2.2 Value Proposition und QFD
3. Nutzenanalyse von intelligenten Pflegerobotern
3.1 Forschungsmethodik
3.2 Anforderungen von Pflegepatienten an die Pflegeleistung
3.3 Eigenschaften von intelligenten Pflegerobotern
3.4 Vergleich von Kundenanforderungen und Produkteigenschaften
3.5 Diskussion der Ergebnisse
4. Lösungsraum für innovative Geschäftsmodelle
5. Fazit
Anhang (1)
Literaturverzeichnis
Abkürzungsverzeichnis
PaaS Platform as a Service
QFD Quality Function Deployment
Abbildungsverzeichnis
Abb. 1: Pepper
Abb. 2: Care-O-Bot
Abb. 3: Einschätzung Pflegeleistung durch Roboter nach Alter
1. Einführung
1.1 Problemstellung und Relevanz
Künstliche Intelligenz hat sich in den vergangenen Jahren zunehmend als Trendthema in Forschung und Praxis etabliert. Die Einsatzmöglichkeiten der korrespondierenden Technologien scheinen in beinahe jedem Lebensbereich angekommen zu sein. Gartner geht in seiner 2018 vorgestellten Studie zu aufkommenden Technologien sogar von einem Trend zur „Democratized AI“1 aus, welcher eine umfangreiche Verfügbarkeit von KI-Anwendungen für die breite Masse impliziert. Die von der deutschen Bundesregierung beschlossene, bis 2025 drei Milliarden Euro umfassende Strategie für die Transformation hin zu einem führenden KI-Standort, untermauert ebenfalls die Relevanz der angesprochenen Thematik.2 Äquivalente zur Förderung von KI wurden in den Jahren 2017 und 2018 zudem in mehr als 25 Staaten beschlossen oder ange- kündigt.3
Der stetige Aufstieg von diversen Technologien, wie KI-PaaS oder Smarten Robotern, in Richtung des sogenannten „Peak of Inflated Expectations“ bekräftigt zwar den Status der KI als Trendthema, unterstellt diesen bei zugrundeliegenden überhöhten Erwartungen jedoch simultan ein (noch) fehlendes Level an produktiver Nutzbarkeit.4 Folglich ist, trotz der ubiquitären Präsenz von entsprechenden Anwendungen, der scheinbar induzierte Nutzen für die entsprechenden Anspruchsgruppen zum Status Quo noch nicht endgültig verifiziert.
Eine Branche, welche in den kommenden Jahren starke Investitionen in intelligente Anwendungen vornehmen möchte, ist die Gesundheits- und Pflegebranche.5 Hierdurch soll der Umsatz durch KI bis zum Jahr 2025 auf über 36 Milliarden US-Dollar steigen.6 Ein exemplarischer Einflussfaktor stellt der demographische Wandel und die Überalterung der Gesellschaft dar, wodurch eine steigende Notwendigkeit von Pflege- und Gesundheitsdienstleistungen zu erwarten ist.
Ein prominenter Vertreter dieser Technologien in der Gesundheitsbranche stellt der Pflegeroboter dar. Obwohl die Digitalisierung bereits eine tragende Rolle in der Gesellschaft übernommen hat, ist im Hinblick auf pflegende, intelligente Roboter noch keine flächendeckende Akzeptanz zu beobachten. So gefällt einer Umfrage aus dem Jahr 2017 zufolge ausschließlich 21% der Befragten ein vernetzter Pflegeroboter.7 Darüber hinaus beträgt die Bereitschaft, sich bei der Notwendigkeit einer häuslichen Hilfe von einem Roboter versorgen zu lassen, nur 40%.8 Somit stellt sich die Frage, ob der Nutzen der Pflegeroboter bereits ausreicht, um die spezifischen Anforderungen der Pflegepatienten zu befriedigen und perspektivisch die Akzeptanz dieser Technologie zu erhöhen.
1.2 Zielsetzung
Im Rahmen der vorliegenden Arbeit soll eine qualitativ-orientierte Nutzenanalyse der KI-Technologie Pflegeroboter anhand der spezifischen Stakeholder-Gruppe Pflegepatient zum Status Quo erarbeitet werden. Das Ziel der Arbeit adressiert somit primär die Forschungsfrage: Welchen Nutzen können Pflegepatienten aus dem Einsatz von intelligenten Pflegerobotern ziehen?
Hierfür sollen zunächst die Kundenanforderungen der Patienten im Kontext der Inanspruchnahme von Pflegeleistungen erarbeitet werden und den funktionalen und nichtfunktionalen Eigenschaften von smarten Pflegerobotern gegenübergestellt werden, wodurch folgende Sub-Fragen zu beantworten sind: Welche Anforderungen stellen Pflegepatienten an die Pflege per se? Welche funktionalen und nicht-funktionalen Eigenschaften besitzen intelligente Pflegeroboter? Auf der Grundlage der Nutzenbewertung, welche durch den oben dargestellten Vergleich generiert wird, soll ein potenzieller Lösungsraum für innovative Geschäftsmodelle skizziert werden.
1.3 Aufbau der Arbeit
Zu Beginn der Arbeit wird die Problemstellung und Zielsetzung der Arbeit aufgezeigt. Im zweiten Kapitel wird anschließend eine theoretische Grundlage in den Bereichen der KI, insbesondere im Gesundheitswesen, und der Value Proposition gebildet. Den Hauptteil der Arbeit bildet Kapitel 3 in Form einer Nutzenanalyse. Diese untergliedert sich in die Erarbeitung der Anforderungen von Pflegepatienten und den Eigenschaften der intelligenten Pflegerobotern. Anschließend werden diese primär argumentativ verglichen und die erzielten Ergebnisse diskutiert. Darauf aufbauend wird ein Lösungsraum für innovative Geschäftsmodelle skizziert. Den Abschluss dieser Arbeit bildet das Fazit, in welchem wesentliche Inhalte zusammengefasst, offener Forschungsbedarf aufgezeigt und die Beantwortung der Forschungsfrage adressiert werden.
2. Theoretische Grundlagen
2.1 Künstliche Intelligenz
2.1.1 Definition und Abgrenzung
Bevor der eigentliche Begriff der künstlichen Intelligenz auf einer Konferenz am Dartmouth College im Jahr 1956 um John McCarthy konstituiert wurde, hat Alan Turing bereits sechs Jahre zuvor mithilfe des eigens entwickelten Turing-Tests versucht, eine Definition von Intelligenz zu erarbeiten. Ein Computer absolvierte den Test erfolgreich, insofern die auf schriftliche Fragen returnierten Antworten von dem Computer und einem Menschen nicht eindeutig den jeweiligen Akteuren zugeordnet werden konnten.9 Heutzutage gibt es eine Vielzahl von Definitionen der KI, was an der Größe des Forschungsgebiets und der schwierigen Einordnung des Begriffs Intelligenz liegt.
Wichtig für das Verständnis von KI ist die Unterscheidung in starke und schwache KI. Starke KI bezeichnet die Nachahmung des menschlichen Verhaltens, insbesondere des Bewusstseins. Als umfassender und technisch umsetzbar gilt die schwache KI, welche Algorithmen für die Lösung konkreter Anwendungsprobleme abbildet.10 Häufig wird unter KI deshalb „der Zweig der Informatik [verstanden], welcher sich mit der Automation intelligenten Verhaltens befasst“11. Chowdhary bezeichnet Intelligenz als Summe der Teile Wahrnehmung, Analyse und Reaktion und führt weiter aus, dass für eine Eingrenzung der Intelligenz diverse Fragen beantwortet werden müssen. Diese adressieren unter anderem die Quellen der Intelligenz, ob diese vererbt oder erlernt werden muss sowie die Notwendigkeit des Zusammenspiels verschiedener Komponenten zur Erzeugung von Intelligenz.12 Der Grad der Intelligenz lässt sich zudem anhand der Kriterien „Grad der Selbstständigkeit“, „Komplexität des zu lösenden Problems“ und „Effizienz des Problemlösungsverfahrens“ distinguieren.13
Im Rahmen der eingeführten Definition konsolidieren sich unter KI verschiedene, inhärente Technologien, welche Kreutzer und Sirrenberg unter den Leistungsbereichen Neuronale Netze, Maschinelles Lernen und Deep Learning subsumieren.14 Diese bilden und unterstützen die derzeitige KI-Generation der Lernenden Systeme. Betrachtet man im nächsten Schritt zukünftige, visionäre KI-Generationen, so soll zusätzlich „abstraktes Wissen, Erklärbarkeit [und der] Transfer von Erlerntem“15 miteinbezogen werden.
2.1.2 Künstliche Intelligenz in der Gesundheitsbranche
Ein großer Wachstumstreiber und Investor für die Entwicklung von Anwendungen der künstlichen Intelligenz ist die Gesundheitsbranche.16 Zukünftige Entwicklungen in diesem Themenkomplex haben das Potenzial, die Art und Weise sowie Qualität der Prävention, Diagnose und Verbesserung von Gesundheitszuständen fundamental zu verändern. Zudem soll durch den Einsatz von KI die Informationsgenerierung und die Interaktion mit Patienten und Angehörigen revolutioniert werden.17 Eine mögliche Begründung für das stark ausgeprägte Anwendungsfeld ist nicht nur der Nutzen der potenziellen Verbesserung von Gesundheitszuständen, sondern auch das geeignete Milieu für die Entwicklung der Technologien. Stark steigende Datenmengen, generiert bspw. durch Wearables, sowie die Komplexität und Variabilität an verschiedenen Phänomenen macht den Gesundheitssektor zu einem unbegrenzten Anwendungsfeld für Anwendungen der KI.18
Kreutzer und Sirrenberg ordnen diese Anwendungen vier unterschiedlichen Einsatzfeldern, nämlich den Diagnostikunterstützenden, Diagnostikersetzenden, Therapieunterstützenden und Therapieersetzenden Anwendungen“, zu.
Ein Anwendungsbeispiel im Bereich der Diagnostikunterstützung ist bspw. „Watson for Oncology“, welches Ärzte bei der Krebserkennung unterstützen soll. Die Transformationen hin zum Diagnostikersatz wird jedoch noch Zeit benötigen, da die Zusammen- arbeit von Mensch und Maschine bis dato signifikant höhere Erfolgsquoten aufweisen kann.19 Betrachtet man therapieorientierte Anwendungen, fällt der Blick rasch auf den Bereich der Pflege. Neben den, wie in Abb. 2 dargestellten, rein motorisch unterstützenden Pflege-Robotern, demgemäß programmierbaren Automaten zur Ausführung mechanischer Abläufe, gibt es auch zahlreiche Forschungsprojekte hinsichtlich intelligenter Roboter. Basierend auf lernenden und smarten Systemen beinhalten diese komplementäre Funktionen, wie die Analyse von menschlicher Mimik und Gestik. Ein prominentes Forschungsbeispiel namens „Pepper“ ist in Abb. 1 dargestellt.20
Abbildung in dieser Leseprobe nicht enthalten
2.2 Value Proposition und QFD
Anspruchsvolle Anwendungen der KI sind in der Praxis kein Selbstzweck, sie sollten ausgehend von konkreten Problemstellungen erarbeitet und optimal auf den spezifischen Anwendungskontext respektive Kunden ausgerichtet sein.21 Ein Baustein eines Geschäftsmodell, welches diese Thematik adressiert, ist die sogenannte Value Proposition. Diese bezeichnet „das Versprechen des Unternehmens, welchen Nutzen das Unternehmen seinen Kunden anbietet“22 und wird primär durch das Produkt, jedoch sekundär auch durch die anderen Elemente des Geschäftsmodells generiert. Ein potenzieller Kunde entscheidet sich folglich für den Kauf eines Produkts, wenn das entsprechende Nutzenversprechen seine spezifischen Bedürfnisse und Anforderungen in angemessenem Umfang befriedigen kann.23
Kennt man die spezifischen Nutzeranforderungen, sollte folglich überprüft werden, wie das Produkt oder die Dienstleistung diese abbilden kann. Eine hierfür geeignete Methodik stellt das 1966 entwickelte Quality Function Deployment (QFD) bereit.24
ISO 16355 definiert QFD als „method to assure customer or stakeholder satisfaction and value with new and existing products by designing in, from different levels and different perspectives, the requirements that are most important to the customer or stakeholder”25. QFD unterscheidet zwischen den Kundenanforderungen, korrespondierend mit dem Kundennutzen, und den Produktanforderungen, welche in funktionale (Produktfunktionen) und nicht-funktionale (Qualitätselemente) Anforderungen untergliedert werden. Herzwurm u.a. definiert Produktfunktionen als „functional, often not easily measurable characteristic of the product, independent of implementation, generating a perceivable output”26, wohingegen Qualitätselemente messbare Fähigkeiten eines Produkts darstellen, welche in Verbindung zu Produktfunktionen stehen. Das wohl bekannteste Instrument von QFD ist das House of Quality, welches die Elemente der erwähnten Bereiche gegenüberstellt und u.a. offenlegt, welche Kundenanforderungen von welchen Produkteigenschaften abgedeckt werden.27
[...]
1 Panetta (2018), URL siehe Literaturverzeichnis
2 Vgl. Bundesregierung Deutschland (2018), S. 6
3 Vgl. Reimer und Wegener (2018), S. 599
4 Vgl. Vaske (2019), URL siehe Literaturverzeichnis
5 Vgl. Lernende Systeme (2019), S.6
6 Handelsblatt u.a., zitiert nach de.statista.com (2019)
7 Gadeib, zitiert nach de.statista.com (2017)
8 Kantar, zitiert nach de.statista.com(2019a)
9 Vgl. Russel und Norvig (2012), S. 23ff.
10 Vgl. Buxmann und Schmidt (2019), S.6
11 Chowdhary (2020), S.1
12 Vgl. Chowdhary (2020), S.1f.
13 Mainzer (2019), S. 2
14 Vgl. Kreutzer und Sirrenberg (2019), S.4
15 Hecker u.a. (2017) S. 6
16 Vgl. Buxmann und Schmidt (2019), S. 81
17 Vgl. Garbuio und Lin (2019), S. 59f.
18 Vgl. Villani und Rondepierri (2020), S. 1
19 Vgl. Kreutzer und Sirrenberg (2019), S. 186
20 Vgl. Lernende Systeme (2019), S.13
21 Vgl. Scheer (2020), S.68f.
22 Stähler (2014), S. 118
23 Vgl. Stähler (2014), S.118f. und Hänecke und Laukamp (2006), S. 146
24 Vgl. Petrovic und Kittl (2003), S. 3
25 ISO 16355-1 (2015), S. 7
26 Herzwurm u.a. (2016), S. 4
27 Vgl. QFD Institut e.V. (2019), S. 15ff. und Petrovic und Kittl (2003), S. 3