Digital innovation literature explains the scaling of digital ventures through a layered, modular architecture that describes the loose coupling among a venture’s layers, affording design flexibility and near-costless replication. AI-enabled ventures strain these assumptions as they are shifting from deterministic to probabilistic digital cores. Their cores entangle data, models, and service in tight feedback loops; their ability to scale depends on non-scale-free resources such as specialized human expertise and curated data, and their inherent model opacity complicates boundary work with stakeholders. My thesis addresses this conundrum: although tight coupling and opacity would be expected to undermine flexibility and replication, and thus stall AI-enabled ventures, some nevertheless scale rapidly. Synthesizing findings from six studies using qualitative, quantitative, and design science methods, this dissertation advances the theory of scaling ventures with probabilistic cores (TSVPC). The theory’s central claim is that AI-enabled ventures scale not by eliminating the nonscale- free resources but by actively managing them. TSVPC theorizes scaling in AIenabled ventures as a venture-level process driven by a probabilistic core that creates tight contents, model, and service interdependence. It describes the generative mechanism of automation–augmentation calibration, which allows to calibrate the loosening and tightening of layer couplings deliberately over time. External triggers like model drift, entry into novel segments, trust deficits, and non–scale-free constraints induce recalibration. The process is shaped by three levers: an architecture lever that includes a distinct model layer and the architectural cadence of generative coupling, in which inter-layer ties tighten to restore model behavior stability and loosen once stability is regained, yielding a recurring pattern over time; a venture lever that emphasizes templating, MLOps, and productized data work; and a product lever that uses entrepreneurial framing in product boundary negotiations and cultivates complementing explorers within platforms to expand product boundaries when confronted with nearly unlimited complements. These complementing explorers are users who expand boundaries by exploring novel use cases. Together, these levers improve stable model behavior, market acceptance, and the rate at which the organization can manage data, iterate models, and capture value, thereby driving venture growth. The boundary conditions for TSVPC are primarily new and growth-stage ventures, where a probabilistic digital core is central to value creation and where resources such as data, computation, and expertise are significant constraints. Six work packages ground and build TSVPC. The first study (WP1) is a qualitative interview study that introduces non-scale-free constraints in AI-enabled ventures. The second study (WP2) is an interview-based analysis of entrepreneurial framing under opacity, showing how ventures negotiate product boundaries with investors and users and how these outcomes feed back into calibration. The third study (WP3), the single-authored study of the dissertation, follows an action design research approach and specifies resource orchestration for the AI pipeline by sequencing templating, externalized data work, and capability development to absorb drift while preserving replication benefits; it was developed and evaluated in workshops with 16 startups across two accelerators over more than three years. The fourth study (WP4) is a quantitative analysis of large language model platform usage data that identifies inverse generativity on model platforms and the outsized role of complementing explorers in expanding product boundaries and revealing growth plateaus. The fifth study (WP5) is an interview study that continues the work in WP1 and resolves the loose coupling paradox by formalizing a model layer and defining generative coupling as the architectural cadence that integrates with venture-level calibration when operating on a probabilistic digital core. The sixth study (WP6) continues the action design research started in WP3 and provides a sharpened design theory for orchestrating non-scale-free resources in AIenabled ventures, refined through repeated accelerator cycles with founders as end users and practitioners as domain experts. The contribution of the dissertation is threefold. Conceptually, it revises assumptions about digital scaling by articulating an adapted layered modular architecture with a model layer, introducing generative coupling, and integrating resource orchestration and entrepreneurial framing through automation–augmentation calibration. Design knowledge advances through an actionable resource orchestration model that shows how templating, MLOps, and productized data work together to mitigate bottlenecks without sacrificing replication or scope. For practice, TSVPC offers a steering logic for founders and product leaders to govern probabilistic cores, expand product boundaries responsibly, navigate strategic trade-offs between automation and augmentation, and anticipate growth plateaus as resource constraints bind.
Der Digital-Innovation-Diskurs innerhalb der Information-Systems-Literatur erklärt die Skalierbarkeit digitaler Unternehmen durch die Layered Modular Architecture, aufbauend auf einer losen Kopplung der Architekturebenen der digitalen Struktur eines Unternehmens, die Designflexibilität und eine nahezu kostenlose Replikation von Produkten ermöglicht. KI-gestützte Unternehmen strapazieren diese Annahmen durch eine Entwicklung von deterministischen zu probabilistischen digitalen Unternehmenskernen. In ihrer Struktur verschränken diese Unternehmen Daten, KI-Modelle und Service in engen Feedback-Loops; ihre Skalierungsfähigkeit hängt von nicht-skalierbaren Ressourcen wie spezialisierter menschlicher Expertise und kuratierten Daten ab, und die inhärente Intransparenz von KI-Modellen erschwert die Boundary Work mit Stakeholder:innen. Die Dissertation widmet sich diesem Dilemma: obwohl zu erwarten wäre, dass enge Kopplung und Intransparenz die Flexibilität und Replikation untergraben und somit KI-gestützte Unternehmen zum Stillstand bringen, skalieren einige dennoch mit hoher Geschwindigkeit. Durch die Synthese von Erkenntnissen aus sechs Studien, die qualitative, quantitative und Design-Science-Methoden anwenden, entwickelt diese Dissertation die Theorie der Skalierung von Unternehmen mit probabilistischen Unternehmenskernen (engl. TSVPC) weiter. Die zentrale Aussage der Theorie ist, dass KI-gestützte Unternehmen nicht durch die Eliminierung nicht-skalierbarer Ressourcen skalieren, sondern indem sie diese aktiv managen. Die TSVPC theoretisiert die Skalierung in KI-gestützten Unternehmen als einen Prozess auf Organisationsebene, der von einem probabilistischen digitalen Unternehmenskern ausgelöst wird, welcher wiederum eine enge Interdependenz von Contents-, Model- und Service-Layer erzeugt. Die Theorie beschreibt einen generativen Mechanismus, die Automation–Augmentation- Calibration, welche eine architektonische Kadenz schafft, in der diese Interdependenzen im Laufe der Zeit bewusst verstärkt und gelockert werden. Externe Auslöser wie Model-Drift, der Eintritt in neue Segmente, Vertrauensdefizite und Non-Scale-Free Constraints führen zu einer Rekalibrierung. Der Prozess wird durch drei Lever ermöglicht: einen Architecture- Lever, der ein dediziertes Model-Layer und die architektonische Kadenz des Generative Couplings umfasst, bei der die Verbindungen zwischen den Schichten sich verfestigen, um die Stabilität des Modellverhaltens wiederherzustellen, und sich lockern, sobald die Stabilität wiedererlangt ist, was zu einem wiederkehrenden Muster über die Zeit führt; einen Venture-Lever, der Templating, MLOps und produktisierte Datenarbeit betont; und einen Product-Lever, der unternehmerisches Framing in Verhandlungen über Produktgrenzen nutzt und Complementing Explorers im Rahmen von Plattform-Geschäftsmodellen kultiviert, um Produktgrenzen zu erweitern, wenn man mit nahezu unbegrenzten Komplementen konfrontiert ist, wie es bei Large Language Models der Fall ist. Diese Complementing Explorers sind Nutzer:innen, die durch die Erkundung neuartiger Anwendungsfälle die Produktgrenzen erweitern. Zusammen verbessern diese Lever die Stabilität der verwendeten KI-Modelle, die Marktakzeptanz sowie die Rate, mit der die Organisation Daten validieren, KI-Modelle aktualisieren und Wert schöpfen kann, und treiben so das Unternehmenswachstum an. Die Grenzbedingungen für die TSVPC sind primär neue Unternehmen sowie Unternehmen in der Wachstumsphase, bei denen ein probabilistischer digitaler Unternehmenskern zentral für die Wertschöpfung ist und für Ressourcen wie Daten, Rechenleistung und Expertise signifikante Einschränkungen darstellt. Sechs Arbeitspakete (Work Packages) fundieren und bauen die TSVPC auf. Die erste Studie (WP1) ist eine qualitative Interviewstudie, die nicht skalierbare Beschränkungen in KIgestützten Unternehmen aufzeigt. Die zweite Studie (WP2) ist eine interviewbasierte Analyse des unternehmerischen Framings unter Intransparenz, die zeigt, wie Unternehmen Produktgrenzen mit Investoren und Nutzern verhandeln und wie diese Ergebnisse in die Kalibrierung zurückfließen. Die dritte Studie (WP3), die Einzelautor:innen-Studie der Dissertation, verfolgt einen Action-Design-Research-Ansatz und spezifiziert die Ressourcenorchestrierung für die KI-Pipeline durch die Sequenzierung von Templating, externalisierter Datenarbeit und Kompetenzentwicklung, um Drift zu absorbieren und gleichzeitig die Vorteile der Replikation zu erhalten; sie wurde über mehr als drei Jahre hinweg in Workshops mit 16 Startups in zwei Accelerators entwickelt und evaluiert. Die vierte Studie (WP4) ist eine quantitative Analyse von Nutzungsdaten einer Large-Language-Model-Plattform, die Inverse Generativity auf Plattformen und die überproportionale Rolle von Complementing Explorers (complementing explorers) bei der Erweiterung von Produktgrenzen identifiziert. Die fünfte Studie (WP5) ist eine Interviewstudie, die die Arbeit aus WP1 fortsetzt und das Paradoxon der losen Kopplung zwischen den Architekturebenen auflöst, indem sie ein Model-Layer formalisiert und die Generative Coupling als die architektonische Kadenz definiert, die in Unternehmen mit einem probabilistischen digitalen Unternehmenskern die Automation–Augmentation- Calibration auf Unternehmensebene ermöglicht. Die sechste Studie (WP6) setzt die in WP3 begonnene Action Design Research fort und liefert eine geschärfte Designtheorie für die Orchestrierung nicht-skalierbarer Ressourcen in KI-gestützten Unternehmen, verfeinert durch wiederholte Accelerator-Zyklen mit Gründer:innen als Endnutzer:innen und Praktiker:innen als Fachexpert:innen. Der theoretische Beitrag der Dissertation umfasst mehrere Ebenen. Konzeptionell reflektiert sie Annahmen zur digitalen Skalierung, indem sie eine angepasste Layered Modular Architecture mit einem Model-Layer formuliert, Generative Coupling als Mechanismus benennt und Ressourcenorchestrierung sowie das unternehmerische Framing durch die Automation–Augmentation-Calibration integriert. Das Designwissen wird durch ein praktisches Framework zur Ressourcenorchestrierung erweitert, das zeigt, wie Templating, MLOps und produktisierte Datenarbeit zusammenwirken, um Ressourcenengpässe zu mildern, ohne Replikation oder den Umfang der Produkte opfern zu müssen. Für die Praxis bietet die TSVPC eine Steuerungslogik für Gründer:innen und Produktverantwortliche, um probabilistische digitale Unternehmenskerne zu steuern, Produktgrenzen verantwortungsvoll zu erweitern, die strategischen Abwägungen zwischen Automation und Augmentation zu navigieren und durch Ressourcenbeschränkungen ausgelöste Wachstumsplateaus zu antizipieren.
