Systematische Literaturrecherchen (SLRs) sind ein zentraler Baustein wissenschaftlicher Forschung, weil sie eine belastbare Wissensbasis schaffen, Forschungsstände strukturieren und Forschungslücken begründet ableiten. Gleichzeitig ist der Prozess in der Praxis aufwendig: Relevante Beiträge sind über heterogene Datenbanken verteilt, deren Suchsyntax, Exportformate und Metadatenqualität variieren; API-Zugänge sind häufig limitiert oder restriktiv nutzbar. Die Folge sind hohe manuelle Aufwände, Risiken für Inkonsistenzen sowie fehlende Replizierbarkeit, wenn Such- und Selektionsschritte unzureichend dokumentiert werden (vgl. vom Brocke et al., 2009). Gleichzeitig eröffnen moderne KI-Methoden (inkl. LLMs oder KI-Agenten) neue Potenziale: Sie können Teile von Screening, Metadaten-Normalisierung, thematischer Strukturierung und Zusammenfassung unterstützen. Bibliometrische/ Toolchains wie PyBibX (siehe Pereira et al., 2025) zeigen zudem, wie sich bibliometrische Analysen mit KI-gestützten Textverfahren integrieren lassen. Ziel der Projektarbeit ist die Konzeption und Implementierung eines Tools mit geeigneter Benutzeroberfläche, das Studierende und Forschende bei der Durchführung einer SLR entlang eines anerkannten Prozessmodells unterstützt und weite Teile der Identifikation, Selektion, Analyse und Ergebnisaufbereitung automatisiert, ohne die wissenschaftliche Nachvollziehbarkeit zu verlieren. Orientierungspunkt kann dabei das SLR-Prozessmodell mit 6 Schritten und 14 Entscheidungen nach Sauer & Seuring (2023) sein, ergänzt um Anforderungen an Stringenz und Dokumentation (vom Brocke et al., 2009) sowie an die inhaltliche Qualität (Webster & Watson, 2002). Tipps für die GenAI-Unterstützung können von Tingelhoff et al. (2025) entnommen werden. Generell soll eine Anforderungserhebung stattfinden, um die verschiedenen Herausforderungen und Probleme – oben nur exemplarisch dargestellt – zu analysieren und basierend darauf eine Applikation zu entwickeln, welche diese bestmöglich adressiert.

Zielsetzung: Am Ende soll das Tool automatisiert (a) eine bibliometrische Übersicht des finalen Samples und (b) eine inhaltliche Übersicht der untersuchten Themen erzeugen. Die inhaltliche Analyse kann zunächst grob über Topic Modeling (z. B. Latent Dirichlet Allocation (LDA) oder via BERTopic) erfolgen, sollte jedoch anschließend vertieft werden (z. B. durch LLM-gestützte thematische Verdichtung/Synthese), sodass eine SLR-typische Übersicht entsteht (inkl. Konzeptmatrix, Cluster/Stränge, zentrale Konstrukte, Befundmuster, Kontroversen, Forschungslücken, Theorien etc.).

• Erstellung eines Tools, was die wesentlichen Schritte einer SLR automatisiert und den Anwender bei der Durchführung einer SLR unterstützt
• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Erstellung einer umfassenden Anforderungsanalyse
• Analyse bei welchen Schritten in der SLR ein Human-in-the.Loop zwingend notwendig ist und wie dieser vom Tool einzubinden ist.

Anforderungen:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Solides hybrides/agiles Projektmanagement
• Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
• Entwicklung einer funktionstüchtigen Applikation basierend auf den Anforderungen
• Integration von fortschrittlichen KI-basierten Analyse- und Visualisierungstechniken
• Dokumentation und (Zwischen-)Präsentation

Voraussetzungen:

• Studierende der Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Erfahrungen mit systematischen Literaturrecherchen (z.B. durch Seminararbeit, Abschlussarbeit)
• Programmierkenntnisse (Python) oder Interesse, sich in Python einzuarbeiten sind von Vorteil

Literatur

• Pereira, V., Basilio, M. P., & Santos, C. H. T. (2025). PyBibX–a Python library for bibliometric and scientometric analysis powered with artificial intelligence tools. Data Technologies and Applications, 59(2), 302-337.
• vom Brocke, J., Simons, A., Niehaves, B., Niehaves, B., Reimer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the giant: On the importance of rigour in documenting the literature search process.
• Webster, J., & Watson, R. T. (2002). Analyzing the past to prepare for the future: Writing a literature review. MIS quarterly, xiii-xxiii.
• Sauer, P. C., & Seuring, S. (2023). How to conduct systematic literature reviews in management research: a guide in 6 steps and 14 decisions. Review of Managerial Science, 17(5), 1899-1933.
• Tingelhoff, F., Brugger, M., & Leimeister, J. M. (2025). A guide for structured literature reviews in business research: The state-of-the-art and how to integrate generative artificial intelligence. Journal of Information Technology, 40(1), 77-99.

To tailor the results of large language models (LLMs) to a specific user needs, a variety of adaptation mechanisms exist (e.g., fine-tuning, retrieval-augmented generation). One approach, which is implemented and offered in Anthropic’s Claude models, is the specification of so-called skills. Using a descriptive mark-up language, users can specify skills and reuse these specifications across multiple use cases. Skills can also embed code snippets written in, e.g., Python, that support users in calling deterministic algorithms via a natural-language interface. 

The specification of these skills occurs textually, potentially hampering their use by end users unfamiliar with programming and mark-up languages. To lower the entry barrier, and increase the comprehensibility and (re)usability of skills, you are asked to develop a graphical modeling language to specify LLM skills. The modeling language should be specified using the language-engineering environment XModelerML. You are also asked to develop a model-transformation tool that transforms your visual skill models into the format required by Anthropic’s Claude model.

Note that, depending on the analysis results, it may be sufficient to create a regular type-level model (e.g., UML-like class diagram) instead of creating a meta model. Students accepted for the project will be given an introduction into language engineering with the XModelerML.

Project Objectives: The project should produce the following results (the scope can be adjusted according to group size):

• A meta model that expresses the (syntax and semantics of the) required/optional specification parts of LLM skills as defined by Anthropic. The meta model should be specified using the XModelerML.
• A custom, user-friendly graphical notation for the modeling language using the Concrete Syntax Wizard of the XModelerML.
• A transformation engine (either implemented within the XModelerML or as a small stand-alone tool) that receives graphical skill models as input and can generate the required skill files for Claude as output.
• The documentation of the project results should, next to stating and justifying central design decisions, outline how a bidirectional pipeline (from skill model to skill files, and the other way around) may look like.

Project Requirements:

• Formulation of project plan
• Elicitation and analysis of requirements
• Prototypical development of new modeling language
• Evaluation of modeling language that, inter alia, outlines exemplary use cases

Prerequisites:

• Studierende der Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)

Literatur

• Anthropic (2026) The Complete Guide to Building Skills for Claude. https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf, accessed 12.03.2026
• Frank U (2013) Domain-Specific Modeling Languages: Requirements Analysis and Design Guidelines. In: Reinhartz-Berger I et al (eds). Domain Engineering: Product Lines, Languages, and Conceptual Models. Springer: Berlin, Heidelberg, pp 133–158
• Karsai G, Krahn H, Pinkernell C, Rumpe B, Schindler M, Völkel S (2009) Design Guidelines for Domain-Specific Languages. DSM '09: Proceedings of the 9th OOPSLA Workshop on Domain-Specific Modeling, pp 7–13
• Moody DL (2009) The “Physics” of Notation: Towards a Scientific Basis for Constructing Visual Notations in Software Engineering. IEEE Transactions on Software Engineering 35 (6), pp 756-779

Öffentliche Ausschreibungen stellen für Beratungs- und IT-Dienstleistungsunternehmen eine relevante Quelle für neue Projektchancen dar. Gleichzeitig ist der Zugang zu passenden Ausschreibungen in der Praxis aufwendig: Bekanntmachungen werden über unterschiedliche Portale und Datenquellen veröffentlicht, liegen in heterogenen Formaten vor, enthalten teilweise Dubletten und sind häufig nur semistrukturiert oder als längere Freitexte verfügbar. Für Unternehmen entsteht dadurch ein hoher manueller Aufwand bei der kontinuierlichen Sichtung, Bewertung und Priorisierung eingehender Ausschreibungen (Siciliani et al., 2023, 2024). Dies gilt insbesondere dann, wenn nicht nur formale Kriterien, sondern auch fachliche Eignung, Branchenbezug und Projekterfahrung berücksichtigt werden sollen. Die Forschung zeigt, dass insbesondere fokussiertes Crawling, Information Extraction und semantische Analyse geeignet sind, um öffentliche Beschaffungsdokumente systematisch aufzubereiten und verwertbar zu machen (vgl. Bifulco et al., 2021). Zugleich reichen einfache Schlagwortsuchen für die Vorqualifizierung oft nicht aus, weil relevante Anforderungen und Unternehmenskompetenzen sprachlich unterschiedlich formuliert sein können. Verfahren der semantischen Textähnlichkeit und des informationsgetriebenen Matchings bieten daher eine geeignete Grundlage, um den „Fit“ zwischen Ausschreibung und Unternehmensprofil belastbarer zu bewerten.

Vor diesem Hintergrund adressiert das Projekt die Frage, wie ein nachvollziehbarer End-to-End-Prozess gestaltet werden kann, der öffentliche (IT-)Ausschreibungen automatisiert aus geeigneten Quellen extrahiert, Dubletten entfernt, inhaltlich analysiert und auf Basis eines strukturierten Unternehmensprofils für einen Praxispartner vorqualifiziert. Das Unternehmensprofil umfasst unter anderem bisherige Projekte, Beratungsschwerpunkte wie Handel, Stammdatenmanagement, RPA, HR-Beratung und Digitalisierung, relevante Kompetenzen sowie Stammdaten des Unternehmens. Geeignete Ausgangsquellen sind beispielsweise offizielle Ausschreibungsportale wie TED und service.bund.de.

Darauf aufbauend soll eine generative KI einen ersten Antwort- bzw. Angebotsentwurf erstellen, der sich an hinterlegten Unternehmensinformationen orientiert und zentrale Anforderungen der Ausschreibung adressiert. Da Unternehmensdaten in der Praxis unvollständig oder veraltet sein können, ist zusätzlich ein Human-in-the-loop-Ansatz erforderlich (vgl. Meng, 2023): Mitarbeitende sollen den generierten Entwurf prüfen, fehlende Angaben ergänzen und Unternehmensinformationen gezielt aktualisieren. Diese validierten Informationen sollen persistiert werden, sodass eine belastbare Wissensbasis für spätere Ausschreibungen entsteht. Methodisch bietet sich eine Design-Science-Research-orientierte Vorgehensweise an (z. B. Tuunanen et al., 2024), da nicht nur ein technisches Artefakt entwickelt, sondern auch dessen Nutzen, Nachvollziehbarkeit und Grenzen untersucht werden sollen.

Zielsetzung: Ziel des Projekts ist die Konzeption, prototypische Entwicklung und Evaluation einer KI-gestützten Lösung, die den Prozess von der Ausschreibungsfindung bis zum qualitätsgesicherten Antwortvorschlag für den Praxispartner integriert unterstützt. Die Qualität des Frontends steht dabei nicht im Vordergrund.

Am Ende des Projekts soll ein funktionstüchtiger Prototyp vorliegen, der

• öffentliche Ausschreibungen regelmäßig aus mindestens einer geeigneten Quelle extrahiert,
• Dubletten erkennt und entfernt,
• relevante Ausschreibungen auf Basis eines strukturierten Unternehmensprofils priorisiert,
• einen ersten KI-gestützten Antwort- bzw. Angebotsentwurf erzeugt und
• validierte Unternehmensinformationen persistent speichert
• in Python mit gängigen librarys programmiert wurde
• Die Anwendung als gekapselter Docker-basierter Microservice ermöglicht
• Offene, nicht beantwortete Fragestellungen an den Nutzer ausgibt und die Antworten persistent speichert

Anforderungen:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Erstellung einer Anforderungsanalyse für den End-to-End-Prozess der Ausschreibungsidentifikation, Vorqualifizierung und Angebotsvorbereitung
• Anforderungserhebung mit relevanten Stakeholdern des Praxispartners sowie Ableitung eines fachlichen und technischen Zielbilds
• Solides hybrides/agiles Projektmanagement inklusive Product Backlog und Priorisierung
• Entwicklung eines funktionstüchtigen Prototyps für Crawling, Matching und KI-gestützte Antwortgenerierung
• Dokumentation von Datenmodell, Matching-Logik, Prompting-/Grounding-Ansatz sowie Human-in-the-loop-Konzept
• Evaluation des Artefakts anhand geeigneter Qualitätskriterien, z. B. Relevanz der Vorschläge, Transparenz, Nutzbarkeit und Zeitersparnis

Voraussetzungen:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Programmierkenntnisse in Python oder die Bereitschaft, sich in Python-basierte Web- und NLP-Entwicklung einzuarbeiten

Literatur

• Bifulco, I., Cirillo, S., Esposito, C., Guadagni, R., & Polese, G. (2021). An intelligent system for focused crawling from Big Data sources. Expert Systems with Applications, 184, 115560.
• Meng, X. L. (2023). Data science and engineering with human in the loop, behind the loop, and above the loop. Harvard Data Science Review, 5(2).
• Siciliani, L., Taccardi, V., Basile, P., Di Ciano, M., & Lops, P. (2023). AI-based decision support system for public procurement. Information systems, 119, 102284.
• Siciliani, L., Ghizzota, E., Basile, P., & Lops, P. (2024). OIE4PA: open information extraction for the public administration. Journal of Intelligent Information Systems, 62(1), 273-294.
• Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

Die Enterprise Resource Planning (ERP) Landschaft steht angesichts steigender Dynamik, wachsender Integrationskomplexität und zunehmender Cloudisierung (Schütte & Kari, 2025) vor einem Umbruch: Klassische, historisch gewachsene Monolith-Systeme sind häufig schwer anpassbar, erzeugen Medienbrüche und erfordern einen hohen Ressourceneinsatz zur Anpassung. Insbesondere Individualisierungen stellen eine enorme Herausforderung vor dem Hintergrund der Cloud-First-Strategien führende ERP-Systemanbieter dar (Schütte, 2024). Vor diesem Hintergrund verfolgt die Everest-Systems GmbH (https://everest-systems.com) einen bewusst radikal neuen, KI-nativen ERP-Ansatz, der ERP-Entwicklung nicht als fortlaufende Pflege eines monolithischen Bestands versteht, sondern als modulare, Clean-Core-orientierte Produktplattform, in der generative künstliche Intelligenz (GenAI) nicht “obenauf” gesetzt wird, sondern als Fähigkeit im Systemkern verankert ist. Damit entsteht eine neuartige Entwicklungsperspektive: Statt Anforderungen nur manuell in Spezifikationen und Implementierungen zu überführen, rückt die GenAI-gestützte Konzeption und Entwicklung ganzer Module/Komponenten in Reichweite (Schütte & Kari, 2024) – was Entwicklungszeiten verkürzt und die Brücke zwischen Fachbereich und Entwicklung neu definiert. 

Auch in modernen ERP-Systemen stellen hoch-qualitative Stammdaten das Fundament für erfolgreiche Geschäftsprozesse dar (Vilminko-Heikkinen & Pekkola, 2017). Stammdaten repräsentieren die grundlegenden, selten veränderten Daten in einem ERP-System dar (Otto et al., 2011). Im Rahmen dieses praxisgetriebenen Projektes soll eine ERP-Komponente entwickelt werden, mit der Artikelstammdaten erfasst werden können. Die Erfassung soll unter Einhaltung der Datenqualitätsanforderungen des Kunden auch für wenig versierte Systemnutzer möglich sein. Zugleich soll die Systemkomponente die Anlage von Dubletten durch einen Abgleich mit der vorliegenden Grundgesamtheit des Artikelstamms verhindern. Die Erfassten Artikelstammdaten sollen in der bestehenden IT-Systemlandschaft des Kunden verteilt werden.

In Kooperation mit der Everest-Systems GmbH adressiert das Projekt daher die praxisgetriebene Problemstellung, wie in einem innovativen, GenAI-gestützten ERP-Entwicklungssetting eine intelligente Stammdaten-Erfassungskomponente so entworfen werden kann, dass sie Clean-Core-Prinzipien respektiert, möglichst benutzerfreundlich gestaltet ist, die hohen Qualitätsanforderungen an Artikelstammdaten des Kunden erfüllt und Dublettenfreiheit garantiert. Methodisch wäre eine Orientierung am eDSR-Modell empfehlenswert (siehe Tuunanen et al., 2024), um Designwissen abzuleiten.

Als Ausgangsbasis wird Studierenden empfohlen, vor der Projektbewerbung das Everest-Video zur GenAI-Funktionalität zu betrachten (https://www.youtube.com/watch?v=sH4fSNrJRHs ). Mit einem Gmail-Account kann auch im Rahmen der freien Testversion das GenAI-System bis zum UI-Prototyp getestet werden (siehe https://tinyurl.com/yjnvtjwv).

Zielsetzung: Ziel des Projekts ist die Requirements Engineering-getriebene Konzeption und prototypische Ausgestaltung einer innovativ neuen Stammdaten-Erfassungs-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei hochqualitative, dublettenfreie und benutzerfreundliche Anlage von Artikelstammdaten als Designprinzip im Mittelpunkt steht. 

• Validiertes Requirements-Set (eDSR-orientiert) inkl. Funktionaler/nicht-funktionaler Anforderungen
• GenAI-Epics & User-Stories mit kritischem Qualitäts- und Risiko-Review sowie Anpassung
• Nachvollziehbares Lösungsdesign
• Benutzerfreundliches Design und Erfüllung der Kundenanforderungen
• Integration in eine (fiktive) IT-Systemlandschaft

Anforderungen:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Anforderungserhebung mit Stakeholdern und Ableitung relevanten Designwissens im Rahmen des eDSR-Modells
• Solides hybrides/agiles Projektmanagement
• Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
• Entwicklung einer funktionstüchtigen Stammdaten-Komponente basierend auf den Anforderungen

Voraussetzungen:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

Literatur

• Otto B, Kokemüller J, Weisbecker A, Gizanis D (2011) Stammdatenmanagement: Datenqualität für Geschäftsprozesse. HMD Prax der Wirtschaftsinformatik 48:5–16.
• Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
• Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
• Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
• Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.
• Vilminko-Heikkinen R, Pekkola S (2017) Master data management and its organizational implementation: An ethnographical study within the public sector. J Enterp Inf Manag 30:454–475.

Die Enterprise Resource Planning (ERP) Landschaft steht angesichts steigender Dynamik, wachsender Integrationskomplexität und zunehmender Cloudisierung (Schütte & Kari, 2025) vor einem Umbruch: Klassische, historisch gewachsene Monolith-Systeme sind häufig schwer anpassbar, erzeugen Medienbrüche, und erfordern einen hohen Ressourceneinsatz zur Anpassung. Insbesondere Individualisierungen stellen eine enorme Herausforderung der zu Grunde liegenden Softwaretechnologie dar (Schütte, 2024). Vor diesem Hintergrund verfolgt die Everest Systems GmbH (https://everest-systems.com) einen bewusst radikal neuen, KI-nativen ERP-Ansatz, der ERP-Entwicklung nicht als fortlaufende Pflege eines monolithischen Bestands versteht, sondern als modulare, Clean-Core-orientierte Produktplattform, in der generative künstliche Intelligenz (GenAI) nicht “obenauf” gesetzt wird, sondern als Fähigkeit im Systemkern verankert ist. Damit entsteht eine neuartige Entwicklungsperspektive: Statt Anforderungen nur manuell in Spezifikationen und Implementierungen zu überführen, rückt die GenAI-gestützte Konzeption und Entwicklung ganzer Module/Komponenten in Reichweite (Schütte & Kari, 2024) – was Entwicklungszeiten verkürzt und die Brücke zwischen Fachbereich und Entwicklung neu definiert. Gerade im HR-Kontext ist dieser Paradigmenwechsel besonders relevant, weil hier neben administrativen Standardprozessen (z. B. Vertragsabrechnung, Payroll, Zeiterfassung, Personalstammdatenpflege, etc.) hohe Kontextvariabilität und sensible personenbezogene Daten zu adressieren sind. Gleichzeitig verschiebt sich die strategische Rolle von HRIS: Statt Mitarbeitende primär als „Nummer“ zu verwalten, rückt die Fähigkeit in den Vordergrund, Kompetenzen sichtbar zu machen, Kompetenzlücken zu identifizieren und Weiterentwicklung systematisch zu unterstützen – Potenziale, die in vielen bestehenden HRIS trotz verfügbarer Technologien bislang nur begrenzt ausgeschöpft werden (Harr et al., 2025). In Kooperation mit der Everest-Systems GmbH adressiert das Projekt daher die Problemstellung, wie in einem innovativen, GenAI-gestützten ERP-Entwicklungssetting eine intelligente HRIS-Komponente so entworfen werden kann, dass sie Clean-Core-Prinzipien respektiert, kompetenzzentrierte Wertschöpfung ermöglicht und Anforderungen methodisch belastbar absichert. Methodisch wäre eine Orientierung am eDSR-Modell empfehlenswert (siehe Tuunanen et al., 2024), um Designwissen abzuleiten.

Als Ausgangsbasis wird Studierenden empfohlen, vor der Projektbewerbung das Everest-Video zur GenAI-Funktionalität zu betrachten (https://www.youtube.com/watch?v=sH4fSNrJRHs ). Mit einem Gmail-Account kann auch im Rahmen der freien Testversion das GenAI-System bis zum UI-Prototyp getestet werden (siehe https://tinyurl.com/yjnvtjwv).

Zielsetzung: Ziel des Projekts ist die Requirements Engineering-getriebene Konzeption und prototypische Ausgestaltung einer innovativ neuen HRIS-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei Kompetenzen der Mitarbeitenden und deren Weiterentwicklung als zentrales Designprinzip im Mittelpunkt stehen.

• Validiertes Requirements-Set (eDSR-orientiert) inkl. Funktionaler/nicht-funktionaler Anforderungen
• GenAI-Epics & User-Stories mit kritischem Qualitäts- und Risiko-Review sowie Anpassung
• Nachvollziehbares Lösungsdesign

Anforderungen: 

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Anforderungserhebung mit Stakeholdern und Ableitung relevanten Designwissens im Rahmen des eDSR-Modells
• Solides hybrides/agiles Projektmanagement
• Erstellung von Anforderungsanalysen, Product Backlog und Priorisierungen
• Entwicklung einer funktionstüchtigen HRIS-Komponente basierend auf den Anforderungen

Voraussetzungen:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

Literatur

• Harr, M. D., Obertreis, H., & Schütte, R. (2025). Quo Vadis Human Resource Information Systems: von einem administrativen Prozess-hin zu einem strategischen Kompetenzverständnis. HMD Praxis der Wirtschaftsinformatik, 62(1), 118-133.
• Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
• Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
• Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
• Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

Enterprise systems (ES) are critical for supporting business processes and organizational decision-making (Schütte & Kari, 2025). Within these systems, dashboards serve as key interfaces for monitoring organizational performance by providing an overview of relevant business metrics, such as key performance indicators (KPIs; Noonpakdee et al., 2018). However, many existing enterprise dashboards primarily focus on visualizing data rather than supporting users in interpreting the information or deriving actionable recommendations. Consequently, users often need to identify anomalies and trends in KPIs and determine potential problems as well as their underlying causes on their own. As a result, dashboards often provide only limited support for decision-making. At the same time, recent technological developments, particularly the increasing integration of artificial intelligence (AI) into ES, are fundamentally reshaping both system architectures and interaction paradigms.

For instance, the startup Everest Systems GmbH (https://everest-systems.com) has been developing an AI-native ERP solution that enables business users to specify business processes from a conceptual perspective, while AI supports in defining requirements and automatically generates the corresponding code. Such systems enable new forms of AI-assisted decision support, for example, through proactive alerts, automated KPI interpretations, or contextual recommendations. Particularly in light of increased data complexity and the growing integration of machine learning models in application systems, prior research argues that “user interfaces must evolve from static dashboards to dynamic, adaptive environments enabling real-time exploration, transparency, and trust” (Dritsas et al., 2025, p. 61). In cooperation with Everest Systems GmbH, this project provides the opportunity to design, implement, and evaluate different UI features for AI-assisted decision support in enterprise dashboards.

Project Objectives: The goal of this project is to design, implement, and evaluate UI features that enable AI-assisted decision support in enterprise dashboards. More specifically, the project aims to:

• Identify UI features for AI-assisted decision support in the literature and industry
• Implement different dashboard-versions with identified UI features using the ERP platform provided by Everest Systems
• Evaluate the different UI features through a survey to assess the perceived usefulness and usability

The steps for achieving these goals should be based on the Design Science Research Methodology by Peffers et al. (2014).

Project Requirements:

• Development of a project plan and assignment of tasks to group members
• Hybrid/Agile project management
• Requirements gathering, analysis, and a derived product backlog with prioritizations
• Implementation of dashboards with different UI features
• Thorough documentation of the development process
• Designing and conducting a survey
• Critical reflection on AI-assisted decision-making for the respective UI features and the experiences gained with AI-based software development

Prerequisites:

• Students of the Faculty of Computer Science in the Bachelor’s programs in Business Informatics or Software Engineering with at least 90 CP or in the Master’s program (standard/compulsory)

Literatur

• Dritsas, E., Trigka, M., Vonitsanos, G., & Mylonas, P. (2025). Human-Computer Interaction in the Big Data Era: Systems, Cognition, and Interactive Intelligence. In CHIGreece ’25: Proceedings of the 3rd International Conference of the ACM Greek SIGCHI Chapter. https://doi.org/10.1145/3749012.3749070
• Noonpakdee, W., Khunkornsiri, T., Phothichai, A., & Danaisawat, K. (2018). A Framework for Analyzing and Developing Dashboard Templates for Small and Medium Enterprises. 2018 5th International Conference on Industrial Engineering and Applications (ICIEA), 479–483. https://doi.org/10.1109/iea.2018.8387148
• Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/mis0742-1222240302
• Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems – State of the Art und Herausforderungen für Unternehmen. HMD Praxis Der Wirtschaftsinformatik, 62(1), 5–24. https://doi.org/10.1365/s40702-025-01141-3

Unternehmen integrieren zunehmend KI-basierte Funktionen in ihre Unternehmenssysteme, beispielsweise zur Inhaltserstellung, Entscheidungsunterstützung oder Prozessassistenz. Der Erfolg solcher Funktionen lässt sich jedoch nicht hinreichend über reine Nutzungszahlen erfassen. In der IS-Forschung gilt Nutzung seit Langem nicht als hinreichender Erfolgsindikator, da sie zwar sichtbar macht, dass ein System verwendet wird, aber nicht, ob es als nützlich wahrgenommen wird, Akzeptanz erzeugt oder zu positiven Nettoeffekten führt (Davis, 1989; DeLone & McLean, 2003; Venkatesh et al., 2003).

Damit ergibt sich eine Forschungslücke hinsichtlich bewertungsorientierter Metriken für neue KI-Funktionalitäten, die über reine Nutzungskennzahlen hinausgehen und Akzeptanz sowie tatsächliche Wirkung im Arbeitskontext abbilden. Gerade bei neuen KI-Funktionalitäten kann eine hohe Nutzung zunächst auf Sichtbarkeit und operative Anschlussfähigkeit hindeuten, ohne dass daraus nachhaltige Produktivitätsgewinne folgen. Produktivitätseffekte digitaler Technologien und insbesondere von KI entstehen typischerweise nicht automatisch durch Bereitstellung oder Nutzung allein, sondern hängen von komplementären Investitionen, organisationaler Anpassung, Prozessintegration und Lernprozessen ab. Hinter intensiver Nutzung können sich daher auch verdeckte Aufwände oder ausbleibende Nettoeffekte verbergen, etwa zusätzlicher Prüf- und Korrekturaufwand, unzureichende Einbettung in Arbeitsabläufe oder eine Nutzung, die zwar häufig ist, aber keine entsprechende Verbesserung der Arbeitsergebnisse erzeugt (in Anlehnung an Brynjolfsson, Rock, & Syverson, 2021).

Für eine fundierte Bewertung neuer KI-Funktionen genügt es daher nicht, Nutzung zu messen. Erforderlich ist vielmehr eine integrierte Betrachtung von Nutzungsintensität, wahrgenommener Nützlichkeit, Vertrauen und den tatsächlich erzielten Wirkungen im Arbeitskontext. Vor diesem Hintergrund zielt das Projekt auf die Konzeption und prototypische Entwicklung eines Dashboards, das Nutzungsdaten mit zentralen Akzeptanzindikatoren und Wirkungskriterien verbindet und damit eine fundiertere Bewertung der Einführung neuer KI-Funktionen in Unternehmenssystemen ermöglicht.

Zielsetzung: Ziel des Projekts ist die Konzeption und prototypische Entwicklung eines Dashboards, das Nutzungsintensität und Akzeptanz neuer KI-Funktionen in Unternehmenssystemen integriert abbildet und dadurch eine fundierte Steuerung von Einführung, Rollout und Weiterentwicklung unterstützt. Am Ende des Projekts soll ein nachvollziehbar konzipierter und prototypisch ausgearbeiteter Dashboard-Ansatz vorliegen, der relevante Nutzungs- und Akzeptanzindikatoren in geeigneter Weise zusammenführt und adressatengerecht visualisiert.

• Anforderungsanalyse für ein Dashboard zur Messung von Nutzung und Akzeptanz neuer KI-Funktionen
• Entwicklung eines Mess- und Visualisierungskonzepts
• Prototypische Umsetzung eines Dashboards
• Bewertung der Aussagekraft und Grenzen des Artefakts

Anforderungen:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Anforderungserhebung mit relevanten Stakeholdern und Ableitung relevanten Designwissens
• Erstellung einer Anforderungsanalyse inklusive funktionaler und nicht-funktionaler Anforderungen
• Entwicklung eines fachlichen Messkonzepts für Nutzungsintensität und Akzeptanz neuer KI-Funktionen
• Konzeption geeigneter Kennzahlen, Datenquellen und Visualisierungslogiken
• Entwicklung eines funktionstüchtigen Dashboard-Prototyps oder klickbaren UI-Prototyps basierend auf den Anforderungen
• Kritische Reflexion von Aussagekraft, Grenzen und Einsatzbedingungen des entwickelten Artefakts

Voraussetzungen:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

Literatur

• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
• DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9-30.
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333-372.

The enterprise resource planning (ERP) landscape is facing radical change in the face of increasing dynamism, growing integration complexity, and increasing cloudification (Schütte & Kari, 2025): Classic, historically grown monolithic systems are often difficult to adapt, create media breaks, and require a high level of resources for adaptation. Customization in particular poses an enormous challenge for the underlying software technology (Schütte, 2024). Against this backdrop, Everest-Systems GmbH is pursuing a deliberately radical new, AI-native ERP approach that views ERP development not as the ongoing maintenance of a monolithic inventory, but as a modular, clean-core-oriented product platform in which generative artificial intelligence (GenAI) is not placed “on top” but is anchored as a capability in the system core. This opens up a new development perspective: instead of simply converting requirements manually into specifications and implementations, GenAI-supported design and development of entire modules/components is now within reach (Schütte & Kari, 2024) – shortening development times and redefining the bridge between specialist departments and development. However, the evaluation of those modules is still up to the stakeholder and customers. This paradigm shift is particularly relevant in the HR context because, in addition to standard administrative processes (e.g., contract billing, payroll, time recording, personnel master data maintenance, etc.), high context variability and sensitive personal data must be addressed. At the same time, the strategic role of HRIS is shifting: instead of primarily managing employees as “numbers,” the focus is shifting to the ability to make skills visible, identify skill gaps, and systematically support further development – potential that has so far only been exploited to a limited extent in many existing HRIS systems, despite the available technologies (Harr et al., 2025). In cooperation with Everest-Systems GmbH, the project therefore addresses the problem of how an intelligent HRIS component can be designed in an innovative, GenAI-supported ERP development setting in such a way that it respects clean core principles, enables competence-centered value creation, and methodically ensures requirements are met. Methodologically, it would be advisable to use the eDSR model (see Tuunanen et al., 2024) as a guide for deriving design knowledge.

As a starting point, students are advised to watch the Everest video on GenAI functionality (https://www.youtube.com/watch?v=sH4fSNrJRHs) before applying for the project. With a Gmail account, the GenAI system can also be tested up to the UI prototype as part of the free trial version (see https://tinyurl.com/yjnvtjwv ).

Project Objectives: Ziel des Projekts ist die Konzeption, prototypische Ausgestaltung und umfassende Evaluation einer innovativ neuen HRIS-Komponente für ein ERP-Clean-Core-System in Kooperation mit Everest-Systems, wobei Kompetenzen der Mitarbeitenden und deren Weiterentwicklung als zentrales Designprinzip im Mittelpunkt stehen.

• Angemessenes Set an Anforderungen und Spezifikation
• Umfassende Evaluation der Anwendung inkl. Funktionalitätstest, Interviews mit Stakeholdern (Proof of Value)
• Kritische Betrachtung des entwickelten Artefakts

Requirements:

• Erstellung eines Projektplans und Verteilung der Aufgaben auf die Gruppenmitglieder
• Anforderungserhebung mit Stakeholdern
• Evaluation der entwickelten Applikation durch umfassende Analyse des Proof of Value
• Entwicklung einer funktionstüchtigen HRIS-Komponente basierend auf den Anforderungen

Prerequisites:

• Studierende der Fakultät für Informatik der Studiengänge Wirtschaftsinformatik oder Software Engineering im Bachelor mit mindestens 90 CP oder im Master (Standard/Pflicht)
• Grundsätzliches Interesse sich mit GenAI-basierter Entwicklung auseinanderzusetzen

Literatur

• Harr, M. D., Obertreis, H., & Schütte, R. (2025). Quo Vadis Human Resource Information Systems: von einem administrativen Prozess-hin zu einem strategischen Kompetenzverständnis. HMD Praxis der Wirtschaftsinformatik, 62(1), 118-133.
• Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
• Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
• Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
• Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.

The enterprise resource planning (ERP) landscape is facing radical change in the face of increasing dynamism, growing integration complexity, and increasing cloudification (Schütte & Kari, 2025): Classic, historically grown monolithic systems are often difficult to adapt, create media breaks, and require a high level of resources for adaptation. Customization in particular poses an enormous challenge for the underlying software technology (Schütte, 2024). Against this backdrop, Everest-Systems GmbH is pursuing a deliberately radical new, AI-native ERP approach that views ERP development not as the ongoing maintenance of a monolithic inventory, but as a modular, clean-core-oriented product platform in which generative artificial intelligence (GenAI) is not placed “on top” but is anchored as a capability in the system core. This opens up a new development perspective: instead of simply converting requirements manually into specifications and implementations, GenAI-supported design and development of entire modules/components is now within reach (Schütte & Kari, 2024) – shortening development times and redefining the bridge between specialist departments and development. However, the evaluation of those modules is still up to the stakeholder and customers. This paradigm shift is particularly relevant in the context of pricing management. Pricing is one of the most strategically critical levers in retail and product management. Yet most ERP systems still treat it as a static, manually maintained parameter rather than an intelligent, data-driven capability. Dynamic markets, volatile demand, and increasing competitive pressure demand pricing components that can adapt in real time, anticipate demand shifts, and execute pre-defined strategies autonomously. These requirements are difficult to meet in monolithic ERP architectures, but represent an ideal application case for the modular, GenAI-native approach that Everest pursues. The implementation of this project should consider the pricing management process proposed by Simon & Fassnacht (2016).

In cooperation with Everest Systems GmbH, students will therefore develop a Pricing Management Prototype that covers three core functionalities: (1) dynamic adjustment of product prices through a user-friendly interface, (2) AI-generated demand forecasts that estimate expected sales volumes based on pricing decisions, and (3) automated execution of pre-configured pricing strategies, which need to be identified through literature or industry research, triggered by defined rules or thresholds. GenAI plays a dual role: as a development tool, supporting requirements specification and UI prototyping via Everest's AiSpecify approach, and as a runtime capability, powering demand forecasting explanations and pricing recommendations through natural language interaction. The prototype must respect clean-core principles, ensuring the pricing component remains modular and decoupled from the ERP core. Methodologically, students are advised to follow the eDSR model (Tuunanen et al., 2024) as a guide for deriving and evaluating design knowledge across iterative prototype cycles.

As a starting point, students are advised to watch the Everest video on GenAI functionality (https://www.youtube.com/watch?v=sH4fSNrJRHs ) before applying for the project. With a Gmail account, the GenAI system can also be tested up to the UI prototype as part of the free trial version (see https://tinyurl.com/yjnvtjwv ).

Project Objectives: The goal of this project is to design, implement, and evaluate features that are based on the price management process and enable retailers to closely monitor their own strategy and prices within dynamic markets:

• Identify pricing strategies, their core components, and influencing factors in the literature and industry.
• Application Implementation and Evaluation including Proof of Value
• Critical reflection of the artefact

Project Requirements:

• Development of a project plan and assignment of tasks to group members
• Derivation of requirements and adherence to requirements engineering
• Thorough documentation of the development process
• Designing and execution of an evaluation strategy
• Functional application supporting the price management process

Prerequisites:

• Students of the Faculty of Computer Science in the Bachelor’s programs in Business Informatics or Software Engineering with at least 90 CP or in the Master’s program (standard/compulsory)

Literatur

• Schütte, R., & Kari, M. (2025). Cloud Enterprise Systems–State of the Art und Herausforderungen für Unternehmen. HMD Praxis der Wirtschaftsinformatik, 62(1), 5-24.
• Schütte, R., & Kari, M. (2024). Das Leistungspotential der Künstlichen Intelligenz im 21. Jahrhundert–eine Analyse unter Berücksichtigung von Machine Learning und seinem Einsatz in modernen ERP-Systemen. In Produktions- und Informationsmanagement: Festschrift für Prof. Dr. Stephan Zelewski (pp. 389-441). Wiesbaden: Springer Fachmedien Wiesbaden.
• Schütte, R. (2024). The next generation of ERP systems: problems of traditional ERP-Systems and the next wave of really standardized ERP-Systems. Informing Possible Future Worlds-Essays in Honour of Ulrich Frank; Logos Verlag Berlin: Berlin, Germany, 427-451.
• Simon, M. F. H., & SCHMI, A. K. (2016). Preismanagement. Springer Fachmedien Wiesbaden.
• Tuunanen, T., Winter, R., & Brocke, J. V. (2024). Dealing with complexity in design science research: A methodology using design echelons. MIS quarterly, 48(2), 427-458.