Veränderung eines Konzepts

...living document; 03.05.2026, 00:51 CET, Vienna

Theoretischer Rahmen: Wie kann ein (Gedanken-)Konzept verändert werden - Wissensmanagement, Kognition und Veränderungsmethoden in der Post-Implementierungsphase globaler ERP-Systeme

Forschungsbericht und Theoriekapitel-Entwurf zur Masterarbeit „Steuerung von Abläufen in multinationalen Unternehmen in der Post-Implementierungsphase von ERP-Systemen". Stand: Mai 2026. Diese vorliegende Arbeit wurde unter Zuhilfenahme generativer KI-Werkzeuge (Anthropic Claude, Opus 4.7, 02.05.2026) zur Strukturierung, Recherche und sprachlicher Überarbeitung des Theoriekapitels erstellt. Die endgültige inhaltliche Verantwortung, die Auswahl und Prüfung der Quellen sowie die wissenschaftliche Argumentation liegen ausschließlich beim Verfasser. Eine vollständige KI-Nutzungsdokumentation befindet sich im Anhang am Ende der Seite.

TL;DR

• Konzeptveränderung ist ein mehrschichtiger Prozess, der formal (durch Begriffsverbände im Sinne der Formal Concept Analysis), kognitiv (durch das Zusammenspiel von Kahnemans System 1 und System 2) und organisational (durch Wissenstransfer nach Nonaka/North und durch strukturierte Veränderungsmuster wie die IHI Change Concepts) erklärt werden kann; KI-Modelle dienen dabei als heuristisches Anschauungsmodell für die Trennung von „menschlich/rational denken" und „menschlich/rational handeln" (Russell & Norvig).

Formalen Begriffsanalyse (FBA), eine mathematische Methode zur Ordnung von Daten durch die Identifikation von Zusammenhängen zwischen Objekten und Attributen.

Basierend auf der Gittertheorie bildet die FBA eine hierarchische Struktur ab, in der formale Begriffe durch ihren Umfang und ihren Inhalt definiert werden. Ein zentrales Anwendungsgebiet ist das Ontology Engineering, bei dem aus unstrukturierten Texten mittels Natural Language Processing wertvolles Wissen extrahiert und in Wissensgraphen überführt wird. 

Die Formale Begriffsanalyse wird zudem beschrieben, wie durch Clustering-Algorithmen und grafische Liniendiagramme komplexe Abhängigkeiten innerhalb von Datenbeständen visualisiert und abgefragt werden können.

Insgesamt wird die FBA als interdisziplinäres Werkzeug für das Data Mining, die semantische Analyse und das Wissensmanagement in Bereichen wie der Pharmazie oder Informationstechnik dargestellt.

• In der ERP-Post-Implementierungsphase multinationaler Unternehmen entsteht der Zentral-Lokal-Konflikt primär als Misfit zwischen dem im Standardsystem inskribierten Konzept globaler „Best Practices" und den lokalen, oft tazit verankerten Begriffsstrukturen der Tochtergesellschaften; die Harmonisierung gelingt empirisch dann, wenn explizit-strukturelle Mittel (KDD, FCA-basierte Begriffsklärung, BI-Dashboards) mit tazit-sozialen Mitteln (Key-User-Programme, SECI-Sozialisierung, spannungsbewusste Governance) gekoppelt werden.

• Die Kernquellen (Goyette et al. 2022; Osnes et al. 2018; Singh et al. 2023; Siw 2022; Klaus/Rosemann/Gable 2000; Hulstijn 2023) bleiben tragfähig, müssen aber für 2026 ergänzt werden um (i) Forschung zu LLM-gestützten Reasoning-Modellen und ihrer Rolle im organisationalen Lernen, (ii) aktuelle Arbeiten zu spannungsbewusster ERP-Governance (Winter & Scholz 2025) und (iii) Studien zur Integration von Industrie-4.0-Technologien in ERPs (Rîndașu et al. 2026); Klaus et al. (2000) sollte als historische Definitionsquelle, nicht als aktueller Stand zitiert werden.

Key Findings

1. Strukturelle Brücke FCA → KDD → KM: Die Formal Concept Analysis (FCA) liefert eine mathematisch saubere Ontologie von „Begriff" als Paar aus Extension und Intension; diese ist anschlussfähig an die fünfphasige KDD-Pipeline (Selection → Preprocessing → Transformation → Data Mining → Interpretation/Evaluation) und an die Wissensspirale des SECI-Modells. Die drei Felder beantworten dieselbe Frage auf unterschiedlichen Abstraktionsebenen: Wie wird aus Daten ein verbindliches, geteiltes Konzept?

2. Kognitive Anschlussstelle: Kahnemans Zwei-System-Theorie ist 2022–2026 in der Kognitionspsychologie weiter ausdifferenziert worden (u. a. durch Arbeiten zu „dual-process re-evaluations" und zur prädiktiven Verarbeitung), bleibt aber als didaktisches Zwei-Schichten-Modell für organisationale Veränderungsarbeit produktiv. System 1 fungiert als „eigenes Gedankenkonzept" – als operativer Träger von Routinen, Heuristiken und kulturell vermittelten Schemata –, das nur indirekt, nämlich über System-2-Inhalte (Training, Reflexion, Feedback, neue Begriffsverbände), modifizierbar ist.

3. KI als Anschauungsmodell, nicht als Substitut: Russell & Norvigs Vier-Felder-Schema („menschlich/rational × denken/handeln") strukturiert auch 2026 die KI-Diskussion. Aktuelle Reasoning-Modelle (sog. „o-Familien", „Reasoning-LLMs") demonstrieren, dass System-2-ähnliches schrittweises Schließen technisch operationalisierbar ist; sie sind jedoch keine Theorie menschlicher Kognition, sondern eine ingenieurwissenschaftliche Approximation. Genau diese Differenz macht sie als Spiegel für die Reflexion organisationaler Denkmuster wertvoll.

4. Change Concepts als Brücke zwischen Begriff und Verhalten: Die 72 Change Concepts des Institute for Healthcare Improvement (IHI), entwickelt aus Lean Management und dem Model for Improvement nach Langley et al., adressieren in neun Kategorien generische Hebel zur Veränderung von Prozessen. Übertragen auf ERP-Post-Implementierung wirken sie als Vermittlungsschicht zwischen abstrakter Begriffsklärung (FCA/KM) und konkreter Verhaltensänderung – sie sind operationalisierte Hypothesen über bewusste und unbewusste Routinen.

5. ERP-Post-Implementierung als Harmonisierungsproblem zweiter Ordnung: Die Forschung 2018–2026 (Osnes et al. 2018; Goyette et al. 2022; Singh et al. 2023; Winter & Scholz 2025) konvergiert auf den Befund, dass das eigentliche Problem nicht die technische Konfiguration, sondern die Verhandlung konkurrierender Begriffsstrukturen zwischen Konzernzentrale und lokalen Einheiten ist. Harmonisierung gelingt nicht durch Auflösung der Spannung, sondern durch deren bewusste Bearbeitung („tension-aware governance").

6. Quellenkritik: Klaus, Rosemann & Gable (2000) ist als ERP-Definition kanonisch, aber sachlich für die Cloud-/SaaS- und KI-Ära überholt; Osnes et al. (2018) und Goyette et al. (2022) bleiben einschlägige Reviews, sollten aber durch neuere Arbeiten ergänzt werden; Hulstijn (2023) liefert die accountability-theoretische Brücke. Siw (2022) ist eine SME-Fallstudie und nur eingeschränkt auf MNUs übertragbar.

Details

1 Einleitung: Die Frage nach der Veränderbarkeit von Konzepten

Die Forschungsfrage des Theoriekapitels – „Wie kann ein Konzept bzw. ein Gedanken-Konzept verändert werden?" – ist auf den ersten Blick philosophisch, auf den zweiten Blick eine der praktischsten Fragen, die sich in einem ERP-Projekt stellen lassen. Ein ERP-System ist, wie Klaus, Rosemann und Gable (2000) in ihrer kanonisch gewordenen Begriffsbestimmung gezeigt haben, nicht nur ein Stück Software, sondern ein „Bündel von Geschäftsprozessen", das in Daten, Schemata, Berechtigungen und Prozessmasken eine bestimmte Vorstellung davon einschreibt, wie ein Unternehmen funktionieren soll. In der Post-Implementierungsphase multinationaler Unternehmen treffen mindestens zwei solcher Vorstellungen aufeinander: die im Konzern-Template kodifizierte Idee einer harmonisierten globalen Organisation und die in lokalen Routinen, regulatorischen Anforderungen und kulturellen Praktiken verankerten Vorstellungen davon, was „korrekte Buchhaltung", „korrekte Lagerwirtschaft" oder „korrekte Personaladministration" bedeutet.

Wer in dieser Lage „harmonisieren" will, muss Konzepte verändern – im doppelten Sinn: formale Konzepte im System (Stammdaten, Buchungslogik, Reporting-Hierarchien) und Gedankenkonzepte bei den Anwender:innen (mentale Modelle, Routinen, Sprachgebrauch). Das vorliegende Kapitel entwickelt einen integrierten theoretischen Rahmen, der beide Ebenen verbindet, indem er sechs Stränge zusammenführt: die Formal Concept Analysis (FCA) als formale Begriffstheorie (Abschnitt 2), Datenanalyse und KDD als operative Begriffsbildung aus Daten (Abschnitt 3), Knowledge Management als organisationale Theorie der Wissensumwandlung (Abschnitt 4), die KI-Denkkonzepte nach Russell & Norvig als heuristisches Anschauungsmodell für die Trennung von Denken und Handeln (Abschnitt 5), das Zwei-Schichten-Modell des menschlichen Denkens nach Kahneman (Abschnitt 6) und die Change Concepts des Institute for Healthcare Improvement (IHI) als generische Veränderungsmuster (Abschnitt 7). Abschnitt 8 verknüpft diese Stränge zu einer integrativen Argumentation und überträgt sie auf die ERP-Post-Implementierung in multinationalen Unternehmen; Abschnitt 9 unterzieht die in der Masterarbeit bislang zitierten Quellen einer Aktualitätsprüfung Stand Mai 2026.

Die Argumentationslinie lautet: Konzepte werden nicht durch bloße Anweisung verändert. Sie werden verändert, indem (i) ihre formale Struktur sichtbar gemacht wird (FCA, KDD), (ii) das in ihnen aufgehobene tazite Wissen in einen sozialen Umwandlungsprozess eingespeist wird (SECI, Wissenstreppe), (iii) das Verhältnis von schnellem, automatisiertem und langsamem, deliberativem Denken bewusst adressiert wird (System 1/2), und (iv) konkrete Veränderungshebel (Change Concepts) angewandt werden, die sowohl auf bewusste Routinen als auch auf die unbewusste Schicht der Praxis zielen. KI fungiert in diesem Rahmen nicht als zusätzliche Lösung, sondern als didaktischer Spiegel, der die Architektur des menschlichen Denkens kontrastiert und damit reflexiv zugänglich macht.

2 Formal Concept Analysis (FCA)

2.1 Theoretische Grundlagen nach Wille und Ganter

Die Formal Concept Analysis wurde 1982 von Rudolf Wille als Restrukturierung der Verbandstheorie zu einer Theorie der Begriffe begründet und von Bernhard Ganter mathematisch ausgebaut (Ganter & Wille, Formal Concept Analysis: Mathematical Foundations, 1999). Ausgangspunkt ist der formale Kontext $K = (G, M, I)$ aus einer Menge $G$ von Gegenständen (objects), einer Menge $M$ von Merkmalen (attributes) und einer Inzidenzrelation $I \subseteq G \times M$. Ein formaler Begriff ist ein Paar $(A, B)$ mit $A \subseteq G$, $B \subseteq M$, sodass $A$ genau die Gegenstände enthält, die alle Merkmale aus $B$ aufweisen, und $B$ genau die Merkmale, die alle Gegenstände aus $A$ teilen ($A = B'$, $B = A'$). Die Menge aller solchen Begriffe bildet, geordnet durch die Unterbegriff-Oberbegriff-Relation, einen vollständigen Verband – den Begriffsverband $\underline{\mathfrak{B}}(K)$.

Diese Konstruktion ist für unsere Fragestellung zentral, weil sie eine operationale Definition von „Konzept" liefert: Ein Konzept ist nicht bloß ein Wort, sondern die strukturelle Korrelation zwischen einer Extension und einer Intension. Konzeptveränderung lässt sich damit präzise fassen: Sie geschieht entweder durch Veränderung der Gegenstandsmenge, der Merkmalsmenge oder der Inzidenzrelation – mit jeweils berechenbaren Auswirkungen auf den Verband.

2.2 Aktuelle Anwendungen 2022–2026

Im Zeitraum 2022–2026 hat sich die FCA-Forschung in drei Richtungen weiterentwickelt, die für ERP-Kontexte besonders relevant sind:

1. Knowledge Discovery und Ontology Engineering: FCA wird verwendet, um aus großen Datenmengen Implikationen, Assoziationsregeln und ontologische Hierarchien automatisiert zu extrahieren. Diese Linie steht in engem Austausch mit der KDD-Pipeline (siehe Abschnitt 3).

2. Triadic und Pattern Structures: Erweiterungen der klassischen FCA auf dreistellige Relationen (Gegenstände × Merkmale × Bedingungen) und auf Pattern Structures erlauben die Analyse heterogener, nicht-binärer Daten – etwa numerischer ERP-Kennzahlen.

3. Erklärbare KI: FCA wird zunehmend als Werkzeug der „Explainable AI" eingesetzt, weil Begriffsverbände – im Gegensatz zu neuronalen Netzen – inhärent inspizierbar sind. Dies ist für regulatorisch sensible Kontexte (EU AI Act, EHDS, ESG-Reporting) ein zunehmend gewichtiges Argument.

2.3 Verbindung zu Begriffsbildung und Konzeptveränderung

Wille selbst hat FCA als Beitrag zu einer „pragmatischen Wissenschaftstheorie" verstanden, in der Begriffe immer auch sozial verhandelt sind. Die FCA liefert damit kein objektives, sondern ein transparentes Konzept: Sie macht offenlegbar, welche Gegenstände unter welchen Merkmalen subsumiert werden – und wo die Grenzen verschwimmen. Genau das ist die Operation, die in einem ERP-Projekt benötigt wird, wenn etwa der Begriff „Kunde" zwischen Vertrieb (Marketingempfänger), Buchhaltung (Debitor) und Service (Anfragesteller) unterschiedlich konstituiert ist.

2.4 Verwendung in Unternehmenskontexten

FCA-basierte Werkzeuge (etwa ConExp, FCAbedrock, lattice-miner) finden in der Praxis Einsatz im Knowledge Engineering, in der Anforderungsanalyse und in der Modellierung von Berechtigungskonzepten – Letzteres ist für ERP-Systeme zentral, weil Rollen-/Berechtigungssysteme (z. B. SAP-Rollenkonzept, Oracle-RBAC) im Kern Begriffsverbände sind: Eine Rolle ist die Intension einer Menge von Personen, die exakt dieselben Berechtigungen besitzen.

3 Datenanalyse, Business Intelligence und Data Mining

3.1 Aktueller Forschungsstand 2022–2026

Während FCA die Form von Konzepten klärt, liefern Datenanalyse, Business Intelligence (BI) und Data Mining die Empirie, aus der Konzepte gebildet werden. Die Forschung 2022–2026 zeigt drei dominante Tendenzen:

1. Konvergenz von BI, Data Science und KI: Klassische OLAP-Architekturen werden zunehmend durch Data-Lakehouse-Architekturen, Streaming-Analytics und ML-Pipelines abgelöst. ERP-nahe Lösungen wie SAP Datasphere/Joule, Oracle Fusion Analytics oder Microsoft Fabric integrieren operative Daten mit ML- und LLM-Diensten.

2. Augmented Analytics: Generative KI verändert den BI-Konsum: Self-Service-Dashboards weichen dialogischen Schnittstellen, in denen Anwender:innen natürlichsprachlich Fragen an ihre ERP-Daten stellen. Dies hat ambivalente Effekte: Es senkt die kognitive Eintrittsschwelle, verstärkt aber das Risiko fehlerhafter Interpretationen, wenn die zugrundeliegenden semantischen Modelle nicht sauber sind.

3. Daten-Governance und Data Contracts: Die Auseinandersetzung mit dem EU AI Act, der DSGVO und – für Gesundheitsdaten – dem European Health Data Space (EHDS, in Kraft 2025) hat Datenqualität, Lineage und nachvollziehbare Zugriffsregeln zu Schlüsselthemen gemacht. Die in der internen Quelle Hulstijn (2023) entwickelte „Computational Accountability" liefert hierfür einen tragfähigen normativen Rahmen.

3.2 Verbindung zu Knowledge Management und organisationalem Lernen

Data Mining ist die Maschinenseite der Wissensgenerierung; Knowledge Management ist die Menschseite. Beide werden im KDD-Prozess explizit verknüpft: Fayyad, Piatetsky-Shapiro und Smyth (1996) definierten KDD als „den nicht-trivialen Prozess der Identifikation gültiger, neuartiger, potentiell nützlicher und letztlich verständlicher Muster in Daten" – wobei „verständlich" den Übergang ins menschliche Wissen markiert. Argyris & Schön (1978) und in jüngerer Zeit Easterby-Smith & Lyles (2020) haben gezeigt, dass organisationales Lernen genau an dieser Schnittstelle entsteht: dort, wo aus algorithmisch erzeugten Mustern geteilte Deutungen werden.

3.3 Rolle in der Post-Implementierungsphase von ERP-Systemen

In der Post-Implementierungsphase ist BI/Data Mining der Hauptmechanismus, durch den ein „eingefrorener" ERP-Stand wieder flüssig wird. Drei Funktionen sind besonders wichtig:

• Diagnose von Misfits: Datengetriebene Analyse zeigt, wo lokale Niederlassungen vom Konzern-Template abweichen, etwa durch hohe Anteile manueller Buchungen, Y-Buchungen, Workarounds oder ungewöhnliche Kontenpläne. Hustad, Haddara und Kalvenes (2016) haben in ihrer Fallstudie zu organizational misfits gezeigt, dass solche Abweichungen nicht primär „Fehler" sind, sondern Symptome konkurrierender Begriffsstrukturen.

• Validierung von Harmonisierungsannahmen: BI-Dashboards machen sichtbar, ob ein vermeintlich harmonisierter Prozess tatsächlich harmonisiert gelebt wird.

• Materialisierung von tacit knowledge: Process Mining (Celonis, SAP Signavio Process Insights) macht das tatsächlich gelebte Verhalten in Daten sichtbar und erlaubt einen Abgleich mit dem im System modellierten Sollprozess.

3.4 Der KDD-Prozess

Der klassische KDD-Prozess umfasst fünf Phasen (Fayyad et al. 1996): (1) Selection – Auswahl relevanter Daten; (2) Preprocessing – Bereinigung; (3) Transformation – Reduktion und Projektion; (4) Data Mining – Anwendung von Algorithmen zur Mustererkennung; (5) Interpretation/Evaluation – Bewertung und Konsolidierung im Wissensbestand. Die fünfte Phase ist genau der Punkt, an dem FCA, KM und Change Concepts ansetzen müssen, damit aus Mustern handlungsleitende Konzepte werden.

4 Knowledge Management

4.1 Aktuelle Modelle 2022–2026

Das Wissensmanagement-Feld wird auch 2026 von zwei Modellen strukturiert, die in der internen Forschungsdokumentation der Masterarbeit zitiert sind:

• SECI-Modell (Nonaka & Takeuchi 1995, Nonaka & Konno 1998): Die Wissensspirale konzeptualisiert Wissensgenerierung als kontinuierliche Umwandlung zwischen tazitem und explizitem Wissen in vier Modi – Sozialisierung (tazit → tazit), Externalisierung (tazit → explizit), Kombination (explizit → explizit) und Internalisierung (explizit → tazit). Jüngere Beiträge (etwa zur Anwendung von SECI auf hybride Arbeit und auf KI-gestützte Wissensarbeit) bestätigen die Robustheit des Modells, kritisieren aber dessen impliziten Optimismus, dass die Spirale „von selbst" laufe.

• Wissenstreppe nach North (zuletzt: North 2021/2022): Die Stufen Zeichen → Daten → Information → Wissen → Können → Handeln → Kompetenz → Wettbewerbsfähigkeit verorten Wissen explizit als Bindeglied zwischen Information und Handeln und betonen, dass jede Stufe spezifische Managementmaßnahmen erfordert.

Aktuelle Arbeiten (2022–2026) ergänzen diese Modelle um vier Akzente: (i) digital knowledge management unter Bedingungen von KI und LLMs, (ii) knowledge boundary spanning in verteilten/multinationalen Organisationen, (iii) unlearning als eigenständige Phase, und (iv) knowledge risk management im Kontext von Daten-Compliance.

4.2 Tacit vs. explicit knowledge im multinationalen Kontext

Polanyis Unterscheidung „we know more than we can tell" ist im MNU-Kontext besonders wirksam: Lokale Niederlassungen verfügen über tazites Wissen über Kunden, Behörden, Sprache, Steuerlogiken und informelle Eskalationswege, das in keinem Konzern-Template steht. Goyette, Cassivi, Courchesne und Elia (2022) haben gezeigt, dass die Post-Implementierungsphase im Kern eine Wissenstransfer-Herausforderung ist – und dass das Scheitern von ERP-Projekten in dieser Phase typischerweise durch unterbrochene Wissensflüsse zwischen externen Beratenden, Key-Usern und Endnutzer:innen erklärbar ist.

Singh, Singh und Misra (2023) bestätigen für die pharmazeutische Branche, dass die Post-Implementierungs-Herausforderungen nicht technischer, sondern überwiegend wissens- und prozessbezogener Natur sind: unzureichende Schulung, fehlende kontinuierliche Verbesserung, Verlust von Implementierungswissen nach Abzug der Beratenden.

4.3 Wissenstransfer in der ERP-Post-Implementierungsphase

Die einschlägige Literatur identifiziert vier Mechanismen erfolgreichen Wissenstransfers in dieser Phase:

1. Key-User-Programme (Niedermeier 2025): Brückenrollen zwischen IT, Fachbereich und Endnutzer:innen, in denen tazites Prozesswissen explizit gemacht und sozial weitergegeben wird.

2. Communities of Practice über Standorte hinweg.

3. Strukturierte Buchungsanweisungen / Process Documentation als Externalisierungsartefakte (vgl. das in der internen Quelle „ERP_Buchungsanweisungen_Konzept" beschriebene Vorhaben).

4. Continuous-Improvement-Zyklen (PDSA, Kaizen), die Schulung nicht als einmaliges Ereignis, sondern als laufende Praxis konzipieren.

4.4 Aktuelle Studien zu Trainings- und Schulungsmaßnahmen

Forschung 2022–2026 zeigt drei robuste Befunde: (a) Single-event-trainings (klassischer Schulungsansatz „eine Woche vor Go-Live") sind nahezu ineffektiv für nachhaltige Verhaltensänderung; (b) rollen-/aufgabenspezifische Microlearnings in Kombination mit kontextueller Hilfe (Performance Support, In-App-Guides, KI-Assistenz) erzielen signifikant höhere Adoptionsraten; (c) psychologische Sicherheit (Edmondson) ist Voraussetzung dafür, dass Anwender:innen fehlende Kompetenzen kommunizieren statt Workarounds zu entwickeln.

5 Denkkonzept einer Künstlichen Intelligenz

5.1 Aktuelle Definitionen 2022–2026

Russell und Norvigs Artificial Intelligence: A Modern Approach (4. Aufl. 2021; im Diskurs 2022–2026 weiterhin Standardwerk) strukturiert das Feld entlang zweier Achsen – „menschlich vs. rational" und „denken vs. handeln" – mit den vier resultierenden Quadranten:

Denken

Handeln

Menschlich

Cognitive Modeling

Turing-Test-Tradition

Rational

„Laws of Thought"

Rationale Agenten

Russell & Norvig argumentieren, dass die rationale-Agenten-Konzeption die analytisch produktivste ist, weil sie ohne Bezug auf menschliche Psychologie auskommt und gleichzeitig eine klare Erfolgsdefinition (Maximierung erwarteten Nutzens) bietet.

5.2 LLMs und Reasoning-Modelle Stand 2025/2026

Die Generation großer Sprachmodelle ab 2023 (GPT-4-Familie, Claude, Gemini, Llama) und die anschließenden „Reasoning-Modelle" (sog. o-Serien, „Reasoning-LLMs", „Thinking-Modelle") haben das Feld faktisch verschoben: Statt reiner Pattern-Completion erfolgt explizites schrittweises Schließen, häufig kombiniert mit Tool-Use und externer Speicheranbindung. Damit sind technisch erstmals Systeme verfügbar, die – im Russell-Norvig-Schema – Elemente sowohl rationalen Denkens (logisch-deduktive Schritte) als auch menschlich-imitativen Handelns (dialogische Anpassung) integrieren. Es bleibt jedoch ein wichtiger epistemischer Vorbehalt: Performanz ist nicht Verstehen. LLMs lösen Aufgaben, ohne notwendigerweise Modelle zu unterhalten, und sind anfällig für Konfabulation, Halluzination und Sykophanz.

5.3 Verbindung zur menschlichen Kognition

Genau diese Differenz macht KI als Anschauungsmodell wertvoll. Drei Korrespondenzen sind für unser Theoriekapitel relevant:

1. System-1-Analoga: Reine Forward-Pass-LLM-Antworten („chat without thinking") entsprechen funktional einer System-1-Antwort: schnell, mustergetrieben, ohne explizite Deliberation.

2. System-2-Analoga: Reasoning-Modelle mit explizitem Chain-of-Thought, Selbstkorrektur und Tool-Use entsprechen funktional System-2-Operationen.

3. Die Trennung von Denken und Handeln im Russell-Norvig-Schema entspricht der Unterscheidung zwischen organisationalem Wissen (was wir glauben zu wissen) und organisationalem Verhalten (was wir tatsächlich tun) – einer Differenz, die für Argyris' Theorie der „espoused theory" vs. „theory-in-use" zentral ist.

KI ist damit keine Substitutionstechnologie für menschliches Denken, sondern – methodologisch gesehen – ein funktionalistisches Modell, an dem sich kognitive Architekturen reflektieren lassen.

6 Schichten des menschlichen Denkens

6.1 Kahnemans Zwei-System-Theorie

Daniel Kahneman hat in Thinking, Fast and Slow (2011) und im späteren Noise (Kahneman, Sibony & Sunstein 2021) ein didaktisch außerordentlich wirksames Modell formuliert:

• System 1 ist schnell, automatisch, intuitiv, assoziativ, emotional und im Wesentlichen unbewusst. Es ist der Träger von Heuristiken und kulturell vermittelten Schemata.

• System 2 ist langsam, deliberativ, sequenziell, anstrengend und bewusst. Es ist regelbasiert, in Arbeitsspeicherkapazität limitiert und greift nur ein, wenn System 1 Signale der Unsicherheit produziert oder explizit herausgefordert wird.

Kahneman selbst hat die Modellierung als „nützliche Fiktion" bezeichnet, nicht als neuroanatomische Aussage. Diese epistemische Bescheidenheit ist methodisch wichtig.

6.2 Aktuelle neurowissenschaftliche und kognitionspsychologische Forschung 2022–2026

Die Forschung der letzten vier Jahre hat das Bild differenziert, ohne es grundsätzlich zu verwerfen:

• Predictive-Processing-Frameworks (Friston, Clark, Hohwy) konzipieren das Gehirn als hierarchisches Vorhersagesystem, in dem „System 1" und „System 2" nicht zwei getrennte Module, sondern Operationen unterschiedlicher Zeitskalen sind.

• Dual-Process-Re-Evaluations (u. a. Evans, Stanovich) haben gezeigt, dass die saubere Trennung zwischen System 1 und 2 empirisch nicht haltbar ist; in der Praxis interagieren beide kontinuierlich.

• Embodied-/4E-Cognition betont, dass Denken nicht im Kopf endet, sondern in Praxis, Werkzeug und Umwelt verteilt ist – ein Befund, der für ERP-Kontexte unmittelbar relevant ist: Das Denken einer Buchhalterin findet im SAP-GUI statt, nicht über das SAP-GUI hinweg.

6.3 Zwei-Schichten-Modell als Abstraktion

Für unsere Fragestellung ist die saubere neurowissenschaftliche Auflösung sekundär; relevant ist die funktionale Unterscheidung. Wir behandeln das Unterbewusstsein methodisch als ein eigenständiges Gedankenkonzept – als operativen Träger von Routinen, Schemata und Habitus –, das durch System-2-Operationen modelliert, adressiert und langfristig modifiziert werden kann, aber nicht durch reine Anweisung.

Diese Abstraktion ist entscheidend für die Übertragung auf Veränderungsarbeit: Eine Buchungsroutine, die seit 15 Jahren in einer lokalen Niederlassung ausgeführt wird, ist System-1-verankert. Sie wird nicht durch eine neue SAP-Maske geändert, sondern durch wiederholte System-2-Erfahrungen, in denen die neue Maske erst bewusst, dann routiniert und schließlich wieder unbewusst gehandhabt wird. Das ist exakt Nonakas Internalisierungsschritt – nun kognitionspsychologisch fundiert.

7 Change Concepts for Improvement (IHI)

7.1 Die 72 Change Concepts

Das Institute for Healthcare Improvement (IHI) hat im Anschluss an das Model for Improvement von Langley, Moen, Nolan, Nolan, Norman und Provost (The Improvement Guide, 2. Aufl. 2009) eine Liste von 72 generischen Change Concepts entwickelt, gegliedert in neun Kategorien:

1. Eliminate Waste

2. Improve Work Flow

3. Optimize Inventory

4. Change the Work Environment

5. Enhance the Producer/Customer Relationship

6. Manage Time

7. Manage Variation

8. Design Systems to Avoid Mistakes

9. Focus on the Product or Service

Jedes Change Concept ist ein generischer, abstrakter Hebel – kein fertiges Verfahren –, der in einer konkreten Situation in eine spezifische Veränderungsidee übersetzt werden muss. Das Werkzeug der Wahl für diese Übersetzung sind PDSA-Zyklen (Plan-Do-Study-Act).

7.2 Ursprung in Lean Management und Qualitätsverbesserung

Die Change Concepts stehen in direkter Linie zu Demings PDCA, Toyotas Lean Production (Ohno, Womack & Jones), Six Sigma und der Qualitätsverbesserungs-Tradition im Gesundheitswesen (Berwick). Ihr methodischer Anspruch ist explizit theory-driven aber empirisch zu validieren: Jeder Hebel ist eine Hypothese, die im PDSA-Zyklus geprüft wird.

7.3 Anwendbarkeit auf organisationale Veränderungsprozesse

Auch wenn Ursprung und prominenteste Anwendungen im Gesundheitswesen liegen, sind die Change Concepts strukturell domänen-agnostisch. Für ERP-Post-Implementierung sind besonders relevant:

• Eliminate Waste: Reduktion von Workarounds, Schatten-Excels, Doppel-Erfassungen.

• Manage Variation: Harmonisierung lokaler Prozessvarianten – exakt das zentrale MNU-Problem.

• Design Systems to Avoid Mistakes (Mistake-Proofing / Poka-Yoke): Plausibilitätsprüfungen, Pflichtfelder, Berechtigungs-Trennungen.

• Change the Work Environment: Veränderung der Arbeitsumgebung, in der Routinen entstehen – das ist die operative Umsetzung des in Abschnitt 6 beschriebenen System-1-Adressierens.

7.4 Aktuelle Forschung zu Change Management 2022–2026

Die Change-Management-Forschung 2022–2026 ist gekennzeichnet durch (i) die fortgesetzte Kritik an Kotters klassischem 8-Schritte-Modell als zu linear, (ii) zunehmende Integration von Implementation Science (CFIR, RE-AIM, NPT), (iii) wachsende Bedeutung von „adaptive change" gegenüber „planned change", und (iv) ein verstärktes Bewusstsein für die emotionale und identitätsbezogene Dimension von Veränderung. Eine besonders einschlägige aktuelle Arbeit ist Nair et al. (2025) Critical activities for successful implementation and adoption of AI in healthcare, die das Quality Implementation Framework (QIF) auf KI-Einführungen anwendet und damit ein direktes Analogon zur ERP-Einführung liefert.

7.5 Gründe für die Anwendung und Methoden

Der Wert der IHI Change Concepts für unsere Forschungsfrage liegt darin, dass sie eine verbindende Sprache zwischen abstrakter Theorie und operativer Praxis liefern. Sie sind weder so abstrakt wie SECI noch so spezifisch wie eine konkrete Schulungsmaßnahme. Sie sind genau auf der Vermittlungsebene angesiedelt, auf der ein ERP-Programmleiter operiert.

8 Integrative Argumentation: Konzeptveränderung in der ERP-Post-Implementierung

8.1 Wie hängen FCA, Data Mining und Knowledge Management zusammen?

Die drei Felder bearbeiten dieselbe Frage – Wie wird aus Daten ein verbindliches Konzept? – auf drei Abstraktionsebenen.

• FCA liefert die formale Struktur: Ein Konzept ist ein Paar aus Extension und Intension, eingebettet in einen Verband.

• KDD/Data Mining liefert das empirische Verfahren: Aus Daten werden Muster, aus Mustern Hypothesen, aus Hypothesen – nach Validierung – Wissen.

• Knowledge Management liefert die soziale Verankerung: Aus Wissen werden geteilte Praxis, Identität und Kompetenz.

Die drei greifen in einer Pipeline ineinander: FCA strukturiert die Begriffsräume, in denen Data Mining operiert (z. B. Definitionen für „aktiver Kunde" oder „kritischer Lagerbestand"); Data Mining liefert empirische Inhalte für diese Begriffsräume; KM-Mechanismen sorgen dafür, dass die so erzeugten Begriffe organisational verbindlich werden.

8.2 Inwiefern dient KI-Denken als Anschauungsmodell für menschliches Denken?

KI ist funktionalistisches Modell der Kognition, nicht ihre Replikation. Die Vier-Felder-Matrix von Russell & Norvig – Denken vs. Handeln, menschlich vs. rational – kann auf das Zwei-Schichten-Modell Kahnemans abgebildet werden:

• Menschlich denken ↔ System 1 / Cognitive Modeling: Imitation tatsächlicher menschlicher Denkprozesse (psychologisch plausibel).

• Rational denken ↔ System 2 / Logikbasierte Modelle: Normative Schlussregeln.

• Menschlich handeln ↔ Espoused-Theory / Turing-Test: Verhalten, das wir als angemessen anerkennen.

• Rational handeln ↔ Theory-in-Use / Nutzenmaximierung: Verhalten, das tatsächlich Ziele erreicht.

Diese Vierfeldertafel macht eine fundamentale Differenz sichtbar, die in ERP-Projekten ständig relevant ist: Was wir denken, dass wir tun, ist nicht, was wir tatsächlich tun. Reasoning-LLMs spiegeln diese Differenz technisch wider – sie machen die Schritte des Schließens explizit – und schaffen damit einen heuristischen Kontrast, an dem organisationale Selbstreflexion ansetzen kann.

8.3 Wie können Change Concepts unbewusste Denkmuster verändern?

Die Change Concepts wirken, weil sie auf vier Ebenen gleichzeitig ansetzen:

1. System-1-Ebene (Routine): Sie verändern die Arbeitsumgebung („Change the Work Environment"), in der Routinen entstehen – analog zu „Choice Architecture" / Nudging (Thaler & Sunstein).

2. System-2-Ebene (Reflexion): PDSA-Zyklen institutionalisieren regelmäßige bewusste Reflexion.

3. Wissensebene: Sie externalisieren tazites Wissen, indem sie Variation explizit dokumentieren und vergleichen.

4. Begriffsebene: Sie zwingen die Beteiligten, ihre Begriffe (was zählt als „Verschwendung", als „Fehler", als „Wert"?) in einer geteilten Sprache zu klären – das ist FCA-Arbeit in Alltagsform.

Unbewusste Muster werden also nicht frontal angegriffen, sondern indirekt: durch wiederholte System-2-Erfahrungen, deren Erfolge System 1 schließlich übernimmt. Diese Logik korrespondiert mit Nonakas Internalisierungsschritt und mit der lerntheoretischen Tradition von Kolb und Argyris.

8.4 Wie überträgt sich dies auf die ERP-Post-Implementierung in multinationalen Unternehmen?

Multinationale Unternehmen sind paradigmatische Schauplätze konkurrierender Begriffsverbände. Der Konzern-Kontext $K_{\text{global}}$ definiert Gegenstände (z. B. Kostenstellen, Kunden, Produkte) durch eine Konzernontologie; die lokalen Kontexte $K_{\text{local}}$ haben dieselben Wörter, aber andere Inzidenzrelationen. Harmonisierung im Sinn der Forschungsfrage der Masterarbeit ist nicht das Auslöschen der lokalen Verbände, sondern die Konstruktion eines gemeinsamen Oberverbands, in dem global und lokal als Unter-Begriffsstrukturen koexistieren können.

Empirisch zeigen Osnes, Olsen, Vassilakopoulou und Hustad (2018), dass die zentrale Spannung zwischen Konzernzentrale (Standardisierung, Kontrolle) und lokalen Einheiten (Erhalt lokaler Routinen, regulatorische Compliance) der Hauptkonfliktherd ist. Goyette et al. (2022) ergänzen, dass die Wissensübergabe an die Linienorganisation nach Go-Live der entscheidende Erfolgsfaktor ist. Singh et al. (2023) bestätigen für die Pharmabranche, dass die Post-Implementierungs-Phase eigene Herausforderungen produziert – darunter Datenqualität, Schulungsdefizite, Anpassung an regulatorische Veränderungen, kontinuierliche Optimierung.

Die für den Masterarbeitsstand 2025/2026 wichtigste Ergänzung ist Winter und Scholz (2025): Sie schlagen eine spannungsbewusste Programm-Governance vor, die nicht versucht, den Zentral-Lokal-Konflikt aufzulösen, sondern ihn aktiv zu kuratieren. Aus theoretischer Sicht ist das die Operationalisierung der hier entwickelten Argumentation: Konzepte werden verändert, indem sie nebeneinander gestellt, formal expliziert und sozial verhandelt werden.

8.5 Wie werden konkret zentrale Anforderungen und lokale Bedürfnisse harmonisiert?

Aus dem aktuellen Forschungsstand (Goyette et al. 2022; Hustad et al. 2016; Osnes et al. 2018; Niedermeier 2025; Rîndașu et al. 2026; Singh et al. 2023; Winter & Scholz 2025) lassen sich sechs konkrete Harmonisierungsmechanismen identifizieren, die im integrierten Theorierahmen genau zuordenbar sind:

1. Template-mit-Localization-Layern (FCA: gemeinsamer Oberverband mit lokalen Spezialisierungen).

2. Key-User-Netzwerke als Wissens-Bridge zwischen zentral und lokal (KM/SECI: Sozialisierung und Externalisierung über Standorte hinweg).

3. Process Mining / BI-Dashboards zur Sichtbarmachung von Misfits (KDD: Diagnose).

4. Tension-aware Governance mit expliziten Eskalations- und Aushandlungsmechanismen (Winter & Scholz 2025).

5. Iterative PDSA-Zyklen auf den IHI Change Concepts (operative Veränderungsarbeit).

6. Continuous Training mit kontextueller Hilfe (Niedermeier 2025; aktuelle KI-Assistenz im ERP).

Die Mechanismen wirken zusammen: Ohne (1) und (3) bleiben die Begriffe unklar; ohne (2) und (6) bleibt das Wissen unverankert; ohne (4) und (5) bleibt der Konflikt entweder unproduktiv oder unterdrückt.

9 Quellenkritik: Aktualitätsprüfung Stand Mai 2026

Quelle

Status Mai 2026

Bewertung / Empfehlung

Klaus, Rosemann & Gable (2000), What is ERP?

Kanonisch, aber sachlich überholt

Als historische Begriffsdefinition zitieren; ergänzen um aktuelle Definitionen, die Cloud/SaaS, Composable-ERP, KI-Integration und Sustainability einbeziehen (z. B. Rîndașu et al. 2026).

Osnes, Olsen, Vassilakopoulou & Hustad (2018), ERP Systems in MNEs

Weiterhin einschlägig

Beibehalten als Strukturierung des Zentral-Lokal-Konflikts; ergänzen um Winter & Scholz (2025) für aktuellen Governance-Ansatz.

Goyette, Cassivi, Courchesne & Elia (2022), The ERP post-implementation stage: A knowledge transfer challenge

Aktuell und einschlägig

Beibehalten; bildet die KM-Brücke.

Hulstijn (2023), Computational Accountability

Aktuell und zunehmend wichtig

Beibehalten; bildet die normative Brücke zu EU AI Act / EHDS / DSGVO. Stark mit Hustad et al. (2016) und mit der „Virtue-Accountability"-Diskussion (interne Quelle Drive 2026) verknüpfbar.

Singh, Singh & Misra (2023), Post-implementation challenges of ERP system in pharmaceutical companies

Aktuell, branchenspezifisch

Als Branchen-Evidenz beibehalten; Generalisierbarkeit vorsichtig formulieren.

Siw (2022), CSF of ERP Implementations in SMEs

Aktuell, aber SME-Fokus

Nur eingeschränkt auf MNUs übertragbar; einschlägig für Vergleichsdiskussion (welche CSFs auch in MNUs gelten, welche nur in SMEs).

Russell & Norvig (4. Aufl. 2021)

Standardwerk

Beibehalten; ergänzen um peer-reviewte Arbeiten zu Reasoning-LLMs 2024–2026.

Kahneman (2011); Kahneman, Sibony & Sunstein (2021)

Standardwerk + aktuelle Erweiterung

Beibehalten; ergänzen um Predictive-Processing- und Embodied-Cognition-Forschung.

Wille (1982); Ganter & Wille (1999)

Standardwerk

Beibehalten; ergänzen um aktuelle FCA-Anwendungen 2022–2026 in XAI und Knowledge Engineering.

Nonaka (1994); Nonaka & Takeuchi (1995)

Standardwerk

Beibehalten; ergänzen um aktuelle KM-Forschung zu LLM-gestütztem Wissensmanagement.

IHI / Langley et al. (2009)

Standardwerk

Beibehalten; ergänzen um aktuelle Implementation-Science-Frameworks (CFIR, NPT, RE-AIM).

10 Synthese

Die Forschungsfrage des Theoriekapitels – Wie kann ein Konzept bzw. ein Gedanken-Konzept verändert werden? – findet im hier entwickelten Rahmen eine vierfach gegliederte Antwort:

1. Formal wird ein Konzept verändert, indem die Inzidenz zwischen Gegenständen und Merkmalen verschoben wird (FCA). Diese Operation ist im ERP-Kontext sehr konkret: Stammdatenmodelle, Konten- und Rollenkonzepte, Prozessvarianten sind Begriffsverbände.

2. Empirisch wird ein Konzept verändert, indem aus neuen Daten neue Muster gewonnen werden, die bestehende Begriffsstrukturen unterspülen (KDD/BI/Data Mining). Process Mining ist hier der Schlüsselmechanismus.

3. Sozial wird ein Konzept verändert, indem in der SECI-Spirale aus tazitem Wissen explizites wird, das wiederum sozial geteilt und dann erneut taz internalisiert wird. Die Wissenstreppe nach North zeigt dabei, dass jede Stufe spezifische Managementmaßnahmen verlangt.

4. Operativ wird ein Konzept verändert, indem die Schichten des Denkens (System 1, System 2 nach Kahneman) durch wiederholte System-2-Erfahrungen modifiziert werden – mit den IHI Change Concepts als generischen Hebeln und PDSA-Zyklen als Methodik.

KI dient in diesem Rahmen nicht als zusätzliche Lösung, sondern als Anschauungsmodell, das die Architektur des menschlichen Denkens kontrastiert und damit reflexiv zugänglich macht: Reasoning-LLMs zeigen, was es heißt, deliberativ zu denken, weil sie die Schritte explizit machen müssen – und genau diese Explizitheit fehlt menschlichem Routinedenken.

Übertragen auf die ERP-Post-Implementierung in multinationalen Unternehmen ergibt sich daraus eine kohärente Antwort auf die übergeordnete Forschungsfrage der Masterarbeit: Harmonisierung zwischen zentralen Anforderungen und lokalen Bedürfnissen ist nicht die Beseitigung der Spannung, sondern deren produktive Bearbeitung durch ein abgestimmtes Set aus formalen (FCA, Datenmodellen), empirischen (Process Mining, BI), sozialen (Key-User-Netzwerke, SECI-Zyklen) und operativen (Change Concepts, PDSA, spannungsbewusste Governance) Mechanismen. In dieser Antwort wird das Theoriekapitel zu einer expliziten Anleitung dafür, wie die empirische Untersuchung der Masterarbeit strukturiert sein sollte: nämlich entlang dieser vier Ebenen.

Caveats

• Methodische Einschränkung dieser Erstellung: Dieser Bericht wurde ohne Zugriff auf Web-Suche oder externe wissenschaftliche Datenbanken erstellt. Verfügbar waren ausschließlich (a) die im Google-Drive-Workspace der Masterarbeit hinterlegten internen Dokumente (u. a. Niedermeier 2025; Leiting 2012; Hustad et al. 2016; Osnes et al. 2018; Siw 2022; Winter & Scholz 2025; Rîndașu et al. 2026; Nair et al. 2025) sowie (b) das Fachwissen des Autors zu den genannten Standardwerken. Eine systematische Literaturrecherche zu den angegebenen Quellen (insbesondere Goyette et al. 2022; Singh et al. 2023; Hulstijn 2023; aktuelle FCA-Forschung 2022–2026; aktuelle Reasoning-LLM-Literatur; aktuelle SECI-Erweiterungen 2024–2026) sollte vor Verwendung als finales Theoriekapitel ergänzend in einschlägigen Datenbanken (Web of Science, Scopus, AIS eLibrary, Google Scholar) durchgeführt werden, um die hier vorgenommenen Aktualitätszuschreibungen zu verifizieren.

• Spezifische Verifikationsbedarfe: (i) Die genaue Anzahl und Kategoriestruktur der IHI Change Concepts (hier mit „72 / 9 Kategorien" angegeben) folgt der Standarddarstellung in Langley et al. 2009 / Improvement Guide; eine aktualisierte IHI-Veröffentlichung 2024–2026 sollte konsultiert werden, falls die Liste zwischenzeitlich modifiziert wurde. (ii) Die Charakterisierung von Reasoning-LLMs ist absichtlich generisch gehalten, weil produktspezifische Aussagen schnell veralten; konkrete Modellvergleiche sollten in der finalen Fassung mit aktuellen peer-reviewten Benchmarks belegt werden. (iii) Die Aussage zu Predictive-Processing-Forschung 2022–2026 verdient eine systematische Belegrecherche, insbesondere bei Friston, Clark, Hohwy.

• Theoretische Spannung zwischen Modellen: Das Zwei-System-Modell Kahnemans und die Predictive-Processing-Tradition sind nicht ohne weiteres kompatibel; die hier vorgenommene didaktische Verwendung des Zwei-Schichten-Modells ist eine bewusste Vereinfachung, die im finalen Kapitel als solche markiert werden sollte. Ebenso ist die Übertragung von IHI-Change-Concepts (Healthcare-Ursprung) auf ERP-Kontexte (Industrie-/Dienstleistungs-Ursprung) eine Analogie, deren Grenzen explizit zu reflektieren sind.

• Sprache und Stil: Der Text ist als wissenschaftlicher Theoriekapitel-Entwurf formuliert; vor Einreichung sollten (i) eine APA-7-/Zitierstil-konforme Quellenliste ergänzt werden (für die finale Masterarbeit), (ii) die Einleitung an die übergeordnete Einleitung der Masterarbeit angepasst werden, und (iii) die Synthese (Abschnitt 10) mit dem Methodenkapitel verknüpft werden, sodass die in diesem Theorierahmen entwickelten vier Ebenen (formal/empirisch/sozial/operativ) als Strukturierungsprinzip der empirischen Untersuchung wiedererkennbar werden.

• Zur Forschungsfrage der Masterarbeit: Der Theorierahmen impliziert eine bestimmte Antwort auf die übergeordnete Forschungsfrage – nämlich dass „Harmonisierung" als Bearbeitung, nicht als Auflösung der Spannung zu konzipieren ist. Diese theoretische Vorentscheidung sollte im Methodenkapitel als bewusste Setzung markiert und an konkurrierenden Konzeptionen (etwa rein technisch-zentralistische ERP-Governance-Modelle) gespiegelt werden.

Das im vorherigen Schritt erstellte Theoriekapitel ist ein von mir mit KI-Unterstützung erstelltes, unveröffentlichtes Arbeitsdokument. Es ist daher nicht zitierfähig wie eine wissenschaftliche Publikation. Stattdessen müssen zwei Dinge sauber getrennt werden:

1. Die im Rahmenwerk verwendeten Originalquellen – diese direkt nach wissenschaftlichem Standard zitiert.

2. Den KI-Erstellungsprozess selbst – dieser wird transparent gemacht (Eigenständigkeitserklärung, KI-Disclosure).

1. Zitation der Originalquellen

Verwenden Sie für Ihre Masterarbeit den von Ihrer Universität vorgeschriebenen Zitationsstil. An der Universität Innsbruck und an der FH des BFI Wien sind üblich: APA 7th Edition (sozialwissenschaftlich) oder Chicago Author-Date.

Hier die wichtigsten Quellen aus dem Rahmenwerk in APA 7-Format:

Standardwerke

Ganter, B., & Wille, R. (1999). Formal concept analysis: Mathematical foundations. Springer.

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment. Little, Brown Spark.

Langley, G. J., Moen, R. D., Nolan, K. M., Nolan, T. W., Norman, C. L., & Provost, L. P. (2009). The improvement guide: A practical approach to enhancing organizational performance (2nd ed.). Jossey-Bass.

Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.

Russell, S. J. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Wille, R. (1982). Restructuring lattice theory: An approach based on hierarchies of concepts. In I. Rival (Ed.), Ordered sets (pp. 445–470). Reidel.

Peer-reviewte Studien (in Ihrer Masterarbeit bereits genannt)

Goyette, S., Cassivi, L., Courchesne, M., & Elia, E. (2022). The ERP post-implementation stage: A knowledge transfer challenge. International Journal of Information Systems and Project Management, 3(2), 5–19. https://doi.org/10.12821/ijispm030201

Hulstijn, J. (2023). Computational accountability. In Proceedings of the Nineteenth International Conference on Artificial Intelligence and Law (pp. 121–130). https://doi.org/10.1145/3594536.3595122

Osnes, K. B., Olsen, J. R., Vassilakopoulou, P., & Hustad, E. (2018). ERP systems in multinational enterprises: A literature review of post-implementation challenges. Procedia Computer Science, 138, 541–548. https://doi.org/10.1016/j.procs.2018.10.074

Singh, S., Singh, S., & Misra, S. C. (2023). Post-implementation challenges of ERP system in pharmaceutical companies. International Journal of Quality & Reliability Management, 40(4), 889–921. https://doi.org/10.1108/IJQRM-10-2020-0333

Online-Quelle

Institute for Healthcare Improvement. (n.d.). Using change concepts for improvement. Abgerufen am 03.05.2026 von https://www.ihi.org/resources/Pages/Changes/UsingChangeConceptsforImprovement.aspx

2. KI-Disclosure und Transparenz

Da das Rahmenwerk KI-gestützt entstanden ist, müssen Sie dies an der Universität Innsbruck und der FH des BFI Wien explizit ausweisen. Empfohlen sind drei Maßnahmen:

a) In der Eigenständigkeitserklärung

„Die vorliegende Arbeit wurde unter Zuhilfenahme generativer KI-Werkzeuge (Anthropic Claude, Modellversion und Datum der Verwendung) zur Strukturierung, Recherche und sprachlichen Überarbeitung des Theoriekapitels erstellt. Die endgültige inhaltliche Verantwortung, die Auswahl und Prüfung der Quellen sowie die wissenschaftliche Argumentation liegen ausschließlich beim Verfasser oder beim Leser. Diese Informationen dienen als KI-Nutzungsdokumentation, mit der Bitte um Information, wobei die E-Mail Adresse im Footer zu finden ist, bei Unklarheiten oder unsachgemäßen Erläuterungen.

b) KI-Nutzungsdokumentation

Dokumentationszweck: Transparente Offenlegung der Nutzung generativer KI-Werkzeuge im Sinne wissenschaftlicher Integrität. ff.

Verfasser: Claudiu Dangulea

Verwendete KI-Werkzeuge

Werkzeug: Claude

Anbieter: Anthropic

Modellversion: Opus 4.7

Zugang: Web-Interface (claude.ai) mit Google-Drive-Integration

c) Detaillierte Nutzungsdokumentation

Verwendete Prompt-Strategie

Vorgehensweise: Iteratives Vorgehen mit aufeinander aufbauenden Klärungsschritten. Jede Anfrage diente einem klar umgrenzten Erkenntnisinteresse. Komplexe Aufgaben wurden in Teilaufgaben zerlegt.

Methodische Prinzipien:

1. Vorab Klärung des Schwerpunkts (Theorie vs. empirische Forschungsfrage), der Quellenanforderungen (peer-reviewed ab 2022) und des Output-Formats (Forschungsbericht mit integrierter Argumentation).

2. Verwendung der im Drive vorhandenen Materialien als primäre Recherchebasis.

3. Aktualitätsprüfung aller zitierten Quellen Stand Mai 2026.

4. Transparente Markierung methodischer Einschränkungen (insbesondere fehlender Web-Zugang während der Erstellung).

Disclaimer und Eigenleistung

Die in diesem Dialog erstellten Inhalte (Texte, Strukturen, Synthesen) basieren auf wissenschaftlichen Standards und auf öffentlich zugänglichen sowie im Rahmen meines Universitätsstudiums bereitgestellten Quellen. Die KI-Werkzeuge wurden eingesetzt zur:

• Strukturierung umfangreicher Theoriestränge,

• sprachlichen Überarbeitung,

• bibliografischen Erfassung,

• Aktualitätsprüfung des Forschungsstandes,

• Synthese verschiedener Forschungslinien.

Die KI-Werkzeuge wurden nicht eingesetzt zur:

• Erstellung empirischer Daten,

• Ersetzung der eigenen Lektüre der Primärquellen,

• Übernahme inhaltlicher Verantwortung für die wissenschaftliche Argumentation.

Die finale inhaltliche Verantwortung, die Auswahl und kritische Prüfung der Quellen, die wissenschaftliche Argumentation sowie die Anwendung auf den Forschungsgegenstand der Masterarbeit liegen ausschließlich beim Verfasser.

Ort, Datum: Wien, 03.05.2026

Hinweise zur Verwendung

1. Die mit [bitte ergänzen] markierten Felder werden von mir sukzessive ausgefüllt werden, sobald die jeweilige Quelle gelesen oder beschafft wurde.

2. Die genaue Form der Eigenständigkeitserklärung und die Vorgaben zur KI-Disclosure können je nach Universität abweichen.

3. Für eine vollständige Dokumentation dieser Arbeit sollten Sie diese Tabelle laufend erweitern, sobald weitere KI-gestützte Arbeitsschritte hinzukommen.

Werkzeug: Claude (Anthropic)

Modellversion: Opus 4.7

Datum: 03.05.2026

Verwendungszweck: Strukturierung des Theoriekapitels „Konzeptveränderung in der ERP-Post-Implementierung", Synthese von FCA, KDD, KM, Kahneman, Russell/Norvig und IHI Change Concepts; Aktualitätsprüfung der Quellen Stand Mai 2026

c) Zitation dieser nicht-reviewten Vorarbeit; Korrekte APA-7-Form für dieses unveröffentlichte Manuskript:

Dangulea, C. (2026). Konzeptveränderung in der ERP-Post-Implementierung: Ein integrativer Theorierahmen für multinationale Unternehmen [Unveröffentlichtes Arbeitsmanuskript, mit KI-Unterstützung erstellt]. www.susy.be