This study investigates Algorithmic Entrepreneurship by examining how Data-Driven Algorithmic Automation shapes Output-to-Employee Ratios and Digital Business Scalability in a real-world Digital Asset Market Infrastructure Venture operating as a Software-as-a-Service provider. First, the study evaluates publicly disclosed financial figures and reproducible blockchain-based data for selected algorithmically operated infrastructures in Digital Asset Markets, including Tether, Sky Protocol and Hyperliquid. Second, the authors present an empirical analysis of a digital business venture operating a SaaS infrastructure for Digital Asset Markets. Covering 2021 to 2024 the analysis examines client transactions executed via the firm’s infrastructure, trading volumes, fee levels and average full-time equivalent staffing levels. Results Output-to-Employee ratios increased disproportionately over time. By emphasizing operational throughput rather than purely revenue-based metrics, the study contributes to debates in Automation Economics, Data-Driven Business Models and Labor Productivity, providing empirical evidence of significant Output-to-Employee scaling in highly digitalized markets.
Die Kutane Leishmaniose ist eine vernachlässigte Tropenkrankheit, deren Übertragungsdynamik hochsensibel auf mikroklimatische Veränderungen reagiert [1]. Angesichts der globalen Erwärmung (Szenarien SSP2-4.5) ist eine präzise Vorhersage künftiger Risikogebiete für das Gesundheitswesen essenziell. Diese Studie stellt einen datengetriebenen Ansatz vor, um die Inzidenz der Krankheit zu modellieren. Aufgrund der hohen Datenqualität des nationalen DATASUS-Systems wird Brasilien als Modellregion für die Methodenentwicklung genutzt. Methodisch kommt ein zweistufiges Hürdenmodell ("Hurdle Model") zum Einsatz, um das Problem der vielen null-basierten Datenpunkte zu lösen. Dafür wurde ein Ensemble aus XGBoost, Random Forest und Ridge Regression auf historischen Daten (2001–2020) sowie selektierten bioklimatischen Variablen trainiert. Das Modell erzielt eine robuste Vorhersagegüte mit einem AUC-Wert von 0.89 in der Risikoklassifikation. Die Prognose für 2060 deutet auf einen Rückgang der betroffenen Gebiete hin. In den heutigen Hotspots sinken die Fallzahlen, da die Temperaturen physiologische Grenzen der Mücken überschreiten. Eine Ausbreitung in den kühleren Süden findet laut Modell kaum statt, da dort die hohe Urbanisierung als Barriere wirkt. Die Ergebnisse zeigen zudem, wie erklärbare KI mittels SHAP genutzt werden kann, um komplexe öko-epidemiologische Zusammenhänge transparent zu machen.
Der Beitrag entwickelt ein kontextspezifisches Reifegradmodell für Responsible AI (RAI) in öffentlichen Verwaltungen und adressiert damit die Lücke zwischen normativen Leitprinzipien und deren organisatorischer Umsetzung. Ausgangspunkt ist eine systematische Literaturübersicht zu RAI in Behörden, die eine persistente Diskrepanz zwischen deklarativen Ethikansprüchen und institutioneller Praxis sowie eine starke konzeptionelle Fragmentierung aufzeigt. Darauf aufbauend wird RAI in Government als interdependentes System aus normativen Prinzipien, organisationalen Kapazitäten und Governance-Mechanismen konzeptualisiert, das nur dann von symbolischer zu substanzieller Implementierung übergeht, wenn diese Dimensionen aufeinander abgestimmt sind. Methodisch folgt der Beitrag einer designwissenschaftlichen Logik: Zunächst werden die aus der Literatur abgeleiteten Dimensionen von Governance-Reife, organisationaler Lernfähigkeit und RAI-Implementierung theoretisch fundiert, anschließend werden drei etablierte Reifegradmodelle aus dem privatwirtschaftlichen Kontext (Responsible AI Institute [25], Microsoft Responsible AI Maturity Model [29], McKinsey AI Trust Maturity Model [5],) systematisch gemappt und für den Verwaltungskontext rekonstruiert. Ergebnis ist das Government RAI Maturity Model (G-RAI-MM), das RAI-Reife als progressive Angleichung von Prinzipien, Prozessen und Fähigkeiten in fünf Stufen (von symbolisch bis transformativ) beschreibt und entlang der drei Kerndimensionen normative Prinzipien, organisatorische Kapazitäten und Governance-Mechanismen operationalisiert. Der Beitrag diskutiert die Grenzen der Übertragbarkeit privatwirtschaftlicher Modelle, reflektiert die Gefahr symbolischer Governance im öffentlichen Sektor und skizziert Perspektiven für zukünftige Forschung, darunter die empirische Erprobung des Modells in Behörden und die Entwicklung standardisierter Selbst-Assessment-Instrumente.
Die Transformation zu dezentralen erneuerbaren Energiesystemen erzeugt auf regionaler Ebene ein dreifaches Transparenzdefizit: Energiedaten sind vorhanden, aber für kommunale Governance-Prozesse kaum zugänglich (Datentransparenz), Entscheidungsprozesse sind schwer nachvollziehbar (Prozesstransparenz) und KI-gestützte Analysen bleiben für Entscheidungsträger oft unverständlich (Erklärbarkeitstransparenz). Der Beitrag konzeptualisiert KI nicht als Optimierungsinstrument, sondern als vermittelnde Infrastruktur zwischen Datenlandschaft und menschlichen Entscheidungsprozessen. Methodisch folgt er dem Design-Science-Research Ansatz. Das entwickelte Acht-Phasen-Prozessmodell verankert explizite MLG-Akteursrollen und KI-Hebelstellen institutionell; eine modulare Plattformarchitektur mit dedizierter Governance-Logik-Schichat sichert die Einbettung in Entscheidungsprozesse. Am Beispiel Brandenburgs werden drei Anwendungspotenziale demonstriert: ein regionaler Energiebericht, ein Prognosemodell für Windenergieerzeugung auf Einzelanlagenebene sowie ein geplanter Ansatz zur KI-gestützten Stakeholder-Analyse. Da alle Werkzeuge auf bundesweit verfügbaren offenen Daten aufbauen, ist das Konzept auf andere Regionen mit vergleichbarer MLG-Struktur übertragbar.
Das Projekt SaiNSOR – eine Initiative des Deutschen Zentrums für Luft- und Raumfahrt (DLR) unter der Leitung des DLR-Instituts für Weltraumforschung – verfolgt das Ziel, vertrauenswürdige und KI-gestützte Datenverarbeitungsprozesse für Messsysteme zu entwickeln. Kern der Arbeit ist die Entwicklung einer modularen, domänenübergreifenden Schnittstellentechnologie, welche multimodale Sensoriken integriert, Datenverarbeitung und Sensorik eng verknüpft – insbesondere für sicherheitskritische Anwendungen – und die durch qualitative Bewertungssysteme das Vertrauen in die Datenqualität nachhaltig stärkt. Der dringende Bedarf ergibt sich aus den Herausforderungen moderner KI-Systeme: Während deren Blackbox-Charakter oft undurchsichtige Entscheidungsprozesse zur Folge haben, verlangen die strengen Vorgaben der EU-KI-Verordnung (AI Act) explizit die Bereitstellung von hochwertigen, nachvollziehbaren und transparenten Daten. Maßgeschneiderte Sensordaten sind dabei ein entscheidender Baustein, um KI-Systeme verlässlich und vertrauenswürdig zu gestalten. Bisherige Insellösungen sind mit hohem Entwicklungsaufwand verbunden. SaiNSOR löst diese Herausforderungen durch eine flexible Interface-Technologie, die es ermöglicht, multimodale Sensordaten zu generieren, zu verarbeiten und mit Qualitätsmetriken auszustatten. Damit wird die Datenqualität sichergestellt und die Interoperabilität zwischen verschiedenen Anwendungsbereichen verbessert.
