KI für Unternehmen: Humane und künstliche Ko-Intelligenz nutzen
Organisationen müssen sich entwickeln
Es ist erstaunlich, wie sehr in den vergangenen Jahren die Digitalisierung aus einer technischen Perspektive betrachtet wurde, während der Eindruck entstand, dass mit der Entwicklung von Organisationen Neuland betreten würde. Erst in der letzten Zeit wird interdisziplinärer agiert und Expertise aus sozialwissenschaftlichen Disziplinen hinzugenommen. Dieser Sachverhalt lässt sich auf Unternehmen übertragen, indem auch hier der technologische Wandel technikgetrieben ist, während Human Resources (HR) oft aussen vorbleiben. Für den weiteren Erfolg von Unternehmen ist es allerdings zentral, KI für Unternehmen- und implementierungsbezogene Kompetenz zu bündeln und Technikeinsatz menschzentriert zu gestalten, zu implementieren und weiterzuentwickeln.
Es ist seit Langem bekannt, dass geplante Veränderungen entweder vom Management (top-down), von Mitarbeitenden (bottom-up) oder durch eine Kombination beider Herangehensweisen initiiert werden und sich entlang dieses Kontinuums unterschiedliche Transformationsansätze unterscheiden lassen, die revolutionären oder evolutionären Change adressieren (Sackmann, 2017; Olbert-Bock, 2002).
Ein wesentliches Kriterium der weiteren Ausdifferenzierung von Change-Ansätzen sind das Ausmass an Einbindung von Mitarbeitenden (Partizipation versus Direktion), die Reichweite bzw. Diffusion von Veränderung in verschiedene Unternehmenseinheiten (Auswirkungsebene) und damit verbunden die entstehende Weiterentwicklungsfähigkeit bezogen auf einen Wandel (Intensität bzw. Tiefe der Veränderung). Je wichtiger dieser ist, desto bedeutsamer werden Reflexion, Feedback und Lernen in Bezug auf eine Veränderung bzw. Innovation. Das heisst, Unternehmen, die langfristige HR-Strategien verfolgen und für die eine nachhaltige Innovationsfähigkeit bezogen auf KI wichtig ist, sind gefordert, sich mit ihrer Belegschaft zu entwickeln.
Veränderungsgeschwindigkeiten können je nach Anforderungen variieren. Während Prozessverbesserungen und Optimierungen im Rahmen kontinuierlicher Entwicklung vollzogen werden können, beschleunigt die Digitalisierung disruptive Prozesse und verlangt von Organisationen, sich schneller als bisher anzupassen (Mörk, 2023). Um Chancen, die sich durch umsichtige KI-Nutzung ergeben, nicht zu verpassen, sind Unternehmen gefordert, solche Transformationen voranzutreiben und dabei gleichzeitig die Fähigkeiten der Menschen zur eigenständigen technologiebezogenen Weiterentwicklung auszubauen. Dies bedarf eines grundlegenden Verständnisses von KI für Unternehmen und deren Grenzen und Möglichkeiten.
Künstliche Intelligenz einfach erklärt
Debatten zur KI existieren seit den 1960er-Jahren (Gentsch, 2017). Unter KI ist jener «Bereich der Informatik [zu verstehen], der sich mit dem Erwerb [zu Kognition vergleichbaren Prozessen] […], beschäftigt, die in der Regel menschlicher Intelligenz zugeordnet werden. Hierzu zählen Lernen, Problemlösung und Mustererkennung» (Amazon, 2018). Grundsätzlich ist zwischen starker und schwacher KI zu differenzieren, wobei Erstere danach strebt, alle Aspekte humaner Intelligenz nachzubilden (z.B. Kreativität, Empathie, Entscheidungsfindung trotz Unklarheiten), und sich Zweitere auf die Lösung spezifischer Probleme (z.B. Spracherkennung, Navigation, Suchvorschläge) ausrichtet (Harwardt & Köhler, 2023).
Neuere Systeme wie ChatGPT sind der generativen KI zuzuordnen. Diese basiert auf Deep Learning (DL) als Subkategorie von Machine Learning (ML) und nutzt neuronale Netze, um komplexe Muster zu erkennen und daraus zu lernen (Lenz, 2023). Unter ML ist ein Prozess zu verstehen, bei dem Maschinen aus Daten lernen, ohne explizit programmiert zu sein. Erfahrungslernende Algorithmen erstellen dabei Vorhersagen auf Basis von Mustern in Daten (Buxmann & Schmidt, 2021). Es werden Hypothesen zu den Daten erstellt und Projektionen generiert. Rückmeldemechanismen führen dann zu Anpassungen der Algorithmen, womit die Genauigkeit und die Effizienz der Vorhersagen steigen.
Während ML zunächst auf manueller Merkmalsextraktion beruht, ist DL in der Lage, direkt aus Rohdaten zu lernen, und Merkmale werden automatisiert extrahiert. Die dadurch entstehende Komplexität generativer KI führt zu einer Reihe von zentralen Herausforderungen.
Zentrale Herausforderungen der KI verstehen
Zunächst besteht oftmals eine Neigung zur Überschätzung der Leistungsfähigkeit von KI-Modellen und Ergebnissen (Kitz et al., 2024). Sie sind grundsätzlich unfähig, vollumfänglich Bedeutungen zu erfassen, und erweisen sich für spezifische Anpassungen als ungeeignet. Das heisst, dass (zumindest in Anbetracht des aktuellen Entwicklungsstands) sachverständige Menschen die Ergebnisse kritisch interpretieren müssen.
Im HR sehr bekannt ist der Sachverhalt, dass sich z.B. Verhaltensmuster aus der Vergangenheit in den Daten wiederfinden, was als algorithmische Voreingenommenheit bzw. Bias bezeichnet wird, der eine systematische Bevorzugung bzw. Benachteiligung von Personen zur Folge haben kann (Kempkes, 2021).
Grundsätzlich können sich KI-Systeme in eine ungeeignete Richtung entwickeln (Halluzinieren), da sie Leerstellen statistisch auffüllen oder aktiv korrumpiert werden. «Prompt Injection» beschreibt die aktive Verfälschung von Daten, um sie für die Nutzung durch andere unbrauchbar zu machen. Die so manipulierte KI liefert fehlerhafte Antworten und Entscheidungen. Eine weitere Möglichkeit ist die direkte Manipulation des Prompts, also der Eingabe, die dem KI-Modell zur Verfügung gestellt wird (Fox, 2023).
Passende Produkt-Empfehlungen
Auch sind Trainings- und Re-Trainings-Prozesse oft undurchsichtig und nicht nachvollziehbar (Bender et al., 2021), was die Bewertbarkeit der Ergebnisse begrenzt. Besonders KI-Modelle mit komplexen Algorithmen und tiefen neuronalen Netzwerken bieten Ergebnisse an, deren Zustandekommen für Anwender weitestgehend intransparent und nicht nachvollziehbar sind. Diese Blackbox-Problematik führt berechtigterweise zu Misstrauen und Frustration, insbesondere dann, wenn KI-Entscheidungen von menschlichen abweichen (Mehta, 2023).
Diese wenigen Beispiele erklären, weshalb zunehmend Standards bezogen auf den Einsatz von KI-Modellen einzuhalten sind.
Erklärbare künstliche Intelligenz Mitarbeitenden näherbringen
Verantwortungsvolle KI für Unternehmen beruht auf den vier Prinzipien Gerechtigkeit, Privatsphäre, Transparenz und Erklärbarkeit. Gerechtigkeit bezieht sich auf Unparteilichkeit und fairen Umgang mit Bias. Die zweite Säule meint einen umfassenden Schutz der Privatsphäre, einen sorgfältigen Umgang mit sensiblen Daten, die Sicherung der Datenintegrität sowie die Einhaltung von Datenschutzanforderungen. Transparenz bedeutet die Offenlegung der Mechanismen und Prozesse, die zu Entscheidungen führen, sodass diese nachvollzogen werden können. Erklärbarkeit geht darüber hinaus und stellt sicher, dass die Funktionsweise und Entscheidungslogiken für Menschen verständlich und nachvollziehbar dargestellt werden.
Methoden erklärbarer künstlicher Intelligenz (Explainable Artificial Intelligence, XAI) zielen darauf ab, das Black-Box-Problem zu lösen. XAI identifiziert die wichtigsten Faktoren, die zu bestimmten Entscheidungen führen, und schafft damit die Grundlage für deren Nachvollziehbarkeit und Validierung (Mehta, 2023). Der Fokus liegt dabei weniger auf den technischen Details der Funktionsweise als vielmehr auf dem Verständnis der grundlegenden Prinzipien und Anwendungsmöglichkeiten. Ziel ist es, Nutzerinnen und Nutzern zu ermöglichen, Informationen effektiv bewerten und Schlussfolgerungen der KI hinterfragen zu können (Braun Binder et al., 2021).
Dies setzt voraus, dass Mitarbeitende gezielt Wissen um die Möglichkeiten und Grenzen des Umgangs mit KI bezogen auf ihre Funktion erwerben und sich in ihren Rollen weiterentwickeln können.
Nutzungsbeispiele von KI für Unternehmen im HR-Bereich sind z.B. Analyse von Bewerbungen und Kandidatenprofilen durch KI oder die Prüfung von Bewerberinterview-Videos. Oftmals erreichen die bisher eingesetzten Algorithmen zwar noch nicht die gewünschte Tiefe, aber die Entwicklung von Lösungen setzt sich fort. Zu wenig beachtet werden in der Gestaltung von Anwendungen bisher allerdings KandidatInnen- und Recruiter-Akzeptanz. Wesentlich für gute Lösungen wird also nicht nur der Algorithmus sein, sondern auch die Gesamtkomposition von menschen- und technikdominierten Anteilen des Gesamtprozesse.
Insbesondere KMU brauchen Unterstützung
Gerade KMU fehlt es an Möglichkeiten, die KI-Reife der eigenen Organisation, Führungskräfte und Mitarbeitenden zu entwickeln, womit beispielsweise auf die genutzte Technologie bezogenes relevantes technisches Wissen, funktionsbezogene Nutzungsmöglichkeiten und -voraussetzungen sowie die Bereitschaft und Vorgehensweisen zur geeigneten Einbindung in gemeinsame Arbeitsprozesse gemeint sind.
Reifemodelle (z.B. der KI-Readiness-Check KIRC) können die Einführung und Weiterentwicklung der Nutzung von KI strukturieren, bleiben aber eher allgemein und sollten im Hinblick auf eigene KI-Anwendungen konkretisiert werden. Um die humanen Ressourcen unternehmensweit zu stärken, sind verschiedene Formate denkbar, die sich daran messen lassen müssen, wie nah sie mit Blick auf die jeweilige Technologie an einen funktionsbezogenen Einsatz heranrücken und dennoch eine Grundlage anbieten, von der ausgehend zunehmend KI-bezogene Kompetenz entwickelt werden kann.
Fachworkshops und -coaching, Anwenderschulungen und Online-Kurse, Testlabore, Erfahrungsaustausch-Communities in einer unternehmerinternen oder -übergreifenden Ausgestaltung und Plattformen sind einzelne Beispiele für entsprechende Formate. Da sich die Anwendungen sehr schnell weiterentwickeln, wie am Beispiel von ChatGPT greifbar wird, ist die Kombination von verschiedenen Bausteinen zu einem auf Dauer angelegten Support- und Austausch-Eco-System sinnvoll.
KI-Promotoren stärken die Gesamtorganisation
Um zu diesem Zweck Kompetenz in der eigenen Organisation aufzubauen, eignen sich «Train-the-Trainer»-Ansätze zur Ausbildung von «KI-Promotoren», deren Aufgabe es ist, die KI-bezogenen Fähigkeiten der Organisationsmitglieder mit Blick auf den jeweiligen Funktionsbereich zu entwickeln.
Unser Ansatz zur Qualifizierung von KI-Promotoren sieht vor, dass sie eine konkrete KI-Innovation in den Blick nehmen. Auf sie bezogen bewerten sie die bestehende Reife in der Organisationseinheit und bei den Mitarbeitenden. «People Centricity» bietet den Kern der didaktischen Ausbildung. Er stützt Vorgehensweisen, die KI als nutzbringendes Hilfsmittel für die Lernenden in ihrem eigenen Anwendungsraum erlebbar machen. Um bei Implementierungen von KI-Systemen schnell, effizient, aber auch effektiv zu sein, erwerben die organisationsinternen Trainer zum Zweck der langfristigen Begleitung des Menschen, Kompetenzen für den Aufbau eines «Support-Eco-Systems» in der Organisation.
Gut ausgebildete Mitarbeitende minimieren Ausfallzeiten und Fehler, senken Betriebskosten und legen die Grundlage für reibungslose Abläufe sowie steigende Zufriedenheit. Sie können KI-Systeme und deren Entscheidungen richtig interpretieren und somit zielführend, effizient und effektiv nutzen. Darüber hinaus wird ihre Employability nachhaltig gestärkt.
