Information Systems in the Age of AI (Theme-Track)

Beschreibung

In der Wirtschaftsinformatik haben KI-gestützte Systeme eine transformative Rolle übernommen, die dabei helfen, Geschäftsprozesse zu automatisieren, Entscheidungen zu optimieren und innovative Geschäftsmodelle zu entwickeln (Berente et al. 2021). KI ist dabei ein mächtiges Werkzeug, welches heutzutage nicht mehr nur in abgesteckten Szenarien agieren kann, sondern durch die Entwicklung von generativer KI auch kreative und offene Anwendungsmöglichkeiten in Informationssystemen ermöglicht (Feuerriegel et al. 2023). Neben diesen technologischen Fortschritten bringt die Integration von KI in Informationssysteme nicht nur technische Herausforderungen mit sich, sondern fordert auch die Gestaltung von Systemen, die neben Effizienz Fairness und Transparenz berücksichtigen (Schoeffer et al. 2022, von Zahn et al. 2022). Mit Blick auf die zunehmende gesellschaftliche Bedeutung datengetriebener, KI-basierter Systeme stellen sich zudem vermehrt Fragen nach neuen Governance-Ansätzen sowie einem adäquaten Regulierungsrahmen (Fast et al. 2023). Die Frage, wie KI gestaltet und implementiert werden kann, so dass sie mit den Werten und ethischen Prinzipien unserer Gesellschaft in Einklang steht, ist aus Perspektive der Wirtschaftsinformatik zentral, um den verantwortungsvollen Einsatz von KI-Systemen im Interesse des Allgemeinwohls und eine breite gesellschaftliche Akzeptanz zu gewährleisten.

Ein wesentlicher Aspekt bei der Integration von KI-gestützten Systemen ist die Mensch-Computer-Interaktion, um Benutzerfreundlichkeit und intuitive Bedienbarkeit zu gewährleisten (Jain et al. 2021). Dabei ist es entscheidend, dass wir Schnittstellen entwickeln, die nicht nur technisch fortschrittlich, sondern auch nachvollziehbar und menschenzentriert sind, um eine nahtlose und effektive Interaktion zwischen Benutzern und KI-Systemen zu ermöglichen (Bauer et al. 2021). Dabei ist insbesondere die Untersuchung des kalibrierten Vertrauens von Menschen in KI-Systeme ein Kernelement (Schemmer et al. 2023). Darüber hinaus sind Datensicherheit und der Datenschutz in KI-Systemen von entscheidender Bedeutung (Dehling & Sunyaev 2023). In unserer heutigen Welt, in der KI-Systeme immer mehr Einzug in die Gesellschaft erhalten, ist es unerlässlich, dass Informationssysteme nicht nur leistungsfähig, sondern auch sicher und vertrauenswürdig sind.

Im Rahmen unseres Konferenztracks laden wir Forscher:innen ein, sich mit der facettenreichen Integration von KI in Informationssystemen auseinanderzusetzen, um ein vertieftes und ganzheitliches Verständnis der vielfältigen Herausforderungen und Potenziale zu entwickeln. Wir sind dabei offen für vielfältige theoretische Ansätze, Methoden oder Paradigmen und ermutigen Beiträge aus allen Bereichen, die sich mit der Anwendung von KI in verschiedensten Sektoren wie beispielsweise Gesundheitswesen, Finanzwesen, Marketing oder Produktion beschäftigen. Unser Ziel ist es, eine Plattform für innovative, methodisch rigorose und relevante Forschungsarbeiten zu bieten, die nicht nur die technischen Aspekte, sondern auch die menschlichen Facetten und gesellschaftlichen Rahmenbedingungen der KI beleuchten. Wir ermutigen Beiträge, die traditionelle Wirtschaftsinformatik-Paradigmen überschreiten und interdisziplinäre Perspektiven integrieren, um die dynamische und komplexe Natur der KI in Informationssystemen umfassend zu erforschen und zu verstehen.

Themen

Mögliche Themen sind unter anderem:

  • Fair AI Policies: Untersuchungen zu ethischen Richtlinien und fairem Einsatz von KI.
  • Appropriate Reliance in AI: Analysen zu Ursprung und Design vom kalibrierten Umgang mit KI-Systemen
  • AI-based Information Systems: Einsatz von KI in Informationssystemen
  • Data Access & Data-driven Business Models: Innovationen und Herausforderungen in datengetriebenen Geschäftsmodellen.
  • AI & Security: Auswirkungen von KI auf die Informationssicherheit.
  • AI for Process Automation: Automatisierung von Geschäfts- und Produktionsprozessen durch KI.
  • Human-AI Interaction: Untersuchung der Interaktion zwischen Mensch und KI, inklusive Human-in-the-loop-Ansätzen.
  • AI & Trust: Aufbau und Erhalt von Vertrauen in KI-Systeme.
  • Explainable AI & User Behavior: Forschung zu Transparenz und Nachvollziehbarkeit und die Erkundung der Wechselwirkungen zwischen erklärbarer KI und Nutzerverhalten.

Wir begrüßen ausdrücklich interdisziplinäre Arbeiten und innovative Ansätze, die über traditionelle Paradigmen hinausgehen. Unser Ziel ist es, ein umfassendes Bild von den Möglichkeiten und Herausforderungen zu zeichnen, die sich aus dem Einsatz von KI in der Wirtschaftsinformatik ergeben.

Track Chairs

  • Maria Leitner (Universität Regensburg)
  • Niklas Kühl (Universität Bayreuth)
  • Mathias Kraus (FAU Erlangen-Nürnberg)
  • Daniel Schnurr (Universität Regensburg)

Associate Editors

  • Alexander Schiller (Universität Regensburg)
  • Julia Lanzl (Universität Hohenheim)
  • Jakob Schoeffer (University of Texas at Austin)
  • Johannes Jakubik (IBM Research Zürich)
  • Daniel Heinz (Karlsruhe Institute of Technology)
  • Moritz von Zahn (Universität Frankfurt am Main)
  • Marc-Fabian Körner (Universität Bayreuth)
  • Konstantin Hopf (Universität Bamberg)
  • Alona Zharova (Humboldt-Universität zu Berlin)
  • Bernhard Lutz (Universität Freiburg)
  • Victor Medina (Universität Dortmund)
  • Christopher Bockel-Rickermann (Karlsruhe Institute of Technology)
  • Mathias Klier (Universität Ulm)
  • Ekaterina Jussupow (TU Darmstadt)
  • Kevin Bauer (Universität Mannheim)
  • Patrick Zschech (Universität Leipzig)

References

Bauer, K., O. Hinz, W. van der Aalst, and C. Weinhardt (2021). Expl(AI)n it to me – explainable AI and information systems research. Business & Information Systems Engineering, 63, 79–82.

Berente, N., Gu, B., Recker, J., Santhanam, R. (2021). Managing Artificial Intelligence. MIS Quarterly, 45(3), 1433-1450.

Dehling, T., Sunyaev, A. (2023). A Design Theory for Transparency of Information Privacy Practices. Information Systems Research

Fast, V., Schnurr, D., Wohlfarth, M. (2023). Regulation of data-driven market power in the digital economy: Business value creation and competitive advantages from big data. Journal of Information Technology, 38(2), 202–229

Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P. (2023). Generative AI. Business & Information Systems Engineering.

Jain, H., Padmanabhan, B., Pavlou, P. A., Raghu, T. S. (2021). Editorial for the Special Section on Humans, Algorithms, and Augmented Intelligence: The Future of Work, Organizations, and Society. Information Systems Research

Schemmer, M., Kuehl, N., Benz, C., Bartos, A., Satzger, G. (2023). Appropriate reliance on AI advice: Conceptualization and the effect of explanations. In Proceedings of the 28th ACM International Conference on Intelligent User Interfaces, 410–422.

Schoeffer, J., Kuehl, N., Machowski, Y. (2022). “There is not enough information”: On the effects of explanations on perceptions of informational fairness and trustworthiness in automated decision-making. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency, 1616–1628.

Saeid Vaghefi, Dominik Stammbach, Veruska Muccione, Jingwei Ni, Mathias Kraus, Julia Bingler, Simon Allen, Chiara Colesanti-Senni, Tobias Wekhof, Tobias Schimanski, Glen Gostlow, Nicolas Webersinke, Christian Huggel, Qian Wang, Tingyu Yu, and Markus Leippold

von Zahn, M., Feuerriegel, S., Kuehl N. (2022). The Cost of Fairness in AI: Evidence from E-Commerce. Business & Information Systems Engineering, 64, 335–348.