Überall entlang der Wertschöpfungskette fallen Daten an. Jeder Akteur produziert gezielt oder als Beiprodukt Daten an verschiedenen Stellen des Produktionsprozesses. Diese Daten können einen erheblichen Nutzen für die Unternehmen selbst und für die Wirtschaft als Ganzes bieten.

Branchentrends beim Data Sharing: Status Quo und Use Cases in Deutschland
Eine Publikation aus dem Projekt IEDS - Incentives and Economics of Data Sharing im Auftrag des Bundesministeriums für Bildung und Forschung (BMBF)
Institut der deutschen Wirtschaft (IW)
Überall entlang der Wertschöpfungskette fallen Daten an. Jeder Akteur produziert gezielt oder als Beiprodukt Daten an verschiedenen Stellen des Produktionsprozesses. Diese Daten können einen erheblichen Nutzen für die Unternehmen selbst und für die Wirtschaft als Ganzes bieten.
Deshalb ist es für jedes Unternehmen wichtig, in der Lage zu sein, Daten digital zu speichern, sie effizient zu managen und zu nutzen. Dann ist das Unternehmen data economy ready – es ist bereit für die Datenwirtschaft. Wer data economy ready ist, der kann besonders effizient Data Sharing betreiben. Data Sharing kann bedeuten, dass ein Unternehmen auch Daten von extern, also von anderen Unternehmen empfängt und verarbeitet. Von Data Sharing ist auch die Rede, wenn ein Unternehmen seine Daten an andere Unternehmen abgibt und diese die Daten verarbeiten.
Data Sharing kann viele Vorteile für die Unternehmen haben. Wenn Produktionsdaten von verschiedenen Akteuren der Wertschöpfungskette geteilt werden, werden Lieferketten transparent. Kommt es zu Engpässen auf vorgelagerten Stufen der Wertschöpfungskette, sind Akteure auf nachgelagerten Stufen bestenfalls in Echtzeit darüber informiert und können entsprechend automatisiert reagieren. Gleiches gilt für Nachfrageänderungen.
Derzeit sind nur wenige Unternehmen in Deutschland data economy ready (29 Prozent) und nur wenige Unternehmen betreiben Data Sharing (27 Prozent). Das zeigt diese Studie, die Ergebnisse einer Befragung unter 1.002 Unternehmen aus den Bereichen Industrie und industrienahe Dienstleistungen im Herbst 2021 auswertet.
Im Fokus dieser Studie stehen die erheblichen Unterschiede zwischen den Branchen. Während in der Branche der Informations- und Kommunikationstechnologie 47 Prozent der Unternehmen data economy ready sind, sind es bei Verkehr und Logistik nur 13 Prozent. Während 47 Prozent der Branche der Unternehmensnahen Dienstleister Data Sharing betreiben, sind es bei der Branche Sonstiges Produzierendes Gewerbe nur 14 Prozent. Diese Unterschiede basieren auch darauf, dass sich die Produkte und Geschäftsmodelle und damit das Potenzial der datenbasierten Wertschöpfung zwischen den Branchen unterscheiden.
Über alle Branchen hinweg nehmen Unternehmen zahlreiche Hemmnisse beim Data Sharing wahr. Vielen Unternehmen ist nicht klar, wie sie Nutzen aus Data Sharing ziehen können und wie ihr Geschäftsmodell zum Data Sharing passt. Orientierung bieten können die Use Cases der Dateninfrastrukturinitiative Gaia-X. Diese weisen jedoch einen starken Fokus auf den Gesundheitsbereich auf. Gelänge es, Use Cases für mehr Anwendungsbereiche zu fördern und einen Schwerpunkt auf Industriebranchen zu legen, könnten sich mehr Unternehmen von diesen angesprochen fühlen. Dann wäre es möglich, dass der Anteil der Unternehmen, die Data Sharing betreiben, über alle Branchen hinweg steigt.

Branchentrends beim Data Sharing: Status Quo und Use Cases in Deutschland
Eine Publikation aus dem Projekt IEDS - Incentives and Economics of Data Sharing im Auftrag des Bundesministeriums für Bildung und Forschung (BMBF)
Institut der deutschen Wirtschaft (IW)

Auswirkungen der Regulierung digitaler Märkte
Die EU-Staaten, das Vereinigte Königreich (UK) und China zeichnen sich durch ein hohes Ausmaß an Regulierung ihrer digitalen Märkte aus. Dabei haben die EU und das UK ihre Regulierungen in den vergangenen Jahren stark verschärft.
IW
Produktiver mit KI?: Wie Unternehmen und Beschäftigte die Produktivitätseffekte einschätzen
Bei nahezu einem Drittel aller Beschäftigten in Deutschland wurde seit 2022 mindestens eine KI-Anwendung am Arbeitsplatz neu eingeführt. Am häufigsten wird KI zur automatischen Datenverarbeitung und Texterkennung genutzt.
IW