Künstliche Intelligenz (KI) und Arbeit

Künstliche Intelligenz begleitet heute schon viele Menschen im Alltag. Auch in das Arbeits- und Betriebsumfeld wird KI zukünftig deutlich stärker Einzug erhalten und so zur Wirtschaftlichkeit und Innovationsfähigkeit des Industriestandorts Deutschlands beitragen. Die Einführung von KI-Systemen wird bei den Benutzenden häufig noch kritischer gesehen als bisherige Automatisierungs- und Digitalisierungsmaßnahmen, da insbesondere Autonomieverluste und fehlendes Verständnis für das Verhalten des KI-Systems befürchtet werden. Dem entgegenwirken kann die ganzheitliche, soziotechnische Systemgestaltung, mit der Arbeit in den Facetten Mensch, Technik und Organisation gleichzeitig gestaltet wird. Dieser Abschnitt motiviert dies ausführlicher und gibt einen Überblick über das Gesamtwerk.

Die Anwendung von KI in der unternehmerischen Praxis geht mit zukünftigen Erwartungen einher. Im Rahmen der Studie zum Thema „Künstliche Intelligenz in produzierenden Unternehmen“ des ifaa – Institut für angewandte Arbeitswissenschaft e. V. wurden diese erhoben. Hierbei wurden die Erfahrungen von 459 teilnehmenden Fach- und Führungskräften zu eingeführten sowie geplanten KI-Anwendungen abgefragt. Diese zeigen, dass die Erwartungen der Unternehmen bezüglich eines KI-Einsatzes je nach Betrieb sehr unterschiedlich aussehen können. Zugleich sind ebenfalls große Übereinstimmungen zu den Einschätzungen der Unternehmen bezüglich der erwarteten und beobachteten Auswirkungen, Potenziale und Nutzen einer KI zu beobachten. Dadurch wird deutlich, dass KI-Technologien ein breites Spektrum an nutzbaren Möglichkeiten für Unternehmen bieten. Auch zeigen die Ergebnisse der Studie eine Vielzahl an Unternehmensbereiche, in denen zukünftiges Potenzial für den Einsatz von KI gesehen wird.

In diesem Kapitel werden verschiedene betriebliche Anwendungsbeispiele für KI vorgestellt. Ausgehend von der Beschreibung der Unternehmen, sowie deren Herausforderungen und Bedarfe, werden sowohl bereits erprobte als auch zum Zeitpunkt der Beitragserstellung in der Konzeption und Entwicklung befindliche technische Lösungen erläutert. Das Kapitel schließt mit zusammengefassten Erkenntnissen und einem Fazit.

KI-Technologien sind Methoden und Verfahren, die es technischen Systemen ermöglichen, selbständig Probleme zu lösen und aus Daten und Aktionen zu lernen und somit scheinbar intelligent Routinen auszuführen. Die derzeit am häufigsten eingesetzte Methode ist das sogenannte maschinelle Lernen, bei der Berechnungsschritte automatisiert und ohne explizite Programmierung eines konkreten Lösungswegs durchgeführt werden. KI ist aber nur eine von vielen technologischen Entwicklungen, die derzeit die Arbeitswelt wesentlich beeinflussen, und kann eingeordnet werden in einen stufenweisen Entwicklungs- und Transformationsprozess, den ein Unternehmen oder eine Organisation durchlaufen kann, angefangen bei der Nutzung von Informationstechnologien, über die Vernetzung dieser IT-Komponenten, die Aggregation von Daten zu Informationen, bis hin zur hochgradigen Automatisierung von Entscheidungs- und Umsetzungshandlungen. Auch die KI-Automation selbst muss in verschiedene Stufen abgegrenzt werden: Beginnend bei einer assistierten Entscheidung können KI-Systeme unterschiedlich gestaltet sein und in der höchsten Autonomiestufe ein autonomes Entscheidungssystem darstellen, das nahezu autark und dauerhaft ohne die Bedienung durch einen menschlichen Benutzer die Kontrolle über Entscheidungen für eine große und komplexe Anwendungsdomäne übernimmt. In diesem Zusammenhang ist die Kritikalität der Anwendungsdomäne, in der ein KI-System eingesetzt wird, entscheidend. Für eine Bewertung und Einstufung hilft die Kritikalitätspyramide der von der Bundesregierung 2018 beauftragten Datenethikkommission (DEK).

Die Einführung von KI-Anwendungen weist Besonderheiten auf, die sich auf das Change-Management und insbesondere auf die Beteiligung der Beschäftigten einschließlich der Prozesse der betrieblichen Mitbestimmung auswirken. Eine systematische Vorgehensweise kann alle betrieblichen Akteure für die Anforderungen des Change-Managements bei Künstlicher Intelligenz sensibilisieren. Zudem bietet es Orientierung für die praktische Umsetzung der Einführung von KI-Systemen in den verschiedenen Phasen eines Entwicklungs- und Einführungsprozesses. Basierend auf Modellen der Einführung technischer Systeme, wird eine Synopse entwickelt, die sich beim Vorgehen an den Phasen des klassischen Projektmanagements orientiert, wesentliche, zu betrachtende Themen aufzeigt und essenzielle Erfolgsfaktoren für den Einführungsprozess benennt.

Künstliche Intelligenz (KI) bietet Unternehmen Chancen, ihre Produkte, Dienstleistungen und Prozesse zu verbessern. Für die erfolgreiche Nutzung neuer KI-Technologien müssen diese jedoch bedarfsgerecht eingeführt und eingesetzt werden. In diesem Kapitel wird eine praxisorientierte Vorgehensweise beschrieben, die eine bedarfsgerechte Auswahl und Einführung von KI-Anwendungen unterstützt. Die Vorgehensweise umfasst dabei alle fünf Phasen beginnend mit der Initiierung und Zielfestlegung (1) über die Identifizierung und Auswahl (2) sowie Analyse und Planung (3) bis hin zur Entwicklung und Einführung (4) sowie zur Prüfung und Entscheidung (5) hinsichtlich eines dauerhaften Einsatzes. Diese berücksichtigt verschiedene Ansätze bei der Einführung neuer Technologien, die sich in der Unternehmenspraxis beobachten lassen. Ferner beinhaltet das Kapitel umfangreiche Arbeitshilfen zur Bearbeitung verschiedener Aufgabenstellungen bei der praktischen Durchführung von KI-Anwendungsprojekten.

Ein KI-System ist Teil eines Arbeitssystems. Ein Arbeitssystem ist in die Arbeitsorganisation eingebettet und enthält die Arbeitsaufgabe und Arbeitsmittel. Wird diesem Verständnis gefolgt, kann KI erfolgreich implementiert werden. Denn dann werden im Rahmen der Arbeitsgestaltung auch die Wechselwirkungen des sozio-technischen Systems berücksichtigt. Das Kapitel beschreibt, auf welche Gestaltungselemente eines Arbeitssystems Unternehmen und Anwender achten sollten, wie KI sich zu den einzelnen Elementen im Arbeitssystem verhält und warum eine Gefährdungsbeurteilung wichtig ist.

Der Erfolg einer KI-Anwendung wird essenziell durch die Verfügbarkeit der erforderlichen Daten beeinflusst. Abhängig von der verwendeten KI-Methode müssen die Daten gelabelt, das heißt, mit Informationen gekennzeichnet werden, damit diese von Machine-Learning-Algorithmen besser interpretiert werden können und vorverarbeitet werden. Die Daten können aus einer Vielzahl von Quellen stammen. Die Datenvorverarbeitung sollte transparent und nachvollziehbar dokumentiert werden. Das sogenannte Federated Learning ist eine spezielle Technik des verteilten maschinellen Lernens, die es ermöglicht, sensible oder personenbezogene Daten zu nutzen, die Modellgüte entscheidend zu verbessern und gleichzeitig die Datenschutzbestimmungen einzuhalten. Beim Federated Learning wird aus einer Vielzahl einzelner Analysemodelle unterschiedlicher Teilnehmer ein zentrales Modell gebildet. Dieses nimmt wiederum iterativ Einfluss auf die Einzelmodelle. Da KI-Systeme häufig komplex vernetzt sind, besteht die Gefahr unautorisierter Zugriffe und Angriffe auf das System. Durch den Aufbau interner Kompetenzen in IT- und Cybersicherheitskompetenz, die Einhaltung entsprechender Standards, Normen und Frameworks sowie regelmäßige Sicherheitstests kann diesen Risiken aktiv vorgebeugt werden. Bei Technologiesprüngen wie der KI sollten zudem ethische Anforderungen im Sinne der gesellschaftlich verantwortungsvollen und fairen Technologie im Fokus stehen.

Die Einführung von KI-Systemen ist ein Führungsthema und stellt weitreichende Anforderungen an Führungskräfte. Es gilt in diesem Zusammenhang die Handlungsfelder Aspekte guter Führung (Absch. 9.2.1), konzeptionelle Gestaltung des Veränderungsprozesses (Abschn. 9.2.2), Unternehmenskultur (Abschn. 9.2.3), Qualifizierung und Kompetenzentwicklung (Abschn. 9.2.4) sowie eine Analyse von Auswirkungen (Abschn. 9.2.5) zu beachten. Aufgrund ihrer Position im Unternehmen nehmen Führungskräfte eine Schlüsselrolle im Rahmen des Veränderungsprozesses ein. Sie agieren sowohl als Begleitpersonen der Mitarbeitenden im Veränderungsprozess, Multiplikatoren der Technologie als auch Projektverantwortliche. Hierbei lassen sich jeweils individuelle Anforderungen ableiten.

In diesem Kapitel wird der Kompetenz- und Qualifizierungsbedarf aufgrund der Entwicklung und Einführung einer KI anhand eines Praxisbeispiels erläutert. Zukunftskompetenzen sowie notwendige fachlich-technische Kompetenzen werden aufgeführt, unabhängig davon, ob ein System selbst entwickelt oder eingekauft wurde.

Die Gestaltung von KI-gestützten Arbeitssystemen steht derzeit noch am Anfang. Die Zukunft hält entsprechend viele Potenziale bereit. Allerdings gilt es auf dem Weg dorthin unterschiedlichen Herausforderungen zu begegnen. So skizzieren in diesem Abschnitt verschiedene Stakeholder Visionen für das Jahr 2035, in denen zukünftig zu bearbeitende Themen wie z. B. Bildung, die Entmystifizierung von KI oder der Ausbau von Datenarchitekturen benannt werden. Aktueller Forschungs- und Handlungsbedarf besteht und aus arbeitswissenschaftlicher Perspektive ergeben sich diesbezüglich konkrete Aufgaben für die Arbeitsgestaltung. So sind beispielsweise die Aufbereitung von Praxisbeispielen sowie von praxisorientierten Handlungshilfen und die Entwicklung von Qualifizierungsangeboten bedeutsam für die Ausschöpfung der Potenziale durch den Einsatz von KI-Technologien. Dieser Abschnitt gewährt insgesamt einen Ausblick auf die zu forcierenden Themen.