Zukunft der Arbeit – Implikationen und Herausforderungen durch autonome Informationssysteme

Die Automatisierung unseres Arbeitslebens ist keine neue Erscheinung. Sie begann in den 1970er Jahren als sogenannte dritte industrielle Revolution mit der Digitalisierung, d. h. der De-Materialisierung von Information in Verbindung mit dem verstärkten Einsatz von Technologien mit dem Ziel der automatisierten Produktion. Der Computer in Verbindung mit Mikrochips und Software zog zunehmend in Fabriken und der Verwaltung ein, indem er menschliche, oftmals manuelle, vorhersagbare Aktivitäten insbesondere des Rechnens und der Buchhaltung unterstützte bzw. schon eigenständig durchführte. Beispiel ist das IBM-System 360, das die Durchführung der damaligen Buchhaltungsprozesse auf eine neue Stufe stellte: Pro Buchungsvorgang wurde eine Lochkarte erzeugt, die wiederum in die EDV-Anlage eingelesen wurde. Aus diesen Buchungs-Lochkarten in Verbindung mit Saldovortragskarten ist der Monatsabschluss automatisiert erstellt worden (Stahlknecht 1982). Das System ersetzte die vormals vom Menschen durchgeführten Buchhaltungsvorgänge. Entsprechend ist der Anteil von Berufen wie Arbeiter in der Produktion, Sachbearbeiter oder auch Vertriebsmitarbeiter in den letzten Jahrzenten gesunken (Autor 2015). Es folgte die wirtschaftliche Nutzung des Internet bzw. des World-Wide-Web. Sie führten zum einen zu einer Automatisierung und Neugestaltung klassischer Einkaufsprozesse (Electronic Procurement) und Verkaufsaktivitäten (Electronic Commerce) (Wirtz 2018), durch die händisch durchgeführte Aufgaben substituiert wurden. Zum anderen entstanden sozio-technische Plattformen, über die die Verteilung, Zuordnung, und Abwicklung von (Kleinst‑) Aufträgen an Crowdworker erfolgt, die weitgehend automatisiert gesteuert werden (Malone et al. 2011; Hoßfeld et al. 2012; Picot et al. 2020a; Rai et al., 2019). Als „Internet of Things (IoT)“ diskutiert wurde seit dem Ende der 1990er Jahren (Ashton 1999) die Vernetzung von Dingen, die auf der Basis von Sensorik miteinander kommunizieren und die sich mit Hilfe dieser Daten selbst steuern können. Typische Beispiele sind hier die mobile, dezentrale Ferndiagnose und Fernwartung von Maschinen oder auch die Heizungsanlage, die dem Installateur selbstständig eine Nachricht zukommen lässt, wenn sie droht, auszufallen. Gleichzeitig beschleunigte sich mit der Einführung der Smartphones die mobile automatisierte Nutzung des Internets. Insgesamt führte die exponentielle Leistungssteigerung in Verbindung mit niedrigen Kosten zu unendlichen Rekombinationsmöglichkeiten von automatisierten digitalen Produkten und Services (McQuivey 2014; Brynjolfsson und McAffee 2014, 2017).

Derzeit befinden wir uns im Rahmen der vierten industriellen Revolution auf dem Übergang von automatisierten zu autonomen Informationssystemen (AIS). In der Managementforschung werden AIS als neue Generation von Informationssystemen definiert, die in der Lage sind, (a) mit der Umwelt zu interagieren, Informationen von außen (auch aus der natürlichen Sprache) oder von anderen Computersystemen zu sammeln; (b) diese Informationen zu interpretieren, Muster zu erkennen, Regeln zu induzieren oder Ereignisse vorherzusagen; (c) Ergebnisse zu erzeugen, Fragen zu beantworten oder Anweisungen an andere Systeme zu geben; und (d) die Ergebnisse ihrer Aktionen auszuwerten und ihre Entscheidungssysteme zu verbessern, um bestimmte Ziele zu erreichen (Ferràs-Hernández 2018).

Beispielhaft erläutern lässt sich dies an den verschiedenen Stufen des automatisierten Fahrens. Hier wird dem Fahrer mit jeder Automatisierungsstufe die Entscheidungsfindung schrittweise abgenommen. Bis zur vierten Stufe – dem hochautomatisierten Fahren – behält er die Kontrolle über die Entscheidung; nicht nur sprichwörtlich hält er das Steuer noch in der Hand. In der 5. Stufe – dem vollautomatisierten oder autonomen Fahren hat der Mensch keine Möglichkeit mehr, zu entscheiden, zu steuern oder einzugreifen, denn dies ist mangels Existenz eines Steuerrades oder von Pedalen nicht mehr vorgesehen (SAE J 3016 2019). Das System lernt basierend auf den zur Verfügung stehenden Daten über Fahrverhalten und entscheidet autonom über die Fahrt. Ähnlich ist es bei AIS, die in Vorschlagssystemen und der Incentivierung und Motivierung von Mitarbeitern zum Einsatz gelangen. So lernen Vorschlagssysteme welche Filme und Serien ein Nutzer unterhaltsam findet und Algorithmen zur Incentivierung lernen, welcher Anreiz wie bei den Mitarbeitern wirkt. Chatbots nehmen Pizza-Bestellungen entgegen und vereinbaren Termine, beantworten Kundenanfragen und bearbeiten Kunden-Beschwerden ohne menschlichen Eingriff, und oft ohne dass der Kunde merkt, dass er mit einem AIS kommuniziert. AIS übernehmen mittlerweile die Vorprüfung von Schadensfällen autonom und filtern diejenigen aus, die von Menschen vorgenommen werden sollen (Peissner et al. 2019). Gleichzeitig interagieren AIS mit anderen AIS, antizipieren deren Aktionen und reagieren autonom darauf. Ein Beispiel sind Maschinen und Anlagen in der Produktion, die autonom in der Lage dazu sind, die über sie laufenden Fertigungsprozesse immer wieder neu und situationsangepasst zu konfigurieren und zu optimieren, um so flexibel auf neue Aufträge zu reagieren (Dumitrescu et al. 2018). Je mehr und je häufiger sie dies tun, desto besser werden sie üblicherweise dabei, vorausgesetzt die Vorhersagen werden kontinuierlich auditiert. Im Gegensatz zu automatisierten Anwendungssystemen führen AIS Analyse‑, Entscheidungs- und Schlussfolgerungsprozesse nicht nur selbstständig und ohne menschlichen Eingriff durch; sie verändern kontinuierlich die Durchführung dieser Prozesse, indem sie sie vor dem Hintergrund ihres Trainings ständig neu justieren und flexibel an die sich verändernden externen Gegebenheiten anpassen.

Die Fähigkeit, kontextfreie Regeln in einen spezifischen Kontext einzubetten und unter all diesen Regeln gewichtet zu handeln, war bislang an den Menschen gebunden. Sie erfordert nicht nur die Kenntnis der geltenden kontextfreien und situativen Regeln, sondern auch die Fähigkeit einzuschätzen, wann welche Regel in welcher Form gilt und dementsprechend geeignet zu handeln, inklusive der Nicht-Beachtung geltender Regeln, wenn das die Situation erfordert (Dreyfus und Dreyfus 1988). Dieser Schritt – vom automatisierten zum autonomen System – lässt sich nun auf Organisationen und die handelnden Akteure übertragen. Ziel ist letztlich, dass autonome Informationssysteme über die Einspeisung von Daten und Ergebnissen lernen, respektive ein Programm zur Handlung entwickeln (Domingos 2015; Tang et al. 2020), wie sie Probleme im organisationalen Kontext lösen können, indem sie eine geeignete Vorhersage treffen. Dabei handelt es sich eher um „enge“ als „generalistische“ AIS, die derzeit entwickelt werden (Broussard 2018). Die Vorhersagemodelle basieren derzeit, anders als beim Menschen, noch nicht auf einem kausalen Verständnis der Zusammenhänge, sondern auf Zusammenhangsinterpretationen. Dennoch können sich AIS in ihrer Aufgabenerfüllung in vergleichsweise engen Anwendungsfeldern aufgrund von Lernen und Training entwickeln. Diese Fähigkeit unterscheidet sie fundamental von automatisierten Informationssystemen (Mertens 1995), bei denen die zugrundeliegenden kausalen Handlungszusammenhänge weitgehend einprogrammiert sind und deren Aufgabe es ist, basierend auf eingegebenen Daten ein Ergebnis zu produzieren (Adler 2019). So können beispielsweise automatisierte Lager- und Beschaffungssysteme individuell an der Geschwindigkeit des Lagerabgangs orientiert nachbestellen, sie sind aber nicht in der Lage, basierend hierauf die Zusammenhänge zu ändern. Diese Fähigkeit, ein Programm zur Handlung zu entwickeln, kann sowohl durch beaufsichtigtes als auch nicht-beaufsichtigtes oder auch bestärkendes Lernen trainiert werden (vgl. Kap. 2).

Durch die Möglichkeiten der AIS zu lernen, vorherzusagen und zu entscheiden wird erstmalig in der Geschichte der Menschheit neues Wissen nicht ausschließlich durch Menschen, sondern auch durch Informationssysteme geschaffen (Domingos 2015). Selbstverständlich lernen AIS aufgrund ihrer Eigenschaften anders als der Mensch (vgl. Kap. 2) und es handelt sich hierbei um einen graduellen Prozess, der noch viele Jahre dauern wird, bis er vollständig Realität wird, und etwa Millionen von Autos autonom auf den Straßen fahren und organisationale Entscheidungen vor allem von AIS getroffen werden.

Auch wenn die Einsatzgebiete von AIS in Organisationen derzeit noch eng sind und sie es in vielen Bereichen noch nicht mit menschlicher Expertise aufnehmen (Strickland 2019), sind sie doch in der Lage, schon jetzt vergleichsweise komplexe Aufgaben zu übernehmen und stellen so zunehmend ein relevantes Element im Arbeitskontext dar (Rai et al. 2019, Zuboff 1988). So sind plötzlich so verschiedene Domänen wie Management, Medizin und Recht vom Einsatz autonomer Informationssysteme betroffen. Dabei erlauben viele AIS derzeit noch den Nutzern, dass die durch den lernenden Algorithmus getroffene Entscheidung abgelehnt werden kann. So kann der Radiologe die Krebsdiagnose durch eine eigene Diagnose ersetzen und der Manager den Bewerbervorschlag des AIS ablehnen. Ihre Eigenschaften des Lernens, autonomen Entscheidens und Vorhersagens greifen jedoch tief und auf eine neue Art in die Arbeitswelt ein, die sich von bisherigen Konsequenzen, wie etwa durch die reine Automatisierung, stark unterscheidet. In der Folge stellt sich die Frage nach einer geänderten Arbeitsteilung zwischen Mensch und AIS, woraus sich neuartige Anforderungen an menschliche Fähigkeiten respektive Kompetenzen und deren Entwicklung ergeben. Ein besseres Verständnis dieser neuen Arbeitsteilung ist wichtig, um zu verstehen, wie AIS in die Arbeitswelt eindringen, welche Art von Aufgaben sie autonom übernehmen und ob und wie sie mit dem Menschen zusammenarbeiten, um so die neuen Möglichkeiten für Mensch und Organisation besser zu nutzen.

Vor diesem Hintergrund greift dieser Beitrag zwei Fragestellungen auf: Wie beeinflussen AIS bisher durch den Menschen durchgeführte typische Prozesse in den drei Feldern Unternehmensführung, Human-Ressourcen-Management und unternehmensübergreifende Koordination (Kap. 3) und welche Anforderungen stellen sich hierdurch an die Kompetenzentwicklung (Kap. 4). Ausgangspunkt ist zunächst eine nähere Abgrenzung und Einordnung von AIS als sozio-technischen Systemen (Kap. 2). In Kap. 5 erfolgt ein Ausblick für Forschung und Praxis.

Obgleich Autonome Informationssysteme (AIS) eigenständig ein Programm zur Handlung entwickeln, durch das sie Probleme im organisationalen Kontext lösen können, hängt der Erfolg von AIS in entscheidender Weise vom Mensch und Aufgabe ab, was sie zu sozio-technischen Systemen macht.

Der Mensch fungiert im Kontext von AIS nicht nur wie bislang als Programmierer oder Anwender; er übernimmt zudem die Rolle des Trainers und beeinflusst so die Handlungsmuster des AIS. AIS lernen völlig anders als der Mensch und verfügen auch meist nicht über einen Körper, in dem sie implizites Wissen speichern. Sie haben aber den Vorteil, dass, wenn sie auf eine Fülle unterschiedlich erfolgreicher menschlicher und nicht-menschlicher Verhaltensweisen zugreifen, damit vorhersagen können, welches Verhalten sich bewährt und welches nicht. Technisch realisiert werden AIS durch die kontinuierliche Erfassung, Extraktion und Analyse von Daten über den eigenen Zustand wie auch der Umgebungsdaten mit Hilfe maschineller Lernverfahren. Die Bausteine des Maschinenlernens sind dabei Repräsentation (z. B. Entscheidungsbäume, Bayesianische Netze/Markovketten, neuronale Netze), Evaluation (z. B. Genauigkeit, Quadrierter Fehler, Wahrscheinlichkeit, Kosten/Nutzen, Marge) und Optimierung (z. B. Kombinatorische Optimierung, Konvexe Optimierung, beschränkte Optimierung) (Domingos 2015). Der Lernvorgang selbst kann dabei folgendermaßen unterschieden werden (Russel und Norvig 2010; Kaplan und Haenlein 2018; Welsch et al. 2018):

Alle drei Arten von Maschinenlernen basieren auf Trainingsdaten. Broussard (2019) gibt folgendes Beispiel für den Bereich von Kreditkartenanbietern:

Nehmen wir an, dass meine Trainingsdaten ein Datensatz von hunderttausend Kunden von Kreditkartenunternehmen sind. Der Datensatz enthält die Daten, die man von einem Kreditkartenunternehmen für eine Person erwarten würde: Name, Alter, Adresse, Kreditwürdigkeit, Zinssatz, Kontostand, Name(n) aller Mitunterzeichner des Kontos, eine Liste der Gebühren und eine Aufzeichnung der Zahlungsbeträge und -daten. Nehmen wir an, wir wollen, dass das ML-Modell vorhersagen kann, wer seine Rechnung wahrscheinlich verspätet bezahlen wird. (…) Die Trainingsdaten haben eine Spalte, die angibt, wer in dieser Gruppe von hunderttausend Personen seine Rechnungen verspätet bezahlt hat.

Wir teilen die Trainingsdaten in zwei Gruppen von je fünfzigtausend Namen auf: das Trainingsset und die Testdaten. Dann führen wir einen maschinellen Lernalgorithmus mit dem Trainingsset aus, um ein Modell, (…) zu konstruieren, das vorhersagt, was wir bereits wissen. Dann können wir das Modell auf die Testdaten anwenden, um die Vorhersage des Modells für die Kunden zu sehen, die wahrscheinlich zu spät bezahlen werden. Schließlich vergleichen wir die Vorhersage des Modells mit dem, von dem wir wissen, dass es wahr ist - den Kunden in den Testdaten, die tatsächlich verspätet bezahlt haben. Dadurch erhalten wir ein Ergebnis, das die Präzision des Modells (…) misst. Wenn wir als Modellhersteller entscheiden, dass die Präzision (…) des Modells hoch genug ist, können wir das Modell auf echte Kunden anwenden (Broussard 2019, S. 7).

Oft liegen Algorithmen und insbesondere AIS in ihrer Vorhersage genauer als der Mensch (Dietvorst et al. 2014, 2016), interessanterweise nicht nur bei sachlich-neutralen Themen, sondern selbst bei emotionalen Themen wie der Vorhersage, welche Witze Menschen lustig finden. Yeomans et al. (2019) finden heraus, dass AIS treffsicherer als Freunde und Familienmitglieder vorhersagen können, welchen Witz ein Mensch lustig findet. Dennoch ist beim Menschen häufig sogenannte Algorithmusaversion festzustellen, die zur Ablehnung der AIS-Vorhersage führen. Berechtigt ist diese im Falle von Verzerrungen (z. B. in den Trainingsdaten, im spezifizierten Modell oder auch beim Menschen, der als Programmierer und Trainer fungiert).

So gibt es zahlreiche Beispiele für Verzerrungen sowie falsche und verzerrte Identifikation und Klassifizierung durch AIS. So wurden Katzen als Hunde, Hunde als Wölfe und, weit bedeutsamer und folgenschwerer, Menschen aufgrund ihrer Ethnizität fehlerhaft als potenziell straffällig (Hatmaker 2020) oder nicht behandlungswürdig (Obermeyer et al. 2019) eingestuft. Hier stellt sich die Frage, was das AIS eigentlich klassifiziert hat (z. B. Wolf/Hund oder Schnee/Sand). Zu den bekanntesten Negativ-Beispielen im Managementbereich gehört die Aussortierung weiblicher Bewerbungen bei Amazon für Stellen als Softwareentwickler und andere technische Aufgaben, da das AIS auf Grund der existierenden tatsächlichen Einstellungsdaten über einen Zehn-Jahres-Zeitraum, die zum Training genutzt wurden, geschlussfolgert hat, dass weibliche Mitarbeiterinnen ungeeignet sind (Dastin 2018). Diese Verzerrung liegt weniger in der Klassifizierung als in der bewussten oder unbewussten menschlichen Verzerrung bei Einstellungsprozessen, die beispielsweise darin begründet sein kann, dass man lieber Leute einstellt, die einem ähnlich sind (Homophilie) oder von denen man sich unbewusst bessere Leistung erwartet. Weitere Beispiele für nutzlose und teilweise auch gefährliche Empfehlungen durch AIS können in fehlerhaften Empfehlungen durch „Watson for Oncology“ für Krebsbehandlungen (Ross und Swetlitz 2018) und dem korrumpierten Microsoft AI-Chatbot Tay gesehen werden, der über das Training mit „relevanten öffentlichen Daten“ Rassismus, Frauenfeindlichkeit und Antisemitismus gelernt hat (Blier 2020). Im Kontext mit AIS wurde hier zudem vielfach über ethische Fragen und Vorurteile des Menschen diskutiert, die über das Training Einfluss nehmen auf die Vorhersagen und Handlungen des AIS. Zu den bekanntesten Beispielen gehört das Trolley Dilemma (vgl. z. B. https://​strongbytes.​ai/​the-trolley-dilemma-in-ai/​), bei dem das AIS durch entsprechende Handlung die Wahl hat, einen außer Kontrolle geratenen fahrenden Zug, der auf fünf Menschen zufährt, dahingehend zu stoppen, dass es die Weichen so stellt, dass ein Mensch, der auf dem umgeleiteten Gleis steht, opfert. Je nachdem, ob der Programmierer oder Trainer des AIS eher utilitaristisch (fünf statt einem Menschenleben retten) oder deontologisch (aktives Tötungsverbot, Zug rollt weiter auf seinem ursprünglichen Gleis und tötet die fünf Menschen) eingestellt ist, wird das AIS entsprechend beeinflusst (Ramaprasad, J. et al. 2020). Ein weiterer großer menschlicher Einflussfaktor auf den Einsatz von AIS in Organisationen dürfte das Vertrauen spielen, das Menschen diesen Systemen entgegenbringen. Glikson und Woolley (2020) kommen basierend auf einer Übersicht der AI-Forschung der letzten 20-Jahre zu dem Befund, dass die physische und visuelle Präsenz, Transparenz, Verlässlichkeit und Unmittelbarkeit des AIS Einfluss auf die Entwicklung kognitiven Vertrauens spielt. Anthropomorphisierung des AIS wirkt zudem auf die Entwicklung emotionalen Vertrauens beim Mensch. Dabei entwickelt sich im Durchschnitt Vertrauen gegenüber Roboter-AIS ähnlich wie gegenüber Menschen, es startet niedrig und je nach direkter Erfahrung steigt es. Bei virtueller und embedded AIS ist es umgekehrt. Hohes anfängliches Vertrauen sinkt durch Erfahrung mit dem AIS. Niedriges Vertrauen in AIS führt üblicherweise zu niedrigem Einsatz dieser Systeme, sofern eine Handlungsfreiheit des Mitarbeiters besteht. Zudem gibt es eine Reihe von menschlichen Moderatoren, die den AIS-Einsatz beeinflussen. Dazu gehören u. a. die Selbstwahrnehmung der eigenen Fähigkeiten und Kompetenzen und der eigene Expertisegrad.

An all diesen Beispielen ist zu erkennen, dass das AIS auf die gegebenen Daten und das Training angewiesen ist, um entsprechende Vorhersagen zu treffen und kein kausales Verständnis der Zusammenhänge hat. Anders als beim menschlichen Experten, bei dem man sich daran gewöhnt hat, dass er seine Diagnose nicht erklärt, da man ihm aufgrund seiner Expertise ein gewisses kausales Verständnis unterstellt, ist das bei AIS, insbesondere dann, wenn das AIS mit Mitteln der staatlichen oder privaten Machtausübung verbunden ist (z. B. Ablehnung des Kreditkartenantrags, Straffälligkeitsprognose aufgrund von racial profiling, Einreiseverbot u. ä.) nicht akzeptabel. Gesetze wie die Datenschutzgrundverordnung in der EU oder der Fair Credit Reporting Act in den USA sind erlassen worden, um die Nachvollziehbarkeit und Erklärbarkeit der Entscheidung eines AIS zu gewährleisten und etwaige Verzerrungen zu erkennen. Dabei ist es wichtig zu definieren, wie und zu welchem Ausmaß AIS erklärbar zu sein haben. Geht es ausschließlich um die Offenlegung einzelner Variablen, um deren Verbindung oder um das gesamte Modell mit allen Gewichtungen? Wie gut müssen die Menschen ausgebildet sein, die mit diesen Systemen arbeiten? Wie nachvollziehbar die ML-Elemente? Wer ist berechtigt zur Prüfung des AIS? Kritiker dieser Richtlinien zur Nachvollziehbarkeit und Erklärbarkeit thematisieren insbesondere das Manipulations- und Gamingpotenzial, das durch die Erklärbarkeit entsteht. Wenn jeder Nutzer, Designer und Auditor den gesamten Algorithmus nachvollziehen kann, ist entsprechende Anpassung des Verhaltens zu erwarten, was wiederum zur Änderung des Algorithmus führt, da dieser in der Lage ist, eigenständig ein Programm zur Handlung zu entwickeln. Befinden wir uns in einem Datenkomplexen Bereich mit geringer Umweltkomplexität, so ist fragwürdig, ob der Mensch dieses Katz-und-Maus-Spiel je gewinnen kann.

Entscheidend für die Einsatzmöglichkeiten und letztlich auch Implikationen von AIS auf Arbeit sind zum einen die ausgewählten maschinellen Bausteine und Lernverfahren; zum anderen Art und Inhalt der dem Training zugrundeliegenden Daten und die dazugehörige Infrastruktur. Und genau in der Kombination von Daten und Lernverfahren liegt nicht nur ein Unterschied zu automatisierten Informationssystemen, sondern auch eine wesentliche Herausforderung und Grenze von AIS. Denn ob ein AIS erfolgreich eingesetzt werden kann, hängt abgesehen davon, ob die juristische Regulierung wie etwa Mitbestimmung und Datenschutz als auch ethische Überlegungen es ermöglichen, entscheidend zum einen davon ab, ob das zugrundeliegende maschinelle Verfahren stimmig zu dem zu bewältigenden Problem ist. Zum anderen v. a. aber auch von der Verfügbarkeit der für das maschinelle Verfahren erforderlichen Daten als auch deren Qualität für das Training.

All diese Beispiele verdeutlichen nochmals das Kernprinzip von AIS: sie basieren auf Methoden des maschinellen Lernens und werden mit Hilfe von Daten und kontinuierlichem Training in die Lage versetzt, ein Programm zur Handlung zu entwickeln. Sind die verwendeten Trainingsdaten und das Training verzerrt und das Modell beispielsweise overfitted und nicht nachvollziehbar, sind die so ermittelten Vorhersagen fragwürdig bis falsch. Gleichzeitig ermöglicht ein konsequentes Audit von AIS-Vorhersagen und den zugehörigen Elementen aber auch in noch nicht gekannter Weise die Offenlegung, Identifikation und Hinterfragung menschlicher Verzerrungen in der Entscheidung, wie das Beispiel von Amazon sehr eindringlich verdeutlicht. Erst durch die Prüfung der AIS-Empfehlung sind die Verzerrungen im menschlichen Entscheidungsverhalten offengelegt worden. Zu den bekanntesten menschlichen Verzerrungen bei Auswahlentscheidungen gehören der „Homophilie“- und der „Unconscious“-Effekt, die beide dazu beitragen, dass man insbesondere Kandidaten und Merkmale bevorzugt, die als ähnlich wahrgenommen werden, auch wenn man sich dessen nicht unbedingt bewusst ist (Fiedler et al. 2011).

Im Folgenden zeigen wir auf, wie AIS die Arbeitsteilung in und von Organisationen beeinflussen, um so den Einfluss auf menschliche Kompetenzen und deren Entwicklung zu identifizieren. Um die Vielfalt an unterschiedlichen Einsatzmöglichkeiten aufzuzeigen, diskutieren wir dies anhand der drei Bereiche Unternehmensführung, Human Ressourcen-Management sowie Konfiguration und Koordination von Prozessen und Strukturen.

Ausgehend von den skizzierten AIS-Entwicklungen stellt Kompetenzentwicklung eine strategische Aufgabe für viele Organisationen dar. Physische und operative Tätigkeiten als auch kognitive Aufgaben, die planbar sind, werden weiter in ihrer Bedeutung sinken, während nicht vorhersagbare Aufgaben, die Kommunikations- und Verhandlungsgeschick, Kreativität und kritisches Denken, aber auch die Fähigkeit, mit AIS zu interagieren und sie informationstechnisch einordnen zu können, in ihrer Bedeutung steigen werden. Entwickler und Programmierer von AIS benötigen Spezialwissen insbesondere in Künstlicher Intelligenz, Deep Learning und Machine Learning. Menschen, die AIS trainieren, müssen in der Lage sein, die relevanten Datenbestände im Hinblick auf ihre Nutzung durch AIS zu bewerten und zugänglich zu machen, Fälle klassifiziert bereitzustellen und vom AIS durchgeführte Schlussfolgerungen für die jeweilige Situation zu überprüfen. All die hier zukünftig relevanten Fähigkeiten unterteilen wir im Folgenden in IT-Fähigkeiten, Mensch-Maschine-Interaktions-Fähigkeiten, Personelle und Soziale Kompetenzen als auch Strategie- und Lösungsorientierte Fähigkeiten (MÜNCHNER KREIS 2020). Je nach zugrundeliegender Rolle von Mensch und AIS (vgl. Abb. 1) sind sie unterschiedlich relevant (vgl. Abb. 2).

AIS dringen in die Arbeitswelt ein und verändern zunehmend die Arbeitsteilung mit Menschen. Neue Elemente sind dabei der Übergang der Entscheidung und des Vorhersagens vom Menschen auf das AIS und die selbstständige Weiterentwicklung des Systems auf der Basis von Daten, Training und Feedback. Dadurch erhält die schon seit jeher geführte Diskussion der Arbeitsteilung zwischen Mensch und Maschine eine neue Dimension. Es geht um die Abgabe bzw. die Teilung von Entscheidungsgewalt und Verantwortung in einer zukünftigen Arbeitswelt. Dabei ist das AIS nicht immer als Wettbewerber für den Menschen zu sehen, der dem Menschen zukünftig sämtliche Tätigkeiten und Verantwortungsbereiche abnimmt. Vielmehr lassen sich oft die jeweiligen Stärken des Menschen und des AIS integrieren und in kooperativer Koexistenz augmentiert zum Einsatz bringen. So liegen die Stärken menschlicher Akteure eher in der Bewältigung von Prozessen, die insbesondere auf Grund der geringen Strukturiertheit und hohen Veränderlichkeit nicht vorhersehbar sind und sich durch hohe Umwelt- und Kontextkomplexität auszeichnen. Dagegen haben AIS eher ihre Stärken bei Prozessen, die planbar sind und bei denen die Beherrschung einer hohen Daten- und Analysekomplexität erforderlich ist. Die Herangehensweise, wie Mensch und AIS ihre Aufgaben und Prozesse bewältigen, ist dabei selbstverständlich unterschiedlich. Während Menschen über Intuition und Imagination Probleme lösen und nach kausalen Zusammenhängen suchen, macht das AIS Vorhersagen ohne derartiges Verständnis. Dementsprechend bestehen Anforderungen an die Nachvollziehbarkeit und Erklärbarkeit entsprechender Entscheidungen, um frühzeitig Verzerrungen entgegenzuwirken. Gleichzeitig bietet dieses Vorgehen und die Anforderungen an ein kontinuierliches Audit des AIS aber auch die Möglichkeit, Verzerrungen im menschlichen Entscheiden aufzudecken und Menschen dazu zu bringen, sich mit ihren proximalen Termen auseinander zu setzen.

Im Ergebnis werden AIS gewisse Prozesse und Entscheidungen gänzlich übernehmen; andere führen sie in kooperativer Ko-Existenz mit menschlichen Akteuren aus; andere wiederum verbleiben auch zukünftig beim Menschen. Diese veränderte Teilung von Entscheidungsgewalt und Verantwortung wird in den verschiedenen Funktionen der Organisation unterschiedlich sein. In diesem Beitrag wurde dies an Hand der Funktionsbereiche Führung, HR sowie Prozesse und Strukturen skizziert. Diese drei durchaus unterschiedlichen Bereiche wurden bewusst gewählt, um die Breite an Einsatzmöglichkeiten von AIS in Organisationen aufzuzeigen. Nur wenn AIS mit strategischen Zielen der Unternehmensführung, der Motivation und den Anforderungen von Mitarbeitern und organisationalen Prozessen ausgerichtet wird, ist von erfolgreichem Wirken auszugehen.

Auch sind die Grenzen fließend – je mehr sich die AIS weiterentwickeln und je mehr sie gerade auch in Kombination mit anderen Wissenschaften in der Lage ist, menschliches Agieren, Denken und Fühlen in Algorithmen abzubilden, desto mehr werden AIS Funktionen übernehmen, die bisher oder zum gegenwärtigen Zeitpunkt noch beim Menschen liegen. Die Frage der Verantwortungsübernahme für die getroffenen Entscheidungen wird derzeit intensiv weltweit in so unterschiedlichen Bereichen wie Informatik, Jura, Politik, Wirtschaftswissenschaften und Ethik diskutiert. Bekannt sind die Diskussionen v. a. im Kontext selbstfahrender Autos als Unfallverursacher (Brändle und Grundwald 2019). Entscheidend ist letztlich, ob AIS Autonomie und verantwortbares Risiko zugesprochen werden kann. Vertreter der Maschinenethik verfolgen den Ansatz, Maschinen so zu gestalten, dass sie als quasi-moralische Akteure akzeptiert werden; sehen aber die menschlichen Gestalter, Entwickler und Nutzer gleichzeitig als mitverantwortlich (Weber und Zoglauer 2019). Erklärbarkeit der AIS-Vorhersagen und erweiterte regulatorische Aufsicht sind weitere Aspekte, die bei der Gestaltung von AIS zu berücksichtigen sind. Der Anwender des AIS respektive der Bereitsteller des AIS muss verstehen können, warum die Entscheidung genauso erfolgte und wie man evtl. Fehler und Verzerrungen korrigieren kann. Die Arbeitsteilung zwischen Mensch und AIS erhält dadurch eine weitere Dimension. Die Implikationen für die existierende Arbeitswelt betreffen vor allem Fragen der Kompetenzentwicklung. Dies tangiert v. a. aber auch den grundsätzlichen Aspekt, was Arbeit zukünftig bedeutet, welchen Stellenwert Arbeit zukünftig hat und wie sich eine Gesellschaft und ein Arbeits-Leben darstellen, in dem Relevanz und Menge an Arbeit vielleicht abnehmen. Schon 1930 hat John Maynard Keynes den 3‑Stunden-Arbeitstag für 2030 postuliert und die Gestaltung der Freizeit als größtes Problem angesehen (1930). Gleichzeitig bieten AIS Menschen völlig neue Möglichkeiten und Handlungsspielräume und eröffnen so neue Anwendungsfelder und Märkte. Welche Konsequenzen derartige Szenarien für den Wert von Arbeit für das Individuum, die Wertschätzung von Arbeit und Berufen in der Gesellschaft, die Finanzierung etc. haben, wird vielfach und kontrovers diskutiert.