Künstliche Intelligenz (KI) ist gerade dabei, unsere Gesellschaft und Wirtschaft fundamental zu verändern. Unternehmen investieren große Geldsummen in den Aufbau entsprechender Kompetenzen und die Entwicklung von Prototypen, mit dem Ziel, KI in ihre Produkte und Dienstleistungen zu integrieren oder aber auch ihre internen Unternehmensprozesse damit anzureichern und zu verbessern. Hierdurch haben zwangsläufig Unternehmens- aber auch Privatanwender Kontakt mit einer Technologie, welche im Kern anders funktioniert als traditionelle Software. Die Möglichkeit, durch maschinelles Lernen auf der Basis großer Datenmengen präzise Modelle zu erzeugen, die in der Lage sind, Muster in diesen Daten zu erkennen, birgt große ökonomische und gesellschaftliche Potenziale – beispielsweise in der Augmentation und Automatisierung von Aufgaben aber auch in der medizinischen Diagnostik und der Entwicklung von Medikamenten. Allerdings stehen Unternehmen und Anwender gleichzeitig auch vor neuen Herausforderungen, die mit der Einführung dieser Technologie einhergehen. So kämpfen Unternehmen unter anderem damit, die großen Datenmengen zu verwalten und Werte daraus zu generieren. Gleichzeitig fürchten Angestellte um ihre Jobs durch die zunehmende Automatisierung. Um unsere Gesellschaft besser auf die wachsende Durchdringung des Alltags durch KI-basierte Informationssysteme vorzubereiten, wird ein tiefergehendes Verständnis dieser Technologie hinsichtlich organisationaler und individueller Nutzung benötigt. Motiviert durch die vielen neuen Herausforderungen und Fragestellungen für Theorie und Praxis, die sich durch KI-basierte Informationssysteme ergeben, werden in dieser Arbeit verschiedene Forschungsfragen im Hinblick auf die Nutzung solcher Informationssysteme adressiert – sowohl aus Anwenderperspektive als auch aus organisationaler Perspektive. Insgesamt wurden fünf Studien durchgeführt und publiziert: zwei Studien aus der Perspektive von Unternehmen sowie drei Studien unter Anwendern. Die Ergebnisse der durchgeführten Untersuchungen tragen zum aktuellen Stand der Forschung bei und stellen eine Basis für zukünftige Studien dar. Zudem ermöglichen die herausgearbeiteten Erkenntnisse das Ableiten von Handlungsempfehlungen für Unternehmen, welche KI in ihre Produkte, Dienste oder Unternehmensprozesse integrieren wollen. Im Rahmen des ersten Forschungsartikels (Forschungspapier A) wurde untersucht, welche Faktoren und Voraussetzungen den Erfolg bei der Einführung und Annahme von künstlicher Intelligenz beeinflussen. Basierend auf dem „Technologie-Organisation-Environment-Framework“ wurden durch die Analyse von Experteninterviews mit Managern, die Erfahrungen im Bereich KI gesammelt haben, verschiedene Faktoren in den Kategorien Technologie, Organisation und Umwelt identifiziert und validiert. Die Ergebnisse zeigen, dass vor allem Faktoren in Zusammenhang mit den Daten (insb. Verfügbarkeit, Qualität) sowie im Umgang mit KI-Projekten (insb. Projektmanagement, Anwendungsfälle) hinzugekommen sind, aber auch regulatorische Faktoren wie die Unsicherheit durch die Datenschutzgrundverordnung zu berücksichtigen sind. Der Fokus von Forschungspapier B liegt darin, zu untersuchen, aus welchen Beweggründen Unternehmen Data Science Wettbewerbe auf Online Plattformen veranstalten und welche Faktoren deren Erfolg beeinflussen. Bestehende Forschung hat gezeigt, dass zur Durchführung von KI-Projekten Mitarbeiter mit neuen Fähigkeiten gebraucht werden und das viele Unternehmen Probleme haben, entsprechende Mitarbeiter zu rekrutieren. Daher könnten solche Wettbewerbe eine Möglichkeit sein, die Durchführung von KI-Projekten per Crowdsourcing zu unterstützen. Die Ergebnisse der Studie (Experteninterviews) unter Datenwissenschaftlern zeigen, dass die Wettbewerbe viele Vorzüge bieten, wie bspw. der Austausch mit erfahrenen Datenwissenschaftlern sowie die Verwendung neuster Ansätze. Allerdings kann nur ein kleiner Teil des Aufwands, der bei KI-Projekten anfällt, im Rahmen solcher Wettbewerbe abgebildet werden. Die Studien der anderen drei Forschungsartikel (Forschungspapier C, D und E) betrachten KI-basierte Informationssysteme aus Anwenderperspektive – wobei zwei Studien das Verhalten von Nutzern untersuchen und bei einer Studie die Erstellung eines KI-basierten IT-Artefakts im Fokus steht. Forschungspapier C analysiert die Wahrnehmung von KI-basierten Beratungssystemen hinsichtlich der Vorteile, die sich aus deren Nutzung ergeben. Die Ergebnisse der empirischen Studie zeigen, dass der größte wahrgenommene Nutzen der gebotene Komfort ist, da die Systeme einfach und jederzeit zugänglich sind sowie eine sofortige Befriedigung des Informationsbedürfnisses bieten. Des Weiteren, wurde in dieser Studie die Wirksamkeit elf verschiedener Maßnahmen zur Steigerung des Vertrauens in KI-basierte Beratungssysteme untersucht. Hier zeigte sich eine klare Rangfolge der Maßnahmen mit abnehmender Wirksamkeit vom unverbindlichen Testen über das Bereitstellen zusätzlicher Informationen bezüglich der Funktionsweise des Systems hin zu dessen Vermenschlichung. Das Ziel von Forschungspapier D ist die Untersuchung des tatsächlichen Nutzungsverhalten von Anwendern während der Interaktion mit KI-basierten Beratungssystemen. Basierend auf den theoretischen Grundlagen des „Task-Technology Fit“ und von „Judge-Advisor Systems“ wurde ein Onlineexperiment durchgeführt. Die Ergebnisse zeigen, dass vor allem die wahrgenommene Expertise als auch die Möglichkeit, durch KI-basierte Beratungssysteme effizient Entscheidungen treffen zu können, beeinflussen, ob Anwender diese Systeme als geeignet zur Unterstützung bestimmter Aufgaben einschätzen. Zudem gibt die Studie erste Hinweise darauf, dass Anwender den Ratschlägen KI-basierter Systeme mehr Beachtung schenken könnten als denen menschlicher Berater. Schließlich wird in Forschungspapier E ein IT-Artefakt entworfen und implementiert, welches durch Nutzung von Techniken des maschinellen Lernens das Durchführen von strukturierten Literaturrecherchen unterstützt. Dem Vorgehen der „Design Science“ Forschung folgend, wurde iterativ ein Artefakt entwickelt, welches automatisiert Forschungsartikel von verschiedenen Datenbanken herunterladen sowie diese hinsichtlich ihres Inhalts analysieren und gruppieren kann. Hierzu wurde insbesondere der „word2vec“ Algorithmus, das „Latent Dirichlet Allocation“ Modell und agglomerative hierarchische Clusteranalyse verwendet. Eine Bewertung des Artefakts auf einem Datensatz von 308 Veröffentlichungen zeigt, dass es ein hilfreiches Werkzeug zur Unterstützung bei Literaturrecherchen sein kann, aber insbesondere hinsichtlich der Identifikation gemeinsamer Konzepte weiterhin viel manueller Aufwand erforderlich ist.