Nahezu alle Bereiche des menschlichen Lebens sind inzwischen von künstlicher Intelligenz (KI) durchdrungen. Moderne KI unterstützt uns sowohl in unserer Freizeit (z. B. in Form von Anwendungen auf unseren Smartphones, die uns Musik empfehlen, die uns gefallen könnte, die Personen auf Bildern erkennen, oder als digitale Assistenten fungieren), als auch bei unserer Arbeit (z. B. durch die Automatisierung von Aufgaben oder die Erstellung von Analysen, Vorhersagen, oder nahezu perfekt formulierten Texten). Für Organisationen eröffnet KI, insbesondere KI, die durch den datenbasierten Lernansatz des maschinellen Lernens (ML) geschaffen wird, ebenfalls gänzlich neue Möglichkeiten. So können solche ML-Systeme in Organisationsprozesse integriert werden, um Effizienzgewinne durch die autonome Erledigung von (Teilschritten von) Aufgaben zu realisieren oder die Qualität von Entscheidungen durch die Bereitstellung von Informationen zu verbessern. Darüber hinaus ermöglicht das ML jedoch auch die Erstellung völlig neuartiger Produkte und Dienstleistungen, wie die obigen Beispiele zeigen. Die unternehmerischen Chancen, die die jüngsten technologischen Entwicklungen im Bereich des MLs ermöglichen, sind dementsprechend vielfältig und zahlreich, und bieten ein enormes Potenzial für die Erschließung durch geeignete Geschäftsmodelle. Ein Geschäftsmodell wird dabei als ein System von Aktivitäten verstanden, welches die Logik veranschaulicht, wie eine Organisation ihre Geschäftstätigkeit ausübt, d. h. wie sie durch die Herstellung ihrer Produkte und Dienstleistungen Wert schöpft, wie sie diesen Wert an ihre Kunden liefert und wie sie letztlich Wert für sich selbst erfasst, z. B. in Form von Gewinnen. Gleichzeitig weisen aber die Herausforderungen, die mit der Integration von ML in die Geschäftsmodelle von Organisationen einhergehen, eine ähnliche Vielfalt auf und unterscheiden sich zudem von denen, die andere digitale Technologien mit sich bringen. Die existierende Literatur unterstreicht daher, dass Organisationen, die die Kraft des MLs als Antrieb für ihre Geschäftsmodelle nutzen möchten, die Eigenheiten der Technologie sorgsam berücksichtigen müssen, um langfristig profitieren zu können. Der Stand bestehender Forschung zur tatsächlichen Umsetzung der verschiedenen Facetten ML-getriebener Geschäftsmodelle ist jedoch spärlich und mangelt an Erkenntnissen zu deren Ausrichtung auf die Besonderheiten von ML. Um dieses Verständnis sowohl in der Wissenschaft als auch in der Praxis auszubauen, werden in dieser Dissertation in fünf Beiträgen ML-getriebene Geschäftsmodelle sukzessive entlang der drei Geschäftsmodell-Dimensionen Wertschöpfung, Wertlieferung, und Werterfassung untersucht. Dabei werden sowohl die ML-induzierten Herausforderungen, die in jeder dieser drei Dimensionen auftreten, als auch die von ML eröffneten Möglichkeiten betrachtet und deren Einfluss auf die Geschäftslogik von Organisationen aus der Perspektive der jeweiligen Geschäftsmodell-Dimension herausgearbeitet. Die vorliegende Dissertation befasst sich in zwei Studien zunächst mit der Dimension der ML-getriebenen Wertschöpfung. Die Erstellung von ML-Systemen erfordert, dass Experten aus verschiedenen Disziplinen gemeinsam über vorhandenes Wissen der Organisation reflektieren (z. B. bei der Auswertung von Daten), was zur Erzeugung von zusätzlichem Wissen führen kann (z. B. durch Erkenntnisse über Ineffizienzen in Routinen). Darüber hinaus können ML-Systeme durch ihr datenbasiertes Lernen auch Wissen auf eine Art und Weise generieren, die komplementär zu den Stärken von Menschen ist, und so zur Schaffung und Revision von Wissen in Organisationen beitragen. Während in der bestehenden Literatur über organisationales Lernen produktive ML-Systeme deshalb als neue Art Lerner neben dem Menschen angesehen werden, ist potenzielles Lernen während der ML-Entwicklung, welche Interaktionen von interdisziplinären Expertengruppen und (prototypischen) ML-Systemen umfasst, bislang weitgehend unerforscht geblieben. Die erste zugehörige Studie betrachtet daher die vorteilhaften Lernprozesse, die während der Erstellung von ML-Systemen angeregt werden können. Sie hebt weiterhin das daraus entstehende menschliche Wissen als wertvolles, zusätzliches Nebenprodukt hervor, welches zur Wissensbasis der Organisation und damit zu ihrem langfristigen Erfolg beitragen kann. Die zweite Studie beschäftigt sich mit einem Nachteil des datenbasierten Lernansatzes von ML: dem Bedarf nach umfangreichem Experimentieren während der ML-Entwicklung. Da dieser dem Bedarf konventioneller Geschäftsprozesse nach Effizienz und Ausnutzung vorhandener Stärken entgegensteht und Organisationen ihre limitierten Ressourcen zwischen den beiden Ansätzen aufteilen müssen, erzeugt er Spannungen während der ML-Entwicklung, die sich in verschiedenen strukturellen Ansätzen unterschiedlich ausbilden können. Die auf der theoretischen Grundlage der organisationalen Ambidextrie aufbauende Studie identifiziert diese Spannungen und führt zugehörige Taktiken an, die Organisationen anwenden können, um die Spannungen je nach Ausprägung zu mildern und die ML-getriebene Wertschöpfung zu erleichtern. Im Anschluss wird die Dimension der ML-getriebenen Wertlieferung diskutiert. Besonders problematisch ist in diesem Kontext, dass ML-Systeme häufig hochkomplex und somit die Systeme und ihre Ausgaben für Menschen unverständlich sind. Kunden von ML-getriebenen Geschäftsmodellen können deshalb Schwierigkeiten haben, einen Vorteil aus dem Wert (d. h. dem ML-System oder seinen Ausgaben) zu ziehen, den das Geschäftsmodell zu liefern beabsichtigt, wenn sie diesen aus mangelndem Verständnis nicht verwenden können. In der Literatur finden sich daher Ansätze der erklärbaren KI, die verwendet werden können, um Nutzende von ML-Systemen mit Erklärungen auszustatten, die deren Funktionsweise und Begründungen für ihre Entscheidungen offenlegen. Allerdings mangelt es diesen Ansätzen bislang an Fokus auf verschiedene Gruppen an Nutzenden und deren individuelle Anforderungen an das System. Insbesondere Laien wurden in bisherigen Studien häufig vernachlässigt. Die Förderung des Verständnisses von Laien ist jedoch von entscheidender Bedeutung, wenn diese die Ausgabe von ML-Systemen in ihre Entscheidungsfindung einbeziehen und so von den Produkten und Dienstleistungen ML-getriebener Geschäftsmodelle profitieren sollen. Die dritte Studie in dieser Dissertation folgt daher einem designwissenschaftlichen Forschungsprozess und stellt einen Ansatz vor, die Anforderungen der Nutzenden von ML-Systemen gezielt herauszuarbeiten. Darauf basierend werden zudem Designprinzipien für die Gestaltung von ML-Systemen abgeleitet, die den Nutzenden maßgeschneiderte Erklärungen bereitstellen und somit die Wertlieferung fördern. Schließlich beleuchten zwei weitere Studien die Dimension der ML-getriebenen Werterfassung. Im Streben nach ihren eigenen Zielen müssen Organisationen alle Komponenten ihres Geschäftsmodells so ausrichten, dass sie die Erfassung von Wert, wie z. B. das langfristige Erzielen von Gewinnen aus ihrem Geschäftsmodell, ermöglichen. Die Entwicklung wertvoller Lösungen und deren Bereitstellung für Kunden garantiert keine Werterfassung für die Organisation selbst, wie die jahrzehntelange Suche von Twitter (jetzt X) nach einem geeigneten Weg, Gewinne aus seinem einzigartigen Angebot und seiner riesigen Basis an Nutzenden zu erzielen, verdeutlicht. Da in der derzeitigen Literatur jedoch noch wenig Klarheit über die Beschaffenheit von ML-getriebenen Geschäftsmodellen herrscht, soll in der vierten Studie dieser Dissertation ein grundlegendes Verständnis für die Geschäftsmodellkomponenten geschaffen werden, welche Organisationen für die erfolgreiche Werterfassung ausrichten müssen. Konkret bietet die resultierende Taxonomie Einblicke in die Komponenten von ML-getriebenen Geschäftsmodellen und wird durch Archetypen ergänzt, die häufig in der Praxis anzutreffende strukturelle Kompositionen von ML-getriebenen Geschäftsmodellen darstellen. Darauf aufbauend befasst sich die fünfte Studie mit der ebenfalls in der aktuellen wissenschaftlichen Literatur noch unzureichend erforschten Frage, wie Organisationen, die von ML-getriebenen Geschäftsmodellen profitieren möchten, diese erfolgreich realisieren können. Die Realisierung von Geschäftsmodellen ist ein inhärent dynamischer und iterativer Prozess. Im Fall von ML-getriebenen Geschäftsmodellen wird dieser durch die Besonderheiten von ML-Systemen weiter erschwert, beispielsweise durch zusätzliche Ungewissheit, die sich aus dem experimentellen Charakter der ML-Entwicklung ergibt. Die Untersuchung zeigt, dass Organisationen daher dynamische Fähigkeiten aufbauen müssen, um ML-getriebene Geschäftsmodelle dennoch langfristig erfolgreich realisieren zu können. Darüber hinaus werden Mikrofundamente (z. B. Praktiken oder Prozesse) erarbeitet, welche den Aufbau der notwendigen dynamischen Fähigkeiten ermöglichen, und folglich zum Verständnis beigetragen, wie Organisationen nachhaltig erfolgreich Wert aus ihren ML-getriebenen Geschäftsmodellen erfassen können. Die in dieser Dissertation enthaltenen Studien verdeutlichen, dass Organisationen bei der Konzeption und Umsetzung ihrer ML-getriebenen Geschäftsmodelle für deren nachhaltigen Erfolg die einzigartigen Besonderheiten von ML berücksichtigen müssen. Sie zeigen dabei insbesondere auf, dass sich die Auswirkungen von ML-Besonderheiten, wie z. B. die Notwendigkeit umfangreicher Experimente in der ML-Entwicklung, in allen drei Dimensionen des Geschäftsmodells manifestieren, und dabei sowohl hemmend (z. B. durch zusätzliche Ungewissheit bei Realisierung des Geschäftsmodells), als auch wertstiftend auftreten können (z. B. durch angestoßene Lernprozesse). Die Studien erläutern außerdem, wie Organisationen diesen Einflüssen durch entsprechende Maßnahmen Rechnung tragen können. Diese Dissertation stellt somit einen wichtigen Schritt in Richtung eines ganzheitlichen Verständnisses von ML-getriebenen Geschäftsmodellen dar, unterstreicht den Wert der Geschäftsmodellperspektive für Untersuchungen von ML-Einflüssen auf die Geschäftslogik von Organisationen, und liefert Beiträge zur Literatur in den Bereichen Strategic Management, Entrepreneurship, und Information Systems. Sie bietet damit einen fruchtbaren Boden für zukünftige Untersuchungen der ML-getriebenen Wertschöpfung, Wertlieferung, und Werterfassung vor dem Hintergrund der hohen technologischen und unternehmerischen Dynamik im Feld des MLs.