Jonas Hödl

• Die vorliegende Masterarbeit untersucht, wie sich generative Künstliche Intelligenz (KI) gezielt in den kreativen Problemlösungsprozess integrieren lässt, um insbesondere bei der Suche und Auswahl potenzieller Innovationen einen Mehrwert zu schaffen. Auf Basis der Kreativitäts- und Innovationsforschung wird zunächst der Design Thinking Double Diamond als Grundgerüst herangezogen und um Lösungsheuristiken wie TRIZ, Bionik und Geschäftsmodellmuster ergänzt. Anschließend wird ein modularer Ansatz zur KI-Integration präsentiert, der die Phasen Discover, Define, Develop und Deliver durch spezifische KI-Module unterstützt. Empirisch validiert wird dieser Ansatz in einer Fallstudie mit dem Unternehmen niceshops, in dem drei Innovationsworkshops mithilfe des modularen Ansatzes zur KI-Integration durchgeführt wurden. Die qualitativen Ergebnisse zeigen, dass die KI sowohl den Problemraum (breiteres und tieferes Verständnis)als auch den Lösungsraum (breitere Ideensuche) erweitert und iterative Schleifen im Kreativprozessbeschleunigt. Jedoch bleiben menschliche Expertise und Kontexteinbindung von zentraler Bedeutung. Die KI generiert zwar rasch kreative Ideen, jedoch müssen diese Ergebnisse stets auf praktische Relevanz und Machbarkeit geprüft und angepasst werden. Auf diese Weise entsteht ein „Flywheel-Effekt“, bei dem Mensch und KI gegenseitig voneinander lernen und sich der Nutzen der Ideen mit jeder Iteration verbessert. Die Arbeit leitet daraus eine konkrete Handlungsempfehlung ab, wie der entwickelte Prototyp schrittweiseweiterentwickelt werden kann, um die Suche nach Innovationen effizienter zu gestalten und gleichzeitig die Autonomie und Akzeptanz der menschlichen Akteur*innen zu erhalten.
• This Master’s thesis explores how generative Artificial Intelligence (AI) can be systematically integrated intocreative problem-solving processes, with a particular focus on identifying and selecting potential innovations. Drawing on literature in creativity and innovation research, the Design Thinking Double Diamond serves as the primary process framework, enhanced by established solution heuristics such asTRIZ, bionics, and business model patterns. A modular concept for AI integration is then introduced, aligning the Discover, Define, Develop, and Deliverphases with dedicated AI modules. This concept is empirically validated through a case study conductedat niceshops, where three innovation workshops were supported by generative AI. Qualitative findingsindicate that AI can expand both the problem space (e.g., more comprehensive and deeper exploration)and the solution space (e.g., broader idea generation), while also accelerating iterative cycles within creative processes. Nevertheless, human expertise and contextual knowledge remain essential. AlthoughAI delivers creative ideas at high speed, these outputs need to be critically evaluated and adapted forpractical relevance and feasibility. This dynamic creates a “flywheel effect,” in which humans and AI learn from one another and the quality of results improves with each iteration.Based on these insights, the thesis presents actionable recommendations for implementing AI modules in a stepwise fashion, improving the search for potential innovations while preserving human acceptance.