Autoren: Detlef Wallenhorst, Markus Pfaff, Daniel Eckstein
Verschiedene Formen Künstlicher Intelligenz
Mit Künstlicher Intelligenz beschäftigt sich die Wissenschaft bereits seit Mitte des letzten Jahrhunderts, und in der einen oder anderen Form hat sie auch immer wieder Einzug in die Unternehmen gehalten – zum Beispiel in Form der sogenannten Workflow Automation. Wirklich Fuß gefasst hat sie aber erst in den letzten Jahren – beispielsweise als Predictive AI im Bereich der Wartung komplexer Systeme, mit dem Einsatz von Computer Vision in der Überwachung und der Diagnostik, oder in Form von Generative AI, die in jüngster Zeit sogar Einzug in den Mainstream gehalten hat. Der Grund für die späte Durchdringung liegt vor allem darin, dass es unterschiedliche Formen von KI gibt und dass gerade jene Formen von KI, die einen wirklichen Nutzen in Unternehmenstiften können, sehr daten- und ressourcenhungrig sind, wobei sowohl Daten als auch leistungsfähige Prozessoren aber erst im Zuge der Digitalisierung in ausreichendem Umfang zur Verfügung standen.
In der Tat gibt es die unterschiedlichsten Formen und Ausprägungen von KI – und leider keine einheitliche Taxonomie. Eine mögliche und aus unserer Sicht hilfreiche Klassifizierung ergibt sich aus der Unterscheidung in deterministische und nicht-deterministische KI. Zu ersteren gehören regelbasierte Expertensysteme, wie etwa die oben genannte Workflow Automation, die nach dem If-Then-Else-Prinzip arbeiten. Der Vorteil ist hierbei, dass nachvollziehbar ist, wie diese Form der KI zu ihren Schlüssen kommt. Der Nachteil ist gleichwohl, dass man das Problem im Voraus definieren und die Lösung des Problems explizit formulieren können muss, um den Regelmechanismus überhaupt programmieren zu können. Letzteres hört sich vermutlich einfacher an, als es in Wirklichkeit ist, denn ein Teil unseres Wissens ist sogenanntes „Tacit Knowledge“1, also schwer zu artikulierendes Wissen: So wissen wir z.B. genau, wie eine bestimmte Person aussieht und können diese Person einfach erkennen, wenn sie uns begegnet, aber eine Regel aufzustellen, mit der diese Person generell identifiziert werden kann, dürfte ungleich schwerer fallen. Außerdem sollte sich die Problemstellung im Laufe der Zeit nicht zu sehr ändern, da der Regelmechanismus ansonsten ständig angepasst werden muss. Echte Probleme stellen sich in der Regel jedoch anders dar: Sie sind komplex und dynamisch und damit für regelbasierte Expertensysteme nur schwer zu lösen – und genau hier kommen die daten- und ressourcenhungrigen nicht-deterministischen KIs ins Spiel.
Künstliche Neuronale Netzwerke
Unter den nicht-deterministischen KIs sind sicherlich die künstlichen neuronalen Netzwerke die derzeit bekanntesten und bedeutsamsten. Ausgangspunkt sind hier die künstlichen Neuronen – hört sich spooky an, ist aber im Grunde nur eine mathematische Gleichung, mit der ein Eingangswert x über eine Funktion f in einen Ausgangswert y = f(x) transformiert wird. Verknüpft man nun verschiedene künstliche Neuronen miteinander, dann erhält man ein künstliches neuronales Netzwerk, also im Grunde genommen ein komplexes mathematisches Gleichungssystem, mit dessen Hilfe eine unter Umständen große Anzahl von Eingangswerten – also beispielsweise das Bild einer Person, das aus vielen einzelnen Pixeln besteht – in eine typischerweise kleine Anzahl von Ausgangswerten transformiert wird – also beispielsweise in die Information, dass es sich bei dem Bild um eine ganz bestimmte Person handelt. Das Wissen darüber, wie aus bestimmten physiognomischen Charakteristika auf eine bestimmte Person geschlossen werden kann, muss dabei nicht vorab bekannt und in den Funktionen des künstlichen neuronalen Netzwerkes artikuliert bzw. programmiert werden, sondern dieses Wissen entsteht durch das Trainieren des Netzwerkes! Sehr vereinfacht kann man sich dieses Training so vorstellen, dass man die Ausgangswerte der einzelnen künstlichen Neuronen mit einer Gewichtung versieht, um das künstliche neuronale Netzwerk in einem ersten Trainingslauf „raten“ zu lassen, ob es sich bei dem gezeigten Bild um eine bestimmte Person handelt. Im Anschluss werden die Gewichte all jener künstlichen Neuronen erhöht, die zur richtigen Einschätzung beigetragen haben, so dass sich die Treffsicherheit in einem zweiten Durchlauf verbessert haben sollte. Dieser Prozess wird nun viele, viele Male mit unterschiedlichen Bildern so lange wiederholt, bis die Treffsicherheit zufriedenstellend ist. Das „Wissen“ darüber, wie eine bestimmte Person zu erkennen ist, liegt also in der Gewichtsverteilung, die das KI-Modell im Verlaufe des Trainierens selbst erlernt hat. Man spricht in diesem Zusammenhang häufig von selbstlernenden Algorithmen oder von maschinellem Lernen – genau diese Fähigkeit des Selbstlernens ist letztendlich das, was eine KI für die komplexen und dynamischen Probleme der Realität anwendbar macht.
Bei dem hier beschriebenen KI-Modell, das insbesondere in der Bilderkennung zum Einsatz kommt, handelt es sich um ein Convolutional Neural Network und die beschriebene Trainingsmethode ist das sogenannte Supervised Learning. Daneben gibt es weitere Trainingsmethoden, wie etwa das Unsupervised Learning, bei dem ein KI-Modell beispielsweise selbständig Anomalien zu entdecken lernt, oder das Reinforcement Learning, das eine Kombination der vorherigen Trainingsmethoden ist. Und es gibt weitere Ausprägungen künstlicher neuronaler Netze, die sich von der medizinischen Diagnostik bis hin zur Bekämpfung des Fachkräftemangels auf die verschiedensten unternehmerischen, institutionellen und gesellschaftlichen Probleme applizieren lassen; exemplarisch zu nennen sind in diesem Zusammenhang unter anderem Recurrent Neural Networks, also rückgekoppelte Netzwerke, die etwa in der Sprachverarbeitung zum Einsatz kommen, oder die den Large-*-Models zugrundeliegenden Transformer Neural Networks, deren Wirkweise durch einen sogenannten Aufmerksamkeitsmechanismus verbessert wird.
Künstliche Intelligenz als Black Box
Neben dem grundsätzlichen Vorteil, auch komplexe und dynamische Problemstellungen lösen zu können, eint all diese Arten von Künstlicher Intelligenz zum einen, dass sie während ihres Lebenszyklus von der Entwicklung über das Trainieren bis zum Betrieb beziehungsweise zur Inferenz den unterschiedlichsten Unwägbarkeiten und Risiken ausgesetzt sind, die von der Entwicklung eines Bias bis zur Verwendung ungeeigneter oder nicht rechtmäßig erworbener Daten reichen – wie diese Risiken durch eine IT-Architektur gemindert werden können, darauf wurde in einem früheren Blog ja bereits eingegangen. Zum anderen eint sie aber auch, dass die Inferenz, also das Ziehen von Schlüssen, nicht auf Regeln, sondern auf stochastischen Mechanismen beziehungsweise Korrelation basiert: Man weiß also nie genau, warum eine KI zu einem bestimmten Ergebnis kommt. Die KI ist gewissermaßen eine Black Box, sie ist nicht deterministisch und nur schwer auditierbar, was natürlich gerade für den Einsatz im Bereich der Öffentlichen Hand aber auch für viele Unternehmen nicht unproblematisch ist. Derzeit werden unterschiedliche, teilweise höchst elaborierte Ansätze evaluiert, um diese Problematik zu adressieren – hierauf werden wir in einem der folgenden Blogs noch tiefer eingehen. Eine vergleichsweise einfache Möglichkeit liegt gleichwohl auf der Hand: nämlich die Kombination von menschlicher und künstlicher Intelligenz.
Zusammenspiel von künstlicher und menschlicher Intelligenz
Nicht zuletzt mit der Schachpartie von Kasparov gegen Deep Blue, bei der erstmalig ein Großmeister gegen einen Computer verloren hatte, entstand ein eher defätistischer Blick auf die „Überlegenheit der Maschine“, der nach wie vor viele Diskussionen um den Einsatz von KI prägt. Im Nachgang an diese berühmt gewordene Partie wurden Schachturniere durchgeführt, in denen hybride, jeweils aus Menschen und KI bestehende Teams gegeneinander antraten, bei denen sich dann eine ganz andere Erkenntnis zeigte:2 Entscheidend für den Erfolg beim Lösen bestimmter Aufgaben ist nicht nämlich die beste KI, sondern das beste Zusammenspiel von Mensch und KI! Diese viel optimistischer stimmende Erkenntnis beruht darauf, das Menschen und KI sehr unterschiedliche Fähigkeiten und Kompetenzen aufweisen: Künstliche Intelligenzen können sehr schnell sehr viele Daten verarbeiten und daraus Schlüsse ziehen, die zunächst überraschend kreativ und hilfreich wirken, die unter Umständen aber auch komplett sinnlos oder falsch sein können, da sie nicht auf Logik, sondern auf Korrelation basieren. Menschen hingegen verfügen mit Erfahrung, Empathie, Urteilsvermögen und Expertenwissen über genau solche Fähigkeiten, die die KI-Fähigkeiten ideal ergänzen und die das Zusammenspiel von menschlicher und künstlicher Intelligenz zur perfekten Kombination machen – und dies nicht nur im Schach, sondern in vielen weiteren Bereichen.3 Auf dieser Basis können dann nicht nur die regulatorische Handlungsfelder einer fehlenden Determiniertheit und Auditierbarkeit adressiert werden, sondern es können auch marktseitige Unterscheidungsmerkmale und Wettbewerbsvorteile geschaffen werden.4 Dies setzt freilich ein Zusammenspiel über den gesamten Lebenszyklus voraus: angefangen bei der Entwicklung, bei der algorithmische Effizienz und Chain-of-Thought perspektivisch sicherlich an Bedeutung gegenüber Brute-Force-Ansätzen gewinnen werden, bis hin zum Prompting, bei dem es darauf ankommt, auf Basis von Expertenwissen die richtigen Fragen zu stellen bzw. Aufgaben präzise und korrekt zu delegieren. Es stellt sich gleichwohl die Frage, wie genau dieses Zusammenspiel von menschlicher und künstlicher Intelligenz gestaltet werden kann.
Digitale Arbeitskraft
Grundsätzlich handelt es sich bei KI gleich welcher Ausprägung natürlich zunächst um ein Werkzeug. Diesem Werkzeug wird allerdings mehr und mehr Handlungsfähigkeit (agency) zugesprochen. So gibt es beispielsweise in der IT bereits heute zahlreiche KI-Werkzeuge, die monotone, repetitive Tätigkeiten erledigen oder die den Menschen bei der Navigation durch umfangreiche Portale unterstützen. Es ist jedoch absehbar, dass diese Assistenzsysteme durch sogenannte Agentic AI ersetzt werden, an die komplette Aufgaben wie beispielsweise das Onboarding eines neuen Mitarbeiters delegiert werden können – aus der KI wird sozusagen ein Digital Worker. 
Der Einsatz von Agentic AI ist freilich nicht nur in der IT zu beobachten – denn ob die zu erledigenden Aufgaben in der IT, in einem anderweitigen technischen Gewerk oder im nicht weniger komplexen Verwaltungsapparat liegen, ist eigentlich unerheblich – denn Daten sind Daten sind Daten! Eine KI als digitalen Arbeiter zu charakterisieren, darf nicht als Vermenschlichung interpretiert werden! Vielmehr geht es darum, einer Frage die ihr gebührende Aufmerksamkeit zu schenken – nämlich: Wie muss eine Organisationsarchitektur gestaltet sei, in der menschliche und digitale Arbeitskräfte zusammenarbeiten können?
Organisationsarchitektur für das Zusammenspiel von Menschen und KI
Die meisten Unternehmen und Verwaltungen beschäftigen sich momentan sicherlich mit der Frage, welchen Einfluss KI auf die Jobs der – durchaus nahen – Zukunft haben wird; auch im eigenen Hause haben wir zusammen mit einigen Kooperationspartnern eine entsprechende Untersuchung angestoßen. Im Mittelpunkt stehen dabei vor allem Produktivitätsgewinne und die Fähigkeiten, die wir Menschen entwickeln müssen, um mit KI zusammenarbeiten zu können. Mit Blick auf die demographische Entwicklung und den Fachkräftemangel ist eine Priorisierung dieser Fragestellung absolut nachvollziehbar. Sie darf sich aber nicht darauf beschränken, sondern sie muss vielmehr als Startpunkt für die Beantwortung einer umfassenderen Fragestellung angesehen werden, die die gesamte Organisationsarchitektur mit besonderem Fokus auf das Führungssystem adressiert und die idealerweise neben der Produktivität auch weitere Ziele und Werte beachtet: Einerseits wird sich der Einfluss von KI nämlich nicht nur auf die unmittelbar betroffenen Jobs auswirken, sondern er wird sich in einer Art Trickle-up-Effekt in der gesamten Organisation entfalten. Des weiteren darf der Management-Blick nicht mehr nur auf die „analoge Organisation“ gerichtet sein, sondern muss auch die digitalen Arbeitskräfte erfassen. Im Grunde genommen geht es um das Management von hybriden Teams, die aus menschlichen und digitalen Arbeitskräften mit jeweils diversen Fähigkeiten bestehen, wobei beim Management digitaler Arbeitskräfte natürlich auch verschiedene psychologische Aspekten, wie etwa dem Automation Bias, Rechnung zu tragen ist – es bleibt abzuwarten, inwiefern neuere Konzepte, wie beispielsweise Evaluative AI, in diesem Zusammenhang zu bewerten sein werden. Und letztlich wird der Einfluss auch von rein betrieblich genutzter KI nicht an den Unternehmensgrenzen halt machen, sondern weitreichende Auswirkungen in vielen Bereichen der Wirtschaft und der Gesellschaft haben.5
Ein innovatives Managementkonzept zu entwickeln, um einen Ressourcenengpass zu adressieren, ist keine unbekannte Aufgabe, wobei das in Japan entwickelte Lean Management sicherlich das geläufigste und wohl auch erfolgreichste Beispiel dieser Art darstellt,6 so dass es sich lohnen dürfte, diesem wieder etwas Aufmerksamkeit zu widmen: Bei dem ursprünglichen, japanischen Ansatz geht es im Kern darum, die unterschiedlichen, oftmals in Form von Tacit Knowledge vorliegenden Fähigkeiten und Kompetenzen der Mitarbeitenden nutzbar zu machen, um einen Mangel an Ressourcen zu adressieren – in der Tat eine dem Fachkräftemangel nicht unähnliche Problemstellung. Und die Lösung basiert im Kern auf der Nutzung der unterschiedlichen Stärken eines vielfältigen Teams – eine Erkenntnis, die nicht nur Toyota bei der Bewältigung von Engpässe geholfen hat, sondern die nach wie vor die Basis vieler erfolgreicher High-Performance-Teams bildet. Eine Stärke ist dabei nicht in erster Linie etwas, das man gut kann, sondern etwas, das man gerne macht! Für digitale Arbeitskräfte mag das unerheblich sein, bei den menschlichen Arbeitskräften definiert es aber das, was man allgemeinhin als „gute Arbeit“ bezeichnet. Mithin – ein stärkenbasierter Ansatz kann sowohl den strategischen Anforderungen nach hoher Performance als auch den normativen Anforderungen, die sich in einer sozialen Marktwirtschaft ergeben, gleichzeitig Rechnung tragen. Erfreulicherweise gibt es inzwischen verschiedene Ansätze, die sich nicht nur aus einer reinen AI-Adoption-Perspektive, sondern ganzheitlich mit dem Thema beschäftigen – für Deutschland ist in diesem Zusammenhang sicherlich die Human Friendly Automation Initiative als Vorbild zu nennen. Bleibt nur noch eine letzte Frage zu beantworten – nämlich: Was hat das alles jetzt mit IT zu tun?
Ko-Evolution
Spätestens mit der Digitalisierung hat sich die Rolle der IT verändert: Sie ist nicht mehr nur eine reine Unterstützungsfunktion für die Aufbau- und Ablauforganisation eines Unternehmens oder einer Verwaltung, sondern sie ist neben den Strukturen und Prozessen ein echter strategischer Teil der Organisationsarchitektur, wobei die Grenzen zwischen der digitalen und der analogen Dimension einer solchen Organisationsarchitektur mit dem Aufkommen von Agentic AI immer mehr verschwimmen. Damit menschliche und digitale Arbeitskräfte effektiv miteinander kommunizieren und zusammenarbeiten können, müssen Management- und Führungsmaßnahmen sowohl in der analogen als auch in der digitalen Welt wirken: Neben Organisationsanweisungen gilt es Policies zu formulieren, neben Management by Objectives treten Service Level Agreements und die Organisationsform der analogen Welt – sei es eine Holakratie, eine Heterarchie oder eine andere Organisationsform – muss durch ein adäquates Pendant in der digitalen Welt reflektiert werden – sprich: durch eine geeignete IT-Architektur für Vernetzung, Datenverarbeitung, Kommunikation, Kollaboration, Sicherheit, die Etablierung von Standards und ein automatisiertes Policy-Enforcement! Nicht zuletzt vor dem Hintergrund, dass die Einführung von KI idealerweise mit einer Organisationstransformation und einem entsprechenden Change-Management verbunden ist, gilt es dabei zu beachten, dass der Wandel der analogen und der digitalen Dimension einer Organisationsarchitektur nicht separiert, sondern im Sinne einer Ko-Evolution gedacht und ausgeführt werden – hierauf hatten wir im vorangegangenen Blog ja bereits aufmerksam gemacht!
1 Vgl. Polanyi; M. (1966): The Tacit Dimension, Chicago: University of Chicago Press
2 Vgl. Kasparov, G. (2010). The chess master and the computer, New Yorker Review of Books, https://www.nybooks.com/articles/2010/02/11/the-chess-master-and-the-computer/.
3 Vgl. z.B. Brynjolfsson, E., & McAfee (2017). The business of artificial intelligence. In Brynjolfsson, E. & McAfee (Hrsg.), Artificial intelligence, for real. The big idea series. Harvard Business Review. https://hbr.org/2017/07/the-business-of-artificial-intelligence
4 Vgl. z.B. Lake, K. (2018). Stich Fix’s CEO on selling personal style to the mass market. Harvard Business Review, 96(3), S. 35–40.
5 Vgl. z.B. Wallenhorst, D. (2023). Perspektivenwechsel in der Digitalisierung – Interdisziplinäre Ansätze Für Die Digitale Epoche. Wiesbaden: Springer Gabler
6 Vgl. Ōno, T. (1988). Toyota production system – Beyond large-scale production. New York: Taylor & Francis
Authors
