Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Ethik für Nicht-Philosophen: Grundlagen der Ethik und ethische Perspektiven Kapitel lesen Erstes Kapitel lesen

2023 | OriginalPaper | Buchkapitel

10. Künstliche Intelligenz im Personalmanagement – Goldrausch im Spannungsfeld optimistischer Softwareanbieter und skeptischer Personalmanager

verfasst von : Matthias Groß

Erschienen in: KI für das Gute

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Künstliche Intelligenz (KI) ist DAS Zukunftsthema für Unternehmen. Während Unternehmensbereiche wie Marketing, Controlling oder Logistik bereits wie selbstverständlich Gebrauch von KI-Anwendungen machen, hinkt das Personalmanagement oftmals hinterher. Vor diesem Hintergrund exploriert der vorliegende Beitrag die Potenziale von KI im Personalmanagement. Auf der Grundlage der Task-Technology-Fit-Theorie wird zunächst ein konzeptioneller Bezugsrahmen zur Erfolgswirksamkeit von personalbezogenen KI-Anwendungen entwickelt, anschließend werden elf Task-Technology-Kombinationen entlang der Personalmanagementsysteme skizziert. Basierend auf einem Theorie-Praxis-Abgleich zum Status Quo in 118 deutschen Unternehmen erfolgt unter Berücksichtigung des Technology-Acceptance-Modells die Ableitung förderlicher Rahmenbedingungen zum KI-basierten Personalmanagement. Hierbei stehen datenschutzrechtliche Fragestellungen (DSGVO) und ethische Tugenden (Corporate Ethic Virtues Model) im Fokus. Inhaltlich abgerundet wird der Beitrag durch die Entwicklung eines Kompetenzprofils für Personalmanager im KI-Zeitalter. Der Beitrag schließt mit einem Ausblick für zukünftige Forschung und leitet wissenschaftliche Implikationen ab.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Ethische Best Practice – KI sozial verträglich einsetzen
Nächstes Kapitel Ethische AI-Implementierung
Fußnoten
1
Auf die Abfrage zur Prognose von Kündigungsabsichten wurde bewusst verzichtet, da sich diese Anwendung sowohl rechtlich aus auch ethisch in einem Graubereich bewegt.
 
Literatur
Arena, D., Tsolakis, A. C., Zikos, S., Krinidis, S., Ziogou, C., Ioannidis, D., Voutetakis, S., Tzovaras, D., & Kiritsis, D. (2018). Human resource optimisation through semantically enriched data. International Journal of Production Research, 56(8), 2855–2877.
Bernstein, E., & Waber, B. (2019). The truth about open offices. Harvard Business Review, 97(6), 82–91.
Besimi, A., Dika, Z., Shehu, V., & Selimi, M. (2019). Applied text-mining algorithms for stock price prediction based on financial news articles. Managing Global Transitions: International Research Journal, 17(4), 335–351.
Biemann, T., & Weckmüller, H. (2016). Mensch gegen Maschine: Wie gut sind Algorithmen im HR? Personal Quarterly, 4, 44–47.
Chang, W.-J. A., Wang, Y.-S., & Huang, T.-C. (2013). Work design-related antecedents of turnover intention: A multilevel approach. Human Resource Management, 52(1), 1–26.
Chehouri, A., Younes, R., Khoder, J., Perron, J., & Ilinca, A. (2017). A selection process for genetic algorithm using clustering analysis. Algorithms, 10(4), 123–138.
Chu, S. (2016). Design factors affect user experience for different cultural populations. Journal of Educational Issues, 2(2), 307–319.
Cohen, T. (2019). How to leverage artificial intelligence to meet your diversity goals. Strategic HR Review, 18(2) 1–6.
Dahm, M., & Dregger, A. (2019). Der Einsatz von künstlicher Intelligenz im HR: Die Wirkung und Förderung der Akzeptanz von KI-basierten Recruiting-Tools bei potenziellen Nutzern. In B. Hermeier, T. Heupel, & S. Fichtner-Rosada (Hrsg.), Arbeitswelten der Zukunft. Springer Professional „Wirtschaft und Recht“.
Davis, F., Bagozzi, P., & Warshaw, P. (1989). User acceptance of computer technology – A comparison of two theoretical models. Management Science, 35(8), 982–1003.
Dorozalla, F., & Jeddeloh, M. (2019). Hey Boss, ich brauch’ mehr Geld. Personalmagazin, 6, 64–67.
Drucker, P. F. (2007). Alles über Management. Redline Wirtschaftsverlag.
Ekawati, A. D. (2019). Predictive analytics in employee churn: A systematic literature review. Journal of Management Information and Decision Sciences, 4, 387–398.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689–707.
Goodhue, D. L., & Thompson, R. L. (1995). Task-technology fit and individual performance. MIS Quarterly, 19(2), 213–236.
Groß, M., & Dorozalla, F. (2020). Das digitale Erwachen – HR-Reifegradmodell der digitalen Transformation. Personalführung, 3, 26–33.
Groß, M., Dorozalla, F., & Rödiger, K. (2019). Auswahlinstrumente auf dem Prüfstand. Rekrutierung agiler Mitarbeiter. Personalführung, 6, 36–43.
Grotenhermen, J.-G., Oldeweme, A., Bruckes, M., & Uhlending, L. (2020). Künstliche Intelligenz im Personalwesen: Studie zur Akzeptanz von Entscheidungen intelligenter Systeme. Zeitschrift Führung Und Organisation, 1, 4–9.
Hagstrom, S. L., & Maranzan, K. A. (2019). Bridging the gap between technological advance and professional psychology training: A way forward. Canadian Psychology, 60(4), 281–289.
Heinrich, C., & Stühler, G. (2018). Die Digitale Wertschöpfungskette: Künstliche Intelligenz im Einkauf und Supply Chain Management. In C. Gärtner & C. Heinrich (Hrsg.), Fallstudien zur Digitalen Transformation: Case Studies für die Lehre und praktische Anwendung (S. 77–88). Springer Gabler.
Huff, J., & Götz, T. (2020). Was datengestütztes Personalmanagement kann und darf? Personalmagazin, 1, 48–52.
Ivancevich, J. M. (1985). Predicting absenteeism from prior absence and work attitudes. Academy of Management Journal, 28(1), 219–228.
Kahraman, C., Kaya, I., & Çevikcan, E. (2011). Intelligence decision systems in enterprise information management. Journal of Enterprise Information Management, 24(4), 360–379.
Kangas, M., Muotka, J., Huhtala, M., Mäkikangas, A., & Feldt, T. (2017). Is the ethical culture of the organization associated with sickness absence? A multilevel analysis in a public sector organization. Journal of Business Ethics, 140(1), 131–145.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25.
Kaptein, M. (2008). Developing and testing a measure for the ethical culture of organizations: The corporate ethical virtues model. Journal of Organizational Behavior, 29(7), 923–947.
Kowald, C., & Bruns, B. (2019). New learning scenarios with chatbots: Conversational learning with Jix: From digital tutors to serious interactive fiction games. International Journal of Advanced Corporate Learning, 12(2), 54–62.
Kulkarni, S. B., & Che, X. (2019). Intelligent software tools for recruiting. Journal of International Technology & Information Management, 28(2), 2–16.
Leao, A. L. M., Barbosa-Branco, A., Turchi, M. D., Steenstra, I. A., & Cole, D. C. (2017). Sickness absence among municipal workers in a Brazilian municipality: A secondary data analysis. BMC Research Notes, 10, 1–9.
Lee, D., Kim, M., Na, I., & Hwang, S. O. (2018). Artificial intelligence based career matching. Journal of Intelligent & Fuzzy Systems, 35(6), 6061–6070.
Libuda, I., & Fleischmann, F. (2018). Personalplanung und People Analytics. Simulation der zukünftigen Personalstruktur. Personalführung, 5, 29–35.
Mainzer, K. (2016). Künstliche Intelligenz – Wann übernehmen die Maschinen? Technik im Fokus. Springer.
McCarthy, B., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the dartmouth summer research project on artificial intelligence. Ai Magazine, 27, 12–14.
Mustafa, M. K., Allen, T., & Appiah, K. (2019). A comparative review of dynamic neural networks and hidden Markov model methods for mobile on-device speech recognition. Neural Computing & Applications, 31(2), 891–899.
Pappas, I. O., Mikalef, P., Giannakos, M. N., & Kourouthanassis, P. E. (2019). Explaining user experience in mobile gaming applications: An fsQCA approach. Internet Research, 29(2), 293.
Pérez-Campdesuñer, R., De-Miguel-Guzmán, M., Sánchez-Rodríguez, A., García-Vidal, G., & Martínez-Vivar, R. (2018). Exploring neural networks in the analysis of variables that affect the employee turnover in the organization. International Journal of Engineering Business Management, 10, 1–12.
Pinkwart, N., & Rüdian, S. (2020). Die Vermessung des Lernens. Personalmagazin, 2, 30–35.
Popovski, G., Seljak, B. K., & Eftimov, T. (2020). A survey of named-entity recognition methods for food information extraction. IEEE Access, 8, 31586–31594.
Ramella, F. (2017). The “Enterprise of Innovation” in hard times: Corporate culture and performance in Italian high-tech companies. European Planning Studies, 25(11), 1954–1975.
Randall, K., Isaacson, M., & Ciro, C. (2017). Validity and reliability of the Myers-Briggs Personality Type Indicator: A systematic review and meta-analysis. Journal of Best Practices in Health Professions Diversity, 10(1), 1–27.
Reichertz, J. (2003). Die Abduktion in der qualitativen Sozialforschung. Leske & Budrich.
Rich, E. (1986). Artificial intelligence and the humanities. Computers and the Humanities, 19(2), 117–125.
Richter A., Gačić T., Kölmel B., & Waidelich L. (2019). Künstliche Intelligenz und potenzielle Anwendungsfelder im Marketing. In: Deutscher Dialogmarketing Verband e.V. (Hrsg.), Dialogmarketing Perspektiven 2018/2019. Springer Gabler.
Roedenbeck, M. (2020). Die richtigen Fragen stellen: Wie künstliche Intelligenz die Personalarbeit verändern kann. Organisationsentwicklung, 1, 64–69.
Schein, E. H. (1990). Organizational culture. American Psychologist, 45(2), 109–119.
Slattery, J., Selvarajan, T., Anderson, J., & Sardessai, R. (2010). Relationship between job characteristics and attitudes: A study of temporary employees. Journal of Applied Social Psychology, 49, 1539–1565.
Stock, R., Six, B., & Zacharias, N. (2013). Linking multiple layers of innovation-oriented corporate culture, product program innovativeness, and business performance: A contingency approach. Journal of the Academy of Marketing Science, 41(3), 283–299.
Stock-Homburg, R., & Groß, M. (2019). Personalmanagement. Theorien – Konzepte – Instrumente. Springer.
Strohmeier, S. (2020). Künstliche Intelligenz in HR – eine Gefahr? Personalmagazin, 3, 38–39.
Strohmeier, S., & Piazza, F. (2015). Artificial intelligence techniques in human resource management—A conceptual exploration. In C. Kahraman & O. S. Çevik (Hrsg.), Intelligent techniques in engineering management. Intelligent systems reference library (Bd. 87). Springer.
Tanwar, P., Prasad, T. V., & Aswal, M. S. (2010). Comparative study of three declarative knowledge representation techniques. International Journal of Computer Science and Engineering, 2(7), 2274–2281.
Teece, D., Peteraf, M., & Leih, S. (2016). Dynamic capabilities and organizational agility. California Management Review, 58(4), 13–35.
Thurstone, L. L. (1999). The nature of intelligence. Psychology Press.
Tolino, U., & Mariani, I. (2018). Do you think what I think? Strategic ways to design product-human conversation. Strategic Design Research Journal, 11(3), 254–262.
Tyler, T. R., & Blader, S. L. (2005). Can business effectively regulate employee conduct? The antecedents of rule following in work settings. Academy of Management Journal, 6, 1143–1158.
Ulrich, D. (1996). Human resource champion: The next agenda for adding value and delivering results. Harvard Business School Press.
Upadhyay, A. K., & Khandelwal, K. (2019). Artificial intelligence-based training learning from application. Development and Learning in Organizations: An International Journal, 33(2), 20–23.
Villarroel Ordenes, F., Ludwig, S., De Ruyter, K., Grewald, D., & Wetzels, M. (2017). Unveiling what is written in the stars: Analyzing explicit, implicit, and discourse patterns of sentiment in social media. Journal of Consumer Research, 43(6), 875–894.
Weibel, A., Schafheitle, S., & Ebert, I. (2019). Goldgräberstimmung im Personalmanagement? Wie Datafizierungs-Technologien die Personalsteuerung verändern. (German). Organisationsentwicklung, 3, 23–29.
Wilson, H. J., & Daughtery, P. R. (2018). Mensch und Maschine als Team. Harvard Business Manager, 10, 54–65.
Wu, J., & Lederer, A. (2009). A meta-analysis of the role of environment-based voluntariness in information technology acceptance. MIS Quarterly, 33(2), 419-A-9.
Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., & Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge Information Systems, 14(1), 1–37.
Zhao, L., Chen, L., Liu, Q., Zhang, M., Copland, H., Yuan, X., & Elhoseny, M. (2019). Artificial intelligence-based platform for online teaching management systems. Journal of Intelligent & Fuzzy Systems, 37(1), 45–51.
Metadaten
Titel
Künstliche Intelligenz im Personalmanagement – Goldrausch im Spannungsfeld optimistischer Software-Anbieter und skeptischer Personalmanagern
verfasst von
Matthias Groß
Copyright-Jahr
2023
Buch
KI für das Gute

Print ISBN: 978-3-031-22776-9

Electronic ISBN: 978-3-031-22777-6

Copyright-Jahr: 2023

DOI
https://doi.org/10.1007/978-3-031-22777-6_10