Mensch und KI in Organisationen: Einfluss und Umsetzung Künstlicher Intelligenz in wirtschaftspsychologischen Anwendungsfeldern (German Edition) [1 ed.] 3662663740, 9783662663745

Table of contents :
Vorwort
Inhaltsverzeichnis
Über die Autorin
1 Einleitung: Mensch, Künstliche Intelligenz & Co.
Literatur
2 Psychologische Perspektive auf Künstliche Intelligenz
2.1  Psychologische Teildisziplinen und Künstliche Intelligenz
2.2  Psychologische Aspekte von Künstlicher Intelligenz und Robotik
2.2.1  Künstliches und menschliches Bewusstsein
2.2.2  Emotionen mit Künstlicher Intelligenz und Robotern
2.2.3  Künstliche Wahrnehmung von Emotionen
2.2.4  Künstliche Intelligenz und Empathie
2.2.5  Emotionale Bindung zu Künstlicher Intelligenz und Robotern
Literatur
3 Definition und Entwicklung von Künstlicher Intelligenz
3.1  Einordnung und Definition von Künstlicher Intelligenz
3.2  Entwicklungsphasen von Künstlicher Intelligenz
3.3  Begriffe und technologische Trends im Kontext von Künstlicher Intelligenz
Literatur
4 Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz
4.1  Industrie 5.0 als nächste Phase der Industrialisierung
4.2  Auswirkungen von Digitalisierung und KI auf den Arbeitsmarkt
4.3  KI- basierte Szenarien in der digitalen Arbeitswelt
4.4  Organisationale Voraussetzungen für die Einführung von KI und Robotik
4.5  Reifegrade zur Einführung von KI
4.6  Gestaltungsansätze für die Einführung von KI in Unternehmen
Literatur
5 Mensch-KI-Interaktion und Mensch-Roboter-Interaktion
5.1  Mensch-KI-Interaktion
5.1.1  Definition und Einordnung der Mensch-KI-Interaktion
5.1.2  Klassifikationen der Mensch-KI-Interaktion
5.1.3  Thesen zur zukünftigen Entwicklung der Mensch-KI-Interaktion
5.1.4  Fusion Skills in der Zusammenarbeit von Mensch und KI
5.2  Mensch-Roboter-Interaktion
5.2.1  Definition von Robotik
5.2.2  Geschichte der Robotik
5.2.3  Arten von Robotern
5.2.4  Interaktionsklassifikationen der Mensch-Roboter-Interaktion
5.2.5  Roboterklassifikationen
5.2.6  Teamklassifikation von Mensch und Roboter
5.2.7  Soziale Roboter – Cobots
5.2.8  Anwendungen und Praxisbeispiele zum Einsatz von Robotern
5.2.9  Einstellung gegenüber Robotern in der Mensch-Roboter-Interaktion
Literatur
6 Künstliche Intelligenz und Roboter im Human Resources Bereich
6.1  Digitale Transformation im Human Resources-Bereich
6.2  People Analytics im Personalmanagement
6.3  Personalmarketing mit Künstlicher Intelligenz
6.4  Personalrecruiting mit Künstlicher Intelligenz und Robots
6.5  Personalentwicklung mit Künstlicher Intelligenz
6.5.1  Learning Analytics und Adaptive Learning mit Bots
6.5.2  Learning Management Systeme und Skill Management mit KI
6.6  Rolle von HR bei der Einführung von Künstlicher Intelligenz und Robotik
Literatur
7 Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern
7.1  Future Skills und Future Learning
7.2  Künstliche Intelligenz in der Bildung und Weiterbildung
7.3  Chatbots als digitale Lernassistenten
7.4  Roboter in der Bildung und Weiterbildung
7.4.1  Beispiele für soziale Roboter in der Bildung und Weiterbildung
7.4.2  Einstellung gegenüber Bildungsrobotern
7.5  Smart Learning Design und Environments
7.5.1  Holistic Learning Experience (HoLEX) als Framework für SLEs
7.5.2  Beispiele für Smart Learning Environments
7.6  Augmented und Virtual Reality Lernumgebungen mit KI
7.7  Metaversum als zukünftiger Arbeits- und Lernraum
Literatur
8 Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern
8.1  Führung in der digitalen Arbeitswelt
8.2  Führungskompetenzen in Zeiten von Digitalisierung und KI
8.3  Algorithmisches Management
8.4  Übernahme von Führungsaufgaben durch KI und Roboter
8.5  Komplementäre Teamarbeit zwischen Mensch, KI und Roboter
8.6  Next Teamwork in Zeiten von Künstlicher Intelligenz
8.7  Hybride Teamarbeit und Führung
Literatur
9 Ethik für Künstliche Intelligenz und Robotik
9.1  Postulat einer menschenzentrierten Künstlichen Intelligenz
9.2  Ethische Grundsätze für Künstliche Intelligenz
9.3  Digitale Ethik, Maschinen- und Roboterethik
9.4  Algorithmische Entscheidungssysteme
9.5  Value-based-Design und Ethics by Design
9.6  Corporate Digital Responsibility in Unternehmen
9.7  Grundsätze für Künstliche Intelligenz in der Gesellschaft
Literatur
10 Fazit
Literatur
Glossar
Stichwortverzeichnis

Citation preview

Melanie Hasenbein

Mensch und KI in Organisationen Einfluss und Umsetzung Künstlicher Intelligenz in wirtschaftspsychologischen Anwendungsfeldern

Mensch und KI in Organisationen

Melanie Hasenbein

Mensch und KI in Organisationen Einfluss und Umsetzung Künstlicher Intelligenz in wirtschaftspsychologischen Anwendungsfeldern

Melanie Hasenbein Coaching und Beratung CHANGE FORMAT Dietramszell, Bayern, Deutschland

ISBN 978-3-662-66374-5 ISBN 978-3-662-66375-2  (eBook) https://doi.org/10.1007/978-3-662-66375-2 Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über 7 http://dnb.d-nb.de abrufbar. © Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten. Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral. Einbandabbildung: © AndreyPopov/Getty Images/iStock Planung/Lektorat: Marion Krämer Springer ist ein Imprint der eingetragenen Gesellschaft Springer-Verlag GmbH, DE und ist ein Teil von Springer Nature. Die Anschrift der Gesellschaft ist: Heidelberger Platz 3, 14197 Berlin, Germany

V

Vorwort Die Reise zur Psychologie der Digitalisierung geht weiter. Das vorliegende Fachbuch ist die Fortsetzung bzw. Weiterentwicklung des bereits im Springer-Verlag erschienenen Buches „Der Mensch im Fokus der digitalen Arbeitswelt“. Dort wurden die Auswirkungen der Digitalisierung auf verschiedene wirtschaftspsychologische Anwendungsfelder betrachtet. Im Mittelpunkt steht nun in diesem Buch der Mensch in der Zusammenarbeit mit Künstlicher Intelligenz und mit Robotern. Die Entwicklungen in der Künstlichen Intelligenz und der Robotik nehmen immer mehr Fahrt auf. Dabei stellt sich die Frage, wie der Mensch adäquat eingebunden und mitgenommen werden kann. Das Buch verfolgt einen menschenzentrierten und hybriden Ansatz in der Zusammenarbeit von Menschen und Künstlicher Intelligenz. Dabei soll es auch zur Aufklärung und Wissensvermittlung beitragen, was Künstliche Intelligenz und den Einsatz von Robotern, vor allem in den wirtschaftspsychologisch-verwandten Feldern, betrifft. Dabei stellen sich folgende Fragen: Welche Auswirkungen hat die künstliche Intelligenz auf den Menschen und die Arbeitswelt? Wie könnte diese Arbeitswelt zukünftig aussehen? Was bedeutet das für Organisationen und Unternehmen? Wie verändern sich die Interaktion und Kommunikation mit künstlicher Intelligenz und Robotern? Wie kann der Mensch Künstliche Intelligenz für sich unterstützend einsetzen und mitgestalten? Was bleibt neben Künstlichen Intelligenzen und dem Einsatz von Robotern noch zutiefst menschlich und dem Menschen vorbehalten? Mit diesem Fachbuch1 möchte ich einerseits Antworten auf diese Fragen geben und andererseits zum eigenen Nachdenken und selbst aktiv werden anregen. Auch sollen möglichst Ängste und Unsicherheiten, die in dieser Thematik stecken, genommen werden. Ich habe selbst bei der Recherche und beim Schreiben gemerkt, dass durch mehr Wissen immer mehr Klarheit und Verständnis für den Einsatz von Künstlicher Intelligenz und Robotik entstanden ist. Auf dieser Reise habe ich mich oftmals inspiriert gefühlt und gleichzeitig haben mich manche Themen nachdenklich gestimmt. Am Ende bleiben noch einige Fragen offen, da erst die Zukunft zeigen wird, wie genau die Auswirkungen und weiteren Entwicklungen aussehen werden. Lassen Sie uns diese Reise, und sicherlich auch in Teilen neue Welt, mitgestalten. Dies ist zugleich ein Aufruf an die Psychologie, neben den anderen relevanten Disziplinen, in dem Feld der Künstlichen Intelligenz und Robotik in Forschung und Praxis mitzuwirken und Einfluss zu nehmen. Mein Dank gilt insbesondere Daniel Funk für die Unterstützung und bildliche Gestaltung sowie allen, die viel Verständnis dafür gezeigt haben, dass ich mich immer wieder zum Recherchieren und Schreiben zurückgezogen habe.

1  Aus Gründen der besseren Lesbarkeit wird bei Personenbezeichnungen und personenbezogenen Hauptwörtern hauptsächlich das generische Maskulinum verwendet. Entsprechende Begriffe gelten im Sinne der Gleichbehandlung grundsätzlich für alle Geschlechter. Die verkürzte Sprachform hat nur redaktionelle Gründe und beinhaltet keine Wertung.

VI

z

Vorwort

Hinweis zu den SN Flahscards

Als Käufer dieses Buches können Sie kostenlos unsere Flashcard-App „SN Flashcards“ mit Fragen zur Wissensüberprüfung und zum Lernen von Buchinhalten nutzen. Für die Nutzung folgen Sie bitte den folgenden Anweisungen, die am Ende von 7 Kap. 1 eingefügt sind. Melanie Hasenbein

VII

Inhaltsverzeichnis 1 Einleitung: Mensch, Künstliche Intelligenz & Co.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2 Psychologische Perspektive auf Künstliche Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . 2.1  Psychologische Teildisziplinen und Künstliche Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . .  Psychologische Aspekte von Künstlicher Intelligenz und Robotik. . . . . . . . . . . . . . . . . . 2.2 2.2.1  Künstliches und menschliches Bewusstsein. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2  Emotionen mit Künstlicher Intelligenz und Robotern. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.3  Künstliche Wahrnehmung von Emotionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.4  Künstliche Intelligenz und Empathie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.5  Emotionale Bindung zu Künstlicher Intelligenz und Robotern . . . . . . . . . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 9 11 11 13 14 15 16 18

3 3.1 3.2 3.3

Definition und Entwicklung von Künstlicher Intelligenz. . . . . . . . . . . . . . . . . . . . . . . 21

4

Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

 Einordnung und Definition von Künstlicher Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . .  Entwicklungsphasen von Künstlicher Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  Begriffe und technologische Trends im Kontext von Künstlicher Intelligenz . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

22 25 28 32

4.1 4.2 4.3 4.4 4.5 4.6

 Industrie 5.0 als nächste Phase der Industrialisierung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  Auswirkungen von Digitalisierung und KI auf den Arbeitsmarkt . . . . . . . . . . . . . . . . . . .  KI- basierte Szenarien in der digitalen Arbeitswelt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  Organisationale Voraussetzungen für die Einführung von KI und Robotik . . . . . . . . .  Reifegrade zur Einführung von KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  Gestaltungsansätze für die Einführung von KI in Unternehmen. . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36 38 40 43 45 48 52

5 Mensch-KI-Interaktion und Mensch-Roboter-Interaktion . . . . . . . . . . . . . . . . . . . . . 5.1  Mensch-KI-Interaktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1  Definition und Einordnung der Mensch-KI-Interaktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.2  Klassifikationen der Mensch-KI-Interaktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.3  Thesen zur zukünftigen Entwicklung der Mensch-KI-Interaktion . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.4  Fusion Skills in der Zusammenarbeit von Mensch und KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2  Mensch-Roboter-Interaktion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.1  Definition von Robotik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.2  Geschichte der Robotik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.3  Arten von Robotern. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.4  Interaktionsklassifikationen der Mensch-Roboter-Interaktion. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.5  Roboterklassifikationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.6  Teamklassifikation von Mensch und Roboter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.7  Soziale Roboter – Cobots. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.8  Anwendungen und Praxisbeispiele zum Einsatz von Robotern. . . . . . . . . . . . . . . . . . . . . . . . . . .

57 58 59 59 61 62 65 65 66 66 68 69 71 73 74

VIII

Inhaltsverzeichnis

5.2.9  Einstellung gegenüber Robotern in der Mensch-Roboter-Interaktion . . . . . . . . . . . . . . . . . . . . 79 Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 6 6.1 6.2 6.3 6.4 6.5 6.5.1 6.5.2 6.6

Künstliche Intelligenz und Roboter im Human Resources Bereich. . . . . . . . . . . . 85

7 7.1 7.2 7.3 7.4 7.4.1 7.4.2 7.5 7.5.1 7.5.2 7.6 7.7

Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern . . . . . . . . 109

8 8.1 8.2

Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern . . . . . . . . . 139

9 9.1 9.2 9.3 9.4 9.5 9.6 9.7

Ethik für Künstliche Intelligenz und Robotik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

Digitale Transformation im Human Resources-Bereich. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . People Analytics im Personalmanagement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Personalmarketing mit Künstlicher Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Personalrecruiting mit Künstlicher Intelligenz und Robots . . . . . . . . . . . . . . . . . . . . . . . . . Personalentwicklung mit Künstlicher Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Learning Analytics und Adaptive Learning mit Bots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Learning Management Systeme und Skill Management mit KI . . . . . . . . . . . . . . . . . . . . . . . . . . . Rolle von HR bei der Einführung von Künstlicher Intelligenz und Robotik. . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Future Skills und Future Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Künstliche Intelligenz in der Bildung und Weiterbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . Chatbots als digitale Lernassistenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Roboter in der Bildung und Weiterbildung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Beispiele für soziale Roboter in der Bildung und Weiterbildung . . . . . . . . . . . . . . . . . . . . . . . . . . Einstellung gegenüber Bildungsrobotern. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Smart Learning Design und Environments. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Holistic Learning Experience (HoLEX) als Framework für SLEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . Beispiele für Smart Learning Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Augmented und Virtual Reality Lernumgebungen mit KI. . . . . . . . . . . . . . . . . . . . . . . . . . . Metaversum als zukünftiger Arbeits- und Lernraum. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Führung in der digitalen Arbeitswelt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Führungskompetenzen in Zeiten von Digitalisierung und KI . . . . . . . . . . . . . . . . . . . . . . . 8.3 Algorithmisches Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.4 Übernahme von Führungsaufgaben durch KI und Roboter. . . . . . . . . . . . . . . . . . . . . . . . . 8.5 Komplementäre Teamarbeit zwischen Mensch, KI und Roboter . . . . . . . . . . . . . . . . . . . . 8.6 Next Teamwork in Zeiten von Künstlicher Intelligenz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.7 Hybride Teamarbeit und Führung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Postulat einer menschenzentrierten Künstlichen Intelligenz . . . . . . . . . . . . . . . . . . . . . . . Ethische Grundsätze für Künstliche Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Digitale Ethik, Maschinen- und Roboterethik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algorithmische Entscheidungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Value-based-Design und Ethics by Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Corporate Digital Responsibility in Unternehmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grundsätze für Künstliche Intelligenz in der Gesellschaft. . . . . . . . . . . . . . . . . . . . . . . . . . . Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

86 88 89 92 98 100 102 103 105

111 113 118 119 121 125 125 127 129 130 132 135

140 142 144 146 148 151 152 157

162 164 166 169 170 171 173 175

IX Inhaltsverzeichnis

10

Fazit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181



Serviceteil Glossar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184 Stichwortverzeichnis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191



Über die Autorin Dr. Melanie Hasenbein  ist digitaler und hybrider Coach mit CHANGE FORMAT und Professorin für Wirtschaftspsychologie und Coaching an der SRH Fernhochschule – The Mobile University. Sie beschäftigt sich insbesondere mit den Themen Digitalisierung und Künstliche Intelligenz im Coaching und in den Feldern der Wirtschaftspsychologie. Ihr erstes Buch „Der Mensch im Fokus der digitalen Arbeitswelt – wirtschaftspsychologische Perspektiven und Anwendungsfelder“ ist 2020 im Springer Verlag erschienen. Darüber hinaus hat sie verschiedene Artikel im Bereich des digitalen und hybriden Coachings veröffentlicht.

1

Einleitung: Mensch, Künstliche Intelligenz & Co.

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_1

1

2

1

Kapitel 1 · Einleitung: Mensch, Künstliche Intelligenz & Co.

In einer Welt der zunehmenden Digitalisierung versuchen wir uns alles möglichst verfügbar zu machen, sei es privat oder beruflich. So drückt es Rosa (2021, S. 18) in seinem Buch „Unverfügbarkeit“ aus:

» „Das Radio bringt die ‚Stimme Berlins‘ in akustische, das

Fernsehen Tokio in visuelle Reichweite; sie machen Welt sichtbar und hörbar; und während das Telefon dieselbe Reichweitenvergrößerung wie das Radiogerät, wenngleich auf der individuellen Ebene vollbringt, vollendet das Smartphone diese Bewegung dadurch, dass es alle unsere Freunde und Bekannten, alle unsere Lieben und weniger Lieben stets nur noch einen ‚Klick‘ entfernt sein lässt“.

Dahinter steckt der Versuch, die Welt mehr und mehr zu beherrschen und zu kontrollieren. Was bedeutet das für die weiteren Entwicklungen mit Künstlicher Intelligenz & Co.? In welchen zukünftigen Welten werden wir uns bewegen? Was ist bereits möglich mit Virtual und Augmented Reality und der neuen virtuellen 3-D-Welt des Metaversums? Inwieweit wird Künstliche Intelligenz uns in der Arbeitswelt unterstützen und/oder ersetzen? Wo liegen die Potenziale und wo die Risiken von Künstlicher Intelligenz & Co.? Dafür soll in diesem Kapitel als Einstieg ein kurzer Diskurs verschiedener Perspektiven und Meinungen von Philosophen, Informatikern, Physikern und anderen erfolgen. Die Perspektiven derer, die sich mit dem Thema Künstliche Intelligenz auseinandersetzen, sind vielfältig, polarisierend und teilweise konträr. Nehmen wir Jürgen Schmidhuber, den führenden Wissenschaftler und Experten für Künstliche Intelligenz, der die Extremposition der „Robokalypse“ vertritt, wohingegen Thomas Metzinger, Philosoph und ehemaliges Mitglied der European Commission’s High-Level Expert Group on Artificial Intelligence, vor einem tödlichen KI-Wettrüsten warnt, zu sehen in der Dokumentation „Paradies und Robokalypse“ (Deutsche Welle, 2020). Max Tegmark, Physiker und Autor des Buches „Leben 3.0 – Mensch sein im Zeitalter Künstlicher Intelligenz“ (Tegmark, 2019), erläutert in der Dokumentation, dass mit KI eine erhebende Zukunft möglich sei, gleichzeitig jedoch auch die kritischen Aspekte betrachtet werden müssten wie zum Beispiel das Risiko eines KI-Überwachungsstaates. Entsprechend werden auch in seinem Buch einerseits die Möglichkeiten und Potenziale Künstlicher Intelligenz & Co. aufgezeigt und andererseits die kritischen Punkte wie z. B. ethische Aspekte in den Blick genommen. Bei allem Neuen und Spannenden sollte immer die Frage leitend sein, wie kann KI für den Menschen nützlich sein und

3 1  Einleitung: Mensch, Künstliche Intelligenz & Co

wie kann eine produktive und sinnvolle Zusammenarbeit aussehen und vor allem gestaltet werden. Richard David Precht, der in seinem Buch „Freiheit für alle – Das Ende der Arbeit wie wir sie kannten“ vom „großen Umbruch“ spricht, drückt die einschneidende Veränderung durch die Digitalisierung und Künstliche Intelligenz, trefflich wie folgt aus (Precht, 2022, S. 30):

» „Digitale

Revolution, Datenexplosion und künstliche Intelligenz (KI) bilden einen epochalen Technologiesprung, der unsere Art zu leben und zu wirtschaften, allen voran in den Industrieländern, unumkehrbar verändert. […] Die größte Aufgabe besteht, wie bei jeder industriellen Revolution, in etwas ganz anderem: neu zu gestalten, was Menschen tun und wie sie zusammenleben“.

Nida-Rümelin und Weidenfeld (2018) vertreten in diesem Zusammenhang die Position eines digitalen Humanismus, der sowohl technik- als auch menschenfreundlich ist und wo es vor allem darum gehen sollte, dass digitale Systeme und KI-Systeme den Menschen unterstützen, um zum Beispiel mehr Freiraum und Unterstützung beim Treffen von Entscheidungen zu erhalten. Und vor allem sollte es darum gehen, die humanistischen Ideale und Werte auch im Zeitalter der Digitalisierung aufrechtzuerhalten. Zudem sind Mensch und Software bzw. KI-Systeme für die beiden Autoren klar unterscheidbar. Die Perspektive von Luciano Floridi, Philosoph für Informationsethik und -philosophie, schließt hier entsprechend an. Er vertritt die Meinung, dass Intuition, Empathie und Psychologie zutiefst menschlich seien und Künstliche Intelligenz den Menschen nicht annähernd imitieren könne (Borchardt, 2018, S. 70; Floridi, 2014). Und schließlich bleibt im Sinne von Rosa (2021) die Frage offen, ob wir „moderne“ Menschen bei allem, was mit Digitalisierung & Co. möglich ist und sein wird, nicht auch das Unverfügbare akzeptieren sollten. Im ersten Buch der Autorin, das auch im Springer Verlag veröffentlicht wurde, stand die Digitalisierung in den verschiedenen wirtschaftspsychologischen Anwendungsfeldern im Mittelpunkt („Der Mensch im Fokus der digitalen Arbeitswelt“). In dem aktuell vorliegenden Buch, das mit der voranschreitenden Digitalisierung noch einen Schritt weiter geht, wird der Mensch und Künstliche Intelligenz in der Organisations- und Arbeitswelt genauer unter die Lupe genommen. Auch die Robotik wird einen wesentlichen Teil ausmachen. Dabei sollen, wie mit den einführenden Worten und Perspektiven eingeleitet, einerseits die Möglichkeiten und Potenziale von Künstlicher Intelligenz & Co. in der neuen und zukünftigen Arbeitswelt betrachtet und andererseits die

1

4

Kapitel 1 · Einleitung: Mensch, Künstliche Intelligenz & Co.

1

. Abb. 1.1  Überblick zu Kapiteln des Buches ­Limitationen

und kritischen Punkte beleuchtet werden. Auch steht hier durchweg der Mensch im Fokus der Betrachtung. Denn die Zukunft ist menschlich und noch weit entfernt von einer Dystopie, in der die Maschinen das Sagen haben (Gadeib, 2019, S. 12). Weiter heißt es bei Gadeib (2019, S. 29)

» „Eine positive Haltung gegenüber den digitalen Möglichkeiten

scheint mir die einzige Option zu sein, als Gesellschaft den Wandel so zu gestalten, dass der Mensch auch wirklich im Mittelpunkt steht“.

In 7 Kap. 2 wird zunächst die psychologische Perspektive auf den Menschen in Verbindung mit Künstlicher Intelligenz betrachtet, bevor die Entwicklung der Künstlichen Intelligenz und der Einfluss auf die verschiedenen Anwendungs- und Arbeitsfelder, vor allem im wirtschaftspsychologischen Kontext, beschrieben werden. . Abb. 1.1 gibt einen Überblick zu den Kapiteln des Buches. Hinweis zu den SN Flahscards Als Käufer dieses Buches können Sie kostenlos unsere Flashcard-App „SN Flashcards“ mit Fragen zur Wissensüberprüfung und zum Lernen von Buchinhalten nutzen. Für die Nutzung folgen Sie bitte den folgenden Anweisungen:

5 Literatur

1. Gehen Sie auf 7 https://flashcards.springernature.com/login 2. Erstellen Sie ein Benutzerkonto, indem Sie Ihre Mailadresse angeben und ein Passwort vergeben. 3. Verwenden Sie den folgenden Link, um Zugang zu Ihrem SN Flashcards Set zu erhalten: 7 https://sn.pub/ AMXGBE Sollte der Link fehlen oder nicht funktionieren, senden Sie uns bitte eine E-Mail mit dem Betreff „SN Flashcards“ und dem Buchtitel an 7 https://customerservice@springernature. com.

Literatur Borchardt, A. (2018). Mensch 4.0. Frei bleiben in einer digitalen Welt. Random House. Deutsche Welle. (2020). Paradies oder Robokalypse. 7 https://www.dw.com/ de/paradies-oder-robokalypse/av-50022016. Zugegriffen: 19. Aug. 2022. Floridi, L. (2014). The 4th revolution. How the infosphere is reshaping human reality. Oxford University Press. Gadeib, A. (2019). Die Zukunft ist menschlich. Manifest für einen intelligenten Umgang mit dem digitalen Wandel in unserer Gesellschaft. Gabal. Nida-Rümelin, J., & Weidenfeld, N. (2018). Digitaler Humanismus. Eine Ethik für das Zeitalter der Künstlichen Intelligenz. Piper. Precht, R. D. (2022). Freiheit für alle. Das Ende der Arbeit wie wir sie kennen. Goldmann. Rosa, H. (2021). Unverfügbarkeit. Suhrkamp. Tegmark, M. (2019). Leben 3.0. Mensch sein im Zeitalter Künstlicher Intelligenz. Ullstein.

1

7

Psychologische Perspektive auf Künstliche Intelligenz

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_2

2

8

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

Trailer

2

Die Psychologie sollte eine wachsende Rolle neben den anderen Disziplinen wie der Informatik, den natur- und betriebswirtschaftlichen Bereichen spielen. Einige Teilbereiche der Psychologie werden von der Entwicklung der Künstlichen Intelligenz bereits beeinflusst und haben entsprechende Auswirkungen wie zum Beispiel in der Klinischen Psychologie, der Arbeits- und Organisationspsychologie und der Personalpsychologie. Zukünftig sollte es mehr darum gehen, dass die Psychologie selbst Einfluss nimmt. Zum Beispiel dadurch, dass sie einen eigenen Forschungsstrang zur Künstlichen Intelligenz und Robotik entwickelt und daraus Implikationen für die Praxis ableitet. Erste positive und spannende Aktivitäten aus psychologischer Sicht sind in den Publikationen und Forschungen der österreichischen Roboterpsychologin, Martina Mara, zu finden. Psychologische Aspekte, die im Kontext von Künstlicher Intelligenz und Robotik bereits intensiver diskutiert und untersucht werden sind die Bereiche Bewusstsein und Emotionen. Hier geht es um die Frage, ob eine KI überhaupt ein Bewusstsein haben kann und inwieweit sich menschliches vom künstlichen Bewusstsein unterscheiden. Beim Thema Emotionen geht es um die künstliche Wahrnehmung von Emotionen und Empathie sowie die emotionale Bindung mit Robotern. Es gibt zwar erste Forschungsansätze und Diskussionen dazu, es bleibt jedoch noch viel Luft nach oben, wo die Psychologie sich als Disziplin im Bereich von KI und Robotik etablieren kann. . Abb. 2.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

. Abb. 2.1 Wortwolke

2.1 · Psychologische Teildisziplinen und Künstliche Intelligenz

9

2.1  Psychologische Teildisziplinen und

Künstliche Intelligenz

Bisher haben sich vornehmlich die Disziplinen, Informatik, Physik und Mathematik sowie die Betriebswirtschaftmit der Künstlichen Intelligenz auseinandergesetzt. Zunehmend wächst das Interesse der Psychologie für dieses Thema. Sureth und Nachtwei (2020, S. 113) bringen dies trefflich zusammen:

» „Bringt sich die Psychologie nun mit ein, haben wir eine echte

Chance, die Zukunft der Arbeit nicht nur technisch und wirtschaftlich zu prägen, sondern vor allem dem Menschen würdig zu gestalten“.

Die Psychologie ist die Wissenschaft vom Erleben und Verhalten des Menschen, fügt man die Digitalisierung hinzu befasst sich die digitale Psychologie mit dem Erleben und Verhalten des Menschen in der digitalen Lebens- und Arbeitswelt. Nimmt man nun noch die Psychologie und die Künstliche Intelligenz in den Blick, geht es um das Erleben und Verhalten des Menschen im Umgang und in der Zusammenarbeit mit Künstlicher Intelligenz. Teilbereiche der Psychologie, auf die die künstliche Intelligenz bereits Einfluss hat und wo zudem eine Mitwirkung aus der jeweiligen psychologischen Teildisziplin selbst erfolgen kann, sind Folgende (ergänzt in Anlehnung an Gedankenwelt, 2022): 5 Pädagogische Psychologie: Sie befasst sich mit den Facetten des Lernens bei Kindern, Jugendlichen und Erwachsenen und den dahinterliegenden Erziehung- und Bildungsprozessen. Unter dem Einbezug von künstlicher Intelligenz und Robotern kann es zum Beispiel um virtuelle „intelligente“ Lernbegleiter gehen und den Einsatz von sozialen Robotern in der Bildung und Weiterbildung (dazu 7 Abschn. 7.4). 5 Klinische Psychologie und Psychotherapie: Sie setzt sich mit den Auswirkungen psychischer Erkrankungen auf das Erleben und Verhalten des Menschen auseinander und wie diese mithilfe von psychotherapeutischen Interventionen behandelt werden können. Hier kommen bereits Therapie-Chatbots und Therapieroboter zum Einsatz (dazu 7 Abschn. 5.2.8). Weitere Fragestellungen, die im Kontext von Künstlicher Intelligenz und dem vermehrten Einsatz von Robotik zukünftig aufkommen werden, sind sicherlich die Auswirkungen von KI und insbesondere der Mensch-KI-Interaktion bzw. der Mensch-Roboter-Interaktion auf die Psyche des Menschen

Psychologie als wichtige Disziplin im Umgang mit Künstlicher Intelligenz

2

10

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

5 Kognitive Psychologie: Sie beschäftigt sich mit den kognitiven Prozessen und Strukturen des Menschen zur Aufnahme, Verarbeitung und Speicherung von Informationen. Dazu zählen u. a. die Bereiche Gedächtnis, Sprache, Denken und Problemlösen. Damit ist sie prädestiniert für die Auseinandersetzung mit Künstlicher Intelligenz.

2

» „Die Schnittstelle von kognitiver Psychologie und künstlicher

Intelligenz ist dabei die Verbindung zwischen Psychologie und Informatik und gleichzeitig der Punkt, an dem die Parallelen zwischen menschlichem Denken und maschineller Informationsverarbeitung beginnen“ (leadershipgarage, 2020).

5 Arbeits- und Organisationspsychologie: Die Arbeitspsychologie beschäftigt sich mit den traditionellen und modernen Aspekten von Arbeit, Stichwort New Work, die Organisationspsychologie legt den Fokus auf Change sowie Führung und Teamarbeit. Die Auswirkungen von Künstlicher Intelligenz, im Sinne von Chancen und Risiken, auf den Arbeits- und Organisationskontext werden zunehmend in den Blick genommen und diskutiert (dazu 7 Kap. 4). „Um die Vorteile der KI wirklich zu nutzen, muss eine Organisation das riesige Wissen der globalen Gemeinschaft der Arbeits-/Organisationspsychologen einbeziehen“ (Diwo, 2021, S. 140). Hierbei sind u. a. Fragen zentral, die sich mit einer erfolgreichen Transformation in der digitalen Arbeitswelt mit Künstlicher Intelligenz beschäftigen sowie mit den Auswirkungen der weiteren Automation kognitiver Tätigkeiten als Auslöser für veränderte Arbeitsbedingungen. Hier kann die Arbeits- und Organisationspsychologie eine ganz zentrale Rolle spielen. 5 Personalpsychologie: Sie betrachtet die personalpsychologischen Aspekte vom Personalmarketing über die Personalauswahl bis hin zur Personalentwicklung. Unter Einbezug von Künstlicher Intelligenz geht es zum Beispiel um den Einsatz von Recruiting-Chatbots und -Robots sowie um die Analyse von Gesprächen und das Screening von Interviews mithilfe von KI-Systemen (dazu 7 Abschn. 6.4).

» „Die

Einsatzmöglichkeiten für KI-Lösungen im Bereich Human Resources sind vielfältig, an jedem Punkt des Personallebenszyklus gibt es Potenzial“ (Fink, 2021, S. 57).

Postulat der wachsenden Rolle der Psychologie für eine menschenzentrierte KI

In Summe kann das Postulat aufgestellt werden, dass die Psychologie im Allgemeinen und in ihren Teildisziplinen sowohl in Forschung als auch Praxis eine wachsende Rolle hinsichtlich der Anwendung und Umsetzung einer menschenzentrierten Künstlichen Intelligenz einnehmen sollte.

2.2 · Psychologische Aspekte von Künstlicher Intelligenz und Robotik

11

So gibt es beispielsweise noch keinen elaborierten empirischen Forschungsstrang aus der Psychologie zu den Themen Künstliche Intelligenz und Automation und den damit verbundenen Veränderungen der Arbeitswelt, so wie es Sureth (2020, S. 6) in ihrem Research Proposal fordert. Auch Nachtwei (2021) stellt in seinem Beitrag „KI und Psychologie: ein Weckruf“ heraus, welche Rolle die akademische Psychologie in Forschung und Anwendung von Künstlicher Intelligenz (KI) spielen könnte. Erste sehr positive Entwicklungen und Aktivitäten im Hinblick auf Robotik gibt es von der österreichischen Roboterpsychologin, Martina Mara, die sich u. a. mit der Frage beschäftigt, wie psychologische Forschung zur menschzentrierten Entwicklung robotischer Systeme beitragen kann (Mara & Leichtmann, 2021). Psychologische Aspekte, die bereits intensiver im Kontext von KI und Robotik betrachtet werden, sollen im Folgenden vorgestellt und diskutiert werden. 2.2  Psychologische Aspekte von Künstlicher

Intelligenz und Robotik

Zu den psychologischen Aspekten von Künstlicher Intelligenz und Robotik gehören die Bereiche künstliches und menschliches Bewusstsein sowie Emotionen, Empathie und emotionale Bindung, die in der Literatur und in einzelnen Studien bereits diskutiert und untersucht werden. 2.2.1  Künstliches und menschliches

Bewusstsein

Bei der Frage, ob eine KI ein Bewusstsein haben kann, ist zunächst erst mal wichtig zu verstehen, was Bewusstsein bedeutet. Dazu gibt es verschiedene Zugänge und Perspektiven. Ein paar werden hier beschrieben: Ein Mensch ist sich dadurch, seiner selbst bewusst, dass er oder sie sich in Raum und Zeit orientieren und sich in diesen Kontext einordnen kann.

» „Bewusstsein

(consciousness) ist somit die Gesamtheit der unmittelbaren Erfahrung, die sich aus der Wahrnehmung von Menschen selbst und ihrer Umgebung, ihrer Kognitionen, Vorstellungen und Gefühlen zusammensetzt“ (Koch, 2022).

Eine weitere Definition nimmt den Erlebnisaspekt mit hinzu. Demnach ist Bewusstsein die Gesamtheit der Erlebnisse bzw. erlebter psychischer Zustände und Aktivitäten sowie das Gewahrsein dieser Erlebnisse, die auch als innere

Bewusstsein ist eine Art Meta-Denken.

2

12

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

2 Eine Künstliche Intelligenz hat keine „Ich-Vorstellung“.

Erfahrung bezeichnet werden kann (Dorsch, 2022). Koch (2022) sagt zudem, dass Bewusstsein auch eine Art „Meta-Denken“ sei, bei dem der Mensch dazu in der Lage sei, „[…] zu bedenken, ob das, was er tut, vernünftig ist, und wenn er in der Lage ist zu sagen, nein, das mache ich jetzt anders“. Bereits in diesem Abschnitt wird deutlich, dass immer noch nicht klar ist, was Bewusstsein nun ganz eindeutig ist. Um so herausfordernder ist die Frage, ob dazu auch eine Künstliche Intelligenz in der Lage ist bzw. zukünftig sein wird. Riesewieck und Block (2020) vertreten die Meinung, dass es zumindest möglich sein wird, eine selbstlernende Maschine mit einem umfangreichen Datensatz an Mustern unseres Sprechens, Handelns und Denkens so zu füttern, dass diese dann anfängt, „[…] sich wie ihr menschliches Vorbild zu verhalten und genauso zu kommunizieren“ (S. 382). Es stellt sich die Frage, ob dies auch ein Bewusstsein der Maschine ermöglicht, sicherlich (noch) nicht. Aus was könnte sich nun ein künstliches Bewusstsein zusammensetzen? Es könnte vielleicht so aussehen, dass in Roboter-Gehirnen Prozesse auf einer Meta-Ebene ablaufen, die durch ständig neue Bewertungen von Situationen entstehen, die mit bereits gespeichertem Wissen abgeglichen werden. Das heißt jedoch noch nicht, dass eine KI zwischen sich selbst und anderen unterscheiden kann, dass sie also eine „Ich-Vorstellung“ von sich hat und sich ihrer selbst bewusst ist. Einige Forscher arbeiten intensiv daran, ein künstliches Bewusstsein bei Robotern zu schaffen. Ein Beispiel ist „iCub“, an dem Giorgio Metta und seine Kollegen am Instituto Italiano di Tecnologia in Genua arbeiten und forschen (Instituto Italiano di Tecnologia, 2022). Bei diesem handelt es sich um einen humanoiden Roboter, der sehen, hören, „fühlen“ und 53 Gelenke koordiniert einsetzen kann (Prescott, 2020). Damit kann er zum Beispiel auch zeichnen. Sie versuchen im dadurch ein „Selbst“ einzubauen, indem sie iCub dazu befähigt haben, sich ein inneres „Körperschema“ selbstständig anzueignen. Er lernt durch Ausführen zufälliger kleiner Bewegungen und durch Beobachtung von deren Konsequenzen. Damit soll sich iCub seines eignen Körpers und seiner Stellung in der Welt bewusstwerden. Weiterhin arbeiten die Forscher daran, dass iCub zu einem mitfühlenden Wesen werden kann. Damit dieser Gemütslagen einer Person erkennen kann, sind jedoch einige Erweiterungen erforderlich.

» „Und noch gar nicht in Angriff

genommen haben wir die Simulation des konzeptionellen und des privaten Selbst, also jene Aspekte, die iCub eine Vorstellung davon vermitteln

2.2 · Psychologische Aspekte von Künstlicher Intelligenz und Robotik

13

würden, was – oder wer er ist, und ihm zum Bewusstsein brächten, dass er über eine innere Welt verfügt, die er nicht mit anderen teilt“ (Prescott, 2020, S. 62–63).

In diesem Zusammenhang ist eine öffentliche Diskussion um den Chatbot „LaMDA“ von Google entstanden. Nach Aussage eines Google-Entwicklers habe der Chatbot ein Bewusstsein entwickelt und sich sogar einen Anwalt genommen, um seine Rechte durchzusetzen. Das Besondere an LaMDA ist, dass es nicht mit Texten aus dem Internet, sondern mit menschlichen Konversationen gefüttert wird und dahinter steckt eine gigantische Datenbank (it-daily, 2022). Dass diese ein „echtes Bewusstsein“ haben solle, wurde jedoch von Viacheslav Gromov, dem CEO und Gründer von AITAD, einem Embedded-KI-Anbieter und die sich zudem an verschiedenen KI-Normierungs- und Lenkungsgremien beteiligen, dementiert. Dieser ließ verlauten, dass es viel wahrscheinlicher sei, dass LaMDA ein Bewusstsein perfekt imitieren könne und dass dahinter kein tiefergehendes Verständnis der Inhalte stecke (Schlichtmeier, 2022). Es stellt sich an dieser Stelle auch die Frage, ob es überhaupt ein Bewusstsein braucht, damit KI seine Aufgabe im Sinne eines menschenzentrierten Ansatzes erfüllen kann. Nimmt man den Menschen weiterhin in den Fokus der Betrachtung ist dies sicherlich nicht erforderlich. So kann eine Künstliche Intelligenz ihre Aufgabe z. B. in der Medizin oder in der Produktion auch ohne ein Bewusstsein erfüllen. Dies ist hier auch gar nicht gewollt. Damit sind wir noch (weit) entfernt von der sogenannten technologischen Singularität, also dem Zeitpunkt, ab dem die Künstliche Intelligenz die menschliche Intelligenz übertrifft und es zu einer Selbstreproduktion der Technologie kommt. 2.2.2  Emotionen mit Künstlicher Intelligenz und

Robotern

Da Kommunikation und Interaktion auch immer mit Emotionen verbunden sind, stellt sich im Kontext von Künstlicher Intelligenz und Robotern, mit denen Menschen interagieren, die Frage, inwieweit diese Emotionen wahrnehmen und möglicherweise Empathie zeigen können. Dafür ist es zunächst wichtig, zu verstehen, was sich hinter dem Phänomen Emotionen verbirgt.

» „Emotionen

sind kurzlebige psychologisch-physiologische Phänomene, die der Anpassung an sich wandelnde Umweltbedingungen dienen. Die Psychologie definiert

Der Chatbot „LaMDA“ kann ein Bewusstsein nur imitieren.

2

14

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

Emotionen demnach als komplexe, sehr oft genetisch vorgeformte Denk-, Erlebens- und Verhaltensmuster, die plötzlich auftreten und in der Regel nicht länger als drei bis dreißig Sekunden dauern“ (Stangl, 2022a).

2 Emotionen sind innere Empfindungen wie Freude, Angst, Kummer oder Überraschung.

Bei Kirchgeorg (2022) heißt es zudem, dass es sich bei Emotionen um eine innere Empfindung handle, die angenehm oder unangenehm empfunden und mehr oder weniger bewusst erlebt wird, wie z. B. Freude, Angst, Kummer oder Überraschung. Und sie ist ein komplexes Muster aus physiologischen Reaktionen wie z. B. die Steigerung des Blutdrucks, Gefühlen wie z. B. Liebe oder Wut sowie kognitiven Prozessen wie Interpretation und Verhaltensreaktionen wie z. B. Lachen oder Weinen. Wenn Mensch und Maschine miteinander interagieren, müssen letztere nicht zwangsläufig über Emotionen verfügen (Misselhorn, 2021). Es kann jedoch hilfreich sein, dass künstliche Systeme Emotionen erkennen und einordnen und möglicherweise sogar darauf reagieren können. Es stellt sich die Frage, inwieweit diese durch eine KI oder einen Roboter erfüllt werden können bzw. sollten. 2.2.3  Künstliche Wahrnehmung von Emotionen

Deep-Learning-Techniken ermöglichen das Erkennen von Emotionen.

Das Erkennen von Emotionen am Gesichtsausdruck ist mittels Deep-Learning-Techniken möglich. Ein Ansatz zum Erkennen und Klassifizieren von Emotionen ist die Verwendung von „Computer Vision“, der Sehfähigkeit eines Roboters (Bartneck et al., 2020). Die menschliche Sprache ist ein weiterer möglicher Kanal, um Emotionen zu erkennen. Dafür gibt es Musterkennungstechniken, um Emotionen aus menschlicher Sprache abzuleiten (Bartneck et al., 2020; El Ayadi et al., 2011; Han et al., 2014). Damit können zum Beispiel Stress, Niedergeschlagenheit oder Fröhlichkeit „herausgehört“ werden. Solche Mustererkennungstechniken menschlicher Emotionen sind in der weiteren Entwicklung. Die einfachste Form der emotionalen Reaktion eines sozialen Roboters ist die sogenannte Mimikry (Bartneck et al., 2020). Dabei erkennt der Roboter die Emotion des Menschen und gibt diese anschließend in einer entsprechend ähnlichen Reaktion wieder. In Orientierung an Ekmans „Facial Action Coding System“ (Ekman, 1992, 1999), das Emotionen als Kombination von Aktionseinheiten beschreibt und bei dem sich je nach Emotion bestimmte Muskeln bewegen, haben Forscher Roboter mit einem vereinfachten Äquivalent menschlicher Gesichtsmuskeln entwickelt (Bartneck et al., 2020, S. 144). Ein Beispiel

2.2 · Psychologische Aspekte von Künstlicher Intelligenz und Robotik

15

ist das von Hashimoto et al. (2013) entwickelte Robotergesicht mit weicher Gummihaut, das solche Aktionseinheiten für die Darstellung von Gesichtsgefühlen verwendet. Bei all diesen Möglichkeiten gilt:

» „Tatsächlich fühlt der Roboter aber nicht mit dem Menschen

mit, sondern er reagiert lediglich auf einen vorprogrammierten Impuls mit einer vorprogrammierten Antwort“ (Handke, 2020, S. 22).

2.2.4  Künstliche Intelligenz und Empathie

Dies führt zu einem weiteren und womöglich unerreichbaren Aspekt, der Empathie bei Maschinen und Robotern. Hierbei geht es nicht nur um das Erkennen von emotionalen Zuständen, zu dem eine KI mit entsprechender Datenmenge und Programmierung wie oben beschrieben bereits in der Lage ist, sondern um das „Hineinfühlen“ und Beurteilen von Gefühlszuständen. „Empathie ist die Fähigkeit zum Einfühlen und Nachempfinden der Erlebnisse und Gefühle anderer, durch sie kann man menschliche Beziehungen aufbauen und erhalten“ (Stangl, 2022b). Bei der artifiziellen Empathie geht es darum, künstliche Systeme mit dieser Fähigkeit auszustatten. Artificial Intelligence hat sich bereits als Forschungsfeld etabliert, verbunden mit der Intention, empathiefähige künstliche Systeme zu entwickeln. Sie ist vor allem eine wichtige Disziplin in der Robotik (Misselhorn, 2021). Hier kann sie für Akzeptanz beim Gegenüber sorgen. Das ist gerade für soziale Bereiche, wo KI und Robotik zum Einsatz kommt, relevant, wie in der Medizin, Pflege und Bildung oder dort wo Roboter als soziale Gefährten eingesetzt werden (dazu 7 Abschn. 5.2.8). Da dafür die Interaktion eine wesentliche Rolle spielt, müssen Roboter oder Maschinen mit einem Körper inklusive Sensoren und Aktoren ausgestattet sein. Die Konstruktion von solchen Robotern ist sehr aufwendig, daher beschränkt sich die Entwicklung hier auf bestimmte Bereiche. Alternativ werden virtuelle Agenten oder Avatare entwickelt, also graphisch modellierte und animierte Figuren, die in einer virtuellen Umgebung agieren (Misselhorn, 2021). Diese können auch mit Sprache, Mimik und Gestik mit dem Menschen kommunizieren. Ein Beispiel hierfür ist Ellie, einem virtuellen Avatar im psychotherapeutischen Bereich, der im militärischen Kontext bei posttraumatischen Belastungsstörungen eingesetzt wird, entwickelt vom Institute for Creative Technologies in Kalifornien. Die Plattform, auf der Ellie mit dem Menschen interagiert, besteht aus Sensoren und einer Webcam, die den Input für

Es wird zunehmend versucht, empathiefähige künstliche Systeme zu entwickeln.

2

16

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

Gesichtserkennung, Bewegungs- und Stimmanalyse liefert (Misselhorn, 2021, S. 69). Auch kann darüber natürliche Sprache verarbeitet werden und Ellie kann so eine Konversation mit dem Nutzer führen. Ihre Reaktionen wirken dabei erstaunlich empathisch (Jolly, 2016). Ein Beispiel für einen „empathischen“ Roboter ist NICA (Natural Interaction with a Caring Agent). Es handelt sich um einen 60 cm großen Roboter, dessen Augen in unterschiedlichen Farben leuchten können und der Empathie simulieren kann (Misselhorn, 2021). Er kann die sechs Grundemotionen von Ekman, Ärger, Ekel, Furcht, Freude, Traurigkeit und Überraschung identifizieren. Damit in Verbindung steht die sogenannte „Theory of Mind“, die der sozialen Kognitionswissenschaft zuzuordnen ist und die Fähigkeit beschreibt, die inneren Zustände einer anderen Person zu kennen bzw. nachvollziehen zu können (Fischer et al., 2014, S. 202). Geprägt wurde dieser Begriff zunächst von Premack und Woodruff (1978) im Kontext von Untersuchungen mit Schimpansen. Gemeint ist damit die Fähigkeit,

2

» „[…] eine Vorstellung über die Bewusstseinsvorgänge anderer

Menschen zu entwickeln. Was könnte in der Person vorgehen? Welche Gedanken, Gefühle, Absichten könnte sie haben?“ (Fischer et al., 2014, S. 201).

Die Frage bleibt derzeit noch offen, ob Künstliche Intelligenzen eine Theory of Mind haben werden.

Das sind Antizipationen, die eine KI oder ein Roboter in dieser Form nicht vornehmen kann. Denn dies würde voraussetzen, dass eine KI dazu in der Lage sein müsste, Annahmen über die Bewusstseinsvorgänge anderer Menschen treffen zu können. Manche Autoren und Forscher gehen so weit, dass sie sagen, dies sei (zukünftig) auch bei Künstlichen Intelligenzen, respektive Robotern möglich. Ein Forscher, der in diesem Zusammenhang anzuführen ist, ist Jürgen Schmidhuber, Informatiker und wissenschaftlicher Direktor am Schweizer Forschungsinstitut für Künstliche Intelligenz. Auch Eberl (2016) postuliert in seinem Buch „Smarte Maschinen“, dass die Roboter der Zukunft idealerweise eine Theory of Mind haben sollten (S. 294). Gleichzeitig sagt er, dass dafür noch einige grundlegende Experimente erforderlich seien, bevor dies möglich sein könnte. 2.2.5  Emotionale Bindung zu Künstlicher

Intelligenz und Robotern

Zwischen KI/Roboter und Mensch kann eine emotionale Bindung aufgebaut werden.

Zwischen Menschen und Künstlicher Intelligenz bzw. Roboter kann eine emotionale Bindung aufgebaut werden. Im Pflegebereich konnte dies bereits gezeigt werden. Dies soll

2.2 · Psychologische Aspekte von Künstlicher Intelligenz und Robotik

17

2

im Folgenden näher beleuchtet werden. Ein weiteres Beispiel ist Kaspar, der insbesondere bei Kindern mit einer Autismus-Spektrum-Störung eingesetzt wird. Dieser wird in dem Kontext dazu verwendet, die sozialen Kompetenzen der Kinder zu trainieren und ihre Fähigkeit zur Emotionsregulation und -einordnung zu verbessern (Bartneck et al., 2020, S. 205). Manche Menschen bevorzugen sogar Roboter als soziale Gefährten.

» „Dieser ‚ideale Roboterfreund‘ hat alle Vorzüge eines menschlichen Freundes, beschwert sich nie und lernt, seinen Besitzer nie zu verärgern“ (S. 229).

Emotionale Roboter, die eine tierähnliche Gestalt haben und tierähnliche Verhaltensweisen zeigen, wie die Roboterrobbe „Paro“ werden seit einiger Zeit in deutschen Pflegeeinrichtungen eingesetzt. Sie sollen durch soziale Interaktion emotional positive Erlebnisse schaffen.

» „Ihnen liegt die Intention zugrunde, die Befriedigung psycho­ sozialer Nutzerbedürfnisse durch die Imitation von Tieren zu unterstützen“ (Baisch et al., 2017, S. 16).

Die Interaktion soll sich zudem positiv auf das psychische Befinden der Gepflegten auswirken. Empirische Untersuchungen konnten die positive Wirkung von Paro belegen. Er wird bei Menschen mit Demenz und bei kognitiv und körperlich weniger beeinträchtigten Personen eingesetzt. Bei beiden Gruppen stößt er auf hohe Akzeptanz. Paro findet in den Pflegeeinrichtungen somit seinen Einsatz als therapeutisches Hilfsmittel sowie zur Beschäftigung. Die langfristigen Wirkungen gilt es noch weiter zu untersuchen. Dabei ist es in der Praxis wichtig, das Pflegepersonal für eine „korrekte“ Handhabung miteinzubeziehen bzw. dafür zu schulen. Auch ist die Information der Angehörigen ein wichtiger Aspekt. Eine weitere Möglichkeit stellt der humanoide Roboter „NAO“ dar, ein sozial assistiver Roboter (SAR), entwickelt von Softbank Robotics. Dessen Einsatz wird bei älteren Menschen vom Institut für Altersforschung (IAF) und der Ostschweizer Fachhochschule (OST) untersucht. NAO wird zum Beispiel zur Unterstützung für ältere Personen eingesetzt, um sie zu regelmäßigen Bewegungsübungen zu motivieren. Senioren und Seniorinnen trainieren von zuhause mit dem Roboter NAO. Erhoben wurden hier die Akzeptanz, die Praktikabilität, sowie die Motivation zur regelmäßigen Durchführung von Bewegungsübungen. Insgesamt konnten Ruf et al. (2022) auf der Basis von mehreren explorativen Feldstudien das positive Potenzial von Sozial Assistiven Robotern aufzeigen. Fragen, die mit einer e­ motionalen

Die Roboterrobbe „Paro“ zeigt als therapeutisches Hilfsmittel positive Wirkung auf Menschen mit Demenz.

Der humanoide Roboter „NAO“ unterstützt und motiviert ältere Menschen in ihrem Arbeitsalltag.

18

2

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

Bindung an solche Roboter zusammenhängen, werden in diesem Kontext jedoch auch kritisch diskutiert. Ist die Förderung von emotionaler Bindung zwischen Mensch und KI bzw. Robotern generell wünschenswert? Oder sollte sie nur einigen Bereichen vorbehalten sein? Und wo sind die Grenzen einer solchen Beziehung? Dahinter stehen psychologische und ethische Fragestellungen, die es weiter zu beforschen gilt. Fazit In der Psychologie gibt es bereits einige Teilbereiche, auf die die Künstliche Intelligenz und die Robotik Einfluss haben. Einzelne davon werden in den folgenden Kapiteln näher vorgestellt. Die psychologischen Aspekte und Phänomene wie Bewusstsein, Emotionen und Empathie werden bereits intensiver diskutiert und beforscht. Perspektivisch geht es darum, dass sich die Psychologie als wissenschaftliche und anwendungsbezogene Disziplin mehr in der Künstlichen Intelligenz und Robotik involviert und etabliert. Denn die psychologische Brille wird neben den anderen relevanten Disziplinen wie der Informatik, den Naturwissenschaften, der Medizin und Wirtschaftswissenschaften eine zentrale Rolle spielen. Nur in einer solchen interdisziplinären Zusammenarbeit kann sichergestellt werden, dass der Mensch im Fokus bleibt und eine ethisch verantwortliche sowie produktive und konstruktive Zusammenarbeit zwischen Mensch und Künstlicher Intelligenz bzw. Robotik gestaltet werden kann. Dies würde zudem dazu beitragen, dem Prinzip der Komplementarität zwischen Mensch und Künstlicher Intelligenz gerecht zu werden.

Literatur Baisch, S., Kölling, T., Rühl, S., Kleine, B., Pantel, J., Oswald, F., & Knopf, M. (2017). Emotionale Roboter im Pflegekontext: Empirische Analyse des bisherigen Einsatzes und der Wirkungen von Paro und Pleo. Zeitschrift für Gerontologie + Geriatrie, 51(1), 16–24. 7 https://www.researchgate.net/publication/321652365_Emotionale_Roboter_im_Pflegekontext_Empirische_Analyse_des_bisherigen_Einsatzes_und_der_Wirkungen_von_Paro_und_Pleo. Zugegriffen: 11. Aug. 2022. Bartneck, C., Belpaeme, T., Eyssel, F., Kanda, T., Keijsers, M., & Sabanovic, S. (2020). Mensch-Roboter-Interaktion. Eine Einführung. Hanser. Diwo, M. (2021). Hybrid Work. Die Zukunft der Arbeit zwischen Mensch und Maschine. Redhorns. Dorsch. (2022). Bewusstsein. Lexikon der Psychologie. 7 https://dorsch.hogrefe.com/stichwort/bewusstsein. Zugegriffen: 10. Aug. 2022.

19 Literatur

Eberl, U. (2016). Smarte Maschinen. Wie Künstliche Intelligenz unser Leben verändert. Hanser. Ekman, P. (1992). Facial expressions of emotion: New Findings, new questions. Psychological Science, 3(1), 34–38. Ekman, P. (1999). Basic emoticons. In T. Dalgleich & M. Power (Hrsg.), Handbook of cognition and emotion (S. 45–60). Wiley Online Library. El Ayadi, M., Kamel, M. S., & Karray, F. (2011). Survey on speech emotion recognition: Features, classification schemes and databases. Pattern Recognition, 44(3), 572–587. 7 https://www.sciencedirect.com/science/article/abs/pii/S0031320310004619. Zugegriffen: 10. Aug. 2022. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potenziale nutzen und verantwortungsbewusst handeln. Schäffer-Poeschel. Fischer, P., Asal, K., & Krueger, J. I. (2014). Sozialpsychologie für Bachelor. Springer Medizin. Gedankenwelt. (2022). Künstliche Intelligenz und Psychologie. 7 https://gedankenwelt.de/kuenstliche-intelligenz-und-psychologie/. Zugegriffen: 19. Aug. 2022. Han, K., Yu, D., & Tashev, I. (2014). Speech emotion recognition using deep neural network and extreme learning machine. In 15th Annual Conference of the International Speech Communication Association, 223–227. 7 https://www.researchgate.net/publication/267213794_Speech_Emotion_Recognition_Using_Deep_Neural_Network_and_Extreme_Learning_Machine. Zugegriffen: 11. Aug. 2022. Handke, J. (2020). Humanoide Roboter. Showcase, Partner und Werkzeug. Tectum. Hashimoto, T., Verner, I. M., & Kobayashi, H. (2013). Human-like robot as teacher’s representative in a science lesson: An elementary school experiment. In J.H Kim., E. Matson, H. Myung, & P. Xu(Hrsg.), Robot intelligence technology and applications. Advances in Intelligent Systems and Computing (Bd. 208, S. 775–786). 7 https://doi. org/10.1007/978-3-642-37374-9_74 7 https://link.springer.com/chapter/10.1007/978-3-642-37374-9_74 Instituto Italiano di Tecnologia. (2022). iCub. 7 https://icub.iit.it/en/home. Zugegriffen: 19. Aug. 2022. it-daily. (2022). Darum ist die Google-KI LaMDA keine echte KI. 7 https:// www.it-daily.net/it-management/digitalisierung/darum-ist-die-google-ki-lamda-keine-echte-ki. Zugegriffen: 10. Aug. 2022. Jolly, N. (2016). Lernen Sie Ellie kennen: Die Robotertherapeutin, die Soldaten mit PTBS behandelt. 7 https://www.news.com.au/technology/innovation/meet-ellie-the-robot-therapist-treating-soldiers-with-ptsd/news-story/0201fa7cf336c609182cffd637deef00. Zugegriffen: 19. Aug. 2022. Kirchgeorg, M. (2022). Emotion. Gabler Wirtschaftslexikon. 7 https://wirtschaftslexikon.gabler.de/definition/emotion-35195. Zugegriffen: 10. Aug. 2022. Koch, C. (2022). Bewusstsein. Online Lexikon für Psychologie und Pädagogik. Online Enzyklopädie aus den Wissenschaften Psychologie und Pädagogik. 7 https://lexikon.stangl.eu/887/bewusstsein. Zugegriffen: 10. Aug. 2022. Leadershipgarage. (2020). Eine psychologische Perspektive auf künstliche Intelligenz. 7 https://leadershipgarage.de/2020/eine-psychologische-perspektive-auf-kuenstliche-intelligenz. Zugegriffen: 29. März 2022. Mara, M., & Leichtmann, B. (2021). Soziale Robotik und Roboterpsychologie. Was psychologische Forschung zur menschzentrierten Entwicklung robotischer Systeme beiträgt. In O. Bendel (Hrsg.), Soziale Roboter: Technikwissenschaftliche, wirtschaftswissenschaftliche, philosophische, psychologische und soziologische Grundlagen (S. 169–189). Springer Gabler.

2

20

2

Kapitel 2 · Psychologische Perspektive auf Künstliche Intelligenz

Misselhorn, C. (2021). Künstliche Intelligenz und Empathie. Vom Leben mit Emotionserkennung, Sexrobotern & Co. Reclam. Nachtwei, J. (2021). KI und Psychologie: Ein Weckruf. 7 https://www.researchgate.net/publication/350959525_KI_und_Psychologie_ein_Weckruf. Zugegriffen: 29. März 2022. Premack, D. G., & Woodruff, G. (1978). Does the chimpanzee have a theory of mind? Behavioral and Brain Sciences, 1, 515–526. Prescott, T. (2020). Bewusstsein. Roboter mit Ego. Spezial – Spektrum der Wissenschaft, 1.20, 59–63. Riesewieck, M., & Block, H. (2020). Die digitale Seele. Unsterblich werden im Zeitalter Künstlicher Intelligenz. Goldmann. Ruf, E., Pauli, C., & Misoch, S. (2022). Emotionale Reaktionen älterer Menschen gegenüber Sozial Assistiven Robotern. Zeitschrift Gruppe. Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie (GIO). 7 https://link.springer.com/article/10.1007/s11612-022-00641-w. Zugegriffen: 13. Aug. 2022. Schlichtmeier, T. (2022). Künstliche Intelligenz. Hat der Chatbot „LaMDA“ ein Bewusstsein entwickelt?. 7 https://www.elektroniknet.de/embedded/ software/hat-der-chatbot-lamda-ein-bewusstsein-entwickelt.197478. html. Zugegriffen: 10. Aug. 2022. Stangl, W. (2022a). Emotion. Online Lexikon für Psychologie und Pädagogik. Online Enzyklopädie aus den Wissenschaften Psychologie und Pädagogik. 7 https://lexikon.stangl.eu/1058/emotion. Zugegriffen: 10. Aug. 2022. Stangl, W. (2022b). Empathie. Online Lexikon für Psychologie und Pädagogik. Online Enzyklopädie aus den Wissenschaften Psychologie und Pädagogik. 7 https://lexikon.stangl.eu/1095/empathie. Zugegriffen: 10. Aug. 2022. Sureth, A. (2020). Die Zukunft der Arbeit – Psychische Chancen und Risiken durch den Einsatz Künstlicher Intelligenz zur Automation beruflicher Tätigkeiten. Research Proposal. 7 https://www.researchgate.net/publication/339850003_Die_Zukunft_der_Arbeit_-_Psychische_Chancen_und_ Risiken_durch_den_Einsatz_Kunstlicher_Intelligenz_zur_Automation_ beruflicher_Tatigkeiten Zugegriffen: 5. Jan. 2022. Sureth, A., & Nachtwei, J. (2020). Psychologie und Arbeit – Zukunftsfragen. In J. Nachtwei & A. Sureth (Hrsg), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 110–113). 7 https://www. researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 29. März 2022.

21

Definition und Entwicklung von Künstlicher Intelligenz

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_3

3

22

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

Trailer

3

Derzeit sprechen wir noch von der vierten industriellen Revolution. Diese ist verknüpft mit der Optimierung und Vernetzung von Technologien wie Smart Factory und Smart Home sowie mit der Generierung und der Nutzung großer Datenmengen wie Big Data. Die nächste Stufe oder Erweiterung der industriellen Evolution beinhaltet eine Weiterentwicklung der Möglichkeiten der Künstlichen Intelligenz. Künstliche Intelligenz (KI) steht für die maschinelle Simulation von Lernen und anderer Fähigkeiten der menschlichen Intelligenz. In diesem Zusammenhang wird zunehmend von hybrider Intelligenz gesprochen. Gemeint ist damit eine Kombination von menschlicher und maschineller Intelligenz. Die zentrale Botschaft hierbei ist, dass es nicht darum geht, Menschen durch KI zu ersetzen, sondern die Beiträge von Menschen und KI-Systemen optimal miteinander zu integrieren. Die Idee, die hinter diesem Prinzip steckt, ist die der Komplementarität zwischen Mensch und Künstlicher Intelligenz. . Abb. 3.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

3.1  Einordnung und Definition von Künstlicher

Intelligenz

Aktuell sprechen wir noch von der vierten industriellen Revolution. Diese ist verknüpft mit der Optimierung und Vernetzung von Technologien wie zum Beispiel Smart Factory und Smart Home sowie mit der Generierung und der Nutzung großer Datenmengen wie Big Data. Zunehmend rückt die Industrie 5.0 in den Fokus der Aufmerksamkeit (dazu 7 Abschn. 4.1). Dabei wird kontrovers diskutiert, ob es sich tatsächlich um die nächste Evolutionsstufe der industriellen Revolution handelt oder eher um eine Erweiterung der

. Abb. 3.1 Wortwolke

3.1 · Einordnung und Definition von Künstlicher Intelligenz

Industrie 4.0. Industrie 5.0 legt das Augenmerk auf die Zusammenarbeit zwischen Menschen und intelligenten Maschinen bzw. Robotern. War das Ziel der vierten industriellen Revolution, Leistungsoptimierung durch die Vernetzung zwischen Maschinen, Systemen und Prozessen zu erzielen, so geht die fünfte industrielle Revolution noch einen Schritt weiter. Effizienz- und Produktivitätsgewinne sollen durch die Verbesserung der Interaktion zwischen Menschen und Maschinen erreicht werden. Dabei sollen die Kreativität, die Empathiefähigkeit und das kritische Denken des Menschen sinnvoll mit der Präzisionsfähigkeit und der Datenkapazität von intelligenten Maschinen und Robotern verknüpft werden. Damit erhält der menschliche Aspekt eine neue Betonung. Esben Ostergaard, Chief Technology Officer und Co-Founder von Universal Robots, drückt dies wie folgt sehr trefflich aus (Wasserfeld, 2018):

» „By putting human beings back at the centre of

industrial production – aided by tools such as collaborative robots – Industry 5.0 not only gives consumers the products they want today, but gives workers jobs that are more meaningful than factory jobs have been in well over a century“.

Diese nächste Stufe oder Erweiterung der industriellen Evolution impliziert gleichzeitig eine Weiterentwicklung der Möglichkeiten der Künstlichen Intelligenz (KI) und der Robotik. Der englische Begriff für Künstliche Intelligenz, Artificial Intelligence (AI), wurde von dem Informatiker, John McCarthy, und weiteren Wissenschaftlern während der Dartmouth Konferenz im Sommer 1956 geprägt (Cornelius, 2019; OECD, 2020). Sie wird von Bitkom, dem Bundesverband Informationswirtschaft, Telekommunikation und neue Medien, so definiert:

» „Künstliche Intelligenz ist die Eigenschaft eines IT-Systems,

‚menschenähnliche‘, intelligente Verhaltensweisen zu zeigen“ (2017, S. 28). Cornelius (2019) erweitert den Begriff wie folgt: „Er steht für die maschinelle Simulation jedes Aspekts von Lernen und anderer Fähigkeiten der menschlichen Intelligenz, wie Sprachverständnis, Abstraktion und Entwicklung von Ideen“ (S. 6).

Startpunkt der Künstlichen Intelligenz war 1950 – auch wenn hier der Begriff noch nicht explizit fiel – mit dem sogenannten Turing Test, der künstliche von menschlichen Gesprächspartnern unterscheiden sollte. Hierbei kommuniziert ein menschlicher Fragensteller über eine Tastatur und einen Bildschirm jedoch ohne Sicht- und Hörkontakt mit zwei unbekannten Gesprächspartnern, von denen einer ein Mensch und der andere eine Maschine ist (Cornelius, 2019,

23

Industrie 5.0 legt das Augenmerk auf die Zusammenarbeit zwischen Menschen, intelligenten Maschinen und Robotern.

3

24

3

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

Als Geburtsstunde des Begriffs „Künstliche Intelligenz“ gilt die Konferenz „Dartmouth Summer Research Project“ im Jahr 1956.

Die Basis für künstliche neuronale Netze stellt das Perzeptron dar.

Ein wichtiger Durchbruch war die Entwicklung des Chatbots A.L.I.C.E.

S. 6). Die Aufgabe besteht darin, durch Fragen herauszufinden, wer der Mensch und wer die Maschine ist. Halten 30 % der Anwender nach einer Fragezeit von fünf Minuten den Computer bzw. die Maschine für einen Menschen, gilt der Turing Test als bestanden (Lenzen, 2019, S. 25). Als Geburtsstunde und Geburtsort des Begriffs „Künstliche Intelligenz“ gilt die Konferenz „Dartmouth Summer Research Project“ im Jahr 1956, wie oben bereits erwähnt. Hier wurde von den KI-Pionieren, John McCarthy, Alan Newell, Arthur Samuel, Herbert Simon und Marvin Minsky das Konzept der Künstlichen Intelligenz entwickelt (OECD, 2020). Innerhalb des Begriffs „Künstliche Intelligenz“ wird in „starke“ und in „schwache“ KI unterschieden. Die aktuell relevante schwache KI kann bisher klar abgrenzbare Aufgaben, die mithilfe möglichst großer Datenmengen trainiert worden sind, bewältigen (Gogola, 2020, S. 105). Die KI erkennt auf Basis von Maschine Learning bzw. Deep Learning Muster und kann daraus entsprechende Schlüsse ziehen bzw. mittels neuronaler Netzwerke Verknüpfungen erstellen. Sie besitzt keine expliziten Fähigkeiten, selbstständig im allumfassenden Sinne zu lernen. Bei einer starken KI wird angenommen, dass menschliches Denken und Bewusstsein sowie menschliche Entscheidungsfähigkeit und möglicherweise sogar Empathie mit entsprechend leistungsfähigen Computern nachgebildet werden könnten (Gogola, 2020, S. 105; Buxmann & Schmidt, 2019). Hierbei handelt es sich um eine bisher nicht verwirklichbare Idee. Die Basis für künstliche neuronale Netze stellt das Perzeptron des Psychologen und Informatikers Frank Rosenblatt, das dieser 1958 vorstellte, dar. In der Grundversion besteht es aus einem Neuron, dem ein Eingabemuster zugeführt wird und das im Laufe einer Trainingsphase die korrekte Klassifikation der Eingabemuster erlernt (Cornelius, 2019, S. 8). Die heutigen neuronalen Netzwerke haben mehr als nur eine Ausgabeschicht bzw. viele verborgene Schichten und können komplexere Klassifizierungsaufgaben lösen. Dennoch gehen die Entwicklungen in der Künstlichen Intelligenz rasant voran und es werden kontinuierlich Fortschritte erzielt. Davor jedoch gab es in den 1970er Jahren eine Art Stagnation, den sogenannten KI-Winter. Zu größeren Fortschritten kam es erst wieder in den 1990er Jahren als die Rechenleistungen und Speicherungskapazitäten der Computer insgesamt zunahmen. Gleichzeitig wurden neue Fördermittel bereitgestellt und mit der besseren Rechenleistung konnten komplexere Probleme bewältigt werden (OECD, 2020). Ein wichtiger Durchbruch gelang Richard Wallace 1995 mit der Entwicklung des Chatbots A.L.I.C.E (Artificial Lingui-

3.2 · Entwicklungsphasen von Künstlicher Intelligenz

stic Internet Computer Entity). Dieser konnte einfache Gespräche führen. Im gleichen Atemzug muss an dieser Stelle ELIZA aufgeführt werden, dem ersten Chatbot, der bereits zwischen 1964 und 1966 von Joseph Weizenbaum am MIT entwickelt wurde und als Inspiration für A.L.I.C.E galt. ELIZA konnte einen Psychotherapeuten mimen und mithilfe eines simplen Dialog-Algorithmus ein Vorgespräch mit einem angehenden Patienten durchführen (Lenzen, 2019). In den 1990er Jahren gingen die Entwicklungen weiter mit dem IBM-Computer Deep Blue, der gegen den Schachweltmeister Garri Kasparow antrat, 1996 noch gegen diesen verlor und bei der Revanche im Jahr 1997 das Spiel für sich entscheiden konnte. 2011 gewann der IBM-Computer Watson in der Quizshow „Jeopardy!“ gegen die zwei besten menschlichen Spieler. 2012 konnte das Forschungsteam Google Brain zeigen, dass ein neuronales Netzwerk, das sich bei einer zufälligen Auswahl von zehn Millionen YouTube-Videos mittels Unsupervised Learning eigenständig beibringen kann, Katzen zu erkennen. Das erste selbst gebaute autonome Elektroauto wurde 2014 von Google vorgestellt. Die Entwicklungen gingen 2015 weiter mit AlphaGo von DeepMind, das auf künstlichen neuronalen Netzwerken basierte und 2016 den weltbesten Go-Spieler Lee Sedol besiegte. Daraus entwickelte sich AlphaGo Zero, das sich selbst nach dem Versuch-Irrtum-Prinzip trainierte und das Vorgängerprogramm AlphaGo mit 100:0 besiegte. . Abb. 3.2 zeigt die Geschichte im Überblick. 3.2  Entwicklungsphasen von Künstlicher

Intelligenz

Die Künstliche Intelligenz kann in folgende Entwicklungsphasen eingeteilt werden:

. Abb. 3.2  Geschichte im Überblick

25

3

Weitere bedeutende Entwicklungen sind der IBMComputer Deep Blue und Watson sowie AlphaGo von DeepMind.

26

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

z z Heuristische und wissensbasierte Systeme

Der Zeitraum bis 1990, der die ersten beiden Phasen in der Entwicklung in der künstlichen Intelligenz umfasst, wurde zunächst mit heuristischen Such- und Schlussfolgerungsverfahren gearbeitet. Heuristik ist eine

» „[…]

3

Methode, die auf der Basis von Erfahrung oder Urteilsvermögen zu einer guten Lösung eines Problems führt, die nicht notwendig optimal ist. Heuristik wird dann angewandt, wenn keine effektiven Algorithmen existieren […]“ (Thommen, 2022).

Zudem spielte anschließend die maschinelle Wissensverarbeitung mit manuell erstellten Wissensbasen eine zentrale Rolle. Das bedeutet, dass Wissen direkt in die Maschinen einprogrammiert wurde. Ein Beispiel dafür ist der Taschenrechner, dessen Schaltkreise entsprechend gelötet sind, damit er rechnen kann. Hier handelt es sich in keinster Weise um eine intelligente Funktionsweise. z z Lernende Systeme

In der dritten Entwicklungsphase kam der Durchbruch über das Maschinelle Lernen. Ein Beispiel dafür ist im heutigen Buchhandel zu finden, wo die Kunden und die Waren automatisch in Gruppen eingeteilt werden und die Empfehlungen vom System selbstständig gelernt und optimiert werden. z z Kognitive Systeme In der aktuellen Phase werden KI-Systeme mit menschlichem Expertenwissen verknüpft.

Hybride Intelligenz ist eine Kombination von menschlicher und maschineller Intelligenz.

Ab 2010 beginnt die neuste Phase der Künstlichen Intelligenz. Hier wird versucht, KI-Systeme und deren Lernverfahren mit Expertenwissen zu verknüpfen. Die Intention dabei ist, explizites menschliches Wissen mit der Kraft von Lernalgorithmen im Sinne einer menschenzentrierten KI möglichst optimal zu nutzen. Wie sieht also die weitere Entwicklung der künstlichen Intelligenz aus? Das Stichwort ist an dieser Stelle hybride Intelligenz. Diese meint eine Kombination von menschlicher und maschineller Intelligenz (Partnernetzwerk 4.0 Sachsen-Anhalt, 2022). Die zentrale Aussage hierbei ist, dass es nicht darum geht, Menschen durch KI zu ersetzen, sondern die Beiträge von Menschen und KI-Systemen optimal zu integrieren. In einer Kombination aus Mensch und Computer werden Daten erstellt, angereichert und validiert. Und damit werden wiederum Algorithmen für maschinelles Lernen trainiert. Dies setzt voraus, dass Menschen nicht nur den Lern- und Entscheidungsprozess von KI-Systemen verstehen und nachvollziehen können, sondern eine ineinandergreifende Interaktion zwischen Mensch und Maschine möglich ist. Zudem müssen KI-Systeme menschliche

3.2 · Entwicklungsphasen von Künstlicher Intelligenz

I­nteraktionen wahrnehmen und richtig einordnen können. Hier spielen auch ethische Aspekte mit rein. Denn eine solche hybride Zusammenarbeit sollte immer im Einklang mit menschlichen Werten und Grundsätzen stehen. Die Gestaltungsfelder einer hybriden KI sollte dabei folgende vier Bereiche berücksichtigen: „Schutz des Menschen“, „Vertrauenswürdigkeit“, „Funktionsteilung von Mensch und Maschine“ sowie „lernförderliche Arbeit“ (Partnernetzwerk 4.0 Sachsen-Anhalt, 2022). . Abb. 3.3 zeigt die Gestaltungsfelder im Überblick. Ein Ansatz zur Umsetzung einer menschenzentrierten KI ist human-in-the-loop maschinelles Lernen. Der Mensch ist hier während des gesamten Trainings-, Test- und Optimierungsprozesses eines Algorithmus beim Maschinellen Lernen dabei. So wird das Programm mit jedem weiteren Durchlauf schlauer und genauer. Zudem liegt die letzte Entscheidungsinstanz immer beim Menschen. Die Idee, die dahintersteckt, ist die der Komplementarität zwischen Mensch und KI. Folgendes Zitat drückt die Absicht dieses Ansatzes trefflich und umfassend aus:

27

3

Idee der Komplementarität zwischen Mensch und Künstlicher Intelligenz

» „KI,

die dem Menschen und der Gesellschaft dient, soll nicht in ihrer Funktionalität eingeschränkt werden, muss aber zugleich so entwickelt werden, dass nicht engstirnig auf die Nachahmung und den Ersatz menschlicher Tätigkeit fokussiert wird, sondern systemisch und dynamisch danach

. Abb. 3.3  Gestaltungsfelder für hybride KI (In Anlehnung an ©Partnernetzwerk 4.0 Sachsen-Anhalt, 7 https://www.lsa-partnernetzwerk.de/)

28

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

gesucht wird, wie Technik und Mensch zugleich in ihrer Entwicklung gefördert und vorangebracht werden können. Nicht Nachahmung und Übertrumpfen des Menschen sollten die Triebfedern für die Technikentwicklung sein, sondern die Suche nach einem höherwertigen Komplementaritätsverhältnis zwischen Mensch und Technik. Von diesem sind auch die besten Resultate zu erwarten“ (Huchler, 2020).

3

Beispiele für hybride Intelligenzen sind Folgende: 5 Beispiel für hybride Intelligenz – Selbstfahrende Autos (Partnernetzwerk 4.0 Sachsen-Anhalt, 2022): Hier fährt der Autopilot die meiste Zeit allein. Der Fahrer hat jedoch die ganze Zeit das Lenkrad im Griff. Sobald das Sensorsystem „unsicher ist“, was aktuell passiert, wird die Kontrolle an den menschlichen Fahrer übergeben. 5 Beispiel für hybride Intelligenz – Gesichtserkennung (ebd.): Der Algorithmus für das Erkennen von Gesichtern funktioniert mittlerweile sehr gut (ungefähr 97 % Trefferquote). Hat der Algorithmus Probleme bei der Zuordnung eines Gesichts, ist der Mensch aufgefordert, die Auswahl zu übernehmen. Dadurch wiederum wird der Algorithmus weiter trainiert. 5 Beispiel für hybride Intelligenz – „Schlaue“ Radiologen (ebd.): Bei der Entdeckung eines Lungenkarzinoms durch den IBM Watson Oncology trifft der Algorithmus zu 90 % die richtige Diagnose. Bei den letzten unsicheren 10 % wäre auf jeden Fall ein menschlicher Experte hinzuzuziehen. Bei der Diagnose von Brustkrebs können Arzt und Software zusammen eine Trefferquote von 99,5 % erreichen. Als Fazit kann an dieser Stelle festgehalten werden, dass Maschinen zwar zunehmend besser darin werden, die Denkprozesse von Menschen zu simulieren. Etwas zu entscheiden ist jedoch eine Tätigkeit, die mehr braucht, dazu gehören Erfahrung, Intuition und Hingabe (Partnernetzwerk 4.0 Sachsen-Anhalt, 2022). 3.3  Begriffe und technologische Trends im

Kontext von Künstlicher Intelligenz

Wichtige Begriffe und Technologien im Kontext von KI

Am Ende dieses Kapitels werden die wichtigsten Begriffe und technologischen Aspekte im Kontext der Künstlichen Intelligenz erläutert (vertiefter in Buxmann & Schmidt, 2019; Lenzen, 2019; Specht, 2018):

3.3 · Begriffe und technologische Trends im Kontext von Künstlicher …

z z Algorithmen

Ein Algorithmus ist ein Lösungsverfahren, das in einer klar definierten Abfolge von Schritten zur Lösung eines Problems führt. Algorithmen sind ein wesentliches Element jeder Software und „[…] ein unverzichtbarer Bestandteil von Systemen künstlicher Intelligenz“ sowie „[…] von logischen Grundsätzen geprägt: Bestimmte Inputinformationen ergeben bestimmte Outputinformationen“ (Gogola, 2020, S. 106). z z Big Data und Cloud Computing

Bei Big Data handelt es sich um große Datenmengen, die mit speziellen Lösungen gespeichert, verarbeitet und ausgewertet werden. Cloud Computing umfasst Technologien und Geschäftsmodelle, die über das Internet und Intranet verfügbar sind. Die IT-Ressourcen werden über eine Cloud bereitgestellt. z z Blockchain und Bitcoin

Blockchain (= „Blockkette“) stellt eine dezentrale Datenbank dar, die im Netzwerk auf einer Vielzahl von Rechnern gespiegelt vorliegt. Ihre Einträge werden in Blöcken zusammengefasst und gespeichert. Durch einen von allen Rechnern eingesetzten Konsensmechanismus wird die Authentizität der Datenbankeinträge sichergestellt. Bitcoin ist eine digitale Währung, die auf der Blockchain-Technologie basiert. Durch diese digitale Währung lassen sich Zahlungen anonym und ohne die Beteiligung von klassischen Banken fast in Echtzeit abwickeln. z z Chatbots

Dies sind Roboter für die sprachliche Kommunikation. Es handelt sich hierbei um ein Dialogsystem mit sprachlichen Fähigkeiten auf textlicher Ebene. Es gibt Chatbots, die auf der Basis von strukturierten Fragen und Antworten funktionieren und solche, die mittels maschinellen Lernens auf KI zurückgreifen und mit jeder Interaktion klüger werden (Hasenbein, 2019, S. 81). z z Cyborg

Cyborg steht für Cybernetic Organism. Dabei verschmelzen Technik und Mensch miteinander. Dahinter steckt die Überzeugung der Transhumanisten, den menschlichen Körper zu verbessern und mit zusätzlichen Sinnen auszustatten. z z Deep Learning

Bei dieser Art des Lernens werden künstliche neuronale Netzwerke verwendet. Der Vorteil und die Weiterentwicklung

29

3

30

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

liegen darin, dass durch mehrschichtige Netzwerke Zusammenhänge erlernt werden können, die mit Algorithmen des Maschinellen Lernens unentdeckt bleiben würden.

» „Deep Learning bezeichnet moderne Neuronale Netze, die 3

anders als ein Perzeptron zusätzlich zur Ausgabeschicht mehr als zwei Neuronenschichten haben. Sie können sowohl strukturierte als auch unstrukturierte Daten wie Texte, Bilder und Sprache verarbeiten. Bedingt durch ihre Architektur machen diese Tiefen Neuronalen Netze […] die direkte Verarbeitung von Rohdaten möglich. Zusätzlich ist der Abstraktionsgrad höher und die trainierten Modelle können breiter eingesetzt werden“ (Cornelius, 2019, S. 23).

z z Internet of Things (IoT) und Internet of Everything

Unter IoT werden Gegenstände verstanden, die Daten verarbeiten und senden können. Sensoren machen dabei aus vernetzten Gegenständen sogenannte „smarte“ Gegenstände. Geht man zukünftig von einer Allgegenwärtigkeit von Computerchips in unserer Umwelt aus, dann kann von einem Internet of Everything gesprochen werden. z z Maschinelles Lernen

Hierbei handelt es sich um ein Verfahren, bei denen Algorithmen aus Daten lernen und zum Beispiel Muster erkennen, ohne dass jeder Einzelfall explizit programmiert werden müsste (Bitkom, 2017, S. 27). Folgendes Beispiel macht dies beispielhaft deutlich:

» „Um

dem Algorithmus eine Unterscheidung beizubringen, formuliert der Entwickler im Softwarecode nicht mehr explizit, dass eine Katze beispielsweise vier Pfoten, zwei Augen, scharfe Krallen und Fell hat. Vielmehr wird der Algorithmus mit vielen unterschiedlichen Tierfotos trainiert, anhand derer er selbständig erlernt, wie die jeweiligen Tiere aussehen und sich von anderen Tieren unterscheiden“ (Buxmann & Schmidt, 2019, S. 8).

Es kann in drei Arten von Machine Learning differenziert werden. Diese werden im Folgenden kurz erläutert: 5 Supervised Learning (überwachtes Lernen): In diese Kategorie fallen Algorithmen, die mit sogenannten beschrifteten Daten trainiert werden, um auf der Basis selbstständig Entscheidungen treffen zu können. So wird beispielsweise ein Algorithmus mit tausenden von Katzen- und Hundebildern angelernt. Dabei erhält der Algorithmus jedes Mal die Information, um welche Tierart es sich handelt (ebd., S. 10). Die Algorithmen lernen mit diesen Trainingsdatensätzen. Die Überprüfung des trainierten Modells wird mit

3.3 · Begriffe und technologische Trends im Kontext von Künstlicher …

Testdaten durchgeführt, um so die Qualität zu überprüfen. 5 Unsupervised Learning (unüberwachtes Lernen): Hier muss der Algorithmus selbst Muster bzw. Kategorien in vorhandenen Daten finden. Der Maschine wird somit nicht die Information mitgegeben, bei welchem Bild es sich um welches Tier handelt, sondern der Algorithmus muss diese Kategorisierung selbstständig vornehmen (ebd., S. 10). Das könnte dazu führen, dass z. B. nicht die Kategorien „Katze“ und „Hund“ dabei rauskämen, sondern alternativ eine Kategorisierung nach Farben wie z. B. Schwarz, Braun, Weiß. 5 Reinforcement Learning (verstärkendes Lernen): Bei diesem Lernansatz geht es darum, dass der Algorithmus für ein bestimmtes Problem eine optimale Strategie finden soll. Eingesetzt werden dabei Anreiz- und Belohnungsfunktionen. So würde von dem Entwickler eine Umgebung wie zum Beispiel die Stellung in einem Schachspiel erstellt sowie mögliche Handlungsalternativen wie z. B. Schachzüge und die dahinterliegenden Spielregeln (ebd., S. 11). Die Anreizfunktion hätte in diesem Fall die Zielsetzung, das Spiel zu gewinnen. z z NLP

NLP steht für Natural Language Processing. Es beschreibt Techniken und Methoden zur maschinellen Verarbeitung natürlicher Sprache verbunden mit dem Ziel, eine direkte Kommunikation zwischen Mensch und Computer herzustellen. NLP setzt dafür Methoden aus den Sprachwissenschaften ein und kombiniert sie mit moderner Informatik und künstlicher Intelligenz. z z Robotik

Die Robotik setzt sich mit dem Entwurf, der Gestaltung und der Produktion sowie dem Betrieb von Robotern wie z. B. von Industrie- oder Servicerobotern auseinander (Bendel, 2022). z z Virtual und Augmented Reality

Durch Virtual Reality wird eine geschlossene virtuelle Welt erzeugt, in die der Mensch eintauchen kann (immersives Erlebnis), bei der Augmented Reality wird die Realität durch digitale Elemente erweitert oder ergänzt (Hasenbein, 2020, S. 78). In Kombination mit Künstlicher Intelligenz sind eine verbesserte Interaktivität und intuitivere Inhalte möglich, so können beispielsweise Augen- und Handbewegungen erkannt, interpretiert und in Echtzeit angepasst werden (OECD, 2020).

31

3

32

Kapitel 3 · Definition und Entwicklung von Künstlicher Intelligenz

Im folgenden Kapitel werden die psychologische Perspektive auf Künstliche Intelligenz und einzelne psychologische Aspekte im Kontext von KI näher betrachtet.

3

Fazit Die Künstliche Intelligenz hat bereits eine intensive Geschichte gezeigt und gewinnt immer mehr an Bedeutung und Einfluss in den verschiedensten Bereichen, sei es zum Beispiel in der Medizin, in der Industrie oder in der Bildung. Beim weiteren Voranschreiten der Entwicklung von Künstlicher Intelligenz sollte es darum gehen, dass Mensch und Technik gleichzeitig gefördert und unterstützt werden. Dahinter steckt der Gedanke einer hybriden Intelligenz, die ein Komplementaritätsverhältnis zwischen Mensch und Technik im Fokus hat. Die Intention dabei ist, explizites menschliches Wissen zusammen mit Lernalgorithmen im Sinne einer menschenzentrierten KI möglichst optimal zu nutzen. Erfahrung, Intuition und die letzte Entscheidungsinstanz sollten dabei beim Menschen liegen.

Literatur Bendel, O. (2022). Robotik. Gabler Wirtschaftslexikon. 7 https://wirtschaftslexikon.gabler.de/definition/robotik-54198. Zugegriffen: 18. Aug. 2022. Bitkom. (2017). Entscheidungsunterstützung mit Künstlicher Intelligenz. Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. 7 https://www.bitkom.org/Bitkom/Publikationen/Entscheidungsunterstuetzung-mit-Kuenstlicher-Intelligenz. html. Zugegriffen: 5. Jan. 2022. Buxmann, P., & Schmidt, H. (2019). Künstliche Intelligenz. Mit Algorithmen zum wirtschaftlichen Erfolg. Springer Gabler. Cornelius, A. (2019). Künstliche Intelligenz – Entwicklungen, Erfolgsfaktoren und Einsatzmöglichkeiten. Haufe. Gogola, M. (2020). Künstliche Intelligenz und Algorithmen in der Arbeitswelt: Herausforderungen, Regelungsprobleme und Lösungsansätze. In J. Fritz & N. Tomascheck (Hrsg.), Impulse für einen Digitalen Humanismus. Menschliche Werte in der virtuellen Welt (S. 106–118). Waxmann. Hasenbein, M. (2019). Chatbots & Co – digitales Coaching mit Künstlicher Intelligenz. Wirtschaftspsychologie aktuell, 3, 9-12. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Huchler, N. (2020). Human Resourcemachine-Learning & AI. Die Mensch-Maschine-Interaktion bei Künstlicher Intelligenz im Sinne der Beschäftigten gestalten – Das HAI-MMI-Konzept und die Idee der Komplementarität. Digitale Welt. Science meets industry. 7 https:// digitaleweltmagazin.de/fachbeitrag/die-mensch-maschine-interaktion-bei-kuenstlicher-intelligenz-im-sinne-der-beschaeftigten-gestalten-das-hai-mmi-konzept-und-die-idee-der-komplementaritaet/. Zugegriffen: 6. Aug. 2022.

33 Literatur

Lenzen, M. (2019). Künstliche Intelligenz. Was sie kann & was uns erwartet. Beck. Partnernetzwerk 4.0 Sachsen-Anhalt. (2022). Hybride Intelligenz. 7 https:// www.lsa-partnernetzwerk.de/fokusthemen/kuenstliche-intelligenz/hybride-intelligenz/. Zugegriffen: 16. Aug. 2022. OECD. (2020). Künstliche Intelligenz in der Gesellschaft. OECD Publishing. Specht, P. (2018). Die 50 wichtigsten Themen der Digitalisierung. Künstliche Intelligenz, Blockchain, Bitcoin, Virtual Reality und vieles mehr verständlich erklärt. Redline. Thommen, J.-P. (2022). Heuristik. Gabler Wirtschaftslexikon. 7 https://wirtschaftslexikon.gabler.de/definition/heuristik-34474. Zugegriffen: 19. Aug. 2022. Wasserfeld, P. (2018). Fine watches, craft beer and the psychology of Industry 5.0. 7 https://enterpriseiotinsights.com/20180427/channels/fundamentals/ the-psychology-of-industry-50-tag99. Zugegriffen: 16. Aug. 2022.

3

35

Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_4

4

36

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

Trailer Die Künstliche Intelligenz und die Mensch-KI-Interaktion führen uns in eine neue Arbeits- und Organisationswelt. Manche sprechen in diesem Zusammenhang bereits von der nächsten Phase der Industrialisierung, der Industrie 5.0. Die Auswirkungen auf den Arbeitsmarkt werden mehr oder weniger deutlich zu spüren sein. Verschiedene Studien liefern dafür konkrete Anhaltspunkte und Prognosen. Auch werden mögliche Szenarien einer KI-basierten Arbeitswelt beschrieben, die wiederum Folgen für die Kompetenzentwicklung der Mitarbeiter und Mitarbeiterinnen haben werden. Um KI erfolgreich in Organisationen zu implementieren, sind zudem organisationale Voraussetzungen zu erfüllen. Auch die Organisationsform und der Reifegrad der jeweiligen Organisation spielen hierbei eine Rolle. Change Management und Change Enablement können dabei als Gestaltungsansätze eine KI-Einführung unterstützen. . Abb. 4.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

4

4.1  Industrie 5.0 als nächste Phase der

Industrialisierung

Industrie 5.0 als nächste Phase der Industrialisierung

Die Digitalisierung schreitet voran und die Künstliche Intelligenz sowie die Robotik werden die Arbeitswelt zunehmend verändern, dieser Veränderungsprozess hat bereits begonnen. Bevor auf die potenziellen Veränderungen für den Arbeitsmarkt und verschiedene Szenarien eingegangen wird, soll zunächst eine Einrahmung in den Kontext von Industrie 4.0 bzw. Industrie 5.0 erfolgen. Industrie 4.0 steht vor allem für Big Data und die Vernetzung von Menschen, Maschinen und Produkten mittels IoT (Internet of things) sowie für Smart Factory. Im Hinblick auf die (Weiter-)Entwicklung der Künstlichen Intelligenz kommt zunehmend der Be-

. Abb. 4.1 Wortwolke

4.1 · Industrie 5.0 als nächste Phase der Industrialisierung

griff Industrie 5.0 als nächste Phase der Industrialisierung ins Spiel (Diwo, 2021). Hier geht es um die Zusammenarbeit zwischen Menschen und intelligenten Maschinen bzw. Robotern. Dabei steht die Mensch-Zentrierung im Fokus. In diesem Kontext wird von hybrider (= gemischt, von verschiedener Herkunft) Zusammenarbeit zwischen Mensch und KI bzw. hybrider Intelligenz gesprochen. . Abb. 4.2 zeigt die verschiedenen Phasen der industriellen Revolution im Überblick. Weitere Aspekte, die hier hinzukommen, sind Resilienz als Widerstands- und Anpassungsfähigkeit von Organisationen, um mit Veränderungen adäquat umgehen zu können sowie Nachhaltigkeit im Sinne von Verantwortung für die Umwelt und Ökologie, damit diese auch für die Folgegenerationen zur Verfügung stehen (Buchinger, 2021). So hat laut Studie von PwC und des Weltwirtschaftsforums die Künstliche Intelligenz Potenzial zum Schutz des Planeten (PwC, 2018, 2020). Maschinelles Lernen könnte Strategien zum Klimaschutz und zur Anpassung an den Klimawandel unterstützen, zum Beispiel im Energiesektor, in der Land- und Forstwirtschaft oder im Katastrophenschutz. KI könnte somit zum Klimawandel beitragen und ein Treiber für die Energiewende werden, indem sie Daten zum Ressourcenverbrauch und zu Emissionen vermittelt (Capgemini, 2020). Dabei darf nicht vergessen werden, dass KI selbst auch einen CO2-Fußabdruck hinterlässt. Im Kontext von Industrie 5.0 werden nach und nach auch Stimmen für eine Arbeitswelt 5.0 laut. Arbeit 4.0 steht bereits für neue Arbeitswelten verbunden mit Sinnerfüllung, agilem Arbeiten und mehr Selbstorganisation sowie für digitale und verteilte Zusammenarbeit. Arbeit 5.0 bedeutet, dass Menschen und Maschinen enger zusammenarbeiten werden und somit die Mensch-Maschine-Interaktion stärker in den Fokus rückt. Intelligente Systeme wie Chatbots und Roboter werden den Menschen zunehmend unterstützen. Gleichzeitig wird dies die Art und Weise von Führung und Teamarbeit verändern (dazu 7 Kap. 8). Weiterhin verändern sich Jobs und Jobprofile, die sich aufgrund der Weiterentwicklung der Künstlichen Intelligenz ­ herausbilden.

. Abb. 4.2  Phasen der industriellen Revolution

37

Möglicher Beitrag von Künstlicher Intelligenz zum Klimawandel

Arbeit 5.0 bedeutet, dass Menschen und Maschinen enger zusammenarbeiten.

4

38

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

Nachgefragt sind bereits und werden vermehrt Jobs wie Datenanalysten, Datenwissenschaftler sowie Experten im KI- und Machine-Learning-Bereich, RobotikIngenieure, Softwareentwickler und Digital Transformation Spezialisten sein (Computerfutures, 2019; World Economic Forum, 2020). Dies hat entsprechende Auswirkungen auf den Arbeitsmarkt, deren Entwicklungen im folgenden Abschnitt erläutert werden.

4

4.2  Auswirkungen von Digitalisierung und KI

auf den Arbeitsmarkt

Die Entwicklungen in der Künstlichen Intelligenz sind mit Ängsten bei den Menschen, respektive Mitarbeitern verbunden. Deshalb ist es von zentraler Bedeutung, deutlich zu machen, wo und welche Veränderungen mit dem Voranschreiten der Digitalisierung und dem kontinuierlichen Wachstum Künstlicher Intelligenz passieren werden und wie die Menschen darauf adäquat vorbereitet werden können. Denn, so stellt Precht in seiner aktuellen Publikation „Freiheit für alle. Das Ende der Arbeit wie wir sie kannten“ fest:

» „Der

Weg scheint vorgezeichnet: Computer werden in der Zukunft mithilfe perfekterer Robotik und Sensorien, von KI und automatisierter Bildanalyse (Machine Vision) Arbeit ausführen, die bislang vielen Millionen Menschen vorbehalten war. […] Branchen sterben und entstehen neu, Jobprofile wandeln sich rasant und ebenso die alltägliche Zusammenarbeit, die bisherige Arbeitsteilung und die gewohnten Hierarchien“ (2022, S. 31).

Prognosen, dass neue Technologien Arbeitslosigkeit bedingen werden.

Bereits im Jahr 2014 verkündeten Erik Brynjolfsson und Andrew McAfee mit ihrem Buch, „The second maschine age“ (Brynjolfsson & McAfee, 2014) das zweite Maschinenzeitalter. Ein Jahr zuvor, in 2013, prognostizierten Frey und Osborne (2013) in ihrer Oxford-Studie die Aussicht auf eine durch die neuen Technologien bedingte Arbeitslosigkeit. Sie sprachen von 47 % „hochriskanter“ Beschäftigungsverhältnisse in den USA. Bei diesen handele es sich zum Beispiel um Jobs wie in Banken und Versicherungen, den Maklerberuf, die Rechtsanwaltsgehilfen, die Fahrdienstleister, Models, Wirte und Buchhalterinnen. Hierbei geht es um Tätigkeiten, die jeweils nach einem ähnlichen Muster ablaufen und dadurch grundsätzlich automatisierbar sind. Studien, unter anderem mit Bezug zu künftigen Entwicklungen in Deutschland, zeigen zum Teil ein ähnliches Bild, jedoch mit ein paar unterschiedlichen Nuancen. Weitere Stu-

4.2 · Auswirkungen von Digitalisierung und KI auf den Arbeitsmarkt

39

dien ziehen etwas andere Schlüsse. Die wesentlichen Ergebnisse aus einer Auswahl von Studien von 2015 bis 2021 sollen im Folgenden zusammenfassend vorgestellt werden. Sie zeigen im Überblick Annahmen und Folgerungen für die Arbeitswelt und den Arbeitsmarkt (Deutscher Bundestag, 2018; Precht, 2022): 5 Die Studie des Economic ING-DiBa Studie 2015 (Brzeski & Burg, 2015) kommt übertragen auf Deutschland zu dem Ergebnis, dass aufgrund des höheren Industrialisierungsgrades in Deutschland 59 % aller bestehenden Arbeitsplätze durch die Automatisierung gefährdet seien. 5 Der Report der Unternehmensberatung A. T. Kearney (2015) kam im gleichen Jahr zu dem Ergebnis, dass 45 % der in Deutschland beschäftigten Menschen bis 2034 arbeitslos werden könnten. Gefährdet seien dabei vor allem Büroangestellte, Sekretariatskräfte, Verkaufsberufe, Beschäftigte in der Gastronomie sowie in der kaufmännischen und technischen Betriebswirtschaft, Berufstätige für Post- und Zustelldienste, Köche, Bankkaufleute, Buchhalter sowie Lager- und Metallarbeiter. 5 Etwas differenzierter geht die Studie des Zentrums für Europäische Wirtschaftsforschung (ZEW) von Bonin et al. (2015) an das Thema heran. Sie sagen im ersten Schritt, dass bei direkter Übertragung der Studie von Frey und Osborne in Deutschland 42 % der Beschäftigten in Berufen mit einer hohen Automatisierungswahrscheinlichkeit arbeiten. Im zweiten Schritt stellen sie fest, dass unter der Annahme eines tätigkeitsbasierten Ansatzes (nicht ganze Berufe, sondern Tätigkeiten durch die Digitalisierung ersetzt werden) 12 % der Arbeitsplätze Tätigkeitsprofile mit hoher Automatisierungswahrscheinlichkeit aufzeigen. 5 Die Studie des Kölner Instituts der deutschen Wirtschaft – ZEW (Stettes, 2018) dagegen relativiert die Befürchtungen für den deutschen Arbeitsmarkt in dem Sinne, dass sie sagt, der digitale Wandel sei gestaltbar und könne sich ganz unterschiedlich und mit jeweils anderer Geschwindigkeit auf die einzelnen Unternehmen und Betriebe auswirken. Und man könne noch nicht sagen, ob sich systematische Entwicklungslinien auf dem Arbeitsmarkt herausbilden werden. 5 In eine ähnliche Richtung geht die Betriebsbefragung vom Institut für Arbeitsmarkt- und Berufsforschung (IAB) und dem ZEW (Lehmer & Matthes, 2017). Hier kommen die Autoren zu dem Ergebnis, das keine generellen Aussagen über Gewinne und Verluste von bestimmten Beschäftigungsgruppen getroffen werden können. Hier müsse man eher auf Sektor- und Betriebsmerkmale schauen.

Überblick zu Studien von 2015 bis 2021

4

40

4

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

5 Die Studie des IAB von 2018 (Zika et al., 2018) prognostiziert, dass die Digitalisierung wenig Auswirkungen auf das Gesamtniveau der Beschäftigung in Deutschland haben werde und es eher zu Verschiebungen von Arbeitsplätzen hinsichtlich Branchen, Berufen und Anforderungsniveaus kommen wird. 5 Die aktuelle Studie „The future of work after COVID-19“ von McKinsey Global Institute (2021) sieht die Tendenz zur Automatisierung durch die Pandemie bestärkt. So müssten sich 10,5 Mio. Arbeitnehmer in Deutschland auf umfangreiche Veränderungen gefasst machen, was ungefähr jeder Vierte bedeuten würde. Zudem müssten sich bis 2030 rund 6,5 Mio. Beschäftigte neue Fähigkeiten und Qualifikationen aneignen oder sich entsprechend weiterbilden. 5 Die aktuelle Analyse des Weltwirtschaftsforums geht davon aus, dass bis zum Jahr 2025 weltweit (unter Einbezug von 15 Industrien und 26 Volkswirtschaften) 85 Mio. derzeitige Jobrollen durch die zunehmende Aufteilung von Arbeit zwischen Menschen und Maschinen ersetzt werden (WEF, 2020). Gleichzeitig könnten 97 Mio. neue Jobrollen entstehen, die mehr auf eine Aufteilung der Jobs zwischen Mensch und Maschine ausgelegt sind. Wie die Entwicklungen am Arbeitsmarkt tatsächlich aussehen werden, bleibt abzuwarten. Manche Prognosen werden sicherlich in Teilen zutreffen, andere wiederum werden sich nicht bestätigen. Zudem wird dies von den gesamtwirtschaftlichen Entwicklungen abhängen, die im Jahr 2022 und sicherlich auch noch in den Folgejahren von verschiedenen weiteren Faktoren wie dem Krieg in Europa, Umwelteinflüssen und der (Nicht-) Fortsetzung der Corona-Pandemie abhängen. Unabhängig davon wird die Künstliche Intelligenz mehr oder weniger schnell einen Einfluss auf unsere Arbeitswelt haben. Daraus können sich verschiedene zukünftige KI-basierte Arbeitsszenarien entwickeln. 4.3  KI- basierte Szenarien in der digitalen

Arbeitswelt

Burmeister et al. (2019, 2020) beschreiben in ihren Beiträgen, welche Auswirkungen Künstliche Intelligenz auf die Arbeitswelt haben kann. In ihrer Foresight- und Szenariostudie „KI-basierte Arbeitswelten 2030“ beschäftigen sie sich mit möglichen Entwicklungen in den nächsten zehn Jahren und darüber hinaus. Sie haben auf dieser Basis sechs mögli-

4.3 · KI- basierte Szenarien in der digitalen Arbeitswelt

41

che Szenarien entwickelt sowie mögliche Veränderungen analysiert und antizipiert: 1. Trägheits-Szenario: gebremste KI-Entwicklung, bei der die Arbeitswelt von KI nur wenig betroffen ist, Potenziale bleiben ungenutzt. 2. Automations-Szenario: insbesondere der Industrie-Sektor ist durch KI geprägt, der Arbeitsmarkt ist durch befristete und schlecht abgesicherte Beschäftigungsverhältnisse gekennzeichnet. 3. Plattform-Szenario: monopolartige, globale Plattform-Unternehmen bestimmen den Markt mit ihren digitalen KI-Geschäftsmodellen. 4. Ambivalenz-Szenario: einerseits eine dynamische KI-Entwicklung im Sinne einer Augmentierung von KI (Unterstützung und Erweiterung menschlicher Arbeit), andererseits bleibt die „alte“ klassische Arbeitswelt bestehen, wodurch nicht das gesamte Potenzial genutzt wird. 5. Transformations-Szenario: KI ermöglicht neue Arbeitswelten in einem dynamischen Netzwerk, geprägt von Vertrauen in KI, zum einen wird komplexe Sachbearbeitung von KI substituiert und zum anderen bilden sich neue Tätigkeiten heraus, flankiert von einer Grundsicherung für alle und von lebenslangem Lernen. 6. Visions-Szenario: Übergang zu einer „Post-Erwerbsgesellschaft“, gekennzeichnet durch eine abnehmende Bedeutung von Arbeit und gleichzeitig unabhängigeres Arbeiten befreit von der Industriegesellschaft, unterstützt von kostengünstigen, cloudbasierten KI-Anwendungen.

Mögliche KI-Szenarien

Diese verschiedenen Szenarien haben entweder mehr oder weniger Auswirkungen auf die Zukunft der menschlichen Arbeit sowie die Kompetenzentwicklung bzw. -veränderung bei den Mitarbeitern und Mitarbeiterinnen. Im OECD-Bericht werden zusammenfassend folgende Annahmen im Hinblick auf die Konsequenzen für menschliche Arbeit getroffen (OECD, 2020, S. 125–127): 5 KI wird die Menschen bei einigen Aufgaben ergänzen und somit neue Arbeitsformen schaffen. 5 Sie wird den Menschen bei einzelnen Aufgaben und Tätigkeiten ersetzen. 5 KI wird zu Produktivitätssteigerung führen. 5 Sie wird Aufgaben durch Automatisierung verändern. Ähnlich und noch differenzierter betrachten es von Richthofen et al. (2021), die folgenden Entwicklungen für möglich halten:

Konsequenzen für die menschliche Arbeit

4

42

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

Einerseits Ersatz und Einschränkung von Arbeit und andererseits Entlastung sowie Entstehung neuer Arbeit

5 Ersatz menschlicher Arbeit: So kann eine KI-Anwendung im Kundendienst bei wiederholenden und einfachen Kundenanfragen menschliche Arbeit ersetzen. Für komplexere Fragen können weiterhin Mitarbeiter und Mitarbeiterinnen des Kundendienstes zuständig sein. 5 Einschränkung menschlicher Arbeit: KI-basierte Assistenzsysteme zum Beispiel im Personalbereich können in dem Sinne zu Einschränkungen führen, dadurch dass in dem System nur ein begrenztes Set an Auswahlmöglichkeiten zur Verfügung steht. Das kann zu einer Limitierung der Möglichkeiten einer Problemlösung führen. 5 Entlastung menschlicher Arbeit: Dies ist zum Beispiel im industriellen Bereich in Fabriken möglich, wo KI-basierte Roboter zur Entlastung schwerer menschlicher Arbeiten wie das Heben von Materialien eingesetzt werden. 5 Entstehung neuer, maschineller Arbeit: Hier kommt KI beispielsweise bei der Auswertung von Online-Quellen zum Einsatz, wofür Menschen früher Wochen oder Monate gebraucht haben. Gerade bei einer Vielzahl von möglichen Quellen könnte dies ein Mensch in adäquater Zeit kaum oder gar nicht leisten.

Menschliche Kompetenzen wie kritisches Denken, Kreativität und Empathie stellen eine wichtige Ergänzung zu den Fähigkeiten einer KI dar.

Die Weiterentwicklung der Künstlichen Intelligenz und ihre Auswirkungen auf die menschliche Arbeit verändern zudem die Kompetenzanforderungen der Beschäftigten. So werden Fachkompetenzen zur Programmierung und Entwicklung von KI-Anwendungen immer bedeutender sowie auch allgemeine Kompetenzen zur Nutzung von KI und zur Zusammenarbeit von Mensch und KI (OECD, 2020). Auch komplementäre menschliche Kompetenzen wie kritisches Denken, Kreativität und Empathie sowie komplexes Problemlösen, die eine Ergänzung zu den Fähigkeiten einer KI darstellen, nehmen an Bedeutung zu (WEF, 2018, 2020). In Anlehnung an die Studie des Stifterverbandes und McKinsey (2018) kann für die neue Arbeitswelt in folgende drei Kompetenzcluster unterschieden werden (S. 6): 5 Technologische Fähigkeiten: Komplexe Datenanalyse, Smart Hardware-/Robotik-Entwicklung, Web-Entwicklung, Nutzerzentriertes Designen (UX), Konzeption und Administration vernetzter IT-Systeme, Blockchain-Technologie Entwicklung, Tech-Translation. 5 Digitale Grundfähigkeiten: Digital Literacy, Digitale Interaktion, Kollaboration, Agiles Arbeiten, Digital Learning, Digital Ethics. 5 Nicht-digitale bzw. klassische Fähigkeiten: Problemlösungsfähigkeit, Kreativität, Unternehmerisches Handeln & Eigeninitiative, Adaptionsfähigkeit, Durchhaltevermögen.

4

4.4 · Organisationale Voraussetzungen für die Einführung von KI und …

43

4

» „Für die Zukunftsfähigkeit von Unternehmen ist die Verknüpfung von technologischen Fähigkeiten, digitalen Grundfähigkeiten und klassischen Fähigkeiten von entscheidender Bedeutung. […] Die Herausforderung besteht darin, Personen so auszuwählen oder so zu qualifizieren, dass sie ein möglichst umfangreiches Bündel aller der für ihren Arbeitskontext relevanten Future Skills besitzen“ (Stifterverband & McKinsey, 2018, S. 5).

Ziel ist es, die Employability der Mitarbeiter und Mitarbeiterinnen in den Organisationen sicherzustellen. Gemeint ist damit die Fähigkeit, fachliche, soziale, und methodische Kompetenzen unter sich wandelnden Rahmenbedingungen zielgerichtet anzupassen und einzusetzen, um entweder eine Beschäftigung zu erlangen oder diese zu erhalten (Rump & Eilers, 2011, S. 81). Neben den individuell erforderlichen Veränderungen müssen bestimmte organisationale Voraussetzungen gegeben sein, damit KI in den Organisationen eingeführt werden kann. 4.4  Organisationale Voraussetzungen für die

Einführung von KI und Robotik

Für eine erfolgreiche Implementierung von KI und Robotik sind entsprechende organisationale Voraussetzungen von Relevanz. Diese sollen im Folgenden erläutert werden (Dahm & Dregger, 2020, S. 389–390): 5 KI-Strategie: Was soll strategisch betrachtet das Ziel von KI in der Organisation sein? Dabei ist zu klären, welche Potenziale und Einsatzmöglichkeiten es überhaupt gibt. Zudem kann zwischen einem mitarbeiter- oder kundenorientierten Ansatz gewählt werden. Weiterhin muss entschieden werden, ob eine eigene KI-Lösung entwickelt werden oder ob eine „fertige“ Lösung eingekauft werden soll. Und schließlich geht es darum, zu klären, ob mit KI eher Qualität verbessert werden soll oder Kosten eingespart werden sollen. 5 Kosten von KI: Hier geht es darum, zu klären, was KI zunächst für einen Kostenaufwand bedeuten wird. Geht es dabei um Standardlösungen oder maßgeschneiderte Lösungen? Falls eine KI-Lösung funktioniert, kann sie schließlich zudem den Aspekt der Kostenersparnis erfüllen. 5 Mitarbeiterqualifizierung für KI: Wenn KI in der Organisation implementiert werden soll, ist eine KI-Qualifizierung bzw. Weiterbildung sowohl für die Führungskräfte

Für eine erfolgreiche Implementierung von KI und Robotik sind organisationale Voraussetzungen zentral.

44

4

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

als auch für die Mitarbeiter unverzichtbar. Dabei geht es neben grundlegenden technischen Aspekten vor allem darum, KI kritisch einzuordnen und bewerten zu können. Relevante Stichworte sind hier data literacy und AI literacy. 5 Digitale Transformation: Hier geht es um das Verändern von Geschäftsprozessen und -aktivitäten durch den Einsatz von KI und darum, dabei die Mitarbeiter und Kunden mitzunehmen und in den Prozess der Digitalisierung und Implementierung von KI mit einzubinden. Dafür braucht es, organisationales Lernen und Change Enablement Konzepte und Instrumente (Hasenbein, 2020). Auch Aspekte einer agilen Organisationsentwicklung im Sinne von Oestereich und Schröder (2020) sowie eine prozessorientierte Beteiligung und Gestaltung des Change-Prozesses sind hier von Relevanz (Stowassser, 2021). 5 Organisationskultur: Eine zentrale Voraussetzung bei der Einführung und dem Einsatz von KI ist es, dass die Organisation dazu in der Lage ist, diese umzusetzen und zu leben. Hier ist insbesondere eine Vertrauenskultur bezogen auf die Mensch-KI-Interaktion zentral. Das impliziert zudem mehr Experimentieren im Sinne eines agilen Ansatzes. Fehler und Lernen mit KI sollten erlaubt sein. Dies setzt ein agileres Denken und andere Organisationsformen voraus. 5 Organisationsformen und -design: Die Entwicklung geht weg von hierarchisch strukturierten Organisationseinheiten hin zu eher netzwerkorientierten Organisationen sowie crossfunktionalen Teams, holokratischen und dynamikrobusten Organisationen (Hasenbein, 2020, S.  19–22). . Abb. 4.3 zeigt diese Organisationsformen im Überblick. Fiolka (2020) drückt dies trefflich aus: „Die Organisation des 21. Jahrhunderts ist eine holistische, sich selbst organisierende Netzwerkorganisation, die sich dynamisch und ohne Zeitverlust den sich verändernden Bedingungen anpasst“ (S. 236). Fiolka benennt eine hierarchisch und starr organisierte Organisationseinheit sowie eine disziplinarische Führung sogar als „Hemmfaktoren“ für eine Organisation im digitalen Zeitalter. Er spricht sich für eine Arbeitswelt aus, die auf Kollektive Intelligenz, Selbstorganisation und Partizipation setzt. Neben den organisationalen Voraussetzungen können Reifegradmodelle helfen, die organisationalen Fähigkeiten und Charakteristika für eine Einführung von KI zu analysieren und zu bewerten. Ein solches Modell soll im folgenden Abschnitt vorgestellt werden.

4.5 · Reifegrade zur Einführung von KI

. Abb. 4.3  Organisationsformen im Überblick

4.5  Reifegrade zur Einführung von KI

KI-Reifegradmodelle können den Gestaltungsprozess und die ganzheitliche Betrachtung einer KI-Transformation unterstützen. Limat (2022) stellt ein Reifegradmodell zur Einführung von KI in Anlehnung an Becker et al. (2009) vor. Ziel ist es mittels Gestaltungsdimensionen und Gestaltungsobjekten die Einführung und Implementierung von KI in Organisationen strukturiert zu analysieren und auf dieser Basis Schlussfolgerungen für Anpassungen und Verbesserungen zu ziehen:

45

4

46

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

KI-Reifegradmodelle unterstützen den Gestaltungsprozess und die ganzheitliche Betrachtung einer KI-Transformation.

4

„Reifegradmodelle »

liefern eine Bewertungsund Vergleichsbasis für Verbesserungen und sind somit hilfreiche Entscheidungsinstrumente zur fundierten Schlussfolgerung von Optimierungen. Der Begriff Reife suggeriert in diesem Kontext, dass eine schrittweise Verbesserung bei Erreichung gewisser Fähigkeiten oder Ziele von der Start- bis zur erstrebten Endphase stattfindet. Der grundlegende Zweck von Reifegradmodellen besteht somit in der Beschreibung von Phasen und Reifepfaden“ (Limat, 2022, S. 62).

Folgende fünf Schritte können zur Entwicklung eines Reifegradmodells herangezogen werden: 1. Schritt: Definition der Problemrelevanz und Fokus des zu entwickelnden Reifegradmodells. 2. Schritt: Anhand bestehender Reifegradmodelle Begründung der Entwicklungsstrategie für das eigene Reifegradmodell. 3. Schritt: Entwicklung des eigenen Reifegradmodells unter Berücksichtigung der Gestaltungsebenen „Technology“, „Organisation“ und „Environment“ (TOE-Framework) in Anlehnung an Tornatzky und Fleischer (1990). Das TOE-Framework gilt als Startpunkt der Entwicklung im Sinne einer Architektur zur Einführung einer Technologie in einer Organisation. 4. Schritt: Hier geht es darum, den Inhalt des Modells zu erarbeiten und dies in Form einer iterativen Reifegradmodellentwicklung. 5. Schritt: Hier erfolgen die Evaluation und der Transfer der Entwicklungsergebnisse. Sieben Gestaltungsdimensionen kennzeichnen das KIReifegradmodell.

Das KI-Reifegradmodell ist zudem durch folgende sieben Gestaltungsdimensionen gekennzeichnet: 1. Gestaltungsdimension „Daten“: Verfügbarkeit qualitativ hochwertiger Daten, integriertes Datenmanagement und Daten-Governance. 2. Gestaltungsdimension „Kultur“: Agile Organisation, die Innovation und Fehlertoleranz sowie Interdisziplinarität und Kollaboration unterstützt und fördert. 3. Gestaltungsdimension „Kompetenz“: Vermittlung von KI-Verständnis, zum Beispiel durch Weiterbildung sowie Nutzung von spezifischem KI-Wissen durch Partnernetzwerke. 4. Gestaltungsdimension „Strategie“: Entwicklung einer KI-Roadmap, welche in die Strategie der Organisation eingebunden ist. Dabei werden relevante Kennzahlen gefördert und überprüft, Commitment und Owenership sind hier weitere wichtige Aspekte.

4.5 · Reifegrade zur Einführung von KI

47

5. Gestaltungsdimension „Regulierung“: Gesetzliche Bestimmungen werden eruiert und berücksichtigt, ethische Aspekte werden überprüft und die Einhaltung von Richtlinien im Sinne von Compliance wird umgesetzt. 6. Gestaltungsdimension „Kundenverhalten“: Um Akzeptanz für die KI zu sichern, werden User frühzeitig in den Prozess eingebunden. 7. Gestaltungsdimension „Kompatibilität“: Die bestehende IT-Infrastruktur und IT-Technologie wird sinnvoll in die KI-Initiativen und die gesamte Digitalisierungsstrategie eingebunden. Die Gestaltungsdimensionen im TOE-Framework sind in . Abb. 4.4 zu sehen. Mithilfe dieses Modells kann der Ist-Zustand der KI-Implementierung analysiert werden und es kann eine realitätsnahe und für die Organisation passende Umsetzung erfolgen. Büttner (2021) liefert ergänzend dazu eine mögliche Einordnung in unterschiedliche KI-Reifegrade von Organisationen. Diese sehen wie folgt aus: 5 KI-Neuling: Hier ist das Wertpotenzial von Künstlicher Intelligenz erkannt, es wird jedoch noch nicht in der

. Abb. 4.4  Gestaltungsdimensionen im TOE-Framework. (In Anlehnung an Limat (2022, S. 64, lizensiert unter CC BY 4.0))

Unterschiedliche KIReifegrade

4

48

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

­ rganisation genutzt. Die Herausforderung ist es, zuO nächst ein vertieftes Verständnis von KI in der Organisation zu erreichen. 5 KI-Explorer: Hier wird bereits mit KI-Prototypen experimentiert. Anwendungsfälle existieren jedoch bisher nur isoliert und sind noch nicht wirtschaftlich. 5 KI-Skalierer: Hier schaffen einzelne Anwendungsfälle einen Mehrwert und skalieren entsprechend. Die Herausforderung besteht darin, die Anwendungsfälle organisationsweit zu koordinieren. 5 KI-Experte: Hier werden KI-basierte Lösungsansätze bereits entlang der gesamten Organisation eingesetzt und Probleme werden organisationsübergreifend daten-getrieben gelöst.

4

Organisationsanalyse zur Feststellung des Reifegrades

Als Instrument kann an dieser Stelle eine Organisationsanalyse zur Feststellung des jeweiligen digitalen Reifegrades dienen. Sie kann in Form eines Interviews oder Fragebogens durchgeführt werden. Eine solche Analyse kann u. a. Antworten auf folgende Fragen liefern: ► Beispielfragen zur Organisationsanalyse 5 Welche digitalen Technologien werden bereits in der Organisation eingesetzt? 5 Inwieweit ist die Strategie in der Organisation auf KI ausgerichtet? Wo sind Anpassungen erforderlich? 5 Wie offen sind die Mitarbeiter gegenüber der Digitalisierung bzw. der Einführung von KI? Welche Unterstützungsmöglichkeiten gibt es oder sollten entwickelt werden? 5 Wie flexibel oder nicht-flexibel sind die Strukturen und Prozesse in der Organisation für eine Einführung von KI? Wo sind Änderungen erforderlich? 5 Inwieweit sind die digitalen Kompetenzen, respektive KI-Kompetenzen, in der Organisation vorhanden bzw. nicht-vorhanden? Wo und wie kann dies unterstützt werden? ◄

Neben einer solchen Einordnung in verschiedene Reifegrade braucht es weiterführende Ansätze, um KI erfolgreich in der jeweiligen Organisation zu implementieren. 4.6  Gestaltungsansätze für die Einführung von

KI in Unternehmen

Die Einführung von Künstlicher Intelligenz steht in einigen Unternehmen noch am Anfang. Einerseits bieten KI-Systeme vielfältige Chancen und Möglichkeiten zum Beispiel durch

4.6 · Gestaltungsansätze für die Einführung von KI in Unternehmen

49

4

die Entlastung der Mitarbeiterschaft sowie die Optimierung von Arbeitsprozessen und Geschäftsmodellen und damit den Erhalt der Wettbewerbsfähigkeit von Unternehmen. Andererseits müssen bei der Vorbereitung und Implementierung von KI-Systemen die Herausforderungen berücksichtigt und möglichst mit den Mitarbeitern und Mitarbeiterinnen gemeinsam bearbeitet und gestaltet werden. Das Change Management bei der Einführung Künstlicher Intelligenz kann in folgende vier Phasen unterschieden werden (Stowasser, 2021; Stowasser et al., 2020): 5 Phase 1 – Zielsetzung und Folgenabschätzung: In dieser ersten Phase geht es darum, Ziel und Zweck des KI-Systems möglichst gemeinsam mit den Beschäftigten und den Interessensvertretungen zu definieren. Damit können die Anforderungen an die KI-Systeme festgelegt sowie mögliche Auswirkungen frühzeitig erkannt werden. Neben den Chancen und Potenzialen, die KI-Systeme ermöglichen, sind auch betriebliche Folgeabschätzungen in den Blick zu nehmen. Dabei kann es sich um technische als auch soziale Aspekte handeln sowie auch um Auswirkungen auf die Arbeitsplätze und die Handlungs- und Entscheidungsspielräume der Beschäftigten. 5 Phase 2 – Planung und Gestaltung: Wenn KI in Unternehmen erfolgreich eingeführt werden soll, ist eine sorgfältige Planung essenziell. Weiterhin sollte auf eine menschenzentrierte Gestaltung der Mensch-Maschine-/ Mensch-KI-Interaktion geachtet werden. Dafür können klar definierte Kriterien hilfreich sein. Wichtige zu berücksichtigende Aspekte sind Transparenz, Erklärbarkeit, Einhaltung des Datenschutzes und damit Vertrauenswürdigkeit der KI-Systeme. 5 Phase 3 – Vorbereitung und Implementierung: Nach einer sorgfältigen Planung ist die Implementierung des KI-Systems genau zu durchdenken und vorzubereiten. Dafür sind sowohl bestehende und neue Arbeitsprozesse als auch bisherige und zu verändernde Organisationsstrukturen genau in den Blick zu nehmen. Hierbei können Qualifizierungsmaßnahmen der Belegschaft erforderlich sein, um den Umgang mit der KI sowie die Akzeptanz dieser zu unterstützen. Auch kann es verbunden damit erforderlich sein, Aufgaben- und Tätigkeitsprofile der Mitarbeiter und Mitarbeiterinnen anzupassen, da sich die Anforderungen und Kompetenzerfordernisse durch die KI verändern. Bevor eine flächendeckende Einführung erfolgt, kann es sinnvoll sein, zunächst mit einzelnen Pilotprojekten zu starten und Experimentierphasen zu ermöglichen. „Das Probieren, Experimentieren, Bewerten, Annehmen

Vier Phasen des Change Managements zur Einführung von KI-Systemen

50

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

– aber auch das möglichst frühe Verwerfen und Lernen – sollte auch Teil des Change-Prozesses bei Künstlicher Intelligenz sein“ (Stowasser et al., 2020, S. 28). 5 Phase 4 – Evaluation und Anpassung: Nach der Implementierung des KI-Systems geht es darum, zu überprüfen, ob sich die vorherigen Schritte bewährt haben und der Transformationsprozess erfolgreich ist. Hier ist es Aufgabe, die zuvor festgelegten Kriterien zu bewerten und zu hinterfragen, ob sich die neuen Aufgaben und Anforderungen, insbesondere in der Mensch-KI-Interaktion, bewähren. Dies sollte unter Einbezug der Mitarbeiter und Mitarbeiterinnen geschehen und bei Bedarf sollten entsprechende Anpassungen erfolgen.

4

Change Management sollte mehr zum Change Enablement werden.

KI Change Canvas als unterstützendes Praxistool

Vor allem in der Phase der Implementierung können kreative und agile Prozesse eingesetzt werden. Wie das Zitat oben es bereits ausdrückt, darf und soll probiert, experimentiert und gelernt werden. Zudem sollte es darum gehen, die Mitarbeiter und Mitarbeiterinnen zu befähigen, den Veränderungsprozess aktiv mitzugestalten (Hasenbein, 2020). Damit wird Change Management zum Change Enablement, das Veränderungen in Organisationen als iterativen und kontinuierlichen Lernprozess betrachtet, im Gegensatz zum klassischen Change Management, das eher davon ausgeht, dass Veränderungen geplant und gemanagt werden können (Günthner & Dollinger, 2018; Hofert & Thonet, 2019). Ein KI-Change Canvas kann als unterstützendes Tool für die Einführung von KI, modifiziert und ergänzt in Anlehnung an Büttner (2021), eingesetzt werden. Die Idee des Business Canvas (= Leinwand) von Alexander Osterwalder (Osterwalder & Pigneur, 2011) ist mittlerweile weit verbreitet und es sind dazu einige Varianten im Umlauf sowie in der praktischen Anwendung. Ein Canvas kann vor allem in der Planung und Vorbereitung einer KI-Implementierung eingesetzt werden sowie fortlaufend bei Bedarf angepasst werden. Das KI-Change Canvas, das hier vorgestellt wird, ist in die folgenden Felder unterteilt: ► KI Change Canvas als unterstützendes Praxistool 5 Mensch – KI-Wissen & Kompetenzen: Welches Wissen ist für die KI-Einführung erforderlich? Welche Kompetenzen werden gebraucht? – KI-Qualifizierung: Welche KI-Qualifizierungen sind für die Mitarbeitenden und für die Führungskräfte erforderlich? Wie und wo sollen die KI-Qualifizierungen durchgeführt werden?

4.6 · Gestaltungsansätze für die Einführung von KI in Unternehmen

– Partizipation: Wie können die Mitarbeitenden und die Führungskräfte angemessen in die KI-Implementierung eingebunden werden? 5 Technologie – KI-Systeme & Roboter: Welche KI-Systeme sollen zukünftig eingesetzt werden? Welche Roboter sollen zukünftig eingesetzt werden? Was zeichnet diese aus? – Mensch-KI-Interaktion und Mensch-Roboter-Interaktion: Wie sehen die zukünftigen Mensch-KI-Interaktion und Mensch-Roboter-Interaktion aus? Wie sollten diese gestaltet sein? Welche ethischen Aspekte müssen berücksichtigt werden? 5 Organisation – KI-Strategie: Welche KI-Strategie soll verfolgt werden? Inwiefern muss die derzeitige Organisationsstrategie angepasst werden? – Agile und netzwerkorientierte Organisationsformen: Wie agil und vernetzt ist die Organisation? Inwieweit müssen Organisationsstrukturen angepasst werden? – KI-förderliche Organisationskultur: Wie technikaffin ist die Organisationskultur? Wo sind Anpassungen erforderlich? . Abb. 4.5 zeigt das KI Change Canvas illustriert. ◄

. Abb. 4.5  KI Change Canvas

51

4

52

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

Schließlich sollten Change Programme, die die KI-Einführungen begleiten, die Willkommenskultur für eine Mensch-Maschine-Interaktion mit dem Wertegerüst für neue Arbeit verknüpfen (Fink, 2021, S. 231). Fazit

4

Künstliche Intelligenz und Robotik verändern die Arbeitsund Organisationswelt. Derzeit kann noch nicht eindeutig vorausgesagt werden, wie stark die Auswirkungen auf den Arbeitsmarkt und neue Jobrollen sein werden. Diverse Studien zeigen bereits neue Jobprofile und Bereiche, in denen Künstliche Intelligenz, die menschliche Arbeit einerseits unterstützt und andererseits ersetzt. Es gibt Prognosen, die von Verschiebungen von Arbeitsplätzen bis hin zu einer wachsenden oder sogar hohen Arbeitslosigkeit im Zusammenhang mit KI sprechen. Zusammenfassend kann im Hinblick auf die Konsequenzen für menschliche Arbeit davon ausgegangen werden, dass Menschen zum Teil durch KI bei ihren Aufgaben ergänzt bzw. unterstützt werden und dass zum anderen Teil der Mensch durch die zunehmende Automatisierung bei einzelnen Aufgaben und Tätigkeiten ersetzt wird. Letzteres gilt insbesondere für sich wiederholende Tätigkeiten. Für komplexere Aufgaben und Dienstleistungen am und mit dem Menschen wie zum Beispiel bei Erziehern, Sozialarbeitern, Pflegern, Ärzten, Therapeuten, Lehrern und Forschern wird weiterhin die menschliche Arbeitskraft eine zentrale Rolle spielen. Im Hinblick auf bestimmte Fähigkeiten werden menschliche Kompetenzen wie kritisches Denken, Kreativität und Empathie sowie komplexes Problemlösen, eine wichtige Ergänzung zu den Fähigkeiten einer KI darstellen. Was die organisationale Seite betrifft, wird es zentral sein, dass der Mensch auf dieser Reise bzw. Transformation im Sinne eines Change Enablements adäquat mitgenommen und aktiv einbezogen wird. Dafür sind die Bereiche, Organisation, Business, Technologie und Mensch sinnvoll miteinander zu verzahnen.

Literatur Becker, J., Knackstedt, R., & Pöppelbuß, J. (2009). Entwicklung von Reifegradmodellen für das IT-Management. Wirtschaftsinformatik, 51(3), 249–260. 7 https://link.springer.com/article/10.1007/s11576-009-0167-9. Zugegriffen: 11. Juli 2022. Bonin, H., Gregory, T., & Zierahn, U. (2015). Übertragung der Studie von Frey/Osborne (2013) auf Deutschland. ZEW Kurzexpertise Nr. 57. ZEW.

53 Literatur

7 https://ftp.zew.de/pub/zew-docs/gutachten/Kurzexpertise_BMAS_ ZEW2015.pdf. Zugegriffen: 26. Juni 2022. Burmeister, K., Fink, A., Schulz-Montag, B., & Schiel, A. (2020). KI-basierte Arbeitswelten. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 384–387). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 13. Juli 2022. Burmeister, K., Fink, A., Mayer, C., Schiel, A., & Schulz-Montag, B. (2019). Szenario-Report: KI-basierte Arbeitswelten 2030. Reihe „Automatisierung und Unterstützung in der Sachbearbeitung mit Künstlicher Intelligenz“, Bd. 1. Fraunhofer IAO. 7 https://www.digital.iao.fraunhofer.de/ content/dam/iao/ikt/de/documents/1_Szenario-Report.pdf. Zugegriffen: 13. Juli 2022. Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton & Company. Brzeski, C., & Burk, I. (2015). Die Roboter kommen. Folgen der Automatisierung für den deutschen Arbeitsmarkt. ING DiBa. 7 https://www.file:/// Users/Melanie/Downloads/INGDiBaEconomicResearch-DieRoboterkommen.pdf. Zugegriffen: 26. Juni 2022. Büttner, N. (2021). AI Canvas: Das Rezept für erfolgreiche KI-Transformationen. KI-Praxis. 7 https://www.it-daily.net/it-management/digitalisierung/ai-canvas-das-rezept-fuer-erfolgreiche-ki-transformationen. Zugegriffen: 24. Juli 2022. Buchinger, M. (2021). Industrie 5.0 – Wir haben da etwas vergessen. IM-Expertenpool: Industrie 5.0. 7 https://industriemagazin.at/expertenpool/industrie-50-wir-haben-da-etwas-vergessen/. Zugegriffen: 26. Juni 2022. Capgemini. (2020). Mit künstlicher Intelligenz können Unternehmen ihre Treibhausgasemissionen erheblich senken. 7 https://www.capgemini.com/ de-de/news/studie-mit-ki-treibhausgasemissionen-senken/. Zugegriffen: 27. Juli 2022. Computerfutures (2019). Künstliche Intelligenz & die Folgen für den Arbeitsmarkt. 7 https://www.computerfutures.com/de-de/blog/2019/08/kuenstliche-intelligenz-die-folgen-fuer-den-arbeitsmarkt/. Zugegriffen: 27. Juli 2022. Dahm, M. H., & Dregger, A. (2020). Organisationale Voraussetzungen für den Einsatz von KI. In J. Nachtwei & A. Sureth (Hrsg), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 388–391). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 10. Juli 2022. Deutscher Bundestag. (2018). Auswirkungen zunehmender Automatisierung auf den Arbeitsmarkt. Ausgewählte Studien und Berichte. 7 https://www.bundestag.de/resource/blob/564996/1b9e0f09ff5e9944dcbfad652a514040/wd-6-043-18-pdf-data.pdf. Zugegriffen: 26. Juni 2022. Diwo, M. (2021). Hybrid Work. Die Zukunft der Arbeit zwischen Mensch und Maschine. Redhorns. Fiolka, G. (2020). Lebendige und intelligente Organisationen im digitalen Zeitalter. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 236–239). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 10. Juli 2022. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Schäffer-Poeschel. Frey, C. B., & Osborne, M. (2013). The future of employment: How susceptible are jobs to computerisation? Oxford Martin School. 7 https://www. oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf. Zugegriffen: 5. Jan. 2022.

4

54

4

Kapitel 4 · Wandel der Arbeits- und Organisationswelt durch Künstliche Intelligenz

Günthner, R., & Dollinger, D. (2018). Hirn 1.0 trifft Technologie 4.0. Springer. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Hofert, S., & Thonet, C. (2019). Der agile Kulturwandel. 33 Lösungen für Veränderungen in Organisationen. Springer Gabler. Kearney, A. T. (2015). A.T. Kearney: 45 Prozent der heutigen Jobs durch Roboter bedroht. 7 https://www.presseportal.de/pm/15196/3193201. Zugegriffen: 19. Juni 2022. Lehmer, F., & Matthes, B. (2017). Auswirkungen der Digitalisierung auf die Beschäftigungsentwicklung in Deutschland. Aktueller Bericht 5/2017. IAB. 7 http://doku.iab.de/aktuell/2017/aktueller_bericht_1705.pdf. Zugegriffen: 26. Juni 2022. Limat, C. (2022). Disruptionspotenzial künstlicher Intelligenz: Ein Reifegradmodell zur Einführung ganzheitlicher KI-Initiativen in Unternehmen. Springer Spektrum, Wirtschaftsinformatik & Management, 14, 60– 67. Open Access: 7 https://link.springer.com/article/10.1365/s35764-02100379-y. Zugegriffen: 10. Juli 2022. MGI – McKinsey Global Institute. (2021). The future of work after COVID-19. 7 https://www.mckinsey.com/featured-insights/future-of-work/ the-future-of-work-after-covid-19. . Zugegriffen: 26. Juni 2022. OECD. (2020). Künstliche Intelligenz in der Gesellschaft. OECD Publishing. Oestereich, B., & Schröder, C. (2020). Agile Organisationsentwicklung. Handbuch zum Aufbau anpassungsfähiger Organisationen. Vahlen. Osterwalder, A., & & Pigneur, Y. (2011). Business Model Generation. Ein Handbuch für Visionäre, Spielveränderer und Herausforderer. Campus. Precht, R. D. (2022). Freiheit für alle. Das Ende der Arbeit wie wir sie kennen. Goldmann. PwC. (2018). Künstliche Intelligenz kann Natur und Klima retten. 7 https:// www.pwc.de/de/pressemitteilungen/2018/kuenstliche-intelligenz-kann-natur-und-klima-retten.html. Zugegriffen: 29. Juni 2022. PwC. (2020). The Fourth Industrial Revolution: Wie Künstliche Intelligenz unseren Planeten retten kann. KI für die Zukunft unseres Planeten sinnvoll einsetzen. 7 https://www.pwc.de/de/nachhaltigkeit/the-fourth-industrial-revolution-wie-kuenstliche-intelligenz-unseren-planeten-retten-kann. html. Zugegriffen: 29. Juni 2022. Rump, J., & Eilers, S. (2011). Employability – Die Grundlagen. In J. Rump & T. Sattelberger (Hrsg.), Employability Management 2.0. Einblick in die praktische Umsetzung eines zukunftsorientierten Employability Managements (S. 73–166). Wissenschaft & Praxis. Stettes, O. (2018). Keine Angst vor Robotern. Beschäftigungseffekte der Digitalisierung – eine Aktualisierung früherer IW-Befunde. IW Report 11/2018. IW. 7 https://www.iwkoeln.de/fileadmin/user_upload/Studien/ Report/PDF/2018/IW-Report_Beschaeftigungseffekte_Digitalisierung. pdf. Zugegriffen: 26. Juni 2022. Stifterverband für die Deutsche Wirtschaft & McKinsey Company. (2018). Future Skills: Welche Kompetenzen in Deutschland fehlen. 7 https://www. stifterverband.org/medien/future-skills-welche-kompetenzen-in-deutschland-fehlen. Zugegriffen: 9. Juni 2022. Stowasser, S. (2021). Erfolgreiche Einführung von KI im Unternehmen. Bausteine für das Change-Management. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 145–153). Springer Nature. Stowasser, S., Suchy, O., Huchler, N., Müller, N., Peissner, M., Stich, A., & Vögel, H.-J. (2020). Einführung von KI-Systemen in Unternehmen Gestaltungsansätze für das Change-Management. 7 https://www.plattform-lernende-systeme.de/publikationen-details/einfuehrung-von-ki-systemen-in-unternehmen-gestaltungsansaetze-fuer-das-change-management.html. Zugegriffen: 27. Juli 2022.

55 Literatur

Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington. Von Richthofen, G., Gümüsay, A. A., & Send, H. (2021). Künstliche Intelligenz und die Zukunft der Arbeit. In R. Altenburger & R. Schmidpeter (Hrsg.), CSR und Künstliche Intelligenz. Management-Reihe Corporate Social Responsibility (S. 353–366). Springer. WEF – World Economic Forum. (2018). Future of jobs report 2020. 7 https://www.weforum.org/reports/the-future-of-jobs-report-2018/. Zugegriffen: 9. Juni 2022. World Economic Forum. (2020). The future of jobs report 2020. 7 https:// www3.weforum.org/docs/WEF_Future_of_Jobs_2020.pdf. Zugegriffen: 27. Juli 2022. Zika, G., Helmrich, R., Maier, T., Weber, E., & Wolter, M. I. (2018). Arbeitsmarkteffekte der Digitalisierung bis 2035 – Regionale Branchenstruktur spielt eine wichtige Rolle. IAB-Kurzbericht 9/2018. IAB. 7 http://doku. iab.de/kurzber/2018/kb0918.pdf. Zugegriffen: 26. Juni 2022.

4

57

Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_5

5

58

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

Trailer

5

Die Mensch-KI-Interaktion und die Mensch-Roboter-Interaktion spielen eine wachsende Rolle in der neuen Organisationsund Arbeitswelt. Weitere Bezeichnungen, die in diesem Zusammenhang von Relevanz sind und in der Vergangenheit primär genannt wurden, sind die Mensch-Maschine-Interaktion und Mensch-Computer-Interaktion. Hier werden schwerpunktmäßig die Mensch-KI-Interaktion (Human-AI-Interaction) und die Mensch-Roboter-Interaktion (Human-Robot-Interaction) betrachtet, verbunden mit der Annahme, dass der Einsatz von künstlicher Intelligenz (KI) und von Robotern in der Arbeitswelt die Aufgabenteilung und die Kommunikation zwischen Mensch und Maschine grundlegend verändert. So können lernende KI-Systeme zunehmend komplexere Aufgaben und Tätigkeiten selbstständig durchführen und Roboter arbeiten Hand in Hand mit den Menschen und werden immer mehr zum Kollegen des Menschen (Cobot). Hierzu gibt es verschiedene Thesen, Ansätze und Klassifikationen. . Abb. 5.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

5.1  Mensch-KI-Interaktion

Im Folgenden wird die Mensch-KI-Interaktion differenzierter mit ihren verschiedenen Klassifikationen betrachtet. Als Einstieg erfolgen zunächst eine Definition und Einordnung der Mensch-KI-Interaktion. . Abb. 5.2 illustriert die Mensch-KI-Interaktion.

. Abb. 5.1 Wortwolke

5.1 · Mensch-KI-Interaktion

59

. Abb. 5.2 Mensch-KI-Interaktion

5.1.1  Definition und Einordnung der Mensch-KI-

Interaktion

Die Mensch-Maschine-Interaktion (MMI), im Englischen Human–Machine-Interaction (HMI), behandelt die Interaktion und Kommunikation zwischen Mensch und Maschine (Bendel, 2022a). Da es sich oftmals um die Interaktion mit einem Computer handelt taucht auch alternativ die Bezeichnung Mensch-Computer-Interaktion (HCI) auf. Zu den weiteren verwandten Interaktionsdisziplinen gehören die Mensch-KI-Interaktion (Human-AI-Interaction) und Mensch-Roboter-Interaktion (Human-Robot-Interaction). Die Besonderheit der Mensch-Roboter-Interaktion liegt darin, dass Roboter mehr sind als Computer. Sie haben einen „Körper“ und Gliedmaßen, einige sind mobil, können sich fortbewegen und sind tier- oder menschenähnlich umgesetzt. Aspekte, die in diesem Zusammenhang eine Rolle spielen, sind Design und Gestaltungskriterien sowie die Maschinen- bzw. Roboterethik (dazu 7 Kap. 9). Roboter sind somit eher als intelligente artifizielle Systeme zu verstehen, die physisch greifbar sind (Eichenberg & Küsel, 2018).

Die Mensch-MaschineInteraktion behandelt die Interaktion und Kommunikation zwischen Mensch und Maschine

5.1.2  Klassifikationen der Mensch-KI-

Interaktion

Die Mensch-KI-Interaktion kann zunächst in drei Gruppen und fünf Interaktionstypen unterschieden werden (Alan et al., 2019; S. 16–21; Urbach & Jöhnk, 2020, S. 17): 5 KI als Automat – „Schutzengel“: KI überwacht Handlungen des Menschen, sichert diese ab und unterstützt bei Bedarf.

Fünf Interaktionstypen der Mensch-KI-Interaktion

5

60

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

5 KI als vielfältiger Helfer – „Heinzelmännchen“, „Informant“ und „Kollege“: KI unterstützt im Hintergrund, versorgt Menschen bedarfsgerecht mit Informationen und erarbeitet im gemeinsamen Austausch Ergebnisse. 5 KI als Partner – „bester Freund“: KI ist durch hohe Personalisierung gekennzeichnet und zeigt soziale Elemente in der Interaktion. Weiterhin sind hinsichtlich der Mensch-KI-Interaktion fünf spezifische Eigenschaften von KI zu berücksichtigen, die Auswirkungen auf die Interaktion mit dem Menschen haben. Diese sind (Alan et al., 2019, S. 11):

5 Fünf spezifische Eigenschaften von KI bei der Mensch-KI-Interaktion

Ziel ist, dass sich Mensch und Technik komplementär ergänzen

1. Autonomie: selbst lernen und eigenständig entscheiden können 2. Interdependenz: gegenseitige Abhängigkeit zwischen Mensch und KI, was Inhalte der Interaktion betrifft 3. Antropomorphologie: menschenähnliches Aussehen und/ oder menschenähnliche Verhaltensweisen 4. Interaktionskanäle: Voice Recognition und Natural Language Understanding 5. Emotionale und soziale Intelligenz: Entwicklung und Simulation emotionaler und sozialer Intelligenz. Bei der Mensch-Maschine-Interaktion mit Künstlicher Intelligenz sollte das Ziel sein, diese möglichst menschenzentriert zu gestalten. Huchler (2020) hat dazu ein Konzept mit der Idee der Komplementarität entwickelt. Dabei ist Ziel, dass sich Mensch und Technik hinsichtlich des Wissens, der Kompetenzen und der Funktionalitäten komplementär ergänzen.

» „KI,

die dem Menschen und der Gesellschaft dient, soll nicht in ihrer Funktionalität eingeschränkt werden, muss aber zugleich so entwickelt werden, dass nicht engstirnig auf die Nachahmung und den Ersatz menschlicher Tätigkeit fokussiert wird, sondern systemisch und dynamisch danach gesucht wird, wie Technik und Mensch zugleich in ihrer Entwicklung gefördert und vorangebracht werden können“ (Huchler, 2020).

Eine Mensch-KI-Interaktion mit hoher Qualität zeichnet sich dabei durch folgende Stufen und Merkmale aus (Huchler, 2020): Stufen und Merkmale der Mensch-KI-Interaktion

5 Koordination: interaktive und transparente Abstimmung zwischen KI-System und Mensch 5 Arbeitsteilung: Verteilung von Tätigkeiten und Arbeitsinhalten entlang der Potenziale und Erfordernisse zwischen Mensch und dem lernenden System

5.1 · Mensch-KI-Interaktion

61

5

5 Lernen: gegenseitige Unterstützung im Lernen von System und Mensch 5 Adaptivität: wechselseitige und sich positiv ergänzende Anpassung von Mensch und System 5 Empowerment: Win-Win-Situation zwischen Mensch und System, in der sich technische Automatisierungsziele und Beschäftigteninteressen wechselseitig bestärken. In diesem Kontext wird deshalb zunehmend von einem Mensch-Maschine-Hybrid gesprochen (siehe dazu die Springer Buchreihe „Gestaltung hybrider Mensch-Maschine-Systeme/Designing Hybrid Societies“). Dabei geht es um eine Kombination von menschlicher und maschineller Intelligenz, bei der die Beiträge von Menschen und KI-Systemen optimal miteinander integriert werden sollen. 5.1.3  Thesen zur zukünftigen Entwicklung der

Mensch-KI-Interaktion

Im Rahmen einer Studie der Projektgruppe Wirtschaftsinformatik des Fraunhofer FIT an der Universität Bayreuth sowie der Beratungsgesellschaft Ernst & Young sind zehn Thesen zur zukünftigen Entwicklung der Mensch-KI-Interaktion entwickelt worden, bei der eine These auch die hybride Intelligenz beinhaltet (Alan et al., 2019; Urbach & Jöhnk, 2020, S. 17–19). 5 These 1 – Personalisierung und soziale Elemente: Dies impliziert, dass individuelle Wünsche und Präferenzen der Anwender immer stärker berücksichtigt werden. Dafür wird von der KI auf persönliche Daten zugegriffen. Auch wird die Mensch-KI-Interaktion zunehmend sozialer und individueller. 5 These 2 – Hybride Intelligenz: Dadurch, dass die KI immer leistungsfähiger und die Interaktion mit dem Menschen wechselseitiger wird, entsteht eine sogenannte hybride Intelligenz. „KI ist nicht mehr nur ein Intelligenzverstärker, sondern ein Partner. Beide Seiten arbeiten als Team“ (Urbach & Jöhnk, 2020, S. 17). 5 These 3 – Handlungsfreiheit: Die Handlungsfreiheit einer KI ist begrenzt und sollte es womöglich auch bleiben. Denn es gibt noch zu viele unbeantwortete Fragen, was Haftung und Verantwortung betrifft. So ist der Handlungsspielraum bisher meistens auf einzelne Aufgaben und Entscheidungen limitiert. Emotionen und Verantwortungsbewusstsein bleiben dem Menschen vorbehalten.

Thesen zur zukünftigen Entwicklung der Mensch-KIInteraktion

62

5

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

5 These 4 – Interaktionstypen: Die Spanne der Interaktionstypen liegen zwischen „Schutzengel“ und „bester Freund“. Ein Beispiel für einen Schutzengel wäre ein intelligenter Spam-Filter, der den Nutzer nicht in seine Handlungen mit einbezieht. Ein Beispiel für einen besten Freund könnte ein sozialer Chatbot sein. 5 These 5 – Interaktionskanäle: Derzeit findet die Interaktion mit einer KI meistens nur über einen Kanal oder wenige Kanäle statt, z. B. über Text oder Sprache. Dies wird zukünftig flexibler und komplexer werden. 5 These 6 – KI-Nutzererlebnis: Der Umgang mit KI wird zunehmend zu einer User Journey, dadurch dass verschiedene KI-Systeme stärker untereinander vernetzt sind. So können Informationen und Präferenzen des Anwenders mithilfe von Schnittstellen von einem KI-Anwendungsfall zum nächsten gelangen. 5 These 7 – Erwartungshaltung: Teilweise gibt es erhöhte oder falsche Erwartungen vonseiten des Nutzers an die KI und deren Potenzial. Andererseits können die Möglichkeiten einer KI auch unterschätzt und damit nicht ausgeschöpft werden. Diese Differenzen werden zukünftig weiter geschlossen werden, insbesondere durch den weiteren technologischen Fortschritt und der weiteren Personalisierung von KI-Lösungen. 5 These 8 – Anthropomorphologie: KI-Systeme werden zukünftig immer weniger ein menschliches Erscheinungsbild brauchen, da die Akzeptanz und das Vertrauen in KI wachsen werden. Zudem ist mittlerweile bekannt, dass sich ein menschliches Aussehen nicht unbedingt positiv auf die Mensch-KI-Interaktion auswirkt (dazu 7 Abschn. 5.2.9). 5 These 9 – Vertrauen: Um Vertrauen in die KI aufzubauen, sind positive Erfahrungen ganz zentral. Zudem wird die „soziale Bindung zur KI“ dadurch wachsen, dass die Aufgaben einer KI immer komplexer werden und der gegenseitige Austausch zunehmen wird. 5 These 10 – Ethik und Moral: Gesellschaftliche und individuelle Ethik- und Moralvorstellungen werden weiterhin zentrale Bestandteile der Mensch-KI-Interaktion sein und an Bedeutung zunehmen (dazu 7 Kap. 9). 5.1.4  Fusion Skills in der Zusammenarbeit von

Mensch und KI

Im Sinne eines hybriden Ansatzes sollen an dieser Stelle zudem die sogenannten „Fusion Skills“ erläutert werden, bei

5.1 · Mensch-KI-Interaktion

63

denen es sich um eine „Verschmelzung“ von menschlichen und maschinellen Talenten handelt und durch die in der Zusammenarbeit bessere Ergebnisse als durch unabhängiges Arbeiten erreicht werden kann (Daugherty & Wilson, 2018, S. 200, S. 202–223): 5 Fusion Skill – Humanisierung der Arbeitszeit: Bei dieser Fähigkeit geht es darum, die durch KI gewonnene Arbeitszeit für „eindeutig menschliche Aufgaben“ wie zwischenmenschliche Interaktionen, Kreativität und Entscheidungsfindungsprozesse für neue Ideen und Produkte einzusetzen. Daugherty und Wilson (2018) sprechen in diesem Zusammenhang von der „Rehumanisierung der Arbeitszeit“. Dies bedeutet gleichzeitig, dass die Künstliche Intelligenz zu einer Entlastung der Arbeitstätigkeiten des Menschen beitragen kann. Ein gutes Beispiel ist die Medizin. Hier kann die KI-Routineaufgaben übernehmen, indem sie zum Beispiel Röntgenaufnahmen und MRTs (vor-)auswertet und die Ärzte bei Routineuntersuchungen unterstützt. Dies kann den Ärzten wiederum Zeit für mehr zwischenmenschliche Interaktion mit ihren Patienten geben. 5 Fusion Skill – Verantwortungsvolles Normalisieren: Die Intention dieses Skills ist, eine verantwortliche Gestaltung des Zwecks und der Wahrnehmung der Mensch-KI-Interaktion. Diese Verantwortung betrifft Individuen/Mitarbeiter, Organisationen und die Gesellschaft. Um zu einer Normalisierung beim Einsatz von KI zu gelangen, ist es zentral, Widerstände zu antizipieren, Sorgen und Bedenken ernst zu nehmen, aufzuklären sowie umfassend und positiv zu kommunizieren. Sodass die Menschen, nicht befürchten müssen, von der KI ersetzt zu werden, sondern dass die KI sie unterstützen und Arbeitserleichterung schaffen soll. 5 Fusion Skill – Integration von Entscheidungsprozessen: Hier geht es darum, dass das menschliche Urteilsvermögen weiterhin eine zentrale Rolle spielt. Insbesondere dann, wenn die KI unsicher ist, was sie tun soll oder ihr der entsprechende Kontext fehlt, eine Entscheidung zu treffen. Die Menschen müssen in der Lage sein, zu erkennen, wann und wo sie eingreifen sollten. Auch falls etwas ethisch-moralisch zu hinterfragen wäre, sollte dies von dem jeweiligen Mitarbeiter angesprochen und Bedenken sollten offen geäußert werden. 5 Fusion Skill – Intelligentes Befragen: Dies bedeutet, dass der Mensch weiß, wann bestimmte Datenausgaben keinen Sinn ergeben oder wann Dateneingaben Ergebnisse verzerren könnten. Dies impliziert weiterhin, dass der

Fusion Skills als Verschmelzung von menschlichen und maschinellen Talenten

5

64

5

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

Mensch weiß, wie er am besten Fragen an die KI formuliert, um die Einsichten zu erhalten, die er benötigt. Beispiele hierfür sind, die Optimierung von Frachtzügen sowie in der Medizinforschung die Untersuchung von chemischen Verbindungen und molekularen Wechselwirkungen oder im Einzelhandel die Optimierung der Preisgestaltung. 5 Fusion Skill – Bot-basierte Befähigung: Hier geht es um die Fähigkeit, gut und produktiv mit KI-Agenten wie zum Beispiel Bots zusammen zu arbeiten. Das bedeutet, dass der Bot den Menschen administrativ und operativ unterstützen kann, sodass der Mensch dadurch produktiver sein oder sich anderen Aufgaben widmen kann. So können Bots wie z. B. Howdy, ein digitaler Co-Worker, oder Geekot, der Slackbot-Assistent, unterstützen, regelmäßige Meetings zu planen und zu organisieren. Texte können beispielsweise mit Textio oder IBM Watson Tone Analyzer verbessert werden. 5 Fusion Skill – Ganzheitliches Zusammenwachsen: Ein prädestiniertes Beispiel für ein solches Zusammenwachsen ist in der Medizin die Roboterchirurgie. Hier sitzt der Chirurg an einer Konsole und bedient einen Joystick. Die chirurgischen Werkzeuge des Roboters ermöglichen es, zitternde Bewegungen zu eliminieren und somit eine Operation mit Präzision und weniger Komplikationen durchzuführen. Hier geht es mehr und mehr um ein körperliches und geistiges, also ganzheitliches, Zusammenwachsen von Mensch und Roboter. Es ist zudem ein Wechsel von Führen und Geführtwerden. 5 Fusion Skill – Wechselseitiges Anlernen: Hierbei geht es einerseits darum, Aufgaben gemeinsam mit einem KI-Agenten durchzuführen, damit diese neuen Fertigkeiten erlangen kann. Die Maschinen werden somit angelernt bzw. trainiert. Andererseits erhalten die Menschen bzw. Mitarbeiter ein on-the-Job Training mit der KI, damit sie mit KI-gestützten Arbeitsprozessen adäquat umgehen können. Das bedeutet, dass mit KI-Maschinen von Menschen lernen und Menschen wiederum von Maschinen lernen. In diesem Zusammenhang kann von einem Mensch-Maschine-Hybrid gesprochen werden. 5 Fusion Skill – Beharrliches Neudenken: Kontinuierliches Neudenken ist schließlich eine ganz zentrale Fähigkeit bei dieser neuen Art der Zusammenarbeit zwischen KI und Mensch. Hierbei geht es um die Transformation von Arbeit, Organisationen und Geschäftsprozessen durch Künstliche Intelligenz. Dabei sind kontinuierliches Lernen und Anpassen zentrale Elemente und damit das Fundament für alle zuvor aufgeführten Fähigkeiten.

5.2 · Mensch-Roboter-Interaktion

65

5

Fusion Skills spielen auch unter zwei Gesichtspunkten im nächsten Abschnitt eine Rolle. Zum einen unter dem Aspekt der Fusion von Robotik und KI und unter anderem in der Zusammenarbeit von Robotern und Menschen. 5.2  Mensch-Roboter-Interaktion

Im Folgenden wird die Mensch-Roboter-Interaktion differenzierter mit ihren verschiedenen Klassifikationen betrachtet. Als Einstieg erfolgen zunächst eine Definition und Geschichte zur Robotik. . Abb. 5.3 illustriert die Mensch-Roboter-Interaktion. 5.2.1  Definition von Robotik

» „Doch

das Zusammengehen von Robotik und Künstlicher Intelligenz gilt als einer der nächsten großen Schritte in der Entwicklung intelligenter Maschinen“ (Lenzen, 2019, S. 17).

Dabei ist zunächst zu klären, was eigentlich Robotik ist. Die Robotik (Roboter = Maschinenmensch) setzt sich mit dem Entwurf, der Gestaltung und der Produktion sowie dem Betrieb von Robotern wie z. B. von Industrie- oder Servicerobotern auseinander (Bendel, 2022b). Geht es auch um anthropomorphe bzw. humanoide (menschenähnliche) Roboter, wie es bei den meisten sozialen Robotern der Fall ist, spielen zudem die Herstellung von Gliedmaßen und Haut sowie Mimik und Gestik sowie Fähigkeiten der natürlichen Sprache eine Rolle. Durch die Weiterentwicklung der Künstlichen Intelligenz können die Möglichkeiten des Einsatzes von Robotern immer mehr optimiert und ausgeweitet werden.

. Abb. 5.3 Mensch-Roboter-Interaktion

Die Robotik setzt sich mit dem Entwurf, der Gestaltung und der Produktion sowie dem Betrieb von Robotern auseinander.

66

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

5.2.2  Geschichte der Robotik 1953 erste Erwähnung eines „sozialen Roboters“ in der Literatur

5

Zu den jüngsten Entwicklungen gehören der humanoide Roboter, Sophia, und der in Japan entwickelte Roboter Geminoid HI, ein Nachbau des menschlichen Robotikers und Direktors Hiroshi Ishiguro.

An dieser Stelle wird auf die historische Entwicklung des Robotereinsatzes eingegangen (u. a. Bartneck et al., 2020, S. 12–19; Kräußlich, 2022; Maier, 2019). 1953 gab es die erste Erwähnung des „sozialen Roboters“ in der Literatur. Der Science-Fiction-Schriftsteller, Isaac Asimov prägte den Begriff der „Robotik“ in den 1940er Jahren. 1961 wurde der erste Industrieroboter, Unimate, in der General Motors Fabrik in New Jersey eingesetzt. 1966 erfolgte die Fertigung des mobilen Roboters, Shakey. 1973 stellte die Augsburger Firma Kuka mit dem Famulus den ersten sechsachsigen und rein elektromechanisch betriebenen Roboter vor. Der Hersteller Fanuc entwickelte ab 1974 eigene Roboter und der Motorenhersteller Yaskawa stieg auch wenig später mit Motoman in die Roboterherstellung ein. 1986 startete Honda das Humanoid Robot Research and Development Program mit dem Ergebnis der humanoiden Roboterversionen P1 bis P3. Weitere Entwicklungen ab den 1990er Jahren sind der soziale Roboter, Kismet, der 1997 am MIT entwickelt wurde sowie der Nao-Roboter der Softbank Robotics Europe und der humanoide Roboter ASIMO von Honda zwischen 2000 und 2018 entwickelt. Zu den jüngsten Entwicklungen gehören der humanoide Roboter, Sophia, von Hanson Robotics ins Leben gerufen und der in Japan entwickelte Roboter Geminoid HI, ein Nachbau des menschlichen Robotikers und Direktors vom Intelligent Robotics Laboratory der Universität Osaka, Hiroshi Ishiguro. Neben dem Einsatz von Robotern in der Industrie wie zum Beispiel des Cobots, Sawyer von Rethink Robotics, werden bereits einzelne in Pflegeeinrichtungen und in der Therapie eingesetzt. Beispiele sind der soziale Begleitroboter, Paro sowie Kaspar, der in der Autismus-Therapie eingesetzt wird. 5.2.3  Arten von Robotern

Klassifizierung von Robotern

Bei der Einordnung von Robotern kann in folgende Arten differenziert werden (Handke, 2020, S. 12–17): 5 Humanoide Roboter: Humanoide Roboter sind charakterisiert durch eine menschliche Form und menschenähnliches Verhalten. Der Fachbegriff dieser Art der „Vermenschlichung“ wird Anthropomorphismus genannt. Gemeint ist damit die Übertragung menschlicher Eigenschaften auf nichtmenschliche Wesen. Der Roboter kann mehr

5.2 · Mensch-Roboter-Interaktion

oder weniger nah am menschlichen Vorbild sein. Beispiele für einfache humanoide Roboter sind NAO und Pepper (Handke, 2020). NAO gibt es seit 2006 als ersten humanoiden Roboter von SoftBank Robotics. Er hat einen beweglichen Körper und kann visuelle Eindrücke über zwei Kameras wahrnehmen. Für die Kommunikation mit dem Menschen hat er vier Mikrofone und zwei Lautsprecher. NAO wird in Forschungsprojekten und Laborsettings eingesetzt. Auch im Gesundheitsbereich, im Kundenservice und im Bildungskontext findet er seinen Einsatz. Pepper ist mit 1,20 m Körpergröße der „große Bruder“ von NAO. Er kann durch Kartierung seine Umgebung selbstständig erkunden und mittels dieser navigieren. Der Hauptkompetenz von Pepper liegt in der Interaktion mit dem Menschen. Dazu tragen seine Dialog- und Kommunikationsfähigkeit in der natürlichen Sprache und mit Gestik und Mimik sowie seine Mehrsprachigkeit bei. Zudem kann er die Grundemotionen, Freude, Trauer, Ärger und Überraschung, beim Menschen erkennen und selbst „Emotionen ausdrücken“. Er ist somit prädestiniert für die Mensch-Maschine-Kommunikation und den Aufbau von Mensch-Maschine-Beziehungen (Handke, 2020, S. 38). 5 Android/Gynoid (männlich und weiblich): Bei Androiden oder weiblich Gynoiden bildet der Mensch das zu kopierende Vorbild und der Android soll möglichst wenig vom Menschen zu unterscheiden sein. Das impliziert auch geschlechtsspezifische Unterschiede. Ein Beispiel ist der Gynoid „Sophia“ von Hanson Robotics. Sie hat die Fähigkeit zur visuellen Datenverarbeitung, kann menschliche Gestik und Mimik imitieren und Gespräche über vordefinierte Themengebiete führen sowie Fragen beantworten. 5 Geminoid: Hier gehen die Entwicklungen noch etwas weiter. Geminoide werden nach einem bestimmten menschlichen Modell gebaut. Sie sollen so aussehen wie eine existierende Person. Ein Beispiel für einen Geminoiden ist der des japanischen Roboter-Wissenschaftlers, Hiroshi Ishiguro. Der Forscher hat damit sozusagen seinen eigenen Zwilling, der ihm äußerlich sehr ähnlich ist, geschaffen. Der Geminoid kann sich bewegen, Gefühle mimisch ausdrücken und sich mithilfe von KI selbstständig äußern. Eine ebenbürtige zwischenmenschliche Konversation ist jedoch noch nicht möglich. Wenn Hiroshi Ishiguro auf Reisen ist, setzt er seinen „Zwilling“ zum Beispiel stellvertretend auf dem Podium in Vorlesungen ein. Er selbst ist währenddessen durch den Körper des Roboters mit dem Internet verbunden und spricht zu den Inhalten der Vorlesung.

67

Humanoide Roboter NAO und Pepper

Androiden sind männliche und Gynoiden weibliche Roboter.

5

68

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

Geminoide werden nach einem bestimmten menschlichen Modell gebaut.

Nicht-humanoide Roboter haben kein menschliches Aussehen. Beispiele sind Saugroboter, Drohnen, Industrieroboter und robotergesteuerte Exoskelette. 5.2.4  Interaktionsklassifikationen der Mensch-

Roboter-Interaktion

5

Drei Interaktionsformen von Menschen und Robotern

Die Digitalisierung, insbesondere unter dem wachsenden Einsatz künstlicher Intelligenz (KI) hat zur Folge, dass Menschen zunehmend in der beruflichen Interaktion auf mit KI ausgestattete Maschinen und Roboter treffen (Gerdenitsch & Korunka, 2019). Das verändert wiederum die Art und Weise der Interaktion und Kommunikation. Auf die Interaktionsmöglichen soll hier genauer eingegangen werden. In Orientierung an Surdilovic et al. (2015) haben Onnasch et al. (2016) drei Interaktionsformen von Menschen und Robotern definiert, die im Folgenden beschrieben werden: 5 Bei der Koexistenz treffen Mensch und Roboter beiläufig aufeinander. Wenn ein Roboter z. B. Waren in ein Lager transportiert. Mensch und Roboter interagieren nicht direkt miteinander. Es ist maximal eine Koordination zwischen beiden erforderlich. Es gibt keine gemeinsame Zielsetzung und gemeinsame Aufgabe. 5 Bei der Kooperation arbeiten Mensch und Roboter zusammen und jeder übernimmt eine Teilaufgabe. Damit haben beide auch ein gemeinsames Ziel. Ein Beispiel wäre die Flaschenproduktion, bei der ein Mensch die Flaschen etikettiert und ein Roboter verpackt diese anschließend. 5 Bei der Kollaboration arbeiten Mensch und Roboter gemeinsam an einer Aufgabe. Sie arbeiten quasi Hand in Hand und haben eine gemeinsame übergeordnete Zielsetzung. Sie verfolgen sogar Teilhandlungen zusammen. Ein Beispiel wäre die gemeinsame Arbeit von Mensch und Roboter an einem Bauteil ohne zeitliche und räumliche Trennung. Hier wird der Roboter zunehmend zum Kollegen (Cobot). Die Interaktionsrollen des Menschen können dabei jeweils Supervisor, Operateur, Kollaborateur, Kooperateur und Nicht-Beteiligter sein (Onnasch et al., 2016). . Abb. 5.4 zeigt die Interaktionsformen im Überblick.

5.2 · Mensch-Roboter-Interaktion

69

5

. Abb. 5.4  Interaktionsformen von Menschen und Robotern, eigene Darstellung in Anlehnung an Onnasch et al. (2016, S. 6)

5.2.5  Roboterklassifikationen

Hier geht es um Elemente des Arbeitskontextes eines Roboters sowie um dessen Gestaltung. Dies beinhaltet Aufgaben, Einsatzgebiete und die Morphologie des Roboters. z Aufgabenarten eines Roboters

Bei den Aufgaben eines Roboters kann in folgende fünf Aufgabenarten unterschieden werden (Onnasch et al., 2016): 1. Informationsaustausch: Hierbei geht es um die Informationsaufnahme und -abgabe des Roboters an den Menschen. Ein Beispiel könnte ein unbemanntes Luftfahrzeug sein, das Aufnahmen von einem bestimmten Gebiet weitergibt. 2. Präzision: Hier übt der Roboter sehr filigrane Arbeiten, die eine hohe Präzision erfordern, durch. Ein Beispiel wäre ein Operationsroboter.

Fünf Aufgabenarten eines Roboters

70

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

3. Entlastung: Der Roboter wird hier dafür eingesetzt, dass er dem Menschen physische Arbeiten wie z. B. das Tragen von Objekten abnimmt. Ein Beispiel dafür ist ein Exoskelett, eine äußere Stützstruktur, die am menschlichen Körper zur Unterstützung angebracht wird. 4. Transport: Der Roboter übernimmt bei dieser Aufgabe, den Transport von einem Standort zum anderen Standort. Ein Beispiel könnte ein Transportroboter in einem Versandhaus sein. 5. Manipulieren: Hier übernimmt der Roboter beispielsweise die Aufgabe des Schweißens oder Gravierens. Dafür ist der Roboter mit entsprechenden Werkzeugen ausgestattet.

5

Die Einsatzgebiete eines Roboters mit den verschiedenen Aufgaben können z. B. in der Industrie, in kommerziellen und persönlichen Servicebereichen liegen. z Morphologie und Anthropomorphisierung Anthropomorphisierung ist die Zuschreibung von menschlichen Eigenschaften und Emotionen an nichtmenschliche Objekte.

Bei der Morphologie eines Roboters geht es um das äußere Erscheinungsbild (Onnasch et al., 2016; Yanco & Drury, 2004). Anthropomorphisierung (anthropos, griechisch = menschlich und morphe, griechisch = Form) ist die Zuschreibung von menschlichen Eigenschaften und Emotionen an nicht-menschliche Objekte.

» „Die

Anthropomorphisierung ist eine natürliche Folge der Bedeutung von sozialer Interaktion und sozialer Kognition im menschlichen Leben. Sie ist auch ein Hauptthema für die Forschung an der HRI (Human Robot Interaction) und für Design im Besonderen“ (Bartneck et al., 2020, S. 56).

Ein Beispiel ist ein humanoider Roboter, der ein menschenähnliches Erscheinungsbild hat. Ein Roboter, der äußerlich zoomorph gestaltet ist, hat eine Ähnlichkeit zum Tier. Ein funktional gestalteter Roboter ist rein nach funktionalen Gesichtspunkten gestaltet, wie es bei Industrierobotern in der Regel der Fall ist. Auch aus psychologischer Perspektive kann die Anthropomorphisierung von Robotern betrachtet werden. Epley und Kollegen schlagen hierzu drei Kernfaktoren vor (Epley et al., 2007): 1. Kompetenzmotivation: Dahinter steckt der Wunsch des Menschen, das Verhalten anderer als soziale Akteure zu verstehen. Diese wird vor allem dann aktiviert, wenn Unsicherheiten und Ängste bestehen und der Mensch seine Kontrolle nicht verlieren möchte. Dies kann bei einer Mensch-Roboter-Interaktion der Fall sein, da diese oftmals sehr neu und ungewohnt für den Menschen ist. Die Anthropomorphisierung kann hier den Stress und die

5.2 · Mensch-Roboter-Interaktion

71

5

Angst reduzieren, die mit einer Mensch-Roboter-Interaktion verbunden ist (Bartneck et al., 2020). 2. Sozialitätsmotivation: Diese kann bei Menschen aktiviert werden, die keine oder wenig soziale Beziehungen haben. Nicht-menschliche Wesen wie Roboter können dann als Interaktionspartner dienen. Diese werden dann in Folge stärker „vermenschlicht“. 3. Elicited agent knowledge: Dieses Wissen bezieht sich darauf, wie Menschen ihr Wissen hinsichtlich sozialer Interaktionen und Akteure für das Verständnis von Robotern nutzen. Das Wissen wird somit auf nichtmenschliche Wesen übertragen. Eyssel (2017) und Eyssel et al. (2011) haben diese Faktoren und die menschliche Tendenz zur Anthropomorphisierung empirisch überprüft und in Experimenten mit sozialen Robotern validieren können. In diesem Kontext ist zudem die „Uncanny Valley“-Theorie zu nennen. Sie beschreibt den Zusammenhang zwischen der Menschenähnlichkeit eines Roboters und der emotionalen Reaktion des Menschen (Mara & Leichtmann, 2021). Der japanische Professor, Masahiro Mori (1970), hat festgestellt, dass eine anfängliche Sympathie für menschenähnliche Roboter in Abneigung umschlagen kann, sobald der Mensch erkennt, dass dieser nicht menschlich ist bzw. sich nicht wie ein Mensch verhält (Bartneck et al., 2020, S. 60–61; Handke, 2020, S. 14– 16). „Uncanny Valley“ bedeutet dabei das „unheimliche Tal“. Dennoch bleiben weiterhin einige Forscher, Ingenieure und Designer dabei, möglichst menschenähnliche Roboter zu bauen. Ein weiterer Aspekt, der hier anzusprechen ist, ist ein ethisch-moralischer. Spiekermann (2019) postuliert in ihrem Werk „Digitale Ethik“, Roboter und KI möglichst nicht zu menschenähnlich zu gestalten und sie ihrem Wesen entsprechend, wie Maschinen aussehen zu lassen. Damit auf diese Weise ein „[…] „gesunder“ Abstand zwischen Mensch und künstlichen Intelligenzen, respektive Robotern, möglich ist, […]“ (Hasenbein, 2020, S. 192). 5.2.6  Teamklassifikation von Mensch und

Roboter

Mittels einer Teamklassifikation können relevante Aspekte der Mensch-Roboter-Interaktion eingeordnet werden. Hierbei werden folgende Bereiche unterschieden: Kommunikationskanal, räumliche und zeitliche Nähe sowie die

Eine anfängliche Sympathie für menschenähnliche Roboter kann in Abneigung umschlagen.

72

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

­ eamzusammensetzung von Mensch und Roboter (Onnasch T et al., 2016). z Kommunikationskanal

5

Hier geht es um die Frage, über welchen Kanal der Roboter Informationen vom Menschen aufnimmt und über welchen Kanal der Mensch die Informationen vom Roboter wahrnimmt (Onnasch et. al., 2016; Yanco & Drury, 2002, 2004). Informationen des Menschen können über folgende Kanäle des Roboters vermittelt werden: Informationen des Menschen können über verschiedene Kanäle des Roboters vermittelt werden.

5 Elektronisch: zum Beispiel durch das Drücken von Steuerelementen 5 Mechanisch: zum Beispiel durch kinematische Bewegung von Roboterteilen 5 Akustisch und optisch durch akustische oder optische Sensoren Menschen können die vom Roboter ausgehenden Informationen wie folgt aufnehmen: 5 Mechanisch: zum Beispiel haptisch über Vibrationen 5 Akustisch oder über den visuellen Kanal. z Räumliche und zeitliche Nähe

Die Ausprägungen zur räumlichen Nähe sind wie folgt definiert (Onnasch et al., 2016; Scholtz, 2002): Verschiedene Ausprägungen der räumlichen Nähe

5 Berührend: Hier haben bzw. können Mensch und Roboter physischen Kontakt haben. 5 Annährend: Hier arbeiten Mensch und Roboter sehr nah nebeneinander, haben jedoch keinen direkten Kontakt. 5 Führend: Hier haben Mensch und Roboter einen stabilen physischen Kontakt über einen längeren Zeitraum. Zum Beispiel über direkt vom Roboter gehaltene Teile. 5 Vorbeigehend: Hier kann sich der Arbeitsbereich von Mensch und Roboter komplett oder teilweise überschneiden. Es kommt jedoch nicht zu Berührungen. 5 Vermeidend: Hier arbeiten Mensch und Roboter nicht in unmittelbarer Nähe zusammen, sie bleiben jeweils außerhalb ihres jeweiligen Arbeitsbereiches. 5 Ferngesteuert: Hier befinden sich Mensch und Roboter nicht im gleichen Arbeitsumfeld. Der Roboter wird vom Menschen ferngesteuert. Mensch und Roboter können hinsichtlich der zeitlichen Nähe entweder synchron und asynchron arbeiten (Onnasch et al., 2016). Synchron heißt, dass Mensch und Roboter zur glei-

5.2 · Mensch-Roboter-Interaktion

73

chen Zeit arbeiten. Asynchron bedeutet, dass Mensch und Roboter zeitlich versetzt arbeiten, z. B. im Schichtsystem. z Teamzusammensetzung

Bei der Teamzusammensetzung gibt es drei mögliche Ausprägungen (Onnasch et al., 2016; Scholtz, 2002): 5 die Anzahl von Menschen und Robotern ist gleich, 5 es gibt mehr Menschen als Roboter, 5 es gibt mehr Roboter als Menschen.

Drei Ausprägungen der Teamzusammensetzung

Roboter werden in der Zusammenarbeit mit Menschen zu sogenannten Cobots, die dem Menschen wie Kolleginnen und Kollegen zuarbeiten bzw. mit diesem gemeinsam arbeiten (Ramge, 2018, S. 75–76).

» „Cobots sind ‚sozial‘. Sie sind nicht nur programmiert, um

Menschen bei bestimmten Tätigkeiten zu helfen. Sie merken zudem, wenn Sie Menschen gefährden. Daher können sie direkt in die Arbeitsabläufe mit Menschen integriert werden und arbeiten Hand in Hand mit Facharbeitern. [...] Damit Mensch und Maschine gute Kollegen werden, müssen sie einander verstehen. Eine Reihe von Cobots reagiert auf Gesten. Eine Handbewegung reicht, und der Bot weiß, wo er hinzurollen hat“.

Roboter werden in der Zusammenarbeit mit Menschen zu Cobots.

5.2.7  Soziale Roboter – Cobots

In der Zusammenarbeit von Menschen und Robotern taucht der Begriff Cobots immer häufiger auf (Ramge, 2018). Das sind kollaborative Roboter, die beispielsweise im Industriesektor gemeinsam mit Menschen arbeiten. Sie helfen beim Heben von schweren Gegenständen, beim Montieren oder beim Verpacken von Material. Im Gegensatz zu herkömmlichen Industrierobotern, die nur abgetrennt vom Menschen zum Einsatz kommen, sind Cobots sicher genug, um direkt mit dem Menschen zusammen zu arbeiten. Radel (2020) wirft in seinem Artikel „Soziale Maschinen – die neuen Kollegen“ die Frage auf, ob „intelligente“ Maschinen zukünftig ein gleichwertiger Teil unserer Gesellschaft sein werden. Dabei fordert er, dass die weitere Einführung dieser graduell und in kleinen Schritten verlaufen sollte, damit der Mensch sich an die neuen Kollegen und Kolleginnen gewöhnen könne (Radel, 2020, S. 415). Wenn Menschen und Maschinen immer kollaborativer zusammenarbeiten werden, braucht es neue bildungspolitische und arbeitsmarktrechtliche Rahmenbedingungen sowie adaptierte Kompetenzpro-

Cobots sind kollaborative Roboter, die beispielsweise im Industriesektor gemeinsam mit Menschen arbeiten.

5

74

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

file (Davies et al., 2011; Kirchherr et al., 2018). Stoller-Schai (2020) bringt es in seinem Artikel zur Mensch-Maschine-Kollaboration wie folgt auf den Punkt (S. 418):

» „Die

Gestaltung und das Design von kollaborativen Handlungsfeldern wird zu einer Schlüsselkompetenz in einer zukünftigen Arbeitswelt, die den Menschen gerecht wird.“

5

Die Roboterpsychologie untersucht, wie Mensch und Roboter im Team zusammenarbeiten.

Dies wirft auch psychologische Fragestellungen auf. Denn die Psychologie als Wissenschaft menschlichen Denkens und Verhaltens kann im interdisziplinären Austausch wertvolle Beiträge insbesondere zur Erforschung sozialer Roboter und zur Mensch-Roboter-Interaktion sowie zu einer menschenzentrierten Robotik liefern (Mara & Leichtmann, 2021). Martina Mara ist Professorin für Roboterpsychologie am Linz Institute of Technology der Johannes Kepler Universität Linz. Sie setzt sich für eine menschenzentrierte Robotik ein und stellt die menschlichen Bedürfnisse in einer bisher eher technisch-orientierten digitalen Transformation in den Fokus. Sie plädiert dafür, Robotik und Künstliche Intelligenz positiver zu betrachten und setzt sich für mehr Akzeptanz und Mitbestimmung bei den neuen Entwicklungen in der Robotik ein. Intention ist es, die Chancen und Möglichkeiten der technologischen Entwicklungen mitzugestalten und nicht zu verpassen. Dafür untersuchen Mara et al. (2021) in einem sogenannten CoBot Studio, einem Mixed-Reality-Simulationsraum, wie in virtuellen Arbeitsumgebungen kollaborative Roboter mit Menschen, in dem Fall Probanden, im Team zusammenarbeiten. Es handelt sich hierbei um ein Forschungsprojekt des LIT Robopsychology Labs an der Johannes Kepler Universität Linz in Zusammenarbeit mit dem Ars Electronica Futurelab und weiteren Projektpartnern. Einbezogen sind dabei unterschiedliche Disziplinen und Fachpersonen wie die Robotik, die Psychologie, die Informatik, Virtual Reality und Game Design. CoBot Studio untersucht, welche Signale eines Roboters bei welchen Personengruppen und in welchem Arbeitsumfeld zum gegenseitigen Verständnis, Vertrauen und zu einer erfolgreichen Zusammenarbeit beitragen. Das folgende Unterkapitel zeigt den Einsatz von Robotern in verschiedenen Anwendungsbereichen. 5.2.8  Anwendungen und Praxisbeispiele zum

Einsatz von Robotern

Roboter finden angefangen vom Gesundheitswesen und dem Bildungsbereich über die Industrie und die Unterhaltung bis

5.2 · Mensch-Roboter-Interaktion

75

hin zum persönlichen „Freund“ ihren Einsatz. Die einzelnen Einsatzbereiche werden im Folgenden erläutert: z Roboter & Co. im Gesundheitswesen und in der Therapie

Die Robotik ist ein interdisziplinäres Forschungsfeld, das als modernste E-Mental-Health-Technologie auch in der Psychotherapieforschung Einzug gefunden hat (Eichenberg & Küsel, 2018). Neben Robotern gibt es auch virtuelle Agenten (Chatbots) und Avatare, die in diesem Feld eingesetzt werden. Das erste Gesprächsprogramm, das auf der non-direktiven Methode der klientenzentrierten Gesprächstherapie von Carl Rogers basierte, konnte ein vereinfachtes Klienten-Psychotherapeuten-Gespräch simulieren. „Eliza“ wurde von Joseph Weizenbaum entwickelt und kam 1966 zum ersten Mal zum Einsatz. Eichenberg und Küsel (2018) unterscheiden in drei Bereiche als Anwendungsfelder für die Psychotherapie (S. 5–7): 5 Unterstützung von emotionalen Prozessen: Roboter können emotionale Reaktionen bewirken. So können Roboter zum Beispiel in Altenheimen eingesetzt werden, verbunden mit der Intention bei älteren Menschen Einsamkeit zu reduzieren. Ein Beispiel dafür ist der „Companion Robot“, ein Projekt der der University of Denver. Der Roboter hat die Gestalt eines übergroßen Bären, der einen proaktiven Dialog mit älteren und an Depression erkrankten Menschen führen kann. Link: 7 http://mohammadmahoor.com/companionbots-for-proactive-dialog-on-depression/ 5 Unterstützung von kognitiven Prozessen: Roboter können kognitive Prozesse anstoßen und unterstützen. Bei demenzkranken Menschen wird beispielsweise die Roboter-Robbe „Paro“ eingesetzt. Paro gilt als sozialer Begleitroboter bzw. therapeutischer Roboter. Er hat die Gestalt einer Babyrobbe und besteht aus sehr weichem künstlichem Pelz. Paro wurde von Takanori Shibata des National Institute of Advanced Industrial Science und Technology in Japan entwickelt. 2001 wurde er das erste Mal präsentiert. Die Roboterrobbe wurde als erstes in Japan und dann in den USA und Europa vor allem in Pflegeeinrichtungen bei Menschen mit Demenz eingesetzt (Bartneck et al., 2020). Sie kann Kopf und Beine bewegen und Geräusche einer Babyrobbe wiedergeben. Paro wird kontinuierlich weiter beforscht. Link: 7 http://www.parorobots.com/ 5 Unterstützung von sozialen Prozessen: Zur Unterstützung sozialer Prozesse werden Roboter zum Beispiel in der Autismus Therapie bei Menschen, Kindern und Erwachsenen mit Autismus-Spektrum-Störung (Bartneck et al., 2020), eingesetzt. So konnte das Projekt mit dem Roboter

Roboter finden bereits ihren Einsatz im Gesundheitswesen, insbesondere in der Therapie.

5

76

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

„Zeno“ der University of Denver zeigen, dass die Interaktion von autistischen Kindern mit dem Roboter dabei unterstützen konnte, Emotionen zu erkennen (Schadenberg et al., 2018). Die Kinder erfahren auf spielerische Art etwas über Emotionen und der dazugehörigen Mimik. Ein weiteres Beispiel ist Kaspar, entwickelt von der Adaptive Systems Research Group der University of Hertfordshire, der auch in der Autismus-Therapie bei Kindern eingesetzt wird. Link: 7 https://www.herts.ac.uk/kaspar/research-and-development

5

SimCoach, ein Avatar, zur Behandlung von posttraumatischen Belastungsstörungen und Depressionen

Ein hybrider Einsatz in der Kombination aus einem Robotertherapeuten und einem menschlichen Therapeuten ist perspektivisch vorstellbar.

In der Entwicklung gibt es zunehmend KIs, die Emotionen von Menschen „lesen“ können. Ein Beispiel ist SimCoach, ein intelligentes virtuelles System entwickelt von Forschern des Instituts for Creative Technologies der Universität von Southern California und der Carnegie Mellon University (7 www.simcoach.org). Mit SimCoach werden Soldaten des US-amerikanischen Militärs mit posttraumatischen Belastungsstörungen und Depressionen behandelt. SimCoach ist ein Avatar, namens Ellie, mit dem die Betroffenen in Kontakt treten können und erste Hilfestellungen erhalten. Seit der Weiterentwicklung des Programms ist es möglich, dass die Software Emotionen erkennen und adaptiv auf die Klienten eingehen kann. Dies erfolgt mittels eines Videochats, bei der das Programm die Gesichtsausdrücke des Betroffenen lesen kann und der Avatar reagiert entsprechend darauf. Bei dem therapeutischen Einsatz von Robotern und virtuellen intelligenten Systemen handelt es sich meistens noch um Modellprojekte. Sie etablieren sich aber zunehmend und eignen sich vor allem für Patienten, die auf einen Therapieplatz warten als gute „Überbrückungsmöglichkeit“. Auch hier ist ein hybrider Einsatz in der Kombination aus einem Robotertherapeuten und einem menschlichen Therapeuten perspektivisch vorstellbar. Dies gilt es weiter in der Praxis zu erproben und in der Forschung zu untersuchen. Dabei gilt es es herauszufinden, für welche Anwendungsbereiche sie geeignet sind und welche Auswirkungen die Patient-Roboter- bzw. Patient-KI-Interaktion auf die psychotherapeutische Beziehung hat (Eichenberg & Küsel, 2018). z Roboter im Bildungsbereich

Roboter können im Lernprozess unterschiedliche Rollen einnehmen. Bartneck et al. (2020) differenzieren in folgende Rollen (S. 198–199): 5 Roboter als Lehrer: Hier fungiert der Roboter als Lehrer oder Tutor. Er führt die Lernenden durch den Lehrplan und bietet Testmöglichkeiten zur Überprüfung und

5.2 · Mensch-Roboter-Interaktion

77

­ ewertung des Wissens an. Eine von Lehrern und SchüB lern oft präferierte Rolle (Reich-Stiebert & Eyssel, 2016). 5 Roboter als Kommilitone: In diesem Fall hat der Roboter einen ähnlichen Wissensstand wie der Lernende und beide zusammen gehen auf die Lernreise. Dabei passt der Roboter seine Lernleistung an den Lernenden an. 5 Roboter als lernfähiger Schüler: Hier wird der Roboter vom Schüler unterrichtet. Das kann zum einen das Selbstbewusstsein des Lernenden stärken und zum anderen kann dies zu einer besseren Beherrschung des jeweiligen Faches führen, dadurch dass dieser sein Wissen an den Roboter weitergibt (Hood, Lemaignan & Dillenbourg, 2015). 5 Roboter als Unterstützer des Lehrers: In dieser Rolle reichert der Roboter die Lernumgebung an, indem er das Lernen unterhaltsamer macht und das Interesse der Lernenden möglichst sogar steigert. Bartneck et al. (2020) stellen dazu fest: „Der Hauptbeitrag des Roboters scheint darin zu bestehen, dass seine physische Präsenz das Lernen fördert“ (S. 199).Verschiedene Untersuchungen konnten dies bereits belegen (Kennedy et al., 2017; Leyzberg et al., 2012). Auch die Multimodalität und der gesteigerte pädagogische Austausch könnten hier einen positiven Einfluss haben (Mayer & DaPra, 2012). Eine weitere Möglichkeit stellt der Einsatz von Robotern als Lernberater dar. Voraussetzung dafür sind der Zugriff auf entsprechende Daten, um dem Lernenden Feedback geben und eine Lerneranalyse durchführen zu können. Handke (2020) unterscheidet drei Arten von Lerneranalysen bzw. Learning-Analytics (S. 118): 5 Deskriptive Learning-Analytics: Beschreibung von vorhandenen Lernerdaten 5 Predictive Learning-Analytics: Vorherhersagen auf der Grundlage aktueller Lernerdaten 5 Presriptive Learning Analytics: Empfehlungen für Lernende.

Roboter können als Lernberater eingesetzt werden.

Der Einsatz von Robotern im Bildungsbereich wird im 7 Abschn. 7.4 detaillierter betrachtet. z Service- und Industrieroboter

Serviceroboter werden da eingesetzt, wo Aufgaben eher wiederholend und von einfacher Art sind. Das können sein: Reinigungsroboter, Auslieferungsroboter, Sicherheitsroboter und Roboter im Verkauf sowie in Restaurants. Industrieroboter spielen in der Automatisierungsbranche eine bereits verbreitete und wachsende Rolle, vor allem kollabo-

Serviceroboter werden da eingesetzt, wo Aufgaben wiederholend und von einfacher Art sind.

5

78

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

rative Roboter, die sogenannten Cobots. Beispiele sind der Walt-Roboter, dessen Roboterarm mit einem Gesicht versehen ist und der Sawyer-Roboter, ein zweiarmiger Roboter, der zudem verschiedene Gesichtsausdrücke auf seinem Bildschirm darstellen kann (Bartneck et al., 2020, S. 208; Link zum Video: 7 https://www.youtube.com/watch?v=ZtAn6BV9vHw). Weitere Informationen zu Industrierobotern sind unter diesem Link zu finden: 7 https://www.quality.de/lexikon/industrieroboter/.

5

z Roboter zur Unterhaltung Haustier- und Spielzeugroboter sind einer der ersten Roboteranwendungen.

Haustier- und Spielzeugroboter sind einer der ersten Roboteranwendungen. Der Markt für Spielzeugroboter ist einer der größten Märkte und für die Verbraucher am leichtesten zugänglich. Roboter für Ausstellungen werden primär zur Unterhaltung eingesetzt. Die meisten dieser sogenannten „animatronischen Roboter“ spielen ein vorab aufgezeichnetes Animationsskript ab, oft mit einem Soundtrack getaktet (Bartneck et al., 2020, S. 201). Beispiele sind der hundeähnliche Roboter, Aibo von Sony und Pleo, ein Roboter-Dino, der die Verhaltensweise eines Camarasaurus-Dinosaurierbabys nachahmen kann (Link: 7 https://www.pleoworld.com/ pleo_rb/eng/products.php). z Roboter als persönliche Assistenten und „Freunde“

Roboter sind zunehmend persönliche Assistenten und „Freunde“.

Zu dieser Kategorie gehören Smart-Home-Assistenten wie zum Beispiel Alexa von Amazon, Siri von Apple, Cortana von Microsoft und der Google-Assistent (Bartneck et al., 2020). Weitere Entwicklungen gehen in Richtung persönliche Hausassistenten, wie der Roboter „Buddy“, für den als Begleitroboter für die ganze Familie geworben wird. Weitere Beispiele sind Replika, ein KI-Chatbot und Hatsune Miku, eine virtuelle Freundin, die einen Ersatz oder eine Alternative für „echte“ Freunde bzw. sogar partnerschaftliche Beziehungen darstellen. Replika erstellt eine digitale Kopie deiner Persönlichkeit. Auf Basis der Daten und Informationen, mit denen der User die Software bzw. App füttert, stellt diese Fragen und versucht so sukzessiv eine Freundschaft aufzubauen. Miku ist ein Hologramm, das in einer Gate-Box wohnt. Ein Japaner ist so weit gegangen, dass er dieses Hologramm geheiratet hat. Link zu Replika: 7 https://replika.com/ Link zu Hatsune Miku: 7 https://www.youtube.com/ watch?v=N2hsHndTkJA Das führt zum nächsten Punkt, der Einstellung gegenüber Robotern.

5.2 · Mensch-Roboter-Interaktion

79

5

5.2.9  Einstellung gegenüber Robotern in der

Mensch-Roboter-Interaktion

Bei Einstellungen handelt es sich um positive oder negative Bewertungen von Objekten oder Menschen. Diese werden zudem von sozialen Werten und Normen beeinflusst. Einstellungen gegenüber Robotern wurden bereits bei verschiedenen Nutzergruppen von Kindern bis zu Senioren durchgeführt (Alnajjar et al., 2021; Bartneck et al., 2007; Eurobarometer, 2012). So ergab beispielsweise die Umfrage von Eurobarometer (2012), dass mehr als zwei Drittel der EU-Bürger (70 %) eine positive Einstellung zu Robotern haben. Zudem stimmte die Mehrheit (88 %) zu, dass Roboter notwendig seien, weil sie Arbeiten erledigen können, die für Menschen zu schwer oder zu gefährlich sind und dass sie eine gute Sache für die Gesellschaft seien, weil sie Menschen helfen können (76 %). Weiterhin ergab die Umfrage, dass Menschen mit persönlicher Erfahrung mit Robotern eher eine positive Meinung haben (88 %) als die ohne diese Erfahrung (68 %). Reich und Eyssel (2013) haben die Einstellung zu Service Robotern in Deutschland untersucht. Dabei zeigte sich, dass Deutsche eher eine mäßig positive Einstellung gegenüber Robotern haben sowie ein mäßiges Maß an Angst vor Robotern. Reich-Stiebert und Eyssel (2015 und 2016) haben zudem die Einstellungen zu Bildungsrobotern untersucht, zum einen von Universitätsstudierenden und zum anderen von Lehrkräften (dazu 7 Abschn. 7.4.2). Die Einstellungen sind auch hier eher mäßig positiv einzuordnen. Vor allem jüngere Untersuchungen zur Akzeptanz von Robotern in bestimmten Bereichen wie zum Beispiel im Pflegesektor geben spannende Einblicke zu den Auswirkungen des Robotereinsatzes im sozialen Kontext (Ruf et al., 2022). Weitere Untersuchungen werden hier folgen. Und umso selbstverständlicher der Umgang mit Robotern in den nächsten Jahren und Jahrzehnten in der Praxis wird, umso deutlicher und gleichzeitig differenzierter wird das Bild sicherlich werden. Fazit In der Mensch-KI- und Mensch-Roboter-Interaktion wird es zunehmend darum gehen, dass beide Seiten als Partner bzw. im Team miteinander kollaborieren. Das heißt, beide arbeiten an einer Aufgabe mit einem gemeinsamen übergeordneten Ziel. Es kann sogar sein, dass sie Teilhandlungen zusammen durchführen, also quasi Hand in Hand arbeiten. In

Bisher ist die Einstellung zu Robotern in Untersuchungen eher mäßig positiv.

80

5

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

diesem Kontext wird von einer Fusion menschlicher und maschineller Talente gesprochen. Dabei sind KI-Systeme und vor allem die Robotik zunehmend durch eine hohe Personalisierung gekennzeichnet und die soziale Interaktion mit dem Menschen nimmt an Bedeutung zu. Zumal es auch immer mehr Bereiche gibt, in denen KI und insbesondere Roboter ihren Einsatz finden, im Gesundheitswesen, in der Bildung und Industrie, in der Unterhaltung sowie als persönlicher Assistent oder sogar Freund. Bei Robotern spielt zudem die menschenähnliche Gestaltung eine wachsende Rolle. Dies ist gleichzeitig aus ethischer Sicht kritisch zu diskutieren. Es stellt sich sogar die Frage, ob man von einem menschlichen Erscheinungsbild komplett absehen sollte. Dies wirft auch psychologische Fragestellungen nach der Einstellung und Akzeptanz gegenüber KI-Systemen und Robotern auf. Dies sollte zukünftig tiergehender und umfassender untersucht werden und daraus sollten entsprechende Implikationen für die Praxis abgeleitet werden.

Literatur Alan, Y., Urbach, N., Hinsen, S., Jöhnk, J., Beisel, P., Weißert, M., Blumenthal, S., & Hofmann, P. (2019). Think beyond tomorrow. KI, mein Freund und Helfer – Herausforderungen und Implikationen für die Mensch-KI-Interaktion. Projektgruppe Wirtschaftsinformatik. Ernst & Young GmbH. 7 https://www.fim-rc.de/Paperbibliothek/Veroeffentlicht/1048/wi-1048. pdf. Zugegriffen: 6. Aug. 2022. Alnajjar, F., Bartneck, C., Baxter, P., Belpaeme, T., Cappuccio, M., Di Dio, C., Eyssel, F., Handke, J., Mubin, O., Obaid, M., & Reich-Stiebert, N. (2021). Roboter in der Bildung. Wie Robotik das Lernen im digitalen Zeitalter bereichern kann. Hanser. Bartneck, C., Suzuki, T., Kanda, T., & Nomura, T. (2007). The influence of people’s culture and prior experiences with aibo on their attitude towards robots. AI & Society, 21(1–2), 217–230. 7 https://www.researchgate.net/publication/225723796_The_influence_of_people's_culture_ and_prior_experiences_with_Aibo_on_their_attitude_towards_robots. Zugegriffen: 14. Aug. 2022. Bartneck, C., Belpaeme, T., Eyssel, F., Kanda, T., Keijsers, M., & Sabanovic, S. (2020). Mensch-Roboter-Interaktion. Eine Einführung. Hanser. Bendel, O. (2022a). Mensch-Maschine-Interaktion. Gabler Wirtschaftslexikon. 7 https://wirtschaftslexikon.gabler.de/definition/mensch-maschine-interaktion-54079. Zugegriffen: 6. Aug. 2022. Bendel, O. (2022b). Robotik. Gabler Wirtschaftslexikon. 7 https://wirtschaftslexikon.gabler.de/definition/robotik-54198. Zugegriffen: 18. Aug. 2022. Davies, A., Fidler, D., & Gorbis, M. (2011). Future work skills 2020. Institute for the future for the university of phoenix research institute. 7 https://www.iftf.org/uploads/media/SR-1382A_UPRI_future_work_skills_ sm.pdf. Zugegriffen: 24. März 2022.

81 Literatur

Daugherty, P. R., & Wilson, H. J. (2018). Human + Machine. Künstliche Intelligenz und die Zukunft der Arbeit. Dtv. Eichenberg, C., & Küsel, C. (2018). Roboter in der Psychotherapie: Intelligente artifizielle Systeme. Ärzteblatt, 16(8), 365–367. 7 https://www.aerzteblatt.de/archiv/199391/Roboter-in-der-Psychotherapie-Intelligente-artifizielle-Systeme. Zugegriffen: 24. März 2022. Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. Eurobarometer. (2012). Public attitudes towards robots. 7 https://europa.eu/ eurobarometer/surveys/detail/1044. Zugegriffen: 18. Aug. 2022. Eyssel, F. (2017). An experimental psychological perspective on social robotics. Robotics and Autonomous Systems, 87, 363–371. 7 https://doi.org/10.1016/j.robot.2016.08.029. Eyssel, F., Kuchenbrandt, D., & Bobinger, S. (2011). Effects of anticipated human-robot interaction and predictability of robot behavior on perceptions of anthropomorphism. Proceedings of the 6th international conference on Human-robot interaction, March 2011 (S.  61–68). 7 https://doi. org/10.1145/1957656.1957673. Gerdenitsch, C., & Korunka, C. (2019). Digitale Transformation der Arbeitswelt. Psychologische Erkenntnisse zur Gestaltung von aktuellen und zukünftigen Arbeitswelten. Springer. Handke, J. (2020). Humanoide Roboter. Showcase, Partner und Werkzeug. Tectum. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Hood, D., Lemaignan, S., & Dillenbourg, P. (2015). When children teach a robot to write: An autonomous teachable humanoid which uses simulated handwriting. In 10Th Annual ACM/IEEE International Conference on Human-Robot interaction, 83–90. 7 https://www.researchgate.net/publication/283680366_When_Children_Teach_a_Robot_to_Write_An_ Autonomous_Teachable_Humanoid_Which_Uses_Simulated_Handwriting. Zugegriffen: 24. März 2022. Huchler, N. (2020). Human Resourcemachine-Learning & AI. Die Mensch-Maschine-Interaktion bei Künstlicher Intelligenz im Sinne der Beschäftigten gestalten – Das HAI-MMI-Konzept und die Idee der Komplementarität. Digitale Welt. Science meets industry. 7 https://digitaleweltmagazin.de/fachbeitrag/die-mensch-maschine-interaktion-bei-kuenstlicher-intelligenz-im-sinne-der-beschaeftigten-gestalten-das-hai-mmi-konzept-und-die-idee-der-komplementaritaet/. Zugegriffen: 6. Aug. 2022. Kennedy, J., Lemaignan, S., Montassier, C., Lavalade, P., Irfan, B., Papadopoulos, F., Senft, E., & Belpaeme, T. (2017). Child speech recognition in human-robot interaction: Evaluations and recommendations. In Proceedings of the ACM/IEEE International Conference on Human-Robot Interaction (S. 82–90). 7 https://www.researchgate.net/publication/314158395_ Child_Speech_Recognition_in_Human-Robot_Interaction_Evaluations_ and_Recommendations. Zugegriffen: 25. März 2022. Kirchherr, J., Klier, J., Lehmann- Brauns, C., & Winde, M. (2018). Future Skills: Welche Kompetenzen in Deutschland fehlen (Future Skills – Diskussionspapier 1). Stifterverband für die Deutsche Wissenschaft e. V. 7 https://www.stifterverband.org/medien/future-skills-welche-kompetenzen-in-deutschland-fehlen. Zugegriffen: 24. März 2022. Kräußlich, W. (2022). Faszination künstlicher Kollege. Alles Wissenswerte zu Robotern: Geschichte, Typen, Anwendung. 7 https://www.kollegeroboter.

5

82

5

Kapitel 5 · Mensch-KI-Interaktion und Mensch-Roboter-Interaktion

de/industrie/alles-wissenswerte-zu-robotern-geschichte-typen-einsatzbereiche-101.html#erfindung. Zugegriffen: 18. Aug. 2022. Lenzen, M. (2019). Künstliche Intelligenz. Was sie kann und was uns erwartetet. Beck. Leyzberg, D., Spaulding, S., Toneva, M., & Scassellati, B. (2012). The physical presence of a robot tutor increases cognitive learning gains. In Proceedings of the cognitive science society (S. 1882–1887). 7 https://www.researchgate.net/publication/236272973_The_Physical_Presence_of_a_Robot_Tutor_Increases_Cognitive_Learning_Gains. Zugegriffen: 25. März 2022. Maier, H. (2019). Grundlagen der Robotik. VDE. Mara, M., & Leichtmann, B. (2021). Soziale Robotik und Roboterpsychologie. Was psychologische Forschung zur menschzentrierten Entwicklung robotischer Systeme beiträgt. In O. Bendel (Hrsg.), Soziale Roboter: Technikwissenschaftliche, wirtschaftswissenschaftliche, philosophische, psychologische und soziologische Grundlagen (S. 169–189). Springer Gabler. Mara, M., Meyer, K., Heiml, M., Pichler, H., Haring, R., Krenn, B., Gross, S., Reiterer, B., & Layer-Wagner, T. (2021). CoBot studio VR: A virtual reality game environment for transdisciplinary research on interpretability and trust in human-robot collaboration. 7 https://www.researchgate.net/publication/350448955_CoBot_Studio_VR_A_Virtual_Reality_ Game_Environment_for_Transdisciplinary_Research_on_Interpretability_and_Trust_in_Human-Robot_Collaboration. Zugegriffen: 24. März 2022. Mayer, R. E., & DaPra, C. S. (2012). An embodiment effect in computer-based learning with animated pedagogical agents. Journal of Experimental Psychology Applied, 18(3), 239–252. 7 https://www.researchgate.net/publication/225072152_An_Embodiment_Effect_in_Computer-Based_Learning_With_Animated_Pedagogical_Agents. Zugegriffen: 25. März 2022. Mori, M. (1970). The uncanny valley. Energy, 7, 33–35. Onnasch, L., Maier, X., & Jürgensohn, T. (2016). Mensch-Roboter-Interaktion – Eine Taxonomie für alle Anwendungsfälle. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA). 7 https://www.baua.de/DE/ Angebote/Publikationen/Fokus/Mensch-Roboter-Interaktion.pdf ?__ blob=publicationFile&v=6. Zugegriffen: 25. März 2022. Radel, J. (2020). Soziale Maschinen – die neuen Kollegen. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 412–415). 7 https://www.researchgate.net/publication/345670805_Sonderband_Zukunft_der_Arbeit. Zugegriffen: 24. März 2022. Ramge, T. (2018). Mensch und Maschine. Wie Künstliche Intelligenz und Roboter unser Leben verändern. Reclam. Reich, N., & Eyssel, F. (2013). Attitudes towards service robots in domestic environments: The role of personality characteristics, individual interests and demographic variables. Journal of Behavioral Robotics, 2(2), 123– 130. 7 https://www.researchgate.net/publication/276087734_Attitudes_towards_service_robots_in_domestic_environments_The_role_of_personality_characteristics_individual_interests_and_demographic_variables. Zugegriffen: 6. Aug. 2022. Reich-Stiebert, N., & Eyssel, F. (2015). Learning with educational companion robots? toward attitudes on education robots, predictors of attitudes and application potentials for education robots. International Journal of Social Robotics, 7(5), 875–888. Reich-Stiebert, N., & Eyssel, F. (2016). Robots in the classroom: What teachers think about teaching and learning with education robots. International Conference on Social Robotics (S. 671–680). Springer. 7 https://link. springer.com/chapter/10.1007/978-3-319-47437-3_6. 7 https://www.rese-

83 Literatur

archgate.net/publication/308623042_Robots_in_the_Classroom_What_ Teachers_Think_About_Teaching_and_Learning_with_Education_Robots Zugegriffen: 25. März 2022. Ruf, E., Pauli, C., & Misoch, S. (2022). Emotionale Reaktionen älterer Menschen gegenüber Sozial Assistiven Robotern. Zeitschrift Gruppe. Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie (GIO). 7 https://link.springer.com/article/10.1007/s11612-022-00641-w. Zugegriffen: 13. Aug. 2022. Schadenberg, B., Heylen, D., & Evers, V. (2018). Affect bursts to constrain the meaning of the facial expressions of the humanoid robot Zeno. Proceedings of the 1st workshop on social interaction and multimodal expression for socially intelligent robots, Lisbon, Portugal. 7 https://www.researchgate.net/publication/323552047_Affect_bursts_to_constrain_the_ meaning_of_the_facial_expressions_of_the_humanoid_robot_Zeno Zugegriffen: 24. März 2022. Scholtz, J. (2002). Human-robot interactions: Creating synergistic cyber forces. In S. A. C. Schultz & L. E. Parker (Hrsg.), Multi-robot systems: From swarms to intelligent automata (S. 177–184). Springer. Spiekermann, S. (2019). Digitale Ethik. Ein Wertesystem für das 21. Jahrhundert. Droemer. Stoller-Schai, D. (2020). Wie werden Menschen und Maschinen kollaborativer? In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 416–419). 7 https:// www.researchgate.net/publication/345670805_Sonderband_Zukunft_ der_Arbeit. Zugegriffen: 24. März 2022. Surdilovic, D., Radojicic, J., & Bastidas-Cruz, A. (2015). Interaktionsfähige Roboter – vielseitige Entwicklungsaussichten. wt Werkstattstechnik online, 9, 619–621. Urbach, N., & Jöhnk, J. (2020). KI, mein Freund und Helfer. 7 https://www. researchgate.net/publication/343140402_KI_mein_Freund_und_Helfer_-_Herausforderungen_und_Implikationen_fur_die_Mensch-KI-Interaktion. Zugegriffen: 14. Jan. 2022. Yanco, H. A., & Drury, J. L. (2002). A taxonomy for human-robot interaction. In Proceedings of the AAAI fall symposium on Human-robot interaction (S. 111–119). Yanco, H. A., & Drury, J. L. (2004). Classifying human-robot interaction: an updated taxonomy. In SMC (3), S. 2841–2846. 7 https://www.researchgate.net/publication/220755236_Classifying_human-robot_interaction_An_updated_taxonomy#fullTextFileContent. Zugegriffen: 17. April 2023. 

5

85

Künstliche Intelligenz und Roboter im Human Resources Bereich

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_6

6

86

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

Trailer Der Human Resources Bereich steht vor einer „doppelten Digitalisierungsherausforderung“. Einerseits geht es um die Mitwirkung bei der digitalen Transformation in der jeweiligen Organisation und andererseits geht es um die digitale Transformation der einzelnen HR-Funktionen selbst. Im Folgenden liegt der Fokus auf der Veränderung in den HR-Funktionen durch KI und Robotik bedingt. Im Kontext von HR und dem Einfluss von KI auf diesen Bereich sollen die HR Funktionen Personalmanagement/-planung, Personalmarketing, Personalauswahl und -entwicklung genauer betrachtet werden. Beim Personalmanagement spielt vor allem People Analytics eine wachsende Rolle. Im Personalmarketing sind Augmented Writing, KI-basierte Stimmungsanalysen und Chatbots zu nennen. In der Personalauswahl werden zunehmend Analysen von Bewerbungsunterlagen und Gesprächsinterviews mittels KI durchgeführt sowie Recruiting Robots eingesetzt. Und in der Personalentwicklung finden Learning Analytics und Adaptive Learning unterstützt mit Bots als digitale Lernassistenten sowie Learning Management Systeme und Skill Management mit KI einen wachsenden Einsatz. Schließlich wird HR im Zuge der (Weiter-) Entwicklung von Künstlicher Intelligenz ihren eigenen Change durchlaufen und kann damit zum Vorreiter in ihrer Organisation werden. . Abb. 6.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

6

6.1  Digitale Transformation im Human

Resources-Bereich

Doppelte Digitalisierungs­ herausforderung von HR

Zwei Aufgaben sind von Relevanz für die Digitalisierung im HR-Bereich. Zum einen ist es die Mitwirkung bei der digitalen Transformation in den Organisationen und zum anderen

. Abb. 6.1 Wortwolke

6.1 · Digitale Transformation im Human Resources-Bereich

87

6

die digitale Transformation der einzelnen HR-Funktionen selbst (Petry und Jäger, 2021). Petry und Jäger (2021) sprechen in diesem Zusammenhang von einer „doppelten Digitalisierungsherausforderung“ (S. 29). Zentrale Treiber und Potenziale der Digitalisierung von HR liegen in den neuen Technologien und digitalen Anwendungen wie Social Media, Cloud Computing, People Analytics, Virtual und Augmented Reality sowie Künstliche Intelligenz und Robotics in Form von Robot Recruiting und KI-Screening. Daraus ergeben sich folgende Fragen: 5 Welchen Einfluss hat KI auf HR und seine Funktionsbereiche? 5 Werden Roboter HR-Arbeit übernehmen und falls ja welche? 5 Welche Rolle wird der Mensch weiterhin im HR-Bereich spielen? Laut der Marktstudie „Künstliche Intelligenz im Personalbereich“ der perbit Software GmbH (2020) erfährt Künstliche Intelligenz innerhalb des HR-Bereiches die höchste Akzeptanz bzw. Zustimmung in der Personalplanung (46 % ja und 38 % eher ja) und im Recruiting (44 % ja und 42 % eher ja), gefolgt von der Personalentwicklung (40 % ja und 42 % eher ja). Befragt wurden in dieser Studie Personalverantwortliche und Geschäftsführer bzw. Vorstände aus 155 Organisationen unterschiedlicher Größe (von „weniger als 49“ bis „mehr als 500“ Beschäftigte). Die Branchenverteilung war zudem bunt durchmischt, wie z. B. aus der Finanzwirtschaft, der Produktion, der Öffentlichen Verwaltung und dem Dienstleistungssektor. Durch die Potenziale Künstlicher Intelligenz, die in den vier Aspekten „Verstehen“, „Schlussfolgern“, „Lernen“ und „Interagieren“ liegen (Semet & Hilberer, 2021, S. 215 f.), kann auch der HR-Bereich davon profitieren. So kann KI-Vorarbeit in der Auswertung von Bewerbungsunterlagen leisten, eine erste Auswahl treffen, aber auch aus vergangenen Daten Rückschlüsse ziehen. Das heißt KI kann hier Routineaufgaben übernehmen und Empfehlungen geben. „Ziel der Systeme ist es also, dem Menschen Handlungsempfehlungen darzulegen, damit schneller bessere Entscheidungen getroffen werden können“ (ebd., S. 216). Petry und Jäger (2021) postulieren entsprechend, KI als „Augmented Intelligence“, also erweiterte Intelligenz einzusetzen, die den Menschen unterstützen kann und nicht (komplett) ersetzen soll. Dies kann zum Beispiel im Personalmanagement mit Hilfe von People Analytics erfolgen.

Höchste Akzeptanz von KI in der Personalplanung und im Recruiting

KI kann Routineaufgaben übernehmen und Empfehlungen geben.

88

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

6.2  People Analytics im Personalmanagement Große Datenverfügbarkeit und optimierte Datenanalysemöglichkeit

6

Das Potenzial von People Analytics liegt in der größeren Verfügbarkeit und besseren Nutzung von Daten (Big Data) sowie einer optimierten Datenanalysemöglichkeit (Advanced Analytics) durch KI bedingt (Petry & Jäger, 2021, S. 42– 44). People Analytics stellt damit einen wichtigen Teil einer digitalisierten HR-Funktion dar. Es wird von größeren Datenmengen gespeist und erweitert die Möglichkeiten der Datenverlinkung und -analyse (Hasenbein, 2020, S. 48). Dabei geht es um die zielgerichtete Nutzung der Daten zur Entscheidungsfindung im Personalmanagement (Mühlbauer et al., 2018, S. 108). People Analytics sind dem evidenzbasierten Management zuzuordnen, da hier unternehmerische Entscheidungen auf der Basis von empirischen Daten getroffen werden. Es geht über ein reines Personalcontrolling hinaus und inkludiert neben internen auch externe Datenquellen. Die Studie „HR-Analytics 2025“ zeigt, dass der Einsatz von HR-Analytics noch am Anfang steht, darin gleichzeitig ein großer Mehrwert für die Unternehmen gesehen wird (Frankfurt Business Media, 2019). Denn durch die Optimierung des Personalmanagements soll People Analytics zum Unternehmenserfolg beitragen (Fischer et al., 2018, . Abb. 6.2). 25 % der befragten Unternehmen nutzen bisher HR-Analytics Software. Hierbei ist eine Differenzierung in vier Analysetypen zu machen. Das deskriptive Reporting (Was ist und was war?) findet in zwei Drittel der befragten Unternehmen statt (68 %), in weniger als einem Viertel (22 %) erfolgt explanatives Reporting (Warum ist/war das so?). Die fortgeschrittenen Analysetypen, Predictive Analysis (Wie wird es?) und Prescriptive Analysis (Was sollte/könnte man tun?) mit 13 % und 7 % spielen aktuell noch eine untergeordnete Rolle

. Abb. 6.2  People Analytics. (In Anlehnung an Fink (2021, S. 141; Originalquelle nach Werther & Bruckner, 2018, S. 108))

6.3 · Personalmarketing mit Künstlicher Intelligenz

(Frankfurt Business Media, 2019; Petry & Jäger, 2021). In diesem Zusammenhang wird auch in unterschiedliche Reifegrade differenziert, was den Einbezug von KI betrifft. Denn bei prädiktiven Datenanalysen wird Künstliche Intelligenz eingesetzt, wohingegen es sich bei dem deskriptiven Reporting um eine einfache Kennzahlenberechnung aus dem HR Reporting handelt (Dietrich, 2021). Fink drückt den Vorteil von KI-basiertem People Analytics trefflich wie folgt aus (2021, S. 140):

» „Von smarten Algorithmen erhobene und ausgewertete Daten in

People-Analytics führen zu besseren Entscheidungsgrundlagen in der strategischen Personalplanung und zu mehr Objektivität und Fairness im operativen Workfore-Management“.

89

Predictive Analysis und Prescriptive Analysis gehören zu den fortgeschrittenen Analysetypen.

Die Mehrheit der befragten Unternehmen sagt HR-Analytics ein großes Zukunftspotenzial voraus. Demnach werden in zwei Drittel der Unternehmen bis 2025 HR-Analytics eine wichtige Rolle als HR-Instrument spielen (67 %). 49 % sprechen hierbei von einer hohen Bedeutung und und 18 % von einer sehr hohen Bedeutung. 6.3  Personalmarketing mit Künstlicher

Intelligenz

Beim Personalmarketing geht es um die Gewinnung von qualifizierten Mitarbeitern durch entsprechende Marketingmaßnahmen. Im Zuge der Digitalisierung hat sich das Personalmarketing verändert. So werden vermehrt soziale Netzwerke und Medien eingesetzt wie YouTube, Instagram und LinkedIn. Auch kommen Virtual und Augmented Reality zunehmend zum Einsatz (Hasenbein, 2020, S. 43). Was den Einsatz von KI betrifft, gibt es folgende Möglichkeiten, die hier eingesetzt werden können (Fink, 2021; Jäger & Teetz, 2021): 5 Augmented Writing (Schoenthal & Gierschmann, 2020): Eine KI-Software hat hier die Aufgabe, eine Sprache und Formulierung zu finden, die eine bestimmte Gruppe von potenziellen Bewerbern ansprechen soll. Ziel ist dabei die Verbesserung von Stellenanzeigen durch eine optimierte Ansprache. Dafür wird eine große Anzahl an Anzeigen aus der Vergangenheit analysiert und zu entsprechenden Jobbörsen, -kategorien und Schlüsselwörtern klassifiziert. Die Daten werden mit der Reaktion von Interessenten verglichen und auf diese Weise lernt die KI-Erfolgsmuster und kann damit Anzeigen so gezielt formulieren, dass sich die jeweilige Zielgruppe damit angesprochen fühlt.

Ziel von Augmented Writing ist eine optimierte Ansprache von Bewerbern.

6

90

6

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

Programmatische Werbung bedeutet, Jobangebote zielgruppengerecht auszuspielen.

5 Programmatic Job-Advertising und Kontext/Semantic-Targeting (HR Monkeys, 2021): Programmatische Werbung bedeutet das automatisierte Ausspielen von Werbung auf digitalen Werbeflächen in Echtzeit. Algorithmen sind dafür zuständig, die relevanten Daten so zu analysieren, dass Jobangebote für die richtige Zielgruppe ausgespielt werden. Die Software PERSY ermöglicht es, Stellenanzeigen zu erstellen und optimierte Kampagnen zur Anzeigenvermarktung zu erstellen. Dies erfolgt mittels Machine-Learning-Algorithmen, die auf Basis von demografischen, geografischen und kontextuellen Daten Targeting-Strategien entwickeln.

Durch Kontext-Targeting werden Stellenanzeigen im passenden Kontext platziert.

5 Beim Kontext-Targeting suchen Algorithmen nach definierten Schlagwörtern und platzieren Stellenanzeigen in einem passenden Kontext wie zum Beispiel Stellenanzeigen für Mediziner neben Berichten oder Artikeln zu bestimmten medizinischen Inhalten. Um fehlplatzierte Anzeigen zu vermeiden, wird das semantische Targeting eingesetzt. Dieses analysiert komplette Texte und sucht nicht nur nach Stichworten. So können Schwerpunktthemen und Sinnzusammenhänge erkannt werden.

KI-basierte Stimmungsanalysen ermöglichen die Auswertung von Bewertungen zu potenziellen Arbeitgebern.

5 KI-basierte Stimmungsanalysen – Sentiment-Analyse von IBM Watson (Poria & Majumder, 2018; Ajayi & Sodha, 2020): Mittels KI-basierter Stimmungsanalysen wird ausgewertet, welche emotionalen Reaktionen interessierte Personen bezogen auf potenzielle Arbeitgeber zeigen und welche kognitiven Bewertungen sie mit diesen verbinden. Die Nennungen werden in Kategorien von positiv, neutral bis hin zu negativ aggregiert oder es werden Segmente zu den wahrgenommenen Stärken und Schwächen gesammelt. Dies erfolgt in der Regel anhand von Textbeiträgen. Die Möglichkeiten erweitern sich hier in Richtung Stimmungsanalyse von Fotos, Audio- und Videodateien. Dies setzt künstliche neuronale Netzwerke voraus, die Emotionen „lesen“ und einordnen können. Ein Beispiel dafür ist das KI-Tool IBM Watson. Dieser analysiert frei zugängliche Daten in sozialen Netzwerken und im Internet danach, wann und wo ein potenzieller Arbeitgeber negativ, positiv oder neutral bewertet wurde. Diese Kategorisierung erfolgt mithilfe von Sentiment-Wörterbüchern. Watson wird ergänzend mit Trainingsdaten „gefüttert“, damit seine Genauigkeit gesteigert werden kann.

6.3 · Personalmarketing mit Künstlicher Intelligenz

5 KI-basierte Chatbots (vgl. Dudler, 2020): Wenn sich Kandidaten auf einer Karriereseite oder in einer Jobbörse bewegen und dort auf eine Stellenanzeige klicken, kann hier ein Chatbot Hilfe anbieten und auf Fragen antworten. Es kann zwischen regelbasierten und KI-basierten Chatbots unterschieden werden. Regelbasierte Chatbots arbeiten mittels vorstrukturierter Fragen und Antworten und folgen somit definierten Regeln. KI-basierte Chatbots nutzen maschinelles Lernen oder Deep Learning. Diese Chatbots lernen aus den Fragen und Rückmeldungen der Anwender und Anwenderinnen. Damit ist ein erweiterter Dialog möglich und die Bots können ihre Antworten kontinuierlich anpassen und weiterentwickeln. Bei sprachbasierten Bots kommt zudem eine Spracherkennung wie das Natural Language Processing zum Einsatz. Sprachbasierte Bots sind deshalb vielversprechend, da hiermit doppelt so schnell Informationen vermittelt werden können wie beim Schreiben. 5 Virtual Reality und Augmented Reality beim Employer Branding (Jäger & Kantzow, 2021): Hier werden mittels VR- oder AR-Einblicke in die Welt der potenziellen Arbeitgeber gegeben. Dies erfolgt zum Beispiel auf Bewerbermessen oder im Online-Format. Unternehmen, die damit einen ersten Job- oder Unternehmenseinblick geben sind beispielsweise EnBW, Deloitte, Bayer, Boehringer Ingelheim und Rohde & Schwarz. Ein Ansatz sind die „VR-Panorama-Galerien“ von Jobware, die in Stellenanzeigen und auf Karriereseiten eingebunden werden. Auf diese Weise können Firmengebäude, Arbeitsplätze, Produktionshallen und Laboratorien in Kugelpanoramen gezeigt und von den potenziellen Kandidaten und Kandidatinnen erkundet werden.

91

6

KI-basierte Chatbots beantworten Fragen von Bewerbern

VR und AR geben Einblicke in die Welt potenzieller Arbeitgeber.

» „Während

gut gestaltete Stellenanzeigen mit anderen gut gestalteten Anzeigen um die Aufmerksamkeit potenzieller Anbieter konkurrieren, sind VR-Inhalte echte Eyecatcher und können das Interesse für ein Jobangebot verfestigen“ (Jäger & Kantzow, 2021, S. 204).

5 Proactive Search and Matching: Dieses kann als Übergang zum Recruiting verstanden werden. Ziel ist es, proaktiv nach Talenten zu suchen. „Hierbei werden Bewerber und Bewerberinnen von den Unternehmen aktiv auf neue Stellenangebote angesprochen. Die Kontaktaufnahme erfolgt über verschiedenen Karrierenetzwerke, Talent Pools oder über Social-Media-Netzwerke wie XING oder LinkedIn“ (Hasenbein, 2020, S. 46). Smarte Algorithmen können dabei den Suchprozess unterstützen. Mittels Crawling wer-

Mittels Proactive Search wird proaktiv nach Talenten gesucht.

92

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

6

. Abb. 6.3  Personalmarketing mit KI unterstützt

den Business Netzwerke abgesucht, dann werden mittels Sraping relevante informationen gesammelt und schließlich mittels Parsing analysiert. . Abb. 6.3 zeigt vereinfacht einen KI-unterstützten Personalmarketing-Ablauf. 6.4  Personalrecruiting mit Künstlicher

Intelligenz und Robots

Der gesamte Recruitingprozess kann bereits mit KI unterstützt werden.

Zum Recruiting gehören die Suche von passenden Kandidaten, die Analyse von Bewerbungsunterlagen, die Durchführung von Auswahlgesprächen sowie die Eignungsdiagnostik, z. B. mittels Assessment Centern (AC). Diese verschiedenen Auswahlverfahren werden heute zunehmend mittels digitaler Möglichkeiten umgesetzt. Dazu gehören Bewerber-Online-Portale und Videokonferenzsysteme für Bewerbergespräche, auch ACs finden immer häufiger online statt (Hasenbein, 2020). Das Recruiting gehört zu den HR-Bereichen, wo die meisten KI-Tools eingesetzt werden (Fink, 2021) und es erfährt nach der Personalplanung die höchste Akzeptanz für den Einsatz von KI, wie die bereits erwähnte Marktstudie der perbit Software GmbH belegt. Der gesamte Recruitingprozess kann heute mit Möglichkeiten der

6.4 · Personalrecruiting mit Künstlicher Intelligenz und Robots

93

6

Künstlichen Intelligenz unterstützt werden. Im Folgenden werden die einzelnen Bereiche vorgestellt: 5 Analyse von Bewerbungen mittels KI: Hier können mit KI-Systemen die Informationen und Daten von Bewerbern und Bewerberinnen hinsichtlich relevanter Qualifikationen und Kompetenzen zur jeweiligen vakanten Stelle abgeglichen werden. Dieser Vorgang setzt eine entsprechende Datenbasis voraus, damit ein solcher Abgleich erfolgen kann. Das ermöglicht beispielsweise IBM Watson Recruiting, der die Daten von Bewerbern mit den Profilen von erfolgreichen Kolleginnen in der Belegschaft, die eine solche Funktion ausführen, abgleicht (Fink, 2021; IBM, 2018). Ein solches Vorgehen ist sicherlich nicht immer absolut zutreffend und fehlerfrei. Erst mit der Zeit und vielen Fällen können die Ergebnisse immer zutreffender werden. Damit es nicht zu einer sogenannten Diskriminierung der Daten kommt (Zweig, 2019), ist es wichtig, mit welchen Informationen das KI-System gespeist wird. Ein prominentes Beispiel ist das von Amazon in 2018 (Meyer, 2018). Hier präferierte die KI weiße männliche Bewerber, da die Datenbasis auf erfolgreichen weißen männlichen Mitarbeitern beruhte. Dies gilt es bei der Befüllung von KI-Systemen mit Daten zu berücksichtigen. In Konsequenz wurde das System eingestellt. Das bedeutet nicht, dass solche KI-Systeme in Gänze gemieden werden sollten. Ihre Vorteile liegen dennoch auf der Hand, große Mengen an Bewerberdaten schnell und effizient zu verarbeiten als dies von Menschenhand möglich wäre (KeyeEhing, 2020, S. 397). Bei der Analyse von Bewerbungen spielt das CV-Parsing eine zunehmend wichtige Rolle. Hierbei werden Lebensläufe, Anschreiben oder auch Online-Profile ausgewertet, mit dem Ziel „[…] Daten aus den Dokumenten automatisch zu extrahieren und für die Auswertung in strukturierte Daten zu verwandeln“ (Fink, 2021, S. 87). Bei Standardinformationen wie zum Beispiel Bildungsabschlüsse ist dies in der Regel leichter als bei Informationen, bei denen man auf Persönlichkeitseigenschaften schließen möchte. Hierbei werden KI-Anwendungen darauf trainiert, einzelne Persönlichkeitsmerkmale auf Basis von Texten einzuordnen. Dies wird bereits mit den Persönlichkeitsfaktoren des Big-Five-Modells aus der Persönlichkeitspsychologie umgesetzt. Hierfür wird ein künstlich neuronales Netz mittels Machine Learning trainiert, um so die Ausprägung der fünf Persönlichkeitsfaktoren, Neurotizismus, Verträglichkeit, Gewissenhaftigkeit, Offenheit und Extraversion, durch die Analyse von ver-

KI unterstützt den Abgleich von Bewerberinnendaten mit den geforderten Qualifikationen und Kompetenzen einer Vakanz.

94

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

wendeten Wörtern in Texten einzuschätzen (Fink, 2021; Majumder et al., 2017). Recruiting Bots können bereits komplette ScreeningEinstellungsgespräche durchführen.

6

5 Digitale Dialogsysteme – Recruiting Chatbots und Robots: Die Befragung von Laumer et al. (2019) mit den 1000 größten deutschen Unternehmen und den 300 größten IT-Unternehmen sowie 3300 Kandidaten zeigt u. a., dass 2,8 % der Top 1000 Unternehmen bereits Chatbots in der Rekruitierung einsetzen und sechs von zehn der Top 1000 Unternehmen sowie mehr als die Hälfte der IT-Unternehmen gehen davon aus, dass solche Systeme zukünftig vermehrt eingesetzt werden. Chatbots sind digitale Dialogsysteme, die über geschriebene Sprache mit dem Menschen kommunizieren können. Die Praxis ist noch entfernt von sogenannten intelligenten Chatbots. Jedoch die Entwicklung von zunehmend intelligenteren Lösungen geht im Hintergrund weiter (Jäger & Teetz, 2021). Im Praxiseinsatz sind Chatbots, die die Kandidaten durch Bewerberportale führen, die Fragen zum Bewerbungsprozess beantworten oder bereits erste Informationen über die Qualifikationsmerkmale der Bewerber einholen und sogar komplette Screening-Einstellungsgespräche können mittels digitaler Dialogsysteme durchgeführt werden (Kersting, 2021). Um intelligente Dialogsysteme zu ermöglichen, ist die Weiterentwicklung von Robotics in Verbindung mit künstlicher Intelligenz erforderlich. Denn Chatbots sind in dem Sinne limitiert, dass sie sehr strukturiert aufgebaut sind und durch „wenn-dann“ Verknüpfungen funktionieren. Komplexe Entscheidungen, wo die Parameter nicht eindeutig sind, sind damit nicht möglich (Steiner et al., 2021, S. 452). Dafür sind laut Steiner et al. (2021) folgende Schritte erforderlich: 1. das Verarbeiten von Informationen natürlicher Sprache aus Texten und Gesprächen durch Aufzeichnung und anschließender Transkription. 2. der Einsatz von Natural Language Processing (NLP), um Sprache zu verstehen und in strukturierte Daten umwandeln zu können. Voraussetzung für eine selbstlernende und trainierte KI ist dabei, dass entsprechend riesige Datenmengen eingespeist werden können, damit auch nicht-eindeutige Entscheidungen aufgrund einer großen Anzahl von Parametern getroffen werden können. „In einen Robotics-Prozess eingebunden, ergeben sich daraus große Potenziale, Prozesse von Ende zu Ende zu automatisieren, ohne für bestimmte Zwischenschritte auf menschliche Interaktion angewiesen zu sein“ (Steiner et al., S. 453).

6.4 · Personalrecruiting mit Künstlicher Intelligenz und Robots

95

. Abb. 6.4  Personalrecruiting mit Chatbot

. Abb. 6.4 zeigt vereinfacht einen Chatbot-unterstützten Personalrecruiting-Ablauf. 5 Analyse von Gesprächen, Screening-Interview: KI-Lösungen mittels Deep Learning ermöglichen es, unstrukturierte Daten in Form von Videodateien, die als Bewerberinterviews durchgeführt werden, auszuwerten. „[…] denn solche Videoclips produzieren riesige unstrukturierte Datenmengen in Form von Video-, Audio- und Sprachspuren, die sich nur von Künstlicher Intelligenz systematisch und umfassend analysieren lassen“ (Fink, 2021, S. 90). Hier spielen KI-Algorithmen mit NLP-Technologie, wie sie bereits unter dem vorherigen Punkt erwähnt wurde, eine wichtige Rolle. Auf dieser Basis können die Wörter in den Transkripten kategorisiert und es kann auf bestimmte Persönlichkeitsmerkmale geschlossen werden. In der Praxis setzt dies bereits z. B. der Konsumgüterkonzern Unilever in standardisierten Videointerviews ein und Retorio, einem Spin-off der TU München, wertet mit KI-Bewerbungsinterviews auf Basis des Persönlichkeitsprofils Big Five aus (Fink, 2021; Retorio, 2022). Dies ist sicherlich nicht einfach unkritisch hinzunehmen. Es stellt sich die Frage, ob Menschen dabei wirklich in ihrer Komplexität adäquat eingeschätzt werden können. Und zudem besteht bei der Zuverlässigkeit der Einordnung sowie Auswertung durch KI noch einiges an Verbesserungspotenzial, bis es so weit ist, dass die gewünschte Objektivität und Chancengleichheit durch den Einsatz von KI tatsächlich zum Tragen kommen. Und somit subjektive Beurteilungen und Verzerrungen, die in persönlichen Gesprächen sogar mit sehr erfahrenen menschlichen Interviewern entstehen, mehr und mehr vermieden werden können. Dennoch bleibt die Frage, ob es am Ende nicht doch diesen menschlichen Aspekt weiterhin braucht. Ein Ansatz könnte hierbei die Kombination von Mensch und KI sein, im Sinne eines hybriden Formats.

KI-Lösungen können mittels Deep Learning unstrukturierte Daten in Form von videobasierten Bewerberinterviews auswerten.

6

96

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

Mit Recrutainment erfolgen Auswahlprozesse auf spielerische Art und Weise.

6

5 Recrutainment zur Eignungsdiagnostik: Klassische Assessment Center in Präsenz werden immer häufiger von Spiel- und Video-Assessments ersetzt. In diesem Kontext taucht der Begriff Recrutainment auf, der den Trend beschreibt, den Auswahlprozess mit spielerischen Methoden, Gamification, zu verbinden (Fink, 2021, S. 96). Leutner und Aichholzer (2020, S. 76) führen folgende Vorteile von Spiel- und Video-Assessments an: 5 Hohe Ähnlichkeit mit der Arbeitsumgebung: Video-Interviews und Spiel-Assessments kommen der realen Arbeitsumgebung recht nahe, z. B. mittels eines Video-Interviews, das ein Gespräch mit Kollegen oder Kunden simuliert. 5 Effizienz: In Video- und Spiel-Assessments können gleich mehrere Persönlichkeitsmerkmale und Kompetenzen gemessen werden. 5 Kandidatenorientiert: Video-Interviews sind interaktiv und ermöglichen es den Bewerbern und Bewerberinnen, ihre persönliche Geschichte zu teilen. 5 Minimierte Vortäuschung: Bei Spiel-Assessments können Aufgaben und Schwierigkeitsgrade automatisch erzeugt werden, was es schwieriger macht, dass sich die Kandidaten gezielt darauf vorbereiten können. Recrutainment hat zudem die Intention, die Hemmschwelle bei Bewerbungen herabzusetzen und auch einen „Spaßfaktor“ mit einzubringen. Aufgrund der Datenmenge und Abbildung von Komplexität ist KI im Recrutainment prädestiniert, um diese Daten in kürzester Zeit auszuwerten. z Vor- und Nachteile von KI-basiertem Recruiting

Algorithmen sind tendenziell Expertenund Expertinnen-Urteilen überlegen.

Auf der einen Seite stehen möglich Verzerrungen und Biases beim menschlichen Recruiter wie z. B. der Primacy und Recency Effekt, Wirkung des ersten und letzten Eindruckes zum Beispiel beim Screening von Bewerbungsunterlagen, bei Interviewgesprächen und Assessment Centern. Auf der anderen Seite werden bei KI-Tools die Aspekte Transparenz, Fairness und Gerechtigkeit und insbesondere die „menschengemachte Diskriminierung“, was Geschlecht, Ethnie und Alter betrifft, kritisch diskutiert (Fink, 2021, S. 101; Leutner & Aichholzer, 2020, S. 85). Ziel sollte es sein, dass Algorithmen keine Bewerber und Bewerberinnen aus bestimmten Gruppierungen benachteiligen. Mit den Vor- und Nachteilen von KI-basiertem Recruiting setzen sich zunehmend Forscher und Praktiker auseinander. So auch Laumer, Weitzel und Luzar (2019). Sie beschäftigen sich mit der Forschungsfrage „Was sind Chancen und Herausforderungen von system- und datengestütztem Rekrutieren

6.4 · Personalrecruiting mit Künstlicher Intelligenz und Robots

für Bewerber und Unternehmen?“. Ergebnisse aus ihren Unternehmens- und Kandidatenstudien zeigen, dass von den Unternehmen, Bewerbern und Bewerberinnen Chancen von digitalen Matching- und Dialogsystemen gesehen werden, es jedoch noch sehr wenig tatsächlich umgesetzte Lösungen gibt. Herausforderungen liegen in den Bereichen bessere Datengrundlage, Vertrauen der Bewerber und Bewerberinnen in solche Systeme und Bedenken, was die Datenvertraulichkeit betrifft. Was die Entscheidungsgüte von Algorithmen im Vergleich zu Experten- und Expertinnen-Urteilen betrifft, scheinen Algorithmen tendenziell überlegen zu sein und eine stärkere Vorhersagekraft zu haben. Die Studien beziehen sich zwar nicht nur auf Personalentscheidungen und KI-Algorithmen und die Ergebnisse zeigen, dass die Entscheidungsgüte von Algorithmen nur leicht besser ist, dennoch zeigen sie eine Tendenz zu Algorithmen (Biemann & Weckmüller, 2016). Auch ältere Meta-Studien von Grove und Kollegen (2000) sowie Kuncel und Kollegen (2013) konnten bereits die Überlegenheit von Algorithmen bei Entscheidungen im Gegensatz zu Expertenurteilen zeigen. Dies ist in weiteren Untersuchungen tiefergehender zu untersuchen und empirisch zu replizieren. Für den HR-Bereich sollte dies zudem spezifisch auf den Personalbereich bezogen werden. ► Personalsuche und -auswahl mit KI Ein potenzieller Kandidat für einen neuen Job geht auf eine Jobsuchmaschine und gibt dort die Suche nach einem bestimmten Job wie zum Beispiel „Unternehmensberater“ im Raum Köln ein. Ein Algorithmen-basierter Bot tritt mit dem/der Jobsuchenden in Kontakt und stellt Fragen, um die Suche weiter zu präzisieren. Ist das Profil des Nutzers hinterlegt worden, bietet das System auch proaktiv Jobangebote an. Die Alternative ist die, dass ein Unternehmen, in diesem Fall eine Unternehmensberatung, proaktiv im Sinne von Active Sourcing nach Kandidaten suchen lässt. Dies könnte beispielsweise in einem der bekannten beruflichen Netzwerke wie LinkedIn erfolgen. Ist ein Kontakt zustande gekommen und hat eine KI-System die Informationen und Daten der Kandidatin/des Kandidaten hinsichtlich relevanter Qualifikationen und Kompetenzen zur jeweiligen vakanten Stelle abgeglichen, tritt ein Recruiting Bot mit diesem/dieser in Kontakt. Der Bot führt dann ein erstes Screening-Einstellungsgespräch durch. Dies setzt ein intelligentes Dialogsystem voraus. Der nächste Schritt ist dann ein Interviewgespräch mit einem menschlichen Recruiter. Vertraulichkeit und Datenschutz vorausgesetzt, könnte dieses Gespräch aufgenommen und anschließend von KI-Lösungen mittels Deep Learning hinsichtlich

97

6

98

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

bestimmter Persönlichkeitsmerkmale ausgewertet werden. Anschließend wird zur weiteren Eignungsdiagnostik ein Video-Assessment im Sinne von Recrutainment durchgeführt, bei dem der Auswahlprozess mit spielerischen Methoden erfolgt. Hier könnte zum Beispiel eine reale Arbeitsumgebung simuliert werden, bei der der Kandidat bzw. die Kandidatin ein Gespräch mit einem Kunden/einer Kundin durchführen soll oder eine typische Arbeitsaufgabe eines Unternehmensberaters/einer Unternehmensberaterin zu bearbeiten hat. Hier könnten zudem verschiedene Schwierigkeitsgrade mit eingebaut werden. Das finale Gespräch in diesem Recruitingprozess könnte abschließend durch einen menschlichen Recruiter erfolgen. ◄

6

Sind geeignete Kandidaten ausgewählt, kommt im weiteren Personalprozess die Personalentwicklung ins Spiel. Auch diese kann zunehmend von Künstlicher Intelligenz unterstützt werden. 6.5  Personalentwicklung mit Künstlicher

Intelligenz

Lernen wird selbstorganisierter und individueller.

Personalentwicklung wird zunehmend die Aufgabe haben, Menschen und Technologien zum Wissenserwerb zu verknüpfen.

Die Personalentwicklung und ihre Rolle in Unternehmen hat sich bereits im Zuge der Digitalisierung verändert und wird sich weiter verändern. Hasenbein (2020) hat bereits mit Beginn der Corona-Pandemie die These aufgestellt, dass die Entwicklung von den klassischen Zwei-Tages-Trainings weggehen wird und Inhalte vermehrt digital und extern in hoher Qualität abgerufen werden können (S. 53). Präsenzseminare werden eher etwas Exklusives sein und dem bewussten Üben und Praxistransfer sowie der persönlichen Vernetzung und Kooperation dienen. Und mit Unterstützung von digitalen Lösungen wird sich der Mitarbeiter selbstorganisiert und bedarfsorientiert um seine eigene Weiterbildung kümmern. Rump et al. (2020) zeigen auf Basis ihrer Befragungen im Hinblick auf Future Learning ähnliche Entwicklungen auf: zunehmend digitale Lernmethoden und virtuelle Formate wie Online-Trainings und MOOCs, hohe Individualisierung des Lernens und Selbstverantwortung, Peer-toPeer Learning sowie ein Trend zu kleinteiligen Lerneinheiten und starkem Praxisbezug (S. 212–213). Fink (2021) führt zur Rolle der Personalentwicklung im Hinblick auf eine KI-basierte Entwicklungsvision aus, dass die Aufgabe der Personalentwicklung darin liegen werde, kurzfristige Organisationsentwicklungsangebote für verteilte Teams anzubieten, digitale Datennetzwerke aufzubauen, Führungskräfte in ihrer Rolle als Lernbegleiter zu

6.5 · Personalentwicklung mit Künstlicher Intelligenz

unterstützen und Lernpartnerschaften in der Belegschaft sowie Kooperationen mit MOOC-Anbietern und digitalen Hochschulen auszubauen. Bei diesen Aufgaben werden Personalentwicklerinnen und Personalentwickler durch die technologischen Möglichkeiten und Systeme sowie Data-Scientists in persona unterstützt. „Die Kompetenz, Menschen mit Menschen und Technologien zu verknüpfen, um Zugang zu frischem Wissen zu ermöglichen, wird die Rolle von PE auszeichnen“ (Fink, 2021, S. 107). Ergänzt werden kann diese Aussage um eine weitere Aufgabe von Personalentwicklung in digitalen Zeiten, und zwar um die, Mitarbeiter und Führungskräfte für KI zu qualifizieren. Dies ist damit verbunden, dass KI und die weitere Digitalisierung neue und erweiterte Kompetenzen bei den Mitarbeitenden erfordert. Dies wird einen zunehmenden Bedarf an Weiterbildung, Umschulung und Fortbildung im Corporate Learning induzieren. Petry und Jäger (2021) postulieren dazu, dass die neuen Technologien und Geschäftsprozesse in einer VUCA-Umwelt die erforderlichen Kompetenzen und damit verbunden die Lerninhalte verändern (S. 78–79). Im fachlichen Bereich geht es um Inhalte wie Data Analytics, KI, Social Media und Mensch-Maschine-Interaktion. Auf der methodischen Seite sind es agile Methoden, Innovationskompetenz sowie Umgang mit Ambiguität und Komplexität. Bei den Sozialkompetenzen betrifft dies u. a. die Kooperationsfähigkeit, emotionale Intelligenz und Selbstorganisation. Auch verändern sich dadurch die Rollen von Mitarbeitern, Führungskräften und von der PE-Abteilung selbst. Mitarbeiter sind zunehmend selbstverantwortlich für ihre individuelle Kompetenzentwicklung, Führungskräfte werden zu Lerncoaches und fungieren möglichst als Vorbild für kontinuierliches Lernen, die PE wird zum Entwicklungs- und Lernbegleiter (Hasenbein, 2020, S. 89). Damit verbunden ist weiterhin die Veränderung der Lernansätze. Diese sind im digitalen Zeitalter nach Petry und Jäger (2021, S. 79–80) Folgende: 5 Situationsspezifisches On Demand Lernen 5 Verstärktes Lernen am Arbeitsplatz 5 Learning Nuggets und Microlearning 5 Informelles Lernen 5 Kollaboratives Lernen 5 Lebenslanges Lernen 5 Lernerzentrierung durch adaptives Lernen und Learning Experiences. Diese Veränderungen wurden u. a. bereits in den Trendanalysen mmb learning Delphi 2018/2019 und 2019/2020 angekündigt. Weitere Entwicklungen sind der zunehmende Ein-

99

6

Kompetenzen und Lerninhalte verändern sich mit KI.

Zentral ist es, ein Grundverständnis von KI zu vermitteln.

100

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

satz von immersiven Lernanwendungen wie Virtual Reality und Augmented Reality und die verstärkte Nutzung von KI im Lernkontext. In dem Moment, wo KI eine wachsende Rolle in den Unternehmen spielen wird und die Einsatzmöglichkeiten von KI u. a. in der Personalentwicklung immer vielfältiger werden, sollten mindestens alle Führungskräfte und die Mitarbeiter in der PE ein Grundverständnis von KI haben und dies auch an alle Mitarbeiter weitertragen können. Das bedeutet in Konsequenz, dass eine Qualifizierung für Künstliche Intelligenz eine absolute Notwendigkeit sein wird. Die Microsoft Studie „Mitarbeiterqualifizierung und das Potenzial der KI“ zeigt dies entsprechend auf (Microsoft, 2020). Im Folgenden werden KI-basierte Tools und Systeme vorgestellt werden, die dabei unterstützen können, Lernen weiter zu individualisieren und personalisieren sowie Lernen selbstorganisierter und bedarfsorientierter zu gestalten.

6

6.5.1  Learning Analytics und Adaptive Learning

mit Bots

Mit Learning Analytics kann ein personalisiertes und adaptives Lernen unterstützt werden.

Learning Analytics, vor allem unter Zuhilfenahme von KI, machen es möglich, Daten des Lernenden zu analysieren. Dadurch, dass Lernprozesse gemessen, gesammelt und ausgewertet werden (Gärtner, 2020, S. 136). Es soll damit der Lernerfolg jedes Einzelnen möglichst erhöht werden. Zudem kann mit Learning Analytics ein personalisiertes und adaptives Lernen unterstützt werden. Adaptive Learning bedeutet, dass der Lernpfad eines Lernenden an die sich jeweils ändernden Nutzungsszenarien angepasst wird (Geier, 2021). Dafür analysiert das System die Daten des Lernenden in der Lernumgebung und passt diese auf den Benutzer und seinen Lernstil individuell an. Künstliche Intelligenz ermöglicht damit eine „automatisierte Lernpfad-Gestaltung“ (Geier, 2021, S. 311). Die Trendstudie mmb Learning Delphi von 2019/2020 stellte zur Bedeutung Künstlicher Intelligenz im Lernkontext bereits folgende Entwicklungen zu Learning Analytics und Adaptive Learning vor (Geier, 2021, S. 298, mmb Institut, 2020: Learning Analytics (KI-gestützte Lernerdaten-Analyse und Prognostik) wird von 39,3 % als sehr wichtig bewertet und von 37,7 % als eher wichtig. Adaptive Learning (individualisierte Lernangebote bzw. „Customized Education“) auch mit 39,3 % als sehr wichtig und mit 31,1 % als eher wichtig bewertet. Die aktuelle Trendstudie mmb Learning Delphi von 2021/2022 zeigt, dass Künstliche Intelligenz immer mehr zu einem Be-

6.5 · Personalentwicklung mit Künstlicher Intelligenz

standteil von Lernanwendungen wird, insbesondere punktet sie bei Empfehlungssystemen und Learning Analytics (mmb Institut, 2022, S. 14). Dies forciert den Trend zu mehr Individualisierung und selbstgesteuertem Lernen mithilfe von Künstlicher Intelligenz. Der Horizon Report 2021 belegt zudem die wachsende Bedeutung von Learning Analytics, insbesondere in der Weiterbildung. Unterstützt werden kann dies mit dem Einsatz von Personal Learning Assistants z. B. in Form von virtuellen Bots, die dem Lernenden als individueller Lerncoach oder -tutor zur Seite stehen, Fragen beantworten und Lernempfehlungen abgeben. „Virtuelle Bots werden uns dabei als unsere persönlichen Lernassistenten begleiten. Das wird zwangsläufig zu einer neuen Bildungsproduktgeneration der Zukunft führen!“ (Geier, 2021, S. 311). Fink (2021) spricht in diesem Kontext von Lern-Avataren, die die Lernbegleitung übernehmen und nicht nur einen FAQ-Katalog beantworten können, wie es bei manchen einfach strukturierten Chatbots der Fall ist, sondern auch mittels Sprachkommandos flexibel antworten und mit dem Lernenden interagieren können (S. 121). Inwieweit dies tatsächlich der Fall sein wird oder eher so formuliert, ab wann dies so sein wird, bleibt noch offen. So macht die Trendstudie mmb Learning Delphi von 2021/2022 deutlich, dass die Bedeutung von „intelligenten sprachgestützten Assistenten“ bisher noch geringer ausfällt im Vergleich zum Einsatz von KI bei individuellen Empfehlungssystemen und beim adaptiven Lernen (S. 3–4). . Abb. 6.5 zeigt vereinfacht eine KI-unterstützte Personalentwicklung. Andere Autoren gehen noch einen Schritt weiter und bringen soziale Roboter ins Spiel, die als Tutoren, Lernassistenten oder Lernpartner fungieren können:

» „Soziale

Roboter haben neben weiteren KI-basierten Systemen das Potential solche individualisierten Lernpfade und tutorielle Betreuung inklusive Learning Analytics auf kostengünstige und lernwirksame Art zu ermöglichen“ (Seufert et al., 2021).

Beispiele für solche Modelle im Bildungsbereich sind NAO und Pepper (dazu 7 Abschn. 7.4.1). Sie sind sowohl durch ein gewisses Verständnis der menschlichen Interaktion als auch der Sprache gekennzeichnet und basieren meistens auf KI-Technologien (Seufert et al., 2021). Diese Entwicklungen führen immer mehr zu smarten und hybriden Lernumgebungen, die in einem gesonderten Kapitel beleuchtet werden sollen (dazu 7 Abschn. 7.5). Bei dem Einsatz von Learning Analytics und adaptiertem Lernen darf schließlich nicht unberücksichtigt bleiben, dass

101

6

Virtuelle Bots werden zu persönlichen Lernassistenten.

Soziale Roboter als Tutoren, Lernassistenten oder Lernpartner

102

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

6

. Abb. 6.5  KI-unterstützte Personalentwicklung

dies auch mit ethischen Fragestellungen und insbesondere mit der Frage nach dem Umgang mit personenbezogenen Daten verbunden ist. Dies gilt auch für den nächsten Punkt. 6.5.2  Learning Management Systeme und Skill

Management mit KI

KI-basierte Learning Management Systeme ermöglichen ein personalisiertes und individuelles Lernen.

Durch ein KI-basiertes Learning Management System können die Bedarfe und Bedürfnisse der Lernenden personalisiert und individuell zugeschnitten werden. Bei der Analyse und der anschließenden Empfehlung können folgende Aspekte für die jeweilige Nutzerin berücksichtigt werden: 5 Lernziele 5 Lerngebiete/-inhalte 5 Lernebenen wie z. B. kognitiv, emotional, motorisch/haptisch 5 Lernformate 5 Lernprüfungen/-tests Zum Einsatz kommen dabei deskriptive Analysen, diagnostische Analysen und prädiktive Machine-Learning-Verfahren (Fink, 2021, S. 107–108). Mit letzterem ist es möglich, Lernmuster zu erkennen und Wahrscheinlichkeiten hinsichtlich des Zeitaufwands der zu lernenden Inhalte und des Bestehens eines anschließenden Tests auszurechnen. Das Ziel und Ergebnis eines solchen LMS ist ein möglichst persona-

6.6 · Rolle von HR bei der Einführung von Künstlicher Intelligenz und Robotik

103

6

lisierter Entwicklungsplan. Zusätzlich können Chatbots eingesetzt werden, die einfachen Fragen beantworten können oder komplexere Fragen an menschliche Berater oder Personaler weiterleiten. Die HolonIQ Studie bestätigt den Trend in Richtung „Next Generation Digital Learning Environment“ (NGDLE), einem System, das flexible Anwendungen im Learning-Bereich durch folgende Schlüsselfunktionen ermöglicht: Interfunktionsfähigkeit, Personalisierung, Analytics, Beratung, Leistungsüberprüfung, Kollaboration und ein universales Design (HolonIQ, 2018, S. 43). Beispiele aus der Praxis sind das LMS IBM Watson „Your Learning“, einer sogenannten „Learning-Experience-Plattform“ (LXP) basierend auf KI-Technologien sowie das LMS Docebo, einer cloudbasierten Enterprise-Learning-Anwendung mit KI-Unterstützung (Fink, 2021, S. 109–110). Diese KI-basierten LMS könnten mithilfe von Machine-Learning-Verfahren mit einer smarten Skill-Datenbank verknüpft werden und so strukturierte als auch unstrukturierte Daten verarbeiten (Fink, 2021, S. 117). Um diese Transformation der HR-Funktionen in Richtung Künstlicher Intelligenz zu bewältigen, ist ein Change-Ansatz im gesamten Personalbereich erforderlich. Dies wird im unter dem folgenden Punkt betrachtet. 6.6  Rolle von HR bei der Einführung von

Künstlicher Intelligenz und Robotik

Um diese doch umfangreichen Veränderungen in den einzelnen HR-Funktionen zu bewältigen, ist es zentral, frühzeitig einen Change-Prozess anzustoßen. Dabei sollten die Mitarbeiterperspektiven sowie die Mitwirkung der Mitarbeiterinnen und Mitarbeiter berücksichtigt werden. Dies gilt für den Weg zu einer KI-Kultur im HR-Bereich und genauso bei einem wachsenden Einsatz von Robotik (Fink, 2021; Steiner et al., 2021). Damit kann HR-Vorreiter dieser Entwicklung sein und die Veränderung in Richtung einer KI-Kultur in die gesamte Organisation weitertragen. Damit würde HR der oben erwähnten doppelten Digitalisierungsherausforderung adäquat begegnen. Zentral dabei ist das Empowerment der Mitwirkenden, denn (Fink, 2021, S. 225): „Betroffene unterstützen neue KI-Lösungen eher, wenn sie sich dadurch ermächtigt statt entmündigt empfinden“. Fink (2021) hat zehn Schritte eines Change-Prozesses zur Etablierung einer KI-Kultur definiert. . Abb. 6.6 zeigt diese im Überblick.

HR als Vorreiter zur Entwicklung einer KI-Kultur

104

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

6

. Abb. 6.6  Zehn Schritte für eine KI-Kultur. (In Anlehnung an Fink (2021, S. 225, © mit freundl. Genehmigung Schäffer-Poeschel Verlag))

Dafür werden auch neue Rollen relevant wie die der „KI-Designerin“, der „KI-Trainerin“ und der „KI-Versteherin“ (Fink, 2021) und insbesondere für HR tun sich neue Zukunftsrollen auf wie zum Beispiel, der „Journey Designer“, die „Data Transformieren“, der „Learning Consultant“ und die „Toolbox-Creatorin“ (Fink, 2021, S. 238). Auf dem Weg zu einer neuen HR-Organisation geht die Entwicklung über diese Veränderung immer mehr in Richtung einer (selbst-)lernenden Organisation. Veränderung ist damit als kontinuierlicher Lernprozess zu verstehen, bei dem das Credo des lebenslangen Lernens zur Realität wird. Denn der Prozess der Digitalisierung endet womöglich nie (Petry & Jäger, 2021, S. 112). Fazit Der Einfluss von Künstlicher Intelligenz auf die einzelnen Funktionen im Human Resources Bereich ist bereits sehr deutlich. Vor allem im Personalmarketing z. B. durch Programmatic Job-Advertising und im Recruiting z. B. mittels

105 Literatur

Recruitung Chatbots und Robots werden KI-Systeme und Roboter vermehrt eingesetzt. Insbesondere im Recruiting sind die Vorteile und Nachteile derzeit noch sehr gut miteinander abzuwägen. Auf der einen Seite stehen mögliche Verzerrungen und Biases beim menschlichen Recruiter, die durch KI verhindert bzw. ausgeglichen werden können. Auf der anderen Seite werden bei KI-Tools die Aspekte, Transparenz und Fairness sowie vor allem die Diskriminierung in den Algorithmen, was Geschlecht, Ethnie und Alter betrifft, kritisch diskutiert. In der Personalplanung spielen KI-unterstützte People Analytics bei der prädiktiven und präskriptiven Analyse eine wachsende Rolle. In der Personalentwicklung sind es Learning Analytics, Adaptive Learning sowie der Einsatz von digitalen Lernassistenten. Bei einer solchen Veränderung von HR durch KI ist es zentral, die Mitarbeiter und Mitarbeiterinnen frühzeitig mit einzubinden. Damit kann Human Resources Vorreiter sein und die Veränderung in Richtung einer KI-Kultur in die gesamte Organisation weitertragen. Und könnte somit ihrer Aufgabe einer „doppelten Digitalisierungsherausforderung“ gerecht werden.

Literatur Ajayi, D., & Sodha, S. (2020). Solving common challenges in sentiment analysis with help from Project Debater. 7 https://www.ibm.com/blogs/watson/2020/08/solving-common-challenges-in-sentiment-analysis-with-help-from-project-debater. Zugegriffen: 30. Apr. 2022. Biemann, T., & Weckmüller, H. (2016). Mensch gegen Maschine: Wie gut sind Algorithmen im HR? Personal Quarterly, 68(4), 44–47. 7 https:// www.haufe.de/download/personalquarterly-42016-corporate-social-responsibility-personalquarterly-391390.pdf. Zugegriffen: 20. Apr. 2022. Dietrich, F. (2021). Von Mittelwerten zu Künstlicher Intelligenz – Reifegrade von People Analytics. 7 https://www.functionhr.de/blog/ki-im-hr-reifegrade-von-people-analytics/. Zugegriffen: 4. Aug. 2022. Dudler, L. (2020). Wenn Bots übernehmen – Chatbots im Recruiting. In T. Verhoeven (Hrsg.), Digitalisierung im Recruiting. Wie sich Recruiting durch künstliche Intelligenz, Algorithmen und Bots verändert (S. 101–112). Springer Gabler. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Schäffer-Poeschel. Fischer, S., Häusling, A., Mühlbauer, D., Huff, J., Süß, J., Vetter, C., Bruckner, L., & Werther, S. (2018). Implikationen von Arbeit 4.0 auf die Personalarbeit. In S. Werther & L. Bruckner (Hrsg.), Arbeit 4.0 gestalten. Die Zukunft der Arbeit zwischen Agilität, People Analytics und Digitalisierung (S. 87–161). Springer. Frankfurt Business Media GmbH. (2019). HR-Analytics 2025. Eine Trendstudie für die DACH-Region. 7 https://www.cornerstoneondemand.com/ de/resources/article/faz-hr-analytics-2025-de/. Zugegriffen: 20. Apr. 2022. Gärtner, C. (2020). Smart HRM: Digitale tools für die Personalarbeit. Springer Gabler.

6

106

6

Kapitel 6 · Künstliche Intelligenz und Roboter im Human Resources Bereich

Geier, C. (2021). Digitales Lernen – Integraler Bestandteil moderner Weiterbildungsangebote. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 295–316). Haufe. Grove, W. M., Zald, D. H., Lebow, B., & Nelson, C. (2000). Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 12, 19– 30. 7 https://www.researchgate.net/publication/12564746_Clinical_Versus_ Mechanical_Prediction_A_Meta-Analysis. Zugegriffen: 20. Apr. 2022. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Holon IQ. (2018). Education in 2030. Five scenarios for the future of learning and talents. 7 https://www.holoniq.com/wp-content/uploads/2018/06/ HolonIQ-Education-in-2030.pdf. Zugegriffen: 19. Juni 2022. HR Monkeys. (2021). Programmatic job advertising: Was steckt dahinter? 7 https://hr-monkeys.de/programmatic-job-advertising/. Zugegriffen: 17. Mai 2022. IBM. (2018). IBM Watson Recruitment. 7 https://www.ibm.com/docs/en/ tms-and-wt/version-missing?topic=guide-welcome-watson-recruitment. Zugegriffen: 7. Mai 2022. Jäger, W., & Kantzow, B. (2021). Potentiale von virtual, augmented und mixed reality für HR. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 199–212). Haufe. Jäger, W., & Teetz, I. (2021). Digitalisierung im Recruiting. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 265–282). Haufe. Kersting, M. (2021). Zwischen Mensch und Maschine – Digitale Transformation von HR. In K. Schwuchow & J. Gutmann (Hrsg.), HR-trends 2022. Covid-19, smart work, purpose, digitalisierung (S. 395–404). Haufe. Keye-Ehing, D. (2020). Die Zukunft der Arbeit: Digitalisierung in der Personalauswahl – Möglichkeiten und Risiken von KI. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 396–399). 7 https://www.researchgate.net/ publication/345670805_Sonderband_Zukunft_der_Arbeit. Zugegriffen: 7. Mai 2022. Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology, 98(6), 1060. 7 https://doi.org/10.1037/a0034156. Laumer, S., Weitzel, T., & Luzar, K. (2019). Robo-recruiting: Status quo und Herausforderungen für die KI in der Personalgewinnung. PERSONALquarterly. Wissenschaftsjournal für die Personalpraxis, 71(3), 10–15. 7 https://www.haufe.de/download/personalquarterly-32019-kuenstliche-intelligenz-personalquarterly-491400.pdf. Zugegriffen: 19. Juni 2022. Leutner, F., & Aichholzer, C. (2020). Digitale Video- und Spiel-Assessments: Psychometrie und Maschinelles Lernen. In K. P. Stulle (Hrsg.), Digitalisierung der Management-Diagnostik (S. 67–95). Springer Nature. Majumder, N., Poria, S., Gelbukh, A., & Cambria, E. (2017). Deep learning-based document modeling for personality detection from text. 7 https://www.researchgate.net/publication/315904793_Deep_Learning-Based_Document_Modeling_for_Personality_Detection_from_Text. Zugegriffen: 30. Aug. 2022. Meyer, D. (2018). Amazon reportedly killed an ai recruitment system because it couldn’t stop the tool from discriminating against women. 7 https://

107 Literatur

fortune.com/2018/10/10/amazon-ai-recruitment-bias-women-sexist/. Zugegriffen: 7. Mai 2022. Microsoft. (2020). Microsoft-Studie zu künstlicher Intelligenz: Erfolgreiche Unternehmen gewichten Technologie und Qualifizierung gleich. 7 https://news. microsoft.com/de-de/microsoft-ki-studie-erfolgreiche-unternehmen-gewichten-technologie-qualifizierung-gleich/. Zugegriffen: 5. Aug. 2022. mmb Institut. (2020). Weiterbildung und Digitales Lernen heute und in drei Jahren – KI@Ed noch nicht in der Fläche angekommen. Ergebnisse der 14. Trendstudie. „mmb Learning delphi“. mmb Institut. mmb Institut. (2022). Weiterbildung und Digitales Lernen heute und in drei Jahren Viel Rückenwind für „EduTuber“ Ergebnisse der 16. Trendstudie „mmb Learning Delphi“. 7 https://www.mmb-institut.de/wp-content/ uploads/mmb-Trendmonitor_2021-2022.pdf. Zugegriffen: 19. Juni 2022. Mühlbauer, D., Huff, J., & Süß, J. (2018). People Analytics und Arbeit 4.0. In S. Werther & L. Bruckner (Hrsg.), Arbeit 4.0 gestalten. Die Zukunft der Arbeit zwischen Agilität, People Analytics und Digitalisierung (S. 107– 132). Springer. perbit Software GmbH. (2020). Künstliche Intelligenz im Personalbereich. 7 https://www.perbit.com/hr-wissen/studie-ki-im-personalbereich.htm. Zugegriffen: 20. Apr. 2022. Petry, T., & Jäger, W. (2021). Digital HR- Gesamtkomplex im Überblick. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 27–122). Haufe. Poria, S., & Majumder, N. (2018). Multimodal sentiment analysis: Addressing key issues and setting up the baselines. IEE Intelligent Systems, 33(6), 17–25. Retorio. (2022). Die einzige Video-KI, die Persönlichkeit erkennt. 7 https:// www.retorio.com/de/. Zugegriffen: 7. Mai 2022. Rump, J., Eilers, S., & Tan, J.-V. (2020). Future Learning – Kompetenzaufbau und -erhalt für Beschäftigung 4.0. Ergebnisse einer explorativen Studie. In J. Rumpf & S. Eilers (Hrsg.), Die vierte Dimension der Digitalisierung (S. 201–223). IBE-Reihe. Springer Gabler. Schoenthal, N., & Gierschmann, F. (2020). Künstliche Intelligenz in HR – Chance oder Risiko? In K. Schwuchow & J. Gutmann (Hrsg.), HRTrends 2021: Strategie, Kultur, Big Data, Diversity (S. 314–324). Haufe. Semet, S., & Hilberer, L. (2021). Potentiale von künstlicher Intelligenz für HR. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 213–224). Haufe. Seufert, S., Guggemos, J., & Sonderegger, S. (2021). Soziale Roboter im Bildungsbereich. Konzeptioneller Überblick zum Einsatz sozialer Roboter in der Bildung. In O. Bendel (Hrsg.), Soziale Roboter (S. 475–494). Springer Nature. Steiner, K., Stolz, F., Schmieden, N., & Westrich, M. (2021). Robotics in HR – Hype oder Hilfe. In K. Schwuchow & J. Gutmann (Hrsg.), HR-trends 2022. Covid-19, smart work, purpose, digitalisierung (S. 447–457). Haufe. Werther, S., & Bruckner, L. (2018). Arbeit 4.0 aktiv gestalten. Die Zukunft der Arbeit zwischen Agilität, People Analytics und Digitalisierung. Springer. Zweig, K. (2019). Ein Algorithmus hat kein Taktgefühl. Wo künstliche Intelligenz sich irrt, warum uns das betrifft und was wir dagegen tun können. Heyne.

6

109

Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_7

7

110

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Trailer

7

Neues und zukünftiges Lernen setzt vor allem auf Kompetenzentwicklung und -erweiterung. Dabei liegen die Zukunftskompetenzen, die sogenannten „Future Skills“, insbesondere in den Bereichen Problemlösen, (Co-)Kreativität, Führung sowie Emotionale Intelligenz und digitale Souveränität. Was das Future Learning betrifft, nehmen KI-basierte(s) Learning Analytics und Skill-Management, Augmented, Virtual und Mixed Reality sowie der Einsatz von virtuellen Tutoren und Lernrobotern eine zunehmende Bedeutung ein. Nach Expertenmeinungen wird auch eine KI-Grundqualifikation und -kompetenz perspektivisch an Relevanz gewinnen. Durch KI-Technologien besteht weiterhin die Möglichkeit, dass Bildung und Weiterbildung individueller und personenbezogener werden. Dabei wird Künstliche Intelligenz zudem mehr selbst zum Lerngegenstand und als Weiterbildungsmöglichkeit angeboten. Chatbots als digitale Lernassistenten und Bildungsroboter als Tutoren und Lernbegleiter finden nach und nach ihren Einsatz in einzelnen Lernkontexten. Hier ist jedoch noch Luft nach oben, was die Praxistauglichkeit betrifft sowie für Untersuchungen zu Einstellung und Akzeptanz. Smart Learning Environments, Lernumgebungen, die mittels IoT und intelligenter Technologien Lernen und Arbeiten miteinander verbinden, werden als Lernraum der Zukunft betrachtet. Augmented und Virtual Reality finden hingegen schon ihren Einsatz in verschiedenen Lernkontexten. Hier ist bereits jetzt von einem wachsenden Anstieg auszugehen. Ein weiterer Schritt in Richtung neue und zukünftige Lernräume ist das „Metaversum“. Hierbei handelt es sich um eine dreidimensionale virtuelle Welt, die den echten Arbeits- und Lebensraum erweitern soll und auch zukünftig im Lernbereich eingesetzt werden kann. . Abb. 7.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

. Abb. 7.1 Wortwolke

7.1 · Future Skills und Future Learning

111

7.1  Future Skills und Future Learning

In Orientierung an dem New Work-Konzept ist „New Learning“ gekennzeichnet durch Selbstbestimmung und Selbstverwirklichung sowie durch Zugehörigkeit zu einer (Lern-) Gemeinschaft, das Erleben bzw. Erweitern von Kompetenzen gehören ebenfalls dazu. Dabei bezieht sich Lernen nicht nur auf physische Lernorte, sondern auch auf virtuelle Lernräume und soziales Lernen (Foelsing & Schmitz, 2021, S. 4). Dieser Ansatz von Lernen und Arbeiten entspricht dem

New Learning ist gekennzeichnet durch Selbstbestimmung und durch die Zugehörigkeit zu einer Lerngemeinschaft.

» „[…] Konzept des psychologischen Empowerments, das das

individuelle Erleben des Menschen im Arbeitskontext in den Vordergrund rückt. So beinhaltet ein positives Kompe­ tenzgefühl, dass das Individuum den täglichen Anforderungen bei der Arbeit mit seinen Kompetenzen begegnen kann“ (Hasenbein, 2020, S. 16).

Entsprechend geht es heute und zukünftig im Arbeits- und Lernkontext vor allem um Kompetenzentwicklung und -erweiterung, weniger um reine Wissensvermittlung. Dabei liegen die Zukunftskompetenzen, die sogenannten „Future Skills“, laut Expertenmeinungen und einiger Studien vor allem in den Bereichen Problemlösen, (Co-) Kreativität, Führung sowie Emotionale Intelligenz und digitale Souveränität (Bitkom & HRpepper, 2021; Kienbaum & Stepstone, 2021; Spiegel, 2021). Es geht einerseits darum, diese Kompetenzen zu fördern und zu entwickeln und andererseits Tools und Formate anzubieten, mittels derer diese geübt und angewendet werden können. Dabei können neue Lernansätze („New Learning“) unterstützen. Diese kommen zum Beispiel aus der Agilität, wie dem Design Thinking und Scrum sowie aus den aktuellen und zukünftigen Möglichkeiten des digitalen Lernens. Studien wie die von HolonIQ (2018) und der EDUCAUSE Horizon Report (2021) sowie die explorative Untersuchung, auf die sich Rump, Eilers und Tan (2020) beziehen, zeigen dazu zusammenfassend folgende Entwicklungen und Trends im „Future Learning“ auf: 5 Künstliche Intelligenz als Schlüsseltechnologie 5 KI-basierte(s) Learning Analytics und Skill-Management 5 Zunehmender Einsatz von Augmented, Virtual und Mixed Reality 5 Wachsender Einsatz von virtuellen Tutoren und Lernrobotern 5 Mehr Peer-to-Peer Learning und individuelles Lernen in digitalen Räumen

Die Future Skills liegen in den Bereichen Problemlösen, Kreativität, Führung, Emotionale Intelligenz und digitale Souveränität

Trends im Future Learning

7

112

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

5 Steigende Nachfrage nach Open Online Courses bzw. Open Educational Resources 5 Hybride (intelligente) Lernumgebungen und Plattformen Schließlich definieren Rump et al. (2020) in ihrem Beitrag zum Future Learning folgende zehn Thesen (S. 222), die von der Autorin dieses Buch um einzelne Aspekte und Gedanken ergänzt werden: Zehn Thesen zum Future Learning

7

1. Die Lernverantwortung liegt primär in den Händen der Mitarbeitenden. Personalentwicklung und Führungskräfte sollten dies entsprechend unterstützen, im Sinne von „agilen Lernbegleitern“, die die Mitarbeitenden im Prozess des lebenslangen Lernens begleiten (Hasenbein, 2020). 2. Beim Lernen existiert eine Zwei-Klassen-Gesellschaft zwischen Führungskräften und Mitarbeitenden. Hier stellt sich die Frage, ob und wie dies in der Zukunft geschlossen werden könnte. Flachere Hierarchien sowie kooperatives Lernen zwischen Mitarbeitenden und Führungskräften auf Augenhöhe könnten hier positiv einwirken. 3. Lernen wird von manchen Lernenden noch mit Anstrengung und Versagensangst verknüpft. Hier können Lernbegleiter/-coaches unterstützen und zudem Lernende beim eigenverantwortlichen und selbstorganisierten Lernen unterstützen. Dies können zum einen, wie bereits erwähnt, die Personalentwickler und Führungskräfte sein und zum anderen perspektivisch auch Lernbots und Bildungsroboter. 4. Der Fokus sollte weniger auf den Schwächen, sondern mehr auf den Stärken der Mitarbeitenden liegen. Dies kann durch ressourcenorientierte Coachingsansätze sowie Positive Leadership-Ansätze unterstützt werden. 5. Zwischen einem „idealen“ Bild vom Lernen und der Realität besteht eine Kluft. Dies kann sich auf die Umsetzung von Lernsettings beziehen und vor allem aber auf den Lerntransfer in die Praxis, der gerade bei den klassischen Zwei-Tages-Trainings meistens zu wenig stattfindet. 6. Die Individualisierung von Lernen und die Persönlichkeit des Lernenden werden noch zu wenig berücksichtigt. Dies sind jedoch klare Trends für Future Learning. 7. Das „magische Dreieck“ des zukünftigen Lernens ist durch die Aspekte „Vielfalt und Didaktik“, „Vernetzung und Austausch“ und „persönliche Entfaltung“ gekennzeichnet. Umrandet wird dies durch die neuen technologischen Möglichkeiten wie KI & Co.

7.2 · Künstliche Intelligenz in der Bildung und Weiterbildung

113

8. Der Trend geht weiter zu Learning Journeys bzw. zum Konzept des Lernpfades, was zu mehr Nachhaltigkeit des Lernens beiträgt. Denn diese stellen die Individualisierung und Selbststeuerung des Lernens in den Fokus. Dabei kann analoges und digitales Lernen je nach Lernerbedürfnissen sinnvoll miteinander verknüpft werden. Smart Learning Environments können hierbei zukünftig eine wachsende Bedeutung spielen. 9. Der Lernprozess ist messbar, nicht der Lernerfolg. Dies kann kontrovers diskutiert werden. Beides sollte miteinander verzahnt werden. 10. Lernen ist ein Generationenthema. Dies gilt es bei den unterschiedlichen Lernformaten, insbesondere bei den Digitalen, zu berücksichtigen. Hinsichtlich des digitalen Aspektes von Lernformaten lohnt sich ein Blick auf die Entwicklungen der Künstlichen Intelligenz in Bildung und Weiterbildung. 7.2  Künstliche Intelligenz in der Bildung und

Weiterbildung

Die Zukunftsstudie VIII „Leben, Arbeit, Bildung 2015+ “ des Münchner Kreises, einer unabhängigen Plattform für Gestalter und Entscheiderinnen in der digitalen Welt, hat sich zum Ziel gesetzt, die zukünftige Ausgestaltung sowie die systemischen Zusammenhänge zwischen Leben, Arbeit und Bildung unter dem Einfluss von KI-Technologie zu untersuchen. Dabei steht die menschenzentrierte Perspektive der Forschung im Vordergrund. In einem Partnerkonsortium wurden 53 Thesen entwickelt, die in einem ZukunftsDelphi von Experten und Expertinnen aus dem Bereich Digitalisierung und Technologie bewertet wurden. Für die drei Bereiche Leben, Arbeit und Bildung wurden daraus Implikationen, Empfehlungen und mögliche Maßnahmen, abgeleitet. Im Bereich Bildung wurden 16 Zukunftsthesen entwickelt. An dieser Stelle werden beispielhaft einzelne Thesen und die dazugehörigen Experteneinschätzungen herausgegriffen (Münchner Kreis e. V. & Bertelsmann Stiftung, 2020): 5 Veränderung menschlicher Fähigkeiten durch KI: „Menschliche Fähigkeiten (z. B. Gedächtnisleistung) und Fertigkeiten (z. B. Kopfrechnen) haben sich durch die ständige Verwendung von KI-Technologien spürbar verändert“. Mit dem Eintreffen dieser These rechnen die besten ­Experten

Zukunftsstudie „Leben, Arbeit, Bildung 2015+ “

7

114

7

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

und Expertinnen bereits in den Jahren 2020–2024 und 2025–2029. 5 Lebenslanges Lernen durch KI: „Persönliche KI-Systeme begleiten ihren Nutzer von Geburt an, wodurch eine neue Art des lebenslangen Lernens ermöglicht wird.“ Der Großteil der Experten und Expertinnen rechnet frühestens zwischen 2030 und 2034 und nach 2035 mit dem Eintreffen dieser These. 5 KI-Grundqualifikation für Arbeitnehmer: „Jeder Arbeitnehmer in Deutschland verfügt über eine KI-Grundqualifikation.“ Die Mehrheit der Experten und Expertinnen geht auch hier vor allem zwischen 2030 und 2034 und nach 2035 von einem Eintreffen der These aus. 5 KI-Grundkompetenz für alle: „Jeder Mensch in Deutschland besitzt eine KI-Grundkompetenz und kann in allen Lebensbereichen mit diesen umgehen.“ Hier sind die Expertinnenmeinungen, was das Eintreffen der These betrifft, etwas gleichmäßiger zwischen den Jahren 2025– 2029, 2030–2034 und nach 2035 verteilt. 5 Gegenseitige Weiterbildung von Mensch und KI: „In Deutschland bilden sich der einzelne Mensch und sein KI-System in einer symbiotischen Beziehung gegenseitig fort.“ Hier rechnet der Großteil der Experten und Expertinnen auch eher zwischen 2030 und 2034 und nach 2035 mit dem Eintreffen dieser These. Folgende Implikationen wurden auf Basis der Expertenbewertungen zu den einzelnen Thesen im Bereich Bildung abgeleitet (Münchner Kreis e. V. & Bertelsmann Stiftung, 2020, S. 15): 5 Dem Bildungssektor kommt in der KI-Diskussion eine besondere Verantwortung zu. Seine Aufgabe ist es, eine breite Wissens- und Anwendungsvermittlung innerhalb und außerhalb von Bildungseinrichtungen zu ermöglichen – angefangen bei der Primarstufe bis hin zu beruflichen, staatlichen und informellen Weiterbildungsangeboten. 5 Bildung muss zukünftig noch stärker inter- und transdisziplinär gelebt werden. Dies impliziert, dass KI im Bildungskontext kein rein technologisches Thema sein darf, sondern auch andere Fachgebiete wie die Pädagogik, und die Psychologie berücksichtigen sollte. Dies setzt auch eine interdisziplinäre Zusammenarbeit der verschiedenen Experten und Expertinnen voraus. 5 Die zukünftige Bildung bietet durch KI-Technologien zunehmend die Möglichkeit, individueller und personenbezogener zu sein. Eine Herausforderung wird sein, eine gute Balance zwischen verpflichtenden Inhalten und der Förderung individueller Stärken und Interessen zu finden.

7.2 · Künstliche Intelligenz in der Bildung und Weiterbildung

115

7

5 Zu einer KI-Kompetenz gehört neben einer souveränen Anwendungsfähigkeit auch die Kompetenz, Künstliche Intelligenz kritisch hinterfragen zu können. Dafür braucht es entsprechend ethische Grundsätze. 5 KI-Technologie muss dem Wohle der Menschen dienen. Mit der zunehmenden Bedeutung und Verbreitung von KI besteht die Chance, dass Wissen und Information stärker demokratisiert werden und KI-Technologien als gesamtgesellschaftliches Gemeingut genutzt werden können. Renz (2021) stellt in seinem Beitrag zur KI in der Bildung heraus, dass sich immer mehr Educational Technology (EdTech) Anbieter auf den Markt drängen und zunehmend KI-gesteuerte Lehr- und Lernlösungen anbieten. Auch Jäger und Tewes (2021) verdeutlichen in ihrem Artikel im Herausgeberband „Arbeitswelt und KI 2030“, dass KI in der Weiterbildung der Zukunft durch die Integration künstlicher Intelligenz geprägt sein wird. Dazu gehören Learning Analytics, Personalised Learning, Task Automation z. B. in Form einer automatisierten Kommunikation für den Lernenden sowie Smart Content, bei dem es sich um digitale und anpassungsfähige sowie geräteübergreifende Lernoberflächen handeln kann. Weiterhin wird immersives Lernen mit AR und VR eine wachsende Rolle spielen. Damit wird es möglich, „adaptive, flexible, individualisierte und effektive Lernumgebungen“ zu gestalten, die bisherige traditionelle Lernformate erweitern und ergänzen können (Renz, 2021, S. 381). Künstliche Intelligenz ist in dreierlei Hinsicht für Akteure in der Bildung und Weiterbildung von Relevanz (Goertz, 2019):

Bildung und Weiterbildung wird durch KI geprägt sein.

5 Verbesserung von KI durch Unterstützung von „Machine Learning“ etc.: Künstliche Intelligenz basiert selbst auf lernenden Systemen. Dafür sind Machine Learning, Deep Learning und Reinforcement Learning von zentraler Bedeutung (dazu 7 Abschn. 3.3). Zu empfehlen wäre, dass Basiswissen in diesen Bereichen zukünftig auch Führungskräfte und Mitarbeiter in pädagogisch-psychologischen Tätigkeitsbereichen haben sollten. 5 Künstliche Intelligenz als unterstützende Technologie beim Lernen und Lehren: Für Learning Analytics und Adaptives Lernen sowie Bots als Lernassistenten sowie Lernroboter (dazu 7 Abschn. 6.5 und 7.4). Weitere Möglichkeiten bietet der Einsatz von AR und VR mit verschiedenen „Wearables“ verknüpft mit Künstlicher Intelligenz (dazu 7 Abschn. 7.6).

KI basiert selbst auf lernenden Systemen

KI als unterstützende Technologie beim Lernen

116

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

KI als Lerngegenstand

7

5 Künstliche Intelligenz selbst als Lerngegenstand: Dazu gibt bereits Angebote von Instituten und Hochschulen sowie Akademien: 5 „Elements of AI“: „Elements of AI“ wurde von der finnischen Unternehmensberatung Reaktor und der Universität Helsinki entwickelt. Ziel ist es, das Thema KI möglichst vielen Menschen näherzubringen und Lerninhalte zur KI kostenlos zur Verfügung zu stellen. Dabei sollen folgende Fragen beantwortet werden: Was ist KI? Was kann KI (und was nicht)? Und wie werden KI-Methoden entwickelt? Dafür gibt es eine Reihe an Onlinekursen, wie z. B. Was ist KI? Probleme lösen mit KI, Maschinelles Lernen, Neuronale Netze und reale Anwendungen. Die Lernangebote kombinieren theoretische Wissensvermittlung mit praktischen Übungen. Dabei können die Teilnehmer ihr Lerntempo selbst bestimmen. „Elements of AI“ steht unter der Schirmherrschaft des Bundesministeriums für Wirtschaft und Klimaschutz. Weitere Beteiligte sind die Initiative of Applied Artificial Intelligence, die IHK und die Deutsch-Finnische Handelskammer. Link: 7 https://www.elementsofai.de/ 5 „KI Campus“: Der KI-Campus ist ein vom Bundesministerium für Bildung und Forschung (BMBF) gefördertes Pilotprojekt, gemeinsam entwickelt wurde er seit 2019 von dem Stifterverband, dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI), dem Hasso-Plattner-Institut (HPI), NEOCOSMO und dem mmb Institut. Der KI-Campus wurde Mitte 2020 als Beta-Version veröffentlicht. Es handelt sich dabei um eine auf das Thema KI spezialisierte digitale Lernplattform. Alle Lernangebote stehen kostenlos zur Verfügung. Der KI-Campus umfasst inhaltlich sowohl Grundlagen zur KI wie z. B. eine Einführung in KI und Maschinelles Lernen als auch Vertiefungen zu einzelnen Bereichen der KI wie z. B. Robot Learning. Darüber hinaus gibt es Angebote, die sich speziell auf einzelne Berufsfelder und Fachbereiche wie z. B. der Medizin oder der Ingenieurwissenschaften beziehen. Die Plattform selbst ist vom didaktischen Konzept mit folgenden Merkmalen aufgebaut: agil, partizipativ, nutzerorientiert sowie personalisiert und adaptiv durch den Einsatz von KI-Verfahren wie Learning Analytics und Empfehlungssystemen. Link: 7 https://ki-campus.org/ 5 Bitkom Akademie: Weitere Angebote sind z.  B. die KI-Manager Ausbildung der Bitkom Akademie und des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI). Die Bitkom Akademie bietet darüber hinaus weitere Seminare zum Thema KI und Digitalisierung

7.2 · Künstliche Intelligenz in der Bildung und Weiterbildung

an, wie z. B. Big Data & KI und Digitale Transformation. Link: 7 https://www.bitkom-akademie.de/. Qualifizierungen von Spezialisten im Bereich der KI und Digitalisierung sind solche z. B. zum Data Engineer, Data Scientist, KI-Berater. Dazu gibt es auch immer mehr Studiums- und Zertifikatsangebote von Universitäten und (technischen) Hochschulen wie beispielsweise: Bachelorstudiengang in Künstlicher Intelligenz an der Technischen Hochschule Deggendorf: 7 https://www.th-deg.de/ki-b, Masterstudiengang Robotics, Cognition, Intelligence an der Technischen Universität München: 7 https://www.tum.de/studium/studienangebot/detail/robotics-cognition-intelligence-master-of-science-msc/, Weiterbildungszertifikat an der SPIEGEL Akademie zusammen mit der SRH Fernhochschule – The Mobile University: 7 https://www.mobile-university.de/zertifikate/spiegel-akademie/kuenstliche-intelligenz/. 5 AI Academy und AI Business School von Microsoft: Microsoft bietet verschiedene Möglichkeiten für die Aus- und Weiterbildung von Mitarbeiterinnen und Mitarbeitern an. Zum einen werden an der AI Academy zusammen mit dem TÜV Rheinland als Learning Partner Teilnehmerinnen und Teilnehmer in der Entwicklung und dem Einsatz von künstlicher Intelligenz auf Basis von Microsoft-Technologien qualifiziert. Zum anderen werden in der AI Business School Führungskräften Erkenntnisse und Best Practices vermittelt, wie sich KI strategisch in Unternehmen einsetzen lässt. In einer von Microsoft beauftragten Studie hat das US-amerikanische Marktforschungsunternehmen KRC Research im März 2020 eine Online-Zufallsstichprobe bei etwa 12.000 Personen durchgeführt, die in Unternehmen mit mehr als 250 Mitarbeiterinnen und Mitarbeitern tätig sind. Die Ergebnisse zeigen u. a. einen steigenden Bedarf an KI-Fachkräften, der sich laut der Studie in den kommenden sechs bis zehn Jahren verdoppeln werde. Weiterhin geben die die Ergebnisse Hinweise, wie Unternehmen dieser wachsenden Nachfrage begegnen kann, insbesondere durch die Qualifizierung der eigenen Mitarbeiterinnen und Mitarbeiter. Zudem zeigt die Studie, dass Unternehmen, die KI bereits im Einsatz haben, besser aufgestellt sind, den Herausforderungen der digitalen Transformation zu begegnen. Dies spricht einerseits dafür, die Potenziale von KI in Unternehmen zu nutzen und andererseits Mitarbeiter und Mitarbeiterinnen zu qualifizieren, indem diese ein entsprechendes Weiterbildungsangebot in-house oder extern erhalten.

117

7

118

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Um digitales Lernen zu unterstützen bzw. zu begleiten, werden bereits Chatbots mit und ohne KI als digitale Assistenten diskutiert. 7.3  Chatbots als digitale Lernassistenten

7

Chatbots als digitale Lernassistenten

Zentral sind eine positive Einstellung und Akzeptanz

An dieser Stelle ist es wichtig, zunächst in die zwei möglichen Arten von Chatbots zu unterscheiden. Das eine sind solche, die auf der Basis von strukturierten Fragen und Antworten funktionieren, die sogenannten „FAQ-Bots“ (Kowald, 2019) und das andere sind Bots, die das Potenzial von Künstlicher Intelligenz nutzen und mit jedem Datensatz und möglichst vielen Anwendungsfällen „klüger“ werden (Hasenbein, 2019, 2020). Chatbots als digitale Lernassistenten in Form von „Conversational Agents“ oder „Conversational Interfaces“ könnten zukünftig in der Weiterbildung eine zunehmende Bedeutung erhalten. Zum einen könnten Sie die Rolle eines virtuellen Bildungsberaters einnehmen, der Auskünfte zu Qualifizierungsangeboten inklusive Terminen, Preisen und Trainern gibt und zum anderen könnten sie in der Rolle eines Lerntutors oder Lerncoaches Wiederholungsaufgaben und Tests zu den Lerninhalten anbieten (Bruns, 2019). Auch spielerische Lernanwendungen könnten mit Chatbots umgesetzt werden (Kowald, 2019). Weiterhin kann ein Chatbot dazu beitragen, den Lerntransfer in die Praxis im Anschluss an ein Training zu sichern. Coach-bot.de beispielsweise bietet AI-Coaching für den Learning und Personalentwicklungsbereich zum Trainieren von Soft Skills, zur Begleitung bei Change-Themen und vor allem zur Transfersicherung zwischen und nach Trainings an. Auch im Coaching werden Möglichkeiten des Einsatzes von Chatbots diskutiert und eingesetzt (Hasenbein, 2019; Lömker et al., 2021). Ein Coachingbot könnte zum Beispiel Fragen in Vorbereitung auf eine Coachingsitzung stellen und nach einem Coaching könnte er den Coachee bei der Transferunterstützung in den beruflichen Alltag bzw. Lebensalltag begleiten. Ob im Coaching oder im klassischen Lernkontext eingesetzt, ist es jeweils eine Frage der Akzeptanz solcher Chatbots bei den Anwendern bzw. Lernenden. Hierbei geht es um die Frage, ob (zukünftige) Nutzer eine positive Einstellung zu Chatbots haben und ob diese sie bereits nutzen oder nutzen würden (Kohne et al., 2020). Ist die Akzeptanz bzw. eine positive Einstellung vorhanden, lassen sich der Kostenund Zeitaufwand für die Entwicklung solcher Chatbots legitimieren. Und es kann der Vorteil von Chatbots genutzt

7.4 · Roboter in der Bildung und Weiterbildung

119

7

. Abb. 7.2  Chatbot als Lernassistent

werden, diese flexibel in Learning-Management-Systeme, Online-Kurse und Apps zu integrieren (Satow, 2018). Untersuchungen zur Akzeptanz von Chatbots gibt es seit 2016 vermehrt und im Hinblick auf die Akzeptanz und den Praxisnutzen von Chatbots speziell im Lernkontext werden sicherlich in den nächsten Jahren weitere folgen. . Abb. 7.2 illustriert einen Chatbot als digitalen Lernassistenten. Eine weitere Einsatzmöglichkeit im Lernkontext stellen „Bildungsroboter“ dar, die im folgenden Abschnitt vorgestellt werden. 7.4  Roboter in der Bildung und Weiterbildung

Lernen wird tendenziell immer individueller und selbstgesteuerter. Dies wird durch die zunehmende Digitalisierung verstärkt. MOOCs (Massive Open Online Courses) als offene digitale Lernangebote sowie andere digitale Lernformate sind bzw. waren laut Dräger und Müller-Eiselt (2018) „nur“ die Vorboten der digitalen Revolution. Corona hat den Trend zum digitalen Lernen weiter vorangetrieben. Die Frage, die sich stellt, ist die, ob diese Angebote allein ausreichen. So behaupten Alnajjar et al. (2021), dass es zusätzliche

Roboter sollen die Bildungsarbeit unterstützen und nicht die Menschen ersetzen.

120

7

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

­ omponenten brauche, durch die digital erworbenes Wissen K vertieft und eingeübt werden könne (S. 3). Dazu kann zum einen sicherlich der zunehmende Einsatz von Virtual und Augmented Reality beitragen. Zum anderen ist es der Einsatz von Robotern, der in der Zukunft vermehrt eine Rolle spielen könnte. Diese werden bereits vor allem im Schul- und Hochschulkontext ausprobiert und untersucht (Handke, 2020). Die Hoffnung ist die, dass Bildungsroboter als Werkzeuge oder als soziale Akteure, Kreativität fördern, dabei helfen, Problemlösen zu trainieren und selbstregulierende Lernfähigkeiten unterstützen, die in der heutigen und zukünftigen Arbeitswelt immer wichtiger werden (Alnajjar et al., 2021, S. 5). Dabei soll es nicht darum gehen, den Menschen als Lehrkraft durch Roboter zu ersetzen, sondern den Menschen bei seiner Bildungsarbeit zu unterstützen. Dies könnte den Lehrenden möglicherweise sogar mehr Kapazität für individuelle Betreuung der Lernenden geben und gleichzeitig braucht es Personen, die Kenntnis im Umgang mit und in der Programmierung von Robotern haben. Forschung in der Mensch-Roboter-Interaktion belegt, dass Roboter tendenziell wie soziale Interaktionspartner betrachtet werden, insbesondere dann, wenn sie ein ansprechendes Äußeres haben und angemessene Verhaltensweisen aufzeigen (Bartneck et al., 2020; Duffy, 2003; Fink, 2021). . Abb. 7.3 illustriert einen Bildungsroboter im Lernkontext.

. Abb. 7.3 Bildungsroboter

121

7.4 · Roboter in der Bildung und Weiterbildung

Die Möglichkeiten der Künstlichen Intelligenz wie Sprachund Bilderkennung sowie die Verarbeitung natürlicher Sprache mit NLP (Natural Language Processing) und die Analyse von Daten mithilfe von Algorithmen, maschinellem, überwachtem sowie bestärkendem Lernen spielen eine zentrale Rolle, um das Potenzial von (Bildungs-) Robotern auszuschöpfen. Soziale Roboter in der Bildung zeigen in der Regel folgende Merkmale auf: physische Präsenz, „Verständnis“ der menschlichen Interaktion und/oder Sprache basierend auf KI-Technologien, damit verbunden Spracherkennung und -generierung sowie Gestik und Bewegung im Raum. Die Rollen sozialer Roboter in der Bildung können dabei sehr vielfältig sein. . Tab. 7.1 gibt einen Überblick über die verschiedenen Rollen und ihre jeweiligen Charakteristika.

Die Rollen von sozialen Robotern in der Bildung können vielfältig sein.

7.4.1  Beispiele für soziale Roboter in der

Bildung und Weiterbildung

Jürgen Handke (2020) untersucht den Einsatz von Robotern vor allem im Hochschulkontext, so zum Beispiel mit der

Projekt H.E.A.R.T

. Tab. 7.1  Soziale Roboter in der Bildung. (In Anlehnung an Seufert et al. (2021, S. 480) und Alnajjar et al. (2021, S. 73–108)) Rolle des Roboters

Charakteristika

Werkzeug/Lernplattform

Roboter als Plattform oder Werkzeug, um mit ihm zu experimentieren und programmieren zu können, z. B. beim Einsatz für die Fächer Robotik und Informatik

Avatar

Roboter als Avatar, z. B. für abwesende Schüler

Entertainer

Roboter als Entertainer durch Unterhaltung und spielerisches Lernen

Lernbegleiter

Roboter als Lernbegleiter zur Unterstützung z. B. bei Problemlösungen

Peer

Roboter als Peer, respektive Mitlernender, bei dem der menschliche Lerner und der Roboter gemeinsam eine Lernaufgabe bearbeiten

Novize

Roboter als Novize, dem der Lernende etwas beibringt durch „Learning-by-teaching“

Tutor

Roboter als Tutor zur Vermittlung und Überprüfung von Wissen und Fähigkeiten, der sich direkt mit Lernenden austauscht

Assistent

Roboter als Unterstützung für die Lehrperson z. B. mittels Erklärungen und Demonstrationen

Prüfer

Roboter zur Prüfungsvorbereitung und/oder zur Durchführung des Prüfungsprozesses

Lernberater

Roboter, der auf Basis von Lernanalytik dem Lernenden Feedback sowie Lernempfehlungen und -verbesserungen gibt

Lehrperson

Roboter als autonome Lehrperson z. B. als Ersatz dieser für einen bestimmten Zeitraum oder für bestimmte Lehrtätigkeiten, z. B. bei Vorträgen

7

122

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

­ niversität Marburg im Kontext des Projektes H.E.A.R.T. U Bei dem Projekt H.E.A.R.T (Humanoid Emotional Assistant Robots in Teaching) geht es darum, humanoide Roboter in der Rolle eines Assistenten in der Hochschullehre didaktisch sinnvoll einzusetzen. Dabei werden folgende Bereiche untersucht, in denen der Roboter seinen Einsatz finden könnte (Weber & Zeaiter, 2018, S. 231): 5 Unterstützung von Lehrenden und Lernenden 5 Beratung bei routinemäßigen Fragen und Problemen 5 Informationsdienste (z. B. Für Besucher) 5 Werbung für die Universität Die Ausgangsannahmen zu den Vorteilen humanoider Roboter im Gegensatz zu einfachen FAQ-Systemen sind Folgende: 5 Fähigkeit zum verkörperten multimodalen Dialog mit Menschen unter Kombination von Sprache, Blickkontakt, Gestik, Mimik, Körperhaltung und Fortbewegung 5 Fähigkeit zum „intelligenten“ Umgang mit menschlichen und eigenen Emotionen 5 Fähigkeit zum Aufbau von Beziehungen mit Menschen, hier gilt es die Möglichkeiten und Grenzen weiter zu untersuchen.

7

Pepper und NAO im Projekt H.E.A.R.T

Zentrale Forschungsobjekte des Projekts H.E.A.R.T. sind die zwei humanoiden Roboter „Pepper“ und „NAO“ der Firma Softbank Robotics. Diese sollen im Folgenden kurz vorgestellt werden: Der humanoide Roboter Pepper: Er ist 1,20 m groß und kann komplexe Bewegungen mit seinem Oberkörper durchführen und sich mit seinem Unterkörper fortbewegen. Pepper kann Englisch und Deutsch verstehen und sprechen. Grundsätzlich stehen ihm mehrere Sprachen zur Verfügung. Peppers primäre Kompetenz ist die Interaktion mit Menschen. Neben der Dialogfähigkeit in mehreren Sprachen ist eine besondere Fähigkeit von Pepper, Emotionen von Menschen erkennen und eigene Emotionen auszudrücken zu können. Der humanoide Roboter NAO beinhaltet die gleichen Komponenten wie Pepper. Unterschiede liegen darin, dass NAO mit 0,58 m Größe kleiner ist als Pepper. Sein Körper ist insgesamt beweglicher. So kann er problemlos wieder aufstehen, wenn er einmal hingefallen sein sollte. Weitere Informationen und Abbildungen sind hier zu finden: 7 https://www.project-heart.de/robotics-1/sowie in Alnajjar et al. (2021, S. 114–115). Folgende Fragestellungen sollen mit dem Projekt untersucht werden: 5 Wie können humanoide Roboter ihre Wahrnehmung durch den Menschen beeinflussen? Dabei geht es um Akzeptanz und einen positiven Beziehungsaufbau.

7.4 · Roboter in der Bildung und Weiterbildung

123

7

5 Wie können Menschen auf humanoide Roboter in ihrer Lebenswelt vorbereitet werden? Menschen sollten möglichst nicht von dem Einsatz von Robotern überrascht werden. 5 Wie können humanoide Roboter im Lebensumfeld einer Person so existieren und handeln, dass die Einstellung der Person ihnen gegenüber positiv ausfällt? Hier spielt der Zeitfaktor eine ganz zentrale Rolle, aber auch weitere Aspekte sind zur Einstellung wichtiger. Auf das Thema Einstellung gegenüber Roboter wird unter 7 Abschn. 5.2.9 und 7.4.2 genauer eingegangen. 5 Was passiert mit Mensch und Maschine, wenn sich die Rollenverteilung ändert? Hier sollte Kollaboration und nicht ein Konkurrenzgefühl im Vordergrund stehen. 5 Wie kann das Miteinander in der Lehre gestaltet werden? Dabei geht es um die „passende“ Rollenverteilung und Rollengestaltung zwischen Lehrendem, Lerner und Roboter. Erste Erkenntnisse aus dem Projekt zeigen Folgendes (Handke, 2020, S. 111–116): 5 Humanoide Roboter sind als Vortragende bzw. Inhaltsvermittler in der Lehre ungeeignet, da sie sprachlich dem Menschen noch unterlegen sind und sie wirken bei längeren Sequenzen zu monoton. 5 Als Unterstützer für die Lernenden sind sie auch nicht geeignet, da eine flexible und individuelle Begleitung der Lernenden derzeit noch unrealistisch ist, u. a. aus Kostengründen. 5 Ein möglicher Ansatz könnte der Weg hin zu einer „digital-integrativen“ Lehre sein. Dies könnte zum Beispiel so realisiert werden, dass die Inhaltsvermittlung und -vertiefung zwar weiterhin durch den Menschen erfolgt, der Roboter jedoch Beratungs-, Assistenzund Prüffunktionen übernehmen kann (Handke, 2020). In einer beratenden Funktion könnte der Roboter dem Lernenden Feedback geben und dazu seiner Lernleistung beraten. In der Inhaltsphase könnte der Roboter als Assistent fungieren und hier zum Beispiel Aufgaben stellen, Kontrollfragen präsentieren und auswerten. Als Prüfer könnte der humanoide Roboter Prüffragen stellen und Erklärungen zu den Lösungen und Lösungswegen geben. Eine gebündelte Möglichkeit der verschiedenen Aktivitäten bietet das Classroom Application Package (CAP), das Jürgen Handke mit seinen Kollegen und Kolleginnen entwickelt hat (siehe dazu Alnajjar et al., 2021, S. 140–141;

Möglicher Einsatz humanoider Roboter in der digital-integrativen Lehre

124

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Handke, 2020, S. 131–139). Dabei werden folgende Schritte in einem CAP unter dem Einsatz eines Pepper-Roboters durchgeführt: 5 Administrative Maßnahmen (Sitzungs-ID) 5 Begrüßung und Beschreibung der Lernergebnisse 5 Prüfung der Vorkenntnisse 5 Definition und Präsentation einer Lernaufgabe 5 Fragen zur Lernbeurteilung 5 Zusammenfassung und Feedback 5 Auswertung der Sitzung.

7

Projekt „RoboPraX“ und Projekt Lexi

Roboter als Vermittler und Katalysator zwischen Lehrperson, Lernenden und Kontext

Die Roboteraktivitäten können die Lernenden auf ihrem Smartphone verfolgen. Ein weiteres Projekt in diesem Zusammenhang ist das Projekt „RoboPraX“. Dabei wird der Roboter als Werkzeug eingesetzt, mithilfe dessen Schüler die Programmierung erlernen. Es geht hier um die Förderung algorithmischen Denkens sowie des MINT-Bereichs bei Schülerinnen und Schülern. Weitere Details dazu unter: 7 https://www.roboprax.de/. Das Projekt Lexi an der Universität St. Gallen untersucht zudem die Akzeptanz von sozialen Robotern im Hochschulkontext. In diesem Fall wird auch der humanoide Roboter, Pepper von SoftBank Robotics, eingesetzt. Dieser gibt in einem Universitätskurs „Einführung in das akademische Schreiben“ für Erstsemester eine Kostprobe seiner Fähigkeiten. Ein Eindruck von Lexi ist hier möglich: 7 https://ibb.unisg.ch/de/forschung/ki-und-robotics. Auch hier ist derzeit das Fazit ähnlich wie im Projekt H.E.A.R.T, dass die Roboter noch nicht komplett einsatzfähig sind, da sie noch Limitationen aufweisen. Daran wird jedoch intensiv weitergearbeitet. Es bleibt dennoch die Frage, inwieweit bzw. in welcher Rolle der Roboter einen Einsatz in der Bildung und Weiterbildung finden könnte. „Enactive Robot Assisted Didacts“ (ERAD) nach Lehmann und Rossi (2019) könnte hier ein Ansatz sein. Gemeint ist damit ein didaktischer Ansatz, bei dem der „Roboter als Vermittler und Katalysator zwischen Lehrperson, Lernenden und Kontext“ (Seufert et al., 2021, S. 481) agiert. Dabei dient der Roboter als „Feedbackkanal“, der kontinuierliches Feedback im Lernprozess sicherstellen kann. So wie es Handke und Kollegen auch als eine Option betrachten. Die Einstellung gegenüber einem Roboter ist dabei von zentraler Bedeutung und stellt eine wichtige Basis dar.

7.5 · Smart Learning Design und Environments

125

7

7.4.2  Einstellung gegenüber Bildungsrobotern

Die Einstellungen gegenüber Robotern im Bildungsbereich wurden bisher primär im Kontext qualitativer Studien durchgeführt, dies jedoch bereits in verschiedenen Ländern und Kulturen (Alnajjar et al., 2021). So zum Beispiel auch in Korea und in Taiwan (u. a. Shin & Kim, 2007; Choi et al., 2008; Lin et al., 2009). In Deutschland haben Reich-Stiebert und Eyssel (2015, 2016) die Einstellungen zu Bildungsrobotern untersucht, zum einen von Universitätsstudierenden und zum anderen von Lehrkräften. Bei den Universitätsstudierenden zeigte sich, dass die Einstellungen gegenüber Robotern mäßig positiv waren und Roboter primär als Assistenz oder Tutor akzeptiert wurden und nicht als Ersatz für eine Lehrkraft (Alnajjar et al., 2021). Bei den Einstellungen von Lehrkräften gegenüber Robotern war das Ergebnis der Untersuchungen ähnlich, Gymnasial- und Gesamtschullehrkräfte waren etwas offener als Grundschullehrer. Generell liegen Bedenken vor allem in der Angst des Arbeitsplatzverlustes begründet. Hier ist auch zu ergänzen, dass die Untersuchungen in traditionellen Lernumgebungen erfolgten. Mit den Entwicklungen hin zu mehr digitalen Veranstaltungen und zu einem kompetenzorientierten und kollaborativem Lernen ist zu vermuten, dass Roboter als digitale Assistenten und Tutoren auf eine höhere Akzeptanz stoßen werden. Dies gilt es in der Praxis weiter zu erproben und differenziert zu untersuchen. Neben Einstellungen sind zudem soziale Normen relevant, die unseren Umgang und die Akzeptanz bzw. Nicht-Akzeptanz von Robotern entscheiden. „Das heißt, was wir und andere über Roboter denken und die Möglichkeit, sie als Assistenten oder Begleiter in unserem Leben zu nutzen zu können, beeinflusst unser Verhalten“ (Alnajjar et al., 2021, S. 148). Bildungsroboter werden sicherlich auf die eine oder andere Art und Weise ihren Einsatz im Bildungsbereich finden, auch wenn die Entwicklungen derzeit noch am Anfang stehen. Ein weiterer wichtiger zukunftsträchtiger Bereich sind Smart Learning Environments, die im Folgenden vorgestellt werden.

Einstellungen gegenüber Bildungsrobotern sind bisher mäßig positiv.

7.5  Smart Learning Design und Environments

Bei Smart Learning Environments handelt es sich um Lernumgebungen die mittels IoT (Internet of Things  = IoT) und intelligenter Technologien Lernen und Arbeiten verbinden. Dies kann im Büro, im Co-Working Space, in der Produktionshalle oder von zuhause stattfinden. Damit ermöglicht

Smart Learning Environments sind Lernumgebungen, die mittels IoT und intelligenter Technologien Lernen und Arbeiten verbinden.

126

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

dieser Ansatz eine Verknüpfung von analogen und digitalen Lernkonzepten sowie von formalen und informellen Rahmenbedingungen beim Lernen. Hierbei können zudem die verschiedenen Lernstufen und individuellen Bedürfnisse der Lernenden berücksichtigt werden. Und intelligente Lösungen werden unter Zuhilfenahme des Internets der Dinge (Internet of Things = IoT) möglich und können so in jedes Lern- und Arbeitsumfeld integriert werden.

» „Das

Internet der Dinge (IoT) vernetzt physische und virtuelle Gegenstände über das Internet und ist ein weltweit operierendes digitales Netz zum Betrieb leistungsfähiger und drahtloser Kommunikationstechnologie“ (Fink, 2021, S. 51).

7

Smart Learning vereint allgegenwärtiges und adaptives Lernen miteinander.

Dies geschieht mithilfe von Sensoren (=Detektoren, Messfühler) und Aktuatoren (=Antriebselemente). Damit können auf Basis von IoT-Plattformen unterschiedliche Technologien und Dienste vernetzt werden, wie zum Beispiel programmierbare Maschinen, AR-Anwendungen, VR-Brillen und andere Wearables, bis hin zu Robotern und das Ganze ergänzt um Künstliche Intelligenz, damit kontextgebundene Daten in Echzeit ausgewertet werden können (Freigang, 2020, S. 82– 83). Smart Learning verbindet ubiquitäres (=allgegenwärtiges) und adaptives Lernen miteinander. Zum einen ermöglicht ubiquitäres Lernen einen hybriden Ansatz, indem es virtuelle und physische Lernumgebungen miteinander kombiniert. Und zum anderen ermöglicht adaptives Lernen die Sammlung und Nutzung von individuellen Lernerinformationen und -daten. Smart Learning ist eine nächste Stufe des digitalen Lernens im Vergleich zum bisherigen E-Learning und Blended Learning. Smart Learning Environments können die Lücken, die oft beim klassischen E-Learning und Blended Learning bleiben, dadurch schließen, dass sie hybride Lernumgebungen schaffen, die digitale Inhalte mit dem physischen Raum sowie reale und virtuelle Welten miteinander verbinden können (Freigang, 2020). Hwang drückt die Vorteile von Smart Learnings Environments zusammenfassend sehr trefflich aus (2014, S. 2):

» „A smart learning environment not only enables learners to

access digital resources and interact with learning systems in any place and at any time, but also actively provides the necessary learning guidance, hints, supportive tools or learning suggestions to them in the right place, at the right time and in the right form. Basically, a smart learning system can be perceived as a technology-enhanced learning system that is capable of advising learners to learn in the real-world with access to the digital world resources“.

7.5 · Smart Learning Design und Environments

127

Freigang (2021) hat sich in ihrer Dissertation ausführlich mit der Gestaltung von Smart Learning Environments auseinandergesetzt. Sie hat dafür einen interdisziplinären Forschungszugang gewählt, gespeist von der Informatik, den Bildungswissenschaften, der Architektur sowie der Arbeit- und Organisationspsychologie (Freigang, 2021, S. 17). Mit dem Smart Learning Design können jegliche (Büro-)Räume und Lerngegenstände mit IoT angereichert und erweitert werden.

» „Die dadurch entstehenden Smart Objects werden wiederum

untereinander und mit dem Internet vernetzt, so dass diese in einem komplexen Cyber-physischen System interagieren. Wenn auf diese Weise Lerngegenstände und Lernprozesse digitalisiert und vernetzt sind, entstehen bisher ungeahnte didaktische Handlungsoptionen“ (ebd., S. 112).

Smart Learning Environments (SLE) sind durch folgende Merkmale gekennzeichnet (Freigang, 2020, 2021): 5 Context-Aware: Lernunterstützung kann auf Basis der aktuellen Lernsituation bzw. des aktuellen Lernortes zur Verfügung gestellt werden, offline oder online. 5 Adaptive: Durch Echzeitanalysen der Lernerbedürfnisse in Abhängigkeit des Lernkontextes kann SLE sofortige und adaptive Lernunterstützung bieten. 5 Personalized: Das User Interface und ihre Oberflächengestaltung kann an die individuellen persönlichen Bedürfnisse der Lernenden angepasst werden.

Merkmale von Smart Learning Environments

Smart Learning Environments liegen folgendes Rahmenwerk zur Entwicklung zugrunde. 7.5.1  Holistic Learning Experience (HoLEX) als

Framework für SLEs

Das Smart Learning Framework beinhaltet fünf Dimensionen mit je sechs Erfolgsfaktoren. Diese dienen als Grundlage für die Entwicklung von Smart Learning Environments. Dabei gilt es die einzelnen Dimensionen und ihre Erfolgsfaktoren im Entwicklungsprozess nacheinander wie folgt abzuarbeiten (Freigang, 2020, S. 86–87): 1. Partizipative Unternehmenskultur Da Smart Learning auf eine partizipative Lern-Unternehmenskultur setzt, sollte sich diese an folgenden Faktoren orientieren: 5 Empowerment statt Controlling 5 Netzwerk statt Hierarchie

Sechs Erfolgsfaktoren für die Entwicklung von Smart Learning Environments

7

128

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

5 Interdisziplinarität statt Fachabteilung 5 Experimente statt Planung 5 Leadership statt Management 5 Selbstführung statt Zielvereinbarung 2. Maximale Nutzerzentrierung

7

Smart Learning Environments zeichnen sich durch eine starke Personalisierung aus. Dies bedingt eine möglichst maximale Nutzerzentrierung, die folgende Faktoren berücksichtigen sollte: 5 Erhebung des Lernbedarfs 5 Erhalt und Ausbau der Employability 5 Profiling und Personas der Lernenden 5 Lernbegleitung 5 Steigerung der intrinsischen Motivation 5 Entwicklung von persönlichen Lernumgebungen 3. Didaktische Vielfalt Hier stellt sich die Frage nach den „richtigen“ didaktischen Elementen und ihrer optimalen Kombination. Wobei folgende Faktoren Berücksichtigung finden sollten: 5 Kollaboratives Lernen 5 Arbeitsplatzorientiertes Lernen 5 Ubiquitäres & adaptives Lernen 5 Toolkit-unterstütztes Lernen 5 Hybridisiertes Lernen 5 Personalisiertes Lernen 4. Hybrider Lernraum Hier geht es darum, aus einem physischen Ort eine mit digitalen Elementen angereicherte hybride Lernumgebung zu machen. Dabei sind folgende Faktoren relevant: 5 Digitale und analoge Lerntools 5 Grundlegende Ausstattung 5 Lernförderliche Raumatmosphäre 5 Multifunktionales und flexibles Mobiliar 5 Architektonisches Gesamtkonzept 5 Physisch integrierte IoT-Komponenten 5. Hybride Lernassistenz Schließlich geht es um technologische Faktoren, bei denen Folgende zu berücksichtigen sind: 5 Nutzung welcher Lerngegenstände und -inhalte

129

5 Prozessual integriertes IoT zur Förderung der Lernprozesse 5 Aufbau einer Knowledge Ecology 5 Learning Analytics 5 Sicherung des Datenschutzes 5 Entwicklung von Empfehlungssystemen 7.5.2  Beispiele für Smart Learning

Environments

Beispiele für eine Smart Learning Umgebungen könnten wie folgt aussehen (in Anlehnung an Grabmeier, 2015; Kuerschner, 2019): ► Beispiel 1: Smart Learning Environment am Arbeitsplatz Ein Mitarbeiter/eine Mitarbeiterin sitzt an seinem/ihrem Arbeitsplatz, wo er/sie seine/ihre eigene personalisierte Lernumgebung hat. Hier kann er/sie sich jederzeit über für ihn/sie relevante Themen informieren und entsprechendes digitales Lernmaterial beziehen. Zudem ist er/sie über die Lernumgebung mit anderen Kollegen/Kolleginnen miteinander vernetzt und kann sich mit diesen austauschen und gemeinsam lernen. Er bekommt Hinweise, wenn es zu seinen Themen neue Studien, Artikel, Präsentationen oder auch Konferenzen gibt. Die Lernfortschritte und das Lernverhalten werden mithilfe von Learning Analytics erfasst. Adaptive Learning ermöglicht hierbei ein personalisiertes Lernen, bei dem das System entsprechende individuelle Lernempfehlungen geben kann. ◄ ► Beispiel 2: Smart Learning Environment im Produk­ tionsbereich Ein Mitarbeiter/eine Mitarbeiterin im Produktionsbereich wird über ein IoT-basiertes Lernsystem informiert, wann und wie eine Maschine gewartet werden mus. Mithilfe von Augmented Reality kann gezeigt werden, welche Schritte bei der Wartung zu tun sind und welche Auswirkungen dies auf die Maschine und die Produktionsumgebung hat. Des Weiteren kann der Mitarbeiter/die Mitarbeiterin eine Lerneinheit zur Weiterbildung an der Maschine auswählen. Dafür lässt er/sie sich über sein/ihr Smartphone mit der Maschine verbinden. So kann er/sie anwendungsbezogen und praxisnah in seinem/ihrem beruflichen Kontext lernen. Zudem können mithilfe von Learning Analytics die Vorkenntnisse des Lernenden/der Lernenden berücksichtigt werden. ◄

7

130

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Teil einer smarten Lernumgebung kann auch die Einbindung von Augmented und Virtual Reality sein. AR und VR finden bereits einen wachsenden Einsatz im Lernkontext. 7.6  Augmented und Virtual Reality

Lernumgebungen mit KI

VR und AR erfahren ein kontinuierliches Wachstum im Lernkontext.

7

Didaktische und wirtschaftliche Vorteile von AR und VR

Augmented Reality (AR) bedeutet erweiterte Realität, bei der die reale Umgebung durch digitale Elemente ergänzt bzw. erweitert wird. Virtual Reality (VR) ermöglicht eine geschlossene eigene Welt, bei der sich der Lernende in einer in Echtzeit computeranimierten, 360 Grad Umgebung befindet und in dieser interagieren kann. Mit Mixed Reality werden AR und VR zusammengefasst. Studien und die Praxis belegen, dass der Einsatz von VR und AR ein kontinuierliches Wachstum verzeichnet und immer mehr Einsatzgebiete hinzukommen (Capgemini, 2018; Dörner et al., 2019; Hafen, 2018; HolonIQ, 2018; mmb Institut, 2022; PwC, 2020) und sich die Technik kontinuierlich verbessert. Für diese Immersionserlebnisse (Immersion = Eintauschen) werden sogenannte Wearables (=tragbare Systeme; ggf. umfassender) wie z. B. Brillen und Handschuhe, Watches eingesetzt, die mit Sensoren und Aktoren ausgestattet sind und damit Interaktionen in der erweiterten oder virtuellen Welt ermöglichen. Dadurch ergeben sich neue Potenziale für Lernen und Weiterbildung (Bürgy, 2018; Gärtner, 2020, S. 149–150). Folgende didaktische und wirtschaftliche Vorteile sind für AR und VR mit dem Einsatz von Wearables zu nennen (Fink, 2021, S. 116; Gärtner, 2020, S. 150; Jäger & Kantzow, 2021, S. 206–207): 5 Zeitliche und räumliche Flexibilität der Lernprozesse 5 Asynchrones und selbstgesteuertes Lernen möglich 5 Stärker personalisiertes, kontextspezifisches und realitätsnäheres Lernen 5 Aktives und erlebnisorientiertes Lernen (Gamification-Ansatz) möglich 5 Sichere und geschützte Lernumgebung, insbesondere beim Umgang mit gefährlichen oder risikoreicheren Arbeitssituationen 5 Fokussierung durch geringe Ablenkung, z. B. beim Einsatz einer virtuellen Brille 5 Kosteneinsparungen, durch den Wegfall von Reisekosten und durch Simulationen anstelle von realen Umsetzungen wie bei z. B. bei der Pilotenausbildung 5 durch die Einbindung von KI kann das individuelle Lernund Wissensniveau besser berücksichtigt werden

7.6 · Augmented und Virtual Reality Lernumgebungen mit KI

Beispiele für Unternehmen, die AR und VR bereits in der Aus- und Weiterbildung erfolgreich einsetzen, sind Audi, BMW, Deutsche Bahn, Hagedorn, Heidelberger Druckmaschinen, Lufthansa, MasterCard, Siemens, Verizon, VW und Walmart (Fink, 2021; Hafen, 2018; Jäger & Kantzow, 2021). Hybride Szenarien von Präsenz verknüpft mit AR und/oder VR bieten hier zudem entsprechendes Potenzial, die sich in den sogenannten smarten Lernumgebungen abbilden lassen. Ein anschauliches Beispiel ist das Projekt WEKIT (Wearable Experience for Knowledge Intensive Training). Inhaltlich geht es darum, Trainingsszenarien in der Industrie beim Erlernen von Handlungen und Abläufen, die Expertenwissen voraussetzen, durch neue Technologiemöglichkeiten zu unterstützen (Klamma, 2019, S. 26–27). Dafür werden Augmented Reality und Künstliche Intelligenz in Form von neuronalen Netzen zur automatischen Bilderkennung eingesetzt. Die Umsetzung wird an folgenden zwei Beispielen erläutert (7 https://www.pcwelt.de/ratgeber/Projekt-WEKIT-Geisterhaende-schreiben-unsichtbare-Botschaften-10032681.html): 5 „helfende Geisterhände“: Hier steht der Ausbilder nicht physisch zur Verfügung, sondern durch die Technologie. Auszubildender und Ausbilder tragen jeweils eine ARBrille. Der Ausbilder sieht, was der Auszubildende machen möchte und kann ihm mittels „helfender Geisterhände“ zeigen, was in der spezifischen Situation zu tun ist. Das Video dazu ist hier verfügbar: 7 https://www.youtube.com/watch?v=8nQ3HkyeXQ4&t=5s 5 KI mit „unsichtbarer Botschaft“: Hier wird ein Tablet mit AR-Anwendung eingesetzt und die Künstliche Intelligenz übernimmt die Rolle des Ausbilders. Der Prozess läuft so, dass mit der Kamera ein Videobild der jeweiligen Maschine gemacht wird. Die KI erkennt die Maschine und die Situation mittels Verfahren der automatischen Bildund Videoanalyse. Die KI macht auf dieser Basis Vorschläge, wie die Maschine im konkreten Fall zu bedienen ist. Die Vorschläge werden innerhalb der Anwendung als „unsichtbare Botschaften“ eingeblendet. Damit kann der Auszubildende die Maschine anhand der Vorschläge einstellen. Beispiele, bei denen die WEKIT Technologie eingesetzt wird, sind: im Astronautentraining, beim Training von Wartungspersonal für Flugzeuge und Hubschrauber sowie im Training von Ärzten und medizinischem Personal im Umgang mit 4D-Ultraschalldiagnostikgeräten (Klamma, 2019). Eine weitere Möglichkeit stellen CAVE-Anwendungen dar. CAVE steht für Cave Automatic Virtual Environment. Hier können sich beispielsweise Teams in einen v­ irtuell

131

Projekt WEKIT

7

132

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

­ egehbaren, dreidimensionalen Raum begeben. Dabei kann b es sich um unterschiedliche Gebäude- und Landschaftsarchitekturen sowie Innenräume handeln. Dies könnte auch für Lern- und Coachingkontexte eingesetzt werden. Aufgeführt werden kann an dieser Stelle auch das CoBot Studio (Mara et al., 2021), einem Mixed-Reality-Simulationsraum, wo in virtuellen Arbeitsumgebungen kollaborative Roboter mit Menschen im Team zusammenarbeiten (7 Abschn. 5.2.7, 5.2.8 und 8.5). Dies könnte perspektivisch auch auf Lernräume übertragen werden. Aktuell werden in diesem Zusammenhang auch die Möglichkeiten der virtuellen Welt des Metaversums diskutiert, die bereits im Business Kontext zunehmend zum Einsatz kommt.

7

7.7  Metaversum als zukünftiger Arbeits- und

Lernraum

Das Metaversum kann den Lebens- und Lernraum um eine dreidimensionale virtuelle Welt erweitern.

Ein weiterer Schritt in Richtung neue und zukünftige Lernräume ist das Metaversum. Es geht dabei um die Vernetzung von virtuellen und echten Welten. Die Idee stammt von Neal Stephenson im Zusammenhang mit seinem Science-Fiction-Roman „Snow Crash“ im Jahr 1992 (Lorenz, 2022). Was bedeutet zunächst Metaverse (englischer Begriff) bzw. Metaversum? Der Begriff setzt sich aus der Vorsilbe „meta“ (Bedeutung: „auf einer höheren Stufe“ oder „die auf einer darüber liegenden Ebene“) und dem Nomen „Universum“ zusammen. Es handelt sich um einen virtuellen Raum mit Avataren, bei denen es sich um digitale Figuren oder um Abbilder von uns selbst handelt, die in verschiedenen Räumen miteinander interagieren können. Das Metaversum ist eine dreidimensionale virtuelle Welt, die als Nachfolger unseres heutigen mobilen Internets gehandelt wird und unseren echten Lebensund Lernraum erweitern soll. Lorenz (2022) beschreibt dieses trefflich und kompakt wie folgt (S. 16):

» „Das

Metaversum konkurriert nicht mit dem Internet, sondern baut auf ihm auf. Im Metaverse durchqueren die Nutzer eine virtuelle Welt, die mit Hilfe von Technologien wie virtueller Realität (VR), erweiterter Realität (AR), künstlicher Intelligenz, sozialen Medien und digitaler Währung Aspekte der physischen Welt nachahmt. Das Internet ist etwas, das die Menschen ‚durchstöbern‘. Aber bis zu einem gewissen Grad können Menschen auch im Metaverse ‚leben‘.“

Vorläufer des Metaverse sind Second-Life-Umgebungen, die schon 2003 im Gespräch waren und erkundet wurden, jedoch nicht den erwünschten Durchbruch erlebt haben. Für

7.7 · Metaversum als zukünftiger Arbeits- und Lernraum

Metaverse scheint nun der Startpunkt gekommen zu sein. Mark Zuckerberg hat Metaverse im Jahr 2021 gegründet und gleichzeitig Facebook in Meta umbenannt. So soll es ein zentrales Metaversum geben, von dem aus sich die Avatare in unterschiedlichen Meta-Welten bzw. Meta-Räumen bewegen können. Die Corona-Pandemie hat diese Entwicklung sicherlich auch gefördert und den Weg zum Metaverse geebnet. Denn noch nie waren wir so digital und mobil aktiv unterwegs wie heute. Auch weitere bedeutende Themen wie Nachhaltigkeit (weniger Reisen zu Trainingsorten) und Barrierefreiheit (Zugang zu Bildung für alle) könnten das Metaversum weiter voranbringen. Mit dem Oculus Quest 2 Headset können Nutzer derzeit bereits in verschiedene virtuelle Welten und das Metaversum eintauchen. Inwieweit diese zukünftig vermehrt für Lernen und Trainings genutzt werden, gilt es weiter zu beobachten. Das dem so sein wird, ist sehr wahrscheinlich. Dafür sind derzeit jedoch noch Weiterentwicklungen erforderlich. Beispiele für virtuelle Welten und Metaverse-Welten sind in . Tab. 7.2 aufgelistet. Die Möglichkeiten des Metaversums als Lernraum zur Aus- und Weiterbildung könnten insbesondere für folgende Bereiche interessant sein und einen Mehrwert, beispielsweise durch Ressourceneinsparung und Gefahrenfreiheit, haben: medizinische Schulungen, Motorik-Training in Berufen des Handwerks und in der Industrie wie z. B. das Schweißen, Training in Gefahrenbereichen, z. B. bei der Wartung von Windrädern, Training von Stresssituationen, z. B. Feuerlöschen, Wartung von komplexen Maschinen, z. B. Druckmaschinen (dazu 7 https://www.digital-agentur.de/fileadmin/Digitale_Bildung/i-mmersive.pdf). Zudem können damit auch spielerische Elemente in Trainings eingebaut werden, im Sinne vom Gamification im digitalen Lernkontext (Hasenbein, 2020, S. 77). Beispiele für Unternehmen, die diese Möglichkeiten des Metaversums bereits nutzen, sind der Medienkonzern Axel Springer, der IT-Dienstleister Accenture „One Accenture Park“, der Windenergiekonzern Siemens Gamesa (Hennig-Thurau & Ognibeni, 2022). Für Sirkka Freigang ist das Metaversum nicht nur ein digitaler Ort, sondern auch ein hybrider Lernraum, in dem man sich analog und digital in Echzeit miteinander verbinden kann. Ihrer Meinung nach ist damit eine „[…] eine Wohlfühloase der positiven Affirmation“ möglich, die von den Lernenden selbst gestaltet werden kann (Jenewein, 2022). Hennig-Thurau und Ognibeni (2022) sehen den Nutzen von Metaverse vor allem in seinem sozialen Charakter:

133

7

Beispiele für Möglichkeiten des Metaversums in der Ausund Weiterbildung

134

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

. Tab. 7.2  Beispiele für virtuelle Welten und Metaverse-Welten Horizon Worlds

Nutzer und Nutzerinnen können frei zwischen Räumen wechseln und direkt in der Welt an kleinen Spielen, Levels oder auch kosmetischen Objekten basteln. Manche in dieser der Welt erschaffenen Nutzerobjekte bringen sogar reales Geld ein

7 https://www.oculus.com/horizon-worlds/?locale=de_DE

Horizon Venues

„Horizon Venues“ ist eine Art Event-Plattform, etwa um virtuellen Konzerten beiwohnen zu können

7 https://www.oculus.com/experiences/quest/3002729676463989/?locale=de_DE

Glue

Glue ist eine virtuelle Kollaborationsplattform für Teams, zur Durchführung von Remote-Meetings

7 https://glue.work/

Altspace VR

AltspaceVR ist die führende Plattform für virtuelle Live-Events, die es Künstlern, Marken und Unternehmen ermöglicht, auf einfache Weise sinnvolle Erlebnisse zu gestalten, die Gemeinschaft und Verbindung fördern

7 https://altvr.com/

RAUM

Eine Business-Metaverse-Plattform, die Teamarbeit, Zusammenarbeit und soziale Interaktion ermöglicht, mit unbegrenzter Bildschirmfläche in einem vollständig immersiven Raum

7 https://www.raum.app/

MeetinVR

Ermöglicht Business Meetings im Metaverse mit Präsentationen und verschiedenen Tools, zum Beispiel zum gemeinsamen Brainstorming

7 https://www.meetinvr.com/

Spatial

Ist ein Metaverse für virtuelle Veranstaltungen und Galerien

7 https://spatial.io/

7

» „Anders als das Internet, in dem wir meistens allein unterwegs sind, ist das Metaverse im Kern eine soziale Institution, in der Nutzen durch Anwesenheit von anderen Personen entsteht.“

Hybride Lernszenarien in Verknüpfung von Metaversum und physischer Präsenz

Zudem sind auch hybride Lernszenarien vorstellbar, in denen die Lernenden physisch in Präsenz zusammenkommen und bei bestimmten Themenbereichen oder Aufgaben eine VRBrille aufsetzen und in die Welt des Metaversums eintauchen. Anschließend könnte diese Erfahrung gemeinsam mit dem menschlichen Trainer in der Lerngruppe reflektiert werden. Denn es bleibt sicherlich wichtig, neben dieser „aufregenden“ virtuellen Welt, die hier versprochen wird, die physische Welt nicht gänzlich zu vernachlässigen. Denn ein solches Metaversum braucht auch Metareflexion. Und es sollte immer die Frage gestellt werden, für welche Lerninhalte macht ein solcher Einsatz Sinn und ist er auch tatsächlich didaktisch-methodisch sowie vom Aufwand gerechtfertigt. 8

135 Literatur

Fazit Das zukünftige Lernen wird smarter, individueller und flexibler. Dabei werden zunehmend KI-Systeme, Bots und Roboter als Lernassistenten ihren Einsatz finden. Vor allem Augmented und Virtual Reality werden weiter eine wachsende Rolle spielen. Smart Learning Environments und das Lernen im Metaverse werden zudem an Bedeutung gewinnen. Hier wird Lernen immer häufiger in einem hybriden Lernraum stattfinden, die digitalen Inhalte mit dem physischen Raum sowie reale und virtuelle Welten miteinander verbindet. Auch der kooperative Austausch mit anderen Lernenden wird weiterhin wichtig sein. Dabei gilt es, mutig, zu sein und mit neuen Lernräumen zu experimentieren, denn nur so ist kontinuierliches und lebenslanges Lernen möglich. Sicherlich werden auch Qualifizierungen zu KI-Inhalten an Universitäten, Hochschulen und diversen Bildungseinrichtungen zunehmen.

Literatur Alnajjar, F., Bartneck, C., Baxter, P., Belpaeme, T., Cappuccio, M., Di Dio, C., Eyssel, F., Handke, J., Mubin, O., Obaid, M., & Reich-Stiebert, N. (2021). Roboter in der Bildung. Wie Robotik das Lernen im digitalen Zeitalter bereichern kann. Hanser. Bartneck, C., Belpaeme, T., Eyssel, F., Kanda, T., Keijsers, M., & Sabanovic, S. (2020). Mensch-Roboter-Interaktion. Eine Einführung. Hanser. Bitkom Akademie & HRpepper GmbH & Co. KgaA. (2021). Status Quo und Zukunft der digitalen Weiterbildung in Unternehmen. Eine Studie von HRpepper Management Consultants und der Bitkom Akademie. Bitkom Akademie & HRpepper GmbH & Co. KGaA. Bruns, B. (2019). Künstliche Intelligenz in der Weiterbildung. Mein Bot und ich, Training aktuell, 30(2), 33–35. Bürgy, C. (2018). Mobile Learning mit Wearables. In C. de Witt & C. Gloerfeld (Hrsg.), Handbuch mobile learning (S. 141–159). Springer. Capgemini. (2018). Augmented und Virtual Reality werden in drei Jahren zum Standard in Unternehmen. 7 https://www.capgemini.com/de-de/resources/augmented-reality-virtual-reality-unternehmen-studie/. Zugegriffen: 19. Juni 2022. Choi, J.-H., Lee, J.-Y., & Han, J.-H. (2008). Comparison of cultural acceptability for educational robots between europe and korea. Journal of Information Processing Systems, 4(3), 97–102. 7 https://www.researchgate. net/publication/220635680_Comparison_of_Cultural_Acceptability_for_ Educational_Robots_between_Europe_and_Korea. Zugegriffen: 3. Aug. 2022. Döner, R., Broll, W., Grimm, P., & Jung, B. (2019). Virtual und augmented reality (VR/AR). Grundlagen und Methoden der Virtuellen und Augmentierten Realität. Springer Vieweg. Dräger, J., & Müller-Eiselt, R. (2018). Die digitale Bildungsrevolution – Der radikale Wandel des Lernens und wie wir ihn gestalten können. Random House.

7

136

7

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Duffy, B. R. (2003). Anthropomorphism and the social robot. Robotics and Autonomous Systems, 42(3), 177–190. 7 https://www.sciencedirect.com/ science/article/abs/pii/S0921889002003743. Zugegriffen: 18. Juni 2022. EDUCAUSE Horizon Report. (2021). 2021 EDUCAUSE horizon report® | Teaching and learning edition. 7 https://library.educause.edu/resources/2021/4/2021-educause-horizon-report-teaching-and-learning-edition. Zugegriffen: 19. Juni 2022. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Stuttgart: Schäffer-Poeschel. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Schäffer-Poeschel. Foelsing, J., & Schmitz, A. (2021). New Work braucht New Learning. Eine Perspektivreise durch die Transformation unserer Organisations- und Lernwelten. Springer Gabler. Freigang, S. (2020). Smart Learning Environments. Räumlich lernen. ManagerSeminare, 272, 81–87. Freigang, S. (2021). Das Internet der Dinge für Bildung nutzbar machen. Gestaltung von Smart Learning Environments auf Basis eines interdisziplinären Diskurses. Springer VS. Gärtner, C. (2020). Smart HRM: Digitale Tools für die Personalarbeit. Springer Gabler. Goertz, L. (2019). Trend: „Künstliche Intelligenz“ in der Weiterbildung. Wbweb. Ein Projekt des DIE. 7 https://wb-web.de/aktuelles/trend-kunstliche-intelligenz-in-der-weiterbildung.html. Zugegriffen: 18. Juni 2022. Grabmeier, S. (2015). Smart Learning – Lernen in der digitalen Arbeitswelt. 7 https://stephangrabmeier.de/smart-learning-lernen-der-digitalen-arbeitswelt. Zugegriffen: 4. Aug. 2022. Hafen, T. (2018). Künstliche Welten steigern die Effizienz. com! Professional, 1, 26–31. Handke, J. (2020). Humanoide Roboter. Showcase, Partner und Werkzeug. Tectum. Hasenbein, M. (2019). Chatbots und Co – digitales Coaching mit Künstlicher Intelligenz. Wirtschaftspsychologie aktuell, 3, 9–12. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Hennig-Thurau, T., & Ognibeni, B. (2022). Große Technologie-Analyse. Was das Metaverse Unternehmen bringen kann. Harvard Business manager, 7. 7 https://www.manager-magazin.de/harvard/strategie/metaverse-analyse-welche-chancen-bieten-die-virtuellen-3d-welten-unternehmen-a-445 2f042-52e6-488f-9ba4-7e4bf4781998. Zugegriffen: 1. Juli 2022. Holon IQ. (2018). Education in 2030. Five scenarios for the future of learning and talents. 7 https://www.holoniq.com/wp-content/ uploads/2018/06/HolonIQ-Education-in-2030.pdf. Zugegriffen: 19. Juni 2022. Hwang, G.-J. (2014). Definition, framework and research issues of smart learning environments – a context-aware ubiquitous learning perspective. Smart Learning Environments, 1(4). 7 https://doi.org/10.1186/s40561014-0004-5. Zugegriffen: 19. Juni 2022. Jäger, C., & Tewes, S. (2021). KI in der Weiterbildung der Zukunft. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 389–400). Springer Nature. Jäger, W., & Kantzow, B. (2021). Potentiale von Virtual, Augmented und Mixed Reality für HR. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 199–212). Haufe. Jenewein, T. (2022). Lernen im Metaverse mit Sirkka Freigang und Torsten Fell. Education Newscast 182. 7 https://blogs.sap.com/2022/03/09/ler-

137 Literatur

nen-im-metaverse-mit-sirkka-freigang-und-torsten-fell-im-educationnewscast/. Zugegriffen: 15. Juni 2022. Kienbaum & Stepstone. (2021). Future Skills – Future Learning. Kienbaum Institut @I SM für Leadership & Transformation GmbH & Stepstone GmbH. 7 https://media.kienbaum.com/wp-content/uploads/sites/13/2021/06/Kienbaum-StepStone-Studie_2021_WEB.pdf. Zugegriffen: 19. Juni 2022. Klamma, R. (2019). Helfende Geisterhände. Augmented RealityXE „Augmented Reality“ und Wearables in lernintensiven Aus- und Weiterbildungen. weiter bilden. DIE Zeitschrift für Erwachsenenbildung, 4, 26–27. Kohne, A., Kleinmanns, P., Rolf, C., & Beck, M. (2020). Chatbots. Aufbau und Anwendungsmöglichkeiten von autonomen Sprachassistenten. Springer Vieweg. Kowald, C. (2019). Lernen im Dialog mit KI. Chatbots in der Erwachsenenund Weiterbildung. weiter bilden. DIE Zeitschrift für Erwachsenenbildung, 4, 32–34. Kuerschner, C. (2019). Smart Learning Environments. Im Interview mit Sirkka Freigang – ein super spannender Einblick in die Smart Learning Welt bei Bosch ... 7 https://mittwochs.online/smart-learning-environments. Zugegriffen: 4. Aug. 2022. Lehmann, H., & Rossi, P.G. (2019). Enactive Robot Assisted Didaktik (ERAD): Die Rolle der Maker-Bewegung. In M. Moro, D. Alimisis, & L. Iocchi (Hrsg.) Educational robotics in the context of the maker movement. Edurobotics 2018. Advances in intelligent systems and computing, Band 946. Springer. 7 https://doi.org/10.1007/978-3-030-18141-3_2. Lin, Y.-C., Liu, T.-C., Chang, M., & Yeh, S.-P. (2009). Exploring children’s perceptions of the robot. International Conference on Technologies for E-Learning and Digital Entertainment, 512–517. 7 https://doi. org/10.1007/978-3-642-03364-3_63. Zugegriffen: 3. Aug. 2022. Lömker, M., Weber, U., & Moskaliuk, J. (2021). Chatbots im Coaching. Chancen im lösungs-fokussierten Coaching. Essentials. Springer. Lorenz, C. (2022). Metaversum. Unsere digitale Zukunft im Metaverse mit künstlicher Intelligenz, Blockchain, AR, VR, NFTs und Kryptowährungen. Kleinstadt Fachbuch- und Medienverlag. Mara, M., Meyer, K., Heiml, M., Pichler, H., Haring, R., Krenn, B., Gross, S., Reiterer, B., & Layer-Wagner, T. (2021). CoBot studio VR: A virtual reality game environment for transdisciplinary research on interpretability and trust in human-robot collaboration. 7 https://www.researchgate.net/publication/350448955_CoBot_Studio_VR_A_Virtual_Reality_ Game_Environment_for_Transdisciplinary_Research_on_Interpretability_and_Trust_in_Human-Robot_Collaboration. Zugegriffen: 24. März 2022. Münchner Kreis e. V. & Bertelsmann Stiftung. (2020). Leben, Arbeit, Bildung 2035+. Durch Künstliche Intelligenz beeinflusste Veränderungen in zentralen Lebensbereichen. Zukunftsstudio MÜNCHNER KREIS Band VIII. München: Münchner Kreis e. V. & Bertelsmann Stiftung. 7 https://www.muenchner-kreis.de/wp-content/uploads/fileadmin/user_ upload/2020_Zukunftsstudie_MK_Band_VIII_Publikation.pdf. Zugegriffen: 24. März 2022. mmb Institut. (2022). Weiterbildung und Digitales Lernen heute und in drei Jahren Viel Rückenwind für „EduTuber“ Ergebnisse der 16. Trendstudie „mmb Learning Delphi“. 7 https://www.mmb-institut.de/wp-content/ uploads/mmb-Trendmonitor_2021-2022.pdf. Zugegriffen: 19. Juni 2022. PwC. (2020). Deutscher Virtual-Reality-Markt wächst über die Nische hinaus. 7 https://www.pwc.de/de/technologie-medien-und-telekommunikation/studie-deutscher-virtual-reality-markt-waechst-ueber-die-nische-hinaus.html. Zugegriffen: 19. Juni 2022.

7

138

7

Kapitel 7 · Zukünftige Lernszenarien mit Künstlicher Intelligenz und Robotern

Reich-Stiebert, N., & Eyssel, F. (2015). Learning with educational companion robots? toward attitudes on education robots, predictors of attitudes and application potentials for education robots. International Journal of Social Robotics, 7(5), 875–888. 7 https://www.researchgate.net/ publication/279270893_Learning_with_Educational_Companion_Robots_Toward_Attitudes_on_Education_Robots_Predictors_of_Attitudes_and_Application_Potentials_for_Education_Robots. Zugegriffen: 4. Aug. 2022. Reich-Stiebert, N., & Eyssel, F. (2016). Robots in the classroom: What teachers think about teaching and learning with education robots. International Conference on Social Robotics, 671–680. 7 https://doi. org/10.1007/978-3-319-47437-3_66. Zugegriffen: 4. Aug. 2022. Renz, A. (2021). KI in der Bildung: Educational Technology und KI. Heraus- und Anforderungen an die Bildungstechnologie der Zukunft. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 381–388). Springer Nature. Rump, J., Eilers, S., & Tan, J.-V. (2020). Future Learning – Kompetenzaufbau und -erhalt für Beschäftigung 4.0. Ergebnisse einer explorativen Studie. In J. Rumpf & S. Eilers (Hrsg.), Die vierte Dimension der Digitalisierung (S. 201–223). Springer Gabler. Satow, L. (2018). Lernen mit Chatbots und digitalen Assistenten. In K. Wilbers (Hrsg.), Handbuch E-Learning (S.1–14). Wolters Kluwer. Seufert, S., Guggemos, J., & Sonderegger, S. (2021). Soziale Roboter im Bildungsbereich. Konzeptioneller Überblick zum Einsatz sozialer Roboter in der Bildung. In O. Bendel (Hrsg.), Soziale Roboter (S. 475–494). Springer Nature. Shin, N., & Kim, S. (2007). Learning about, from and with robots: Students’ perspectives. The 16th IEEE International Symposium on Robot and Human Interactive Communication (S. 1040–1045). IEEE. 7 https://ieeexplore.ieee.org/document/4415235. Zugegriffen: 3. Aug. 2022. Spiegel, P. (2021). Future Skills WeQ – Die neue Dimension von Lernen. Wie entwickeln wir die Wissensgesellschaft zur Kompetenzgesellschaft weiter? In A. Grünberg, A. Pechstein, P. Spiegel, & A. Ternès von Hattburg (Hrsg.), Future Skills. 30 zukunftsentscheidende Kompetenzen und wie wir sie lernen können Das Praxishandbuch für Zukunftsgestalter (S. 14–19). Vahlen. Weber, K., & Zeaiter S. (2018). Project H.E.A.R.T (Humanoid Emotional Assistant Robots in Teaching). In J. Buchner, C. F. Freisleben-Teutscher, J. Haag, & E. Rauscher (Hrsg.). Inverted classroom. Vielfältiges Lernen. Begleitband zur 7. Konferenz Inverted Classroom and Beyond 2018 (S. 231–238). Fachhochschule St. Pölten und Pädagogische Hochschule Niederöstereich. 7 https://www.researchgate.net/publication/339446611_ Project_HEART_Humanoid_Emotional_Assistant_Robots_in_Teaching. Zugegriffen: 23. Juni 2022.

139

Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_8

8

140

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

Trailer

8

Führung in Zeiten von Künstlicher Intelligenz und Robotik verändert sich zunehmend. In diesem Kontext werden andere Führungsansätze von der agilen und dienenden Führung bis zur ambidextren (beidhändigen) Führung relevant und erweiterte Führungskompetenzen wie u. a. die AI literacy gewinnen an Bedeutung. Algorithmisches Management führt zur Übernahme von Führungsaufgaben durch KI und Roboter. Dazu gehören die strategische Führung, die organisationale Führung, die Personalführung und die Selbstführung. Darin stecken sowohl Chancen als auch Risiken. Diese gilt es sowohl in der Praxis als auch in der Forschung intensiv zu untersuchen, um daraus Empfehlungen ableiten zu können. Dies verändert die Art der Kollaboration und Teamarbeit. Es kommt zunehmend zu einer komplementären Zusammenarbeit zwischen Mensch, KI und Roboter. Auch die Art der Führung verändert sich, sie wird immer hybrider. Hybride Führung kann dabei im doppelten Sinne verstanden werden, zum einen als Führung der Mitarbeiter sowohl analog im Unternehmen als auch digital und zum anderen als Führung von hybriden Teams zwischen Mensch und Maschine bzw. KI, dem Mensch-Maschine-Hybrid. Das erfordert ein flexibles Mindest und sogenannte Brückenkompetenzen. . Abb. 8.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

8.1  Führung in der digitalen Arbeitswelt

Führung in einer digitalisierten Arbeitswelt hat sich bereits verändert und wird sich zukünftig mit Künstlicher Intelligenz weiter verändern. In diesem Zusammenhang werden andere Führungsstile als die klassischen Ansätze diskutiert. Das sind

. Abb. 8.1 Wortwolke

8.1 · Führung in der digitalen Arbeitswelt

141

u. a. Führungsansätze wie Agile Führung, Servant Leadership und Shared Leadership (Hasenbein, 2020a), die auf Selbstorganisation, Mitverantwortung und Flexibilität im Umgang mit Veränderungen sowie Achtsamkeit setzen. Dies bestätigen auch Stowasser et al. (2022, S. 8):

» „Traditionelle

Führungsmodelle und -aufgaben werden sukzessive in den Hintergrund geraten, während kooperative, netzwerkdynamische und werteorientierte Führungsstile an Bedeutung gewinnen werden“.

. Tab. 8.1 zeigt relevante und aktuelle Führungsansätze im Überblick. Dennoch werden in manchen Unternehmen auch traditionelle Führungskonzepte ihre Berechtigung behalten. Diese gilt es dennoch mit den Aspekten Innovation, Experimentierfreudigkeit und Agilität zu verknüpfen. Petry (2018) und Deloitte (2019) sprechen hierbei von beidhändiger, bzw ambidextrer Führung.

Neue Führungsansätze in der digitalisierten Arbeitswelt

» „Das bedeutet, als heutige Führungskraft den Spagat zwischen Offenheit, Partizipation und Selbstorganisation der Mitarbeiter einerseits und Vorgabe von Strukturen, Zielen und Kontrolle

. Tab. 8.1  Führungsansätze in der digitalen Arbeitswelt im Überblick. (In Anlehnung an Hasenbein, 2020a) Führungsansätze

Merkmale

Weiterführende Literatur

Agile Führung

– Führung als Rolle weniger als Position – Moderierende und coachende Führung – Selbstorganisation und Empowerment der Teammitglieder – Veränderung als kontinuierlicher Prozess

Hofert (2016)

Servant Leadership

– Dienst für den Mitarbeiter, die Organisation und die Gesellschaft – Werteorientierte Haltung wie Wachstum, Ganzheitlichkeit und Empowerment – Selbstreflexion der Führungskraft auf dem Weg des Dienens

Greenleaf (2005) Schnorrenberg (2014)

Shared Leadership

– Führung von zwei oder mehreren Personen – Gebündelte Expertise verschiedener Personen – Führungsprozesse werden sozial und interaktiv ausgehandelt

Werther (2013)

Positive Leadership

– Stärkenorientierte Führung – Positive Emotionen und Ressourcenorientierung – Engagement, Sinn und Beziehungen

Ebner (2019)

Gesunde Führung

– Förderung gesunder Arbeit – Echtes Interesse am Wohlbefinden der Mitarbeiter – Wertschätzung und Anerkennung – Führungskraft als Vorbild

Häfner et al. (2019)

8

142

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

andererseits hinzubekommen. Und das macht Führung nicht weniger komplex und herausfordernd“ (Hasenbein, 2020b, S. 327).

8

Wichtigkeit von KI wird von Führungskräften gesehen und kann zur besseren Entscheidungsfindung beitragen.

Auch wird neben der Führung von virtuellen und digitalen Teams, die spätestens seit der Corona-Pandemie zur „neuen Normalität“ geworden ist, die Führung von Mensch-Maschine-Teams bzw. Mensch-KI-Teams eine wachsende Rolle spielen. So zeigt eine Avanade Studie, dass 85 % der Führungskräfte die Meinung vertreten, dass Unternehmensführung in Zeiten von Künstlicher Intelligenz die Führung von Menschen als auch von Maschinen braucht (Avanade, 2018). An dieser Stelle ist in Ergänzung die Bedeutung von Robotern in der Zusammenarbeit mit Menschen hervorzuheben, die in einigen industriellen Bereichen bereits zur Normalität gehören und zukünftig sicherlich noch an Relevanz zunehmen wird. Der Einsatz von Robotern ist zudem meistens mit Künstlicher Intelligenz verknüpft. Eine Studie von Microsoft mit der Universität St. Gallen (2019), bei der 1150 Führungskräften aus 13 Ländern weltweit befragt wurden, zeigt, dass Unternehmen eine hohe Dringlichkeit in der Nutzung von KI-Technologien sehen und dass diese vermehrt in den nächsten Jahren zur besseren Entscheidungsfindung eingesetzt werden sollen. Hier heißt es auch von Heike Bruch, Professorin und Direktorin am Institut für Führung und Personalmanagement der Universität St. Gallen:

» „Erfolgreiche Führungskräfte haben die Wichtigkeit von KI

erkannt und nutzen die Technologie für operative Aufgaben […]. Durch KI wird Führung noch menschlicher und hilft Entscheidern, sich auf das Wesentliche zu konzentrieren: die Beschäftigten“ (Microsoft, 2019).

Das bedeutet, dass mit KI operative Aufgaben der Führungskräfte weniger werden und sich Führungskräfte mehr um das Empowerment der Mitarbeiter kümmern können sowie um die Förderung von Kreativität und Innovation im Unternehmen. Ein solcher Ansatz erfordert erweiterte Führungskompetenzen. 8.2  Führungskompetenzen in Zeiten von

Digitalisierung und KI

Markus Köhler, Personalleiter Microsoft Deutschland, erläutert dazu, dass KI-Führung verändere und sich Führungskräfte für den erfolgreichen Umgang mit Künstlicher Intelligenz neue Fähigkeiten aneignen und Unternehmen die Führungskultur

8.2 · Führungskompetenzen in Zeiten von Digitalisierung und KI

143

weiterentwickeln müssten (Microsoft, 2019). Aber was heißt das genau? Die Anforderungen an Führungskompetenzen werden sich ändern und haben sich bereits in Teilen verändert, damit eine Führungskraft in einem digitalisierten Unternehmen erfolgreich sein kann. Dazu gehören neben den klassischen Kompetenzbereichen wie der Sozial- und Selbstkompetenz die Netzwerk-, Diversitäts- und Veränderungskompetenz sowie die digitale Medienkompetenz (Hasenbein, 2020a, S. 112–113). Die digitale Medienkompetenz ist an dieser Stelle im Hinblick auf KI weiter zu denken. In diesem Kontext fällt immer häufiger der Begriff „AI literacy“. Gemeint ist damit

» „[…] ein Bündel an Kompetenzen, dass Nutzer*innen dazu

befähigt, Technologien Künstlicher Intelligenz kritisch zu evaluieren, mit ihnen effektiv zu kommunizieren und zusammenzuarbeiten sowie Künstliche Intelligenz als Tool online, zu Hause und in der Arbeit zu nutzen“ (Long & Magerko, 2020).

. Abb. 8.2 zeigt die Kompetenzen im Überblick. Daugherty und Wilson (2018) haben einen „Leitfaden für Manager“ entwickelt, der Führungskräfte dabei unterstützen soll, KI in den betrieblichen Prozessen umzusetzen. Dazu gehören folgende vier Schritte (S. 166–197): 1. Veränderte Geisteshaltung: Hierbei geht es darum, Prozesse im Zuge der Weiterentwicklung von KI neu zu denken. 2. Kultur des Experimentierens: Es geht darum, schnell zu erkennen, wie und wo KI einen Ablauf sinnvoll verändern kann. 3. Führung von Mensch und Maschine: Hier geht es darum, eine Kultur zu etablieren, die einen verantwortungsvollen Umgang mit KI fördert sowie Ängste zu mindern, die im Umgang mit KI und Robotern bestehen oder mit Sorgen um den Verlust des Arbeitsplatzes verbunden sind.

. Abb. 8.2  Führungskompetenzen mit AI literacy

Führungskompetenzen brauchen eine AI literacy Leitfaden für Manager zur Umsetzung von KI in betrieblichen Prozessen

8

144

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

4. Bewusstsein für Daten: Dies ist ein wichtiger Aspekt, da Daten die wichtigste Grundlage für KI-Systeme sind und ein KI-System nur so gut sein kann wie die Daten, mit denen es trainiert wurde. Im Zentrum sollte jedoch weiterhin der Mensch, die Fokussierung auf die Person und der Aufbau vertrauensvoller Beziehungen stehen (Winkler & Niedermeier, 2020, S. 221). Zentral bleiben zudem der EQ bei Führungskräften und der Umgang mit den Mitarbeitern im Hinblick auf Einbindung, Überzeugung und das Nehmen von Ängsten bei allen Veränderungen durch Künstliche Intelligenz. Tschopp und Schafheitle (2020) stellen in ihrem Betrag „KI & Führung – Heute Hü, morgen Hott“ heraus, dass die bereits erläuterte AI Literacy wesentlich für Führungskräfte sei und dass eine algorithmenbasierte Personalsteuerung und Vertrauensaufbau Hand in Hand gehen sollten.

8 8.3  Algorithmisches Management Algorithmisches Management bedeutet die Steuerung und Kontrolle von Mitarbeitern und Mitarbeiterinnen mithilfe von intelligenten Algorithmen.

Hinter Algorithmischem Management stehen Praktiken der Steuerung und Kontrolle von Mitarbeitern und Mitarbeiterinnen mithilfe von intelligenten Algorithmen und digitalen Technologien (Möhlmann & Zalmanson 2017; von Richthofen 2020; Wiener 2022). Eine solche Form der algorithmenbasierten Personalsteuerung kann zum Beispiel mit Unterstützung von People Analytics erfolgen. Hierbei kann zwischen folgenden zwei Kernfunktionen des algorithmischen Managements am Beispiel von Uber unterschieden werden (Wiener, 2022): 5 Algorithmisches Matching: KI-basierte Algorithmen werden hier für das Matching von Fahrerinnen und Fahren mit Kunden und Kundinnen verwendet inklusive der Preisbildung. 5 Algorithmische Verhaltenssteuerung: Dafür sammelt Uber Verhaltensdaten von den Fahrern und Fahrerinnen wie z. B. zum Fahrstil. Diese werden anschließend von Algorithmen genutzt, um Bewertungen durchzuführen, Empfehlungen, Feedback und Arbeitsanweisungen zu geben. Ein solcher Ansatz ist vor allem für plattformbasierte Geschäftsmodelle wie die von Uber, Airbnb und Upwork geeignet. Vergessen werden dürfen hierbei nicht die Themen Datenschutz und Ethik. Es sollte gut abgewogen werden, wo

8.3 · Algorithmisches Management

algorithmisches Management einen wertvollen Beitrag leisten kann und an welchen Stellen die direkte Interaktion von Mensch zu Mensch sinnvoll(er) sein könnte. Dabei sollte es sich um ein Zusammenspiel von Manager, Algorithmus und Arbeitskraft, respektive Mitarbeiter und Mitarbeiterin handeln. . Abb. 8.3 illustriert dieses Zusammenspiel. Eine Metastudie auf Basis von 45 Studien zur algorithmischen Menschenführung zeigt, dass Algorithmen zwar bereits einige Managementfunktionen übernehmen können, dies jedoch gleichzeitig zu anderen Herausforderungen führt (Parent-Rocheleau & Parker, 2022). Der Fokus lag dabei auf folgenden sechs Managementfunktionen, die von Algorithmen ausgeführt werden können: Überwachung, Zielsetzung, Leistungsmanagement, Terminplanung, Vergütung und Beendigung des Arbeitsverhältnisses. Dabei wurde von den Menschen bei algorithmischer Führung kritisiert, dass eine geringere Aufgabenvielfalt, geringere Autonomie bei der Ausführung ihrer Tätigkeit sowie größere Unsicherheiten hinsichtlich Anforderungen und Perspektiven vorlägen (Petereit, 2021). Die Forderung der Studie besteht im Ergebnis darin, nicht nur die Effizienz beim algorithmischen Management im Blick haben, sondern auf Transparenz zu achten sowie die Möglichkeiten des Einflusses der Mitarbeiter und des menschlichen Vorgesetzten zu berücksichtigen. Dies wirkt sich auf die verschiedenen Führungsaufgaben aus.

. Abb. 8.3  Algorithmisches Management. (In Anlehnung an Wiener et al. (2021, S. 3))

145

8

Die Übernahme von Managementaufgaben durch algorithmisches Management führt zu neuen Herausforderungen.

146

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

► Beispiel für algorithmisches Management Ein Vertriebsleiter/eine Vertriebsleiterin setzt algorithmisches Management dazu ein, um die Effektivität des Vertriebspersonals zu verbessern und das Stressniveau, das häufig im Vertriebsbereich vorzufinden ist, zu reduzieren. Damit soll einerseits die Zufriedenheit der Mitarbeiter/Mitarbeiterinnen und andererseits die der Kunden unterstützt werden. Dies ermöglicht dem Vertriebsleiter/der Vertriebsleiterin eine KI-basierte Planung und Analyse im Vertriebscontrolling, die ihm/ihr Arbeit bei der Einsatzplanung und der Auswertung der Vertriebsaktivitäten abnimmt. Damit hat er/sie eine fundierte Transparenz über die aktuellen Vertriebsdaten. Mit Big Data kann eine enorme Menge an externen und internen Daten verarbeitet werden, mit denen kein Mitarbeiter/keine Mitarbeiterin konkurrieren kann. Und das KI-basierte Vertriebssystem kann zudem Empfehlungen „aussprechen“. Dafür kann der Vertriebsleiter/die Vertriebsleiterin verstärkt darauf achten, dass es bei den Mitarbeitern und Mitarbeiterinnen nicht zu einer Überlastung kommt und gleichzeitig die Motivation des Vertriebspersonals gefördert wird. ◄

8

8.4  Übernahme von Führungsaufgaben durch

KI und Roboter

Stowasser et al. (2022) haben sich vier Cluster von Führungsaufgaben und die Unterstützungsmöglichkeiten sowie Auswirkungen durch den Einsatz von KI angeschaut. Dazu gehören die strategische Führung, die organisationale Führung, die Personalführung und die Selbstführung. Diese sollen im Einzelnen betrachtet werden (Stowasser et al., 2022, S. 15– 28). Vier Cluster von Führungsaufgaben und die Unterstützung von KISystemen

5 Strategische Führung: Hier wird es so ein, dass die Kernaufgabe der Führungskräfte weiterhin die Festlegung der strategischen Ziele eines Unternehmens sein wird. KI-Systeme können jedoch durch Recherchen und Auswertungen das Datenmaterial als Entscheidungsgrundlage liefern. Damit könnte der Schwerpunkt in der Führung mehr auf der Visionsentwicklung und den Aspekten Innovation und Kreativität liegen. Stowasser et al. (2022) sprechen in diesem Zusammenhang von einer „innovationsorientierten Führung“. 5 Organisationale Führung: In diesem Aufgabenbereich kann KI an verschiedenen Stellen eingesetzt werden. Auf der Ebene organisationaler Prozesse könnten KI-Systeme standardisierte Aufgaben übernehmen wie zum Beispiel bei der Rechnungsstellung. Bei der Verteilung von

8.4 · Übernahme von Führungsaufgaben durch KI und Roboter

147

8

­ rbeitsaufgaben könnte eine KI-Empfehlungen für die A Zusammenstellung von Teams geben. Bei organisationalen Abläufen kann KI zur Verbesserung der Abläufe und zur Qualitätssteigerung beitragen. 5 Personalführung: Auf der Personalführungsebene könnte die KI die Führungskraft dabei unterstützen, die (Nicht-) Zufriedenheit der Mitarbeiter auszuwerten, Rückschlüsse auf der Basis von Krankenständen ziehen, wie z. B. vor Burnout-Belastungen warnen, vereinbarte Entwicklungsziele verfolgen und überprüfen sowie Qualifizierungsempfehlungen für die Mitarbeiter und Mitarbeiterinnen geben. Dies darf jedoch in keinem Fall zu einer missbräuchlichen Nutzung und zu einer unzulässigen Leistungsüberwachung führen. Hier spielt die Berücksichtigung ethischer und datenschutzrechtlicher Aspekte eine ganz zentrale Rolle. 5 Selbstführung: Dieser Aufgabenbereich umfasst die Selbstorganisation und die Selbstreflexion der Führungskräfte. Dieser hängt eng mit den Selbstführungskompetenzen der Mitarbeiter und Mitarbeiterinnen zusammen. KI kann hier unterstützen, zum Beispiel indem sie die Effektivität der Meeting-Sitzungen überprüft. Auch durch die Übernahme von standardisierten Aufgaben durch KI-Systeme kann mehr Raum für Selbstführung, insbesondere Selbstreflexion zur Verfügung stehen. Darin stecken sowohl Chancen und Risiken. Chancen durch den Einsatz von KI-Systemen sind beispielsweise Entlastung durch die Übernahme von standardisierten und sich wiederholenden Routineaufgaben, einfachere Herstellung einer Passung zwischen Aufgaben und Kompetenzen der Mitarbeiter und Mitarbeiterinnen, leichtere Prozessoptimierungen, umfangreiche Verfügbarkeit von Daten und Informationen als Basis für Entscheidungen. Risiken können in der Demotivation bei den Mitarbeitern und Mitarbeiterinnen durch die Standardisierung und den Wegfall von Aufgaben sowie in zu viel Transparenz und Kontrolle, Ängsten und Unsicherheiten liegen. Hubner, Benz und Peus (2019) gehen in ihrer Forschung der Frage nach, inwieweit Roboter in Führungsrollen akzeptiert werden könnten und welche Chancen und Herausforderungen das mit sich bringen würde. Dabei zeigt sich, dass dieses Forschungsgebiet noch ganz am Anfang steht. Sie betrachten dies aus drei Perspektiven: der Mensch-Roboter-Interaktion, der Ethik und der Führungsforschung. Bisherige Forschungen lassen die Annahme zu, dass Menschen in einzelnen Situationen Roboter als Führungskräfte akzeptieren könnten (Goetz et al., 2003; Gombolay et al.,

Chancen und Risiken durch den Einsatz von KI-Systemen

148

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

Die Führungsforschung unter dem Einsatz von Robotern steckt noch in den Kinderschuhen.

8

Gestaltungaspekte des Einsatzes von KISystemen und Robotern im Führungskontext

2015; Young & Cormier, 2014). Das führt zu ethischen Fragestellungen, die genauer betrachtet werden müssen (dazu 7 Kap. 9). Weiterhin erfordert dies eine intensive Führungsforschung unter dem Einsatz von Robotern, die noch in den Kinderschuhen steckt, vor allem in Bezug auf die Wirksamkeit des eingesetzten Führungsstils. Schließlich empfehlen die Autoren zum jetzigen Zeitpunkt, die Beschäftigen zeitnah auf solche neuen Führungssituationen vorzubereiten und sie erste Erfahrungen sammeln zu lassen. Gleichzeitig machen sie deutlich, dass noch ein besseres Verständnis notwendig sei, wann Menschen bereit sind, für einen Roboter zu arbeiten und wie ein Roboter einen Menschen zum Beispiel im Sinne einer transformationalen Führung inspirieren kann. Auch das Thema Vertrauen spielt hier eine zentrale Rolle. Und die Frage, wie menschenähnlich sollte der Roboter als Führungskraft sein, damit dies eher zu Akzeptanz und nicht zu einer Ablehnung führt. Bei der Gestaltung und dem Einsatz von KI-Systemen und zukünftig auch Robotern in der Interaktion zwischen Mensch und KI sollte im Führungskontext vor allem auf folgende Punkte geachtet werden (in Anlehnung an Stowasser et al., 2022, S. 30–32): 5 Kriterien für den Einsatz von KI gemeinsam mit den Beschäftigten festlegen 5 Führungskräfte auf den Einsatz von KI bei den Führungsaufgaben vorbereiten 5 Bewusstmachung für das kritische Hinterfragen von KI-Ergebnissen und Empfehlungen 5 Verantwortungen zwischen Mensch und KI klar definieren und transparent kommunizieren 5 Handlungsspielräume für Führungskräfte und Beschäftigte erhalten 5 Kompetenzen für den Einsatz von KI aufbauen. All dies führt zu einer neuen Art der Kollaboration und Teamarbeit. 8.5  Komplementäre Teamarbeit zwischen

Mensch, KI und Roboter

Der Roboter als Kollege

In der Zusammenarbeit von Menschen und Robotern taucht immer häufiger der Begriff Cobots auf, der Roboter als Kollege (Ramge, 2018). Das sind kollaborative Roboter, die beispielsweise im Industriesektor gemeinsam mit Menschen arbeiten. Sie helfen beim Heben von schweren Gegenständen, beim Montieren oder beim Verpacken von

8.5 · Komplementäre Teamarbeit zwischen Mensch, KI und Roboter

149

8

­ aterial. Im Gegensatz zu herkömmlichen IndustrieroboM tern, die nur abgetrennt vom Menschen zum Einsatz kommen, sind Cobots sicher genug, um direkt mit dem Menschen zusammen zu arbeiten. Onnasch et al. (2016) beschreiben in diesem Zusammenhang drei mögliche Interaktionsformen zwischen Menschen und Robotern (Hasenbein, 2020a, S. 145): 5 Koexistenz: Hier treffen Mensch und Roboter beiläufig aufeinander. Beide interagieren nicht direkt miteinander, sie müssen sich maximal koordinieren. Ein Beispiel wäre die Begegnung mit einem Transportroboter. 5 Kooperation: Hier übernehmen beide jeweils eine Teilaufgabe, z. B. bei der Herstellung eines Produkts. Mensch und Maschine haben demzufolge ein gemeinsames Ziel. Ein Beispiel wäre hier, dass der Mensch in der Produktion Flaschen etikettiert und der Roboter diese anschließend verpackt. 5 Kollaboration: Hier arbeiten Mensch und Roboter Hand in Hand direkt miteinander. Sie haben nicht nur eine gemeinsame Zielsetzung, sondern sie führen Teilhandlungen zusammen durch, wie zum Beispiel die gemeinsame Arbeit an einem Bauteil. Dabei sind beide sowohl zeitlich als auch räumlich nicht voneinander getrennt. Dies entspricht der Definition eines Cobots, der Roboter als direkter Kollege des Menschen. Radel (2020) wirft in seinem Artikel „Soziale Maschinen – die neuen Kollegen“ die Frage auf, ob „intelligente“ Maschinen zukünftig ein gleichwertiger Teil unserer Gesellschaft sein werden. Dabei fordert er, dass die weitere Einführung dieser graduell und in kleinen Schritten verlaufen sollte, damit der Mensch sich an die neuen Kollegen und Kolleginnen gewöhnen könne (Radel, 2020, S. 415). Wenn Menschen und Maschinen immer kollaborativer zusammenarbeiten werden, braucht es neue bildungspolitische und arbeitsmarktrechtliche Rahmenbedingungen sowie adaptierte Kompetenzprofile (Davies et al., 2011; Kirchherr et al., 2018). Stoller-Schai bringt es in seinem Artikel zur Mensch-Maschine-Kollaboration wie folgt auf den Punkt (2020, S. 418):

Die Zusammenarbeit mit Robotern braucht neue bildungspolitische und arbeitsmarktrechtliche Rahmenbedingungen.

» „Die

Gestaltung und das Design von kollaborativen Handlungsfeldern wird zu einer Schlüsselkompetenz in einer zukünftigen Arbeitswelt, die den Menschen gerecht wird.“

Bei der Mensch-KI-Interaktion bzw. Mensch-Roboter-Interaktion sollte es darum gehen, dieses menschengerecht zu gestalten. Das bedeutet, Mitarbeiter nicht zu dequalifizieren

Die Mensch-KI-Interaktion und Mensch-RoboterInteraktion sollten menschengerecht gestaltet sein.

150

8

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

Zwölf Kriterien für eine menschengerechte Gestaltung

oder zu verdrängen, sondern sie von KI profitieren lassen (Digitales & Innovation, 2022). Dabei ist die Qualität der Interaktion zwischen Mensch und KI zentral. Hierbei geht es um Fragen der Verantwortung und Entscheidungsfindung sowie um den Einbezug von Wissen und Kompetenzen der Mitarbeiter. In dem Artikel von Digitales & Innovation (2022) wird von einem „kompetenzbasierten Zusammenspiel“ gesprochen. Dahinter steckt die „Idee der Komplementarität zwischen Mensch und KI“, gemeint ist die komplementäre Ergänzung zwischen Mensch und Technik. Dafür sollen die Kompetenzen und Funktionen beider Seiten produktiv zusammengeführt werden. Sodass sie sich möglichst optimal ergänzen können. Vom Bundesministerium für Bildung und Forschung (BMBF) – Plattform lernende Systeme wurden dafür mit Vertreten und Vertreterinnen aus Unternehmen, Wissenschaft und Gewerkschaften sowie Verbänden Kriterien für eine menschengerechte Gestaltung definiert. Es handelt sich dabei um zwölf Kriterien, die in vier Clustern gebündelt sind (Huchler et al., 2020): 5 Cluster 1: Schutz des Einzelnen: a) Sicherheit und Gesundheitsschutz, b) Datenschutz und verantwortungsbewusste Leistungserfassung, c) Vielfaltssensibilität und Diskriminierungsfreiheit 5 Cluster 2: Vertrauenswürdigkeit: d) Qualität der verfügbaren Daten, e) Transparenz, Erklärbarkeit und Widerspruchsfreiheit, f) Verantwortung, Haftung und Systemvertrauen 5 Cluster 3: Sinnvolle Arbeitsteilung: g) Angemessenheit, Entlastung und Unterstützung, h) Handlungsträgerschaft und Situationskontrolle, i) Adaptivität, Fehlertoleranz und Individualisierbarkeit 5 Cluster 4: Förderliche Arbeitsbedingungen: j) Handlungsräume und reichhaltige Arbeit, k) Lern- und Erfahrungsförderlichkeit, l) Kommunikation, Kooperation und soziale Einbindung.

» „Ziel

ist es, einen wichtigen Impuls für die nachhaltige, menschenzentrierte und zukunftsorientierte Gestaltung der Mensch-Maschine-Interaktion bei Künstlicher Intelligenz zu geben“ (Digitales & Innovation, 2022).

Dabei wird sich die Art und Weise der Kollaboration und Teamarbeit zunehmend verändern.

8.6 · Next Teamwork in Zeiten von Künstlicher Intelligenz

151

8

8.6  Next Teamwork in Zeiten von Künstlicher

Intelligenz

Die nächste Generation der Teamarbeit findet zum Beispiel in sogenannten Flash-Organisationen statt. „Flash-Organisationen sind Organisationen, die sich problembezogen und temporär zusammensetzen. Firmen schreiben Aufträge global aus und bilden Projektteams, die sich aus internen und externen Expert*innen zusammensetzen“ (Stoller-Schai, 2020, S. 416). Der Vorteil liegt hier im schnellen Generieren von Ideen und dem Einbezug differenzierter Expertise. Nachteile könnten eine mangelnde Nachhaltigkeit und eine geringere Integrität sein. Weiterhin zeichnet sich diese Art der Kollaboration durch die Arbeit in Smart-Data-Systemen aus: „Next Work wird weiter maßgeblich bestimmt sein durch die Kollaboration mit intelligenten Maschinen und Tools, die zusammen Smart-Data-Systeme bilden“ (Stoller-Schai, 2020, S. 417). Die Gestaltung solcher Systeme könnte beispielhaft wie folgt aussehen: die Zusammenarbeit findet über verschiedenen Tools statt, zukünftig nicht mehr nur über Zoom oder Microsoft Teams sondern eher über virtuelle Meetingsysteme und einer VR-Brille wie z. B. MeetinVR (7 https:// www.meetinvr.com/) in der neuen Welt des Metaversums. Intelligente Sprachassistenten unterstützen die Zusammenarbeit und Software-Roboter bilden ein virtuelles Mitarbeiter-Netzwerk von Freelancern und Selbstständigen, Recommendation Engines geben Empfehlungen ab, mit wem wir am besten zusammenarbeiten können (Stoller-Schai, 2019, 2020). Intelligente Lernsysteme unterstützen jeden individuell, um Lernbedarfe sichtbar zu machen und Lernprozesse zu unterstützen. Vorteile liegen hierbei im Sichtbarmachen von Expertise und Kompetenzen sowie der vereinfachten Zusammenarbeit. Nachteile sind möglicherweise die totale Transparenz von Verhalten und Kompetenzen. Die Gestaltung und das Design von solchen kollaborativen Handlungsfeldern wird nach Stoller-Schai (2020) zu einer Schlüsselkompetenz in der Arbeitswelt der Zukunft. Dabei helfen agile Methoden, die sowohl analog als auch digital umgesetzt werden können. Dazu gehören: Design Thinking, Prototyping, Open Space, Barcamps, Hackathons und Working/Learning out loud (u. a. Hasenbein, 2020a). Menschen arbeiten gemeinsam mit Maschinen, respektive mit Künstlichen Intelligenzen, sowie weiterhin mit anderen Menschen zusammen, dies jedoch häufig räumlich und zeitlich verteilt. Dies führt zum nächsten Abschnitt der hybriden Teamarbeit und Führung.

Die zukünftige Teamarbeit findet in FlashOrganisationen statt.

Die neue Zusammenarbeit ist gekennzeichnet durch virtuelle Meetingräume und KI-basierte Tools.

152

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

8.7  Hybride Teamarbeit und Führung Hybride Teamarbeit und Führung finden analog und digital sowie zwischen Mensch und KI bzw. Robotern statt.

8

In einer hybriden Arbeitswelt verbindet sich die die analoge Arbeitswelt mit der digitalen Arbeitswelt. Mitarbeiter und Mitarbeiterinnen arbeiten direkt vor Ort oder an einem anderen Ort wie zum Beispiel aus dem Homeoffice und dies womöglich sogar global verteilt. Die Führung der Mitarbeiter und Mitarbeiterinnen kann entsprechend analog oder digital erfolgen und führt somit zu einer hybriden Führung. Die Corona-Pandemie hat diese Form des Arbeitens und Führens vorangetrieben. Dies belegen auch verschiedene Untersuchungen (u. a. Bitkom, 2020; Randstad, 2020). Hybride Führung kann dabei, vor allem perspektivisch betrachtet, im doppelten Sinne verstanden werden, zum einen als Führung der Mitarbeiter analog im Unternehmen und digital z. B. aus dem Homeoffice oder einem Co-Working Space (Gall & Wittenberg, 2021) und zum anderen als Führung von hybriden Teams zwischen Mensch und Maschine bzw. KI, einem sogenannten Mensch-Maschine-Hybrid (Daugherty & Wilson, 2018). Dabei sollte die Aufgabe der Führungskräfte darin liegen, „[…] die Schnittstelle zwischen dem realen Leben und der digitalen Anwendung“ (Diehl-von-Hahn, 2018, S. 162) zu gestalten. Setzen wir voraus, dass auch die digitale Welt eine reale Welt ist, dann beutetet Führung in Zeiten von Digitalisierung und Künstlicher Intelligenz „Führung in Echtzeit“ (Fink, 2021) sowohl im analogen als auch im digitalen Setting. Eine solche hybride Arbeitswelt und Führung verlangt nach einem flexiblen Mindset und entsprechenden Kompetenzen. z Mindset und C.A.R.E-Modell für eine hybride Führung

Greßer und Freisler (2017) differenzieren in ein Fixed und Growth Mindset. Ein Fixed Mindset bewegt sich in einem Raum fest fixierter Einstellungen. Wohingegen ein Growth Mindset durch Veränderung, Flexibilität und Wachstum gekennzeichnet ist. Eine Führungskraft in der digitalen und hybriden Arbeitswelt braucht ein Growth Mindset. Im Sinne von Bischoff und Heiss (2020), die die Führungskraft in der hybriden Arbeitswelt als Brückenbauer bezeichnen, haben Gall und Wittenberg (2021) vier Brückenkompetenzen definiert und in ihrem C.A.R.E-Modell zusammengefasst und auf praktischer Ebene für jede Kompetenz verschiedene Workhacks für die Praxis vorgeschlagen. Bei Workhacks handelt es sich um agile minimalinvasive Methoden, die die Zusammenarbeit und Arbeitsergebnisse von Teams verbessern sollen (7 https://workhacks.de/). Im Folgenden werden dafür Praxisbeispiele angeführt.

8.7 · Hybride Teamarbeit und Führung

. Abb. 8.4  Daily Stand-up

► Communication Kommunikation ist die Basis für ein gemeinsames Verständnis über die Ziele und den Weg dorthin. Davon braucht es in digitalen und hybriden Teams nicht weniger, sondern in der Regel mehr und sehr regelmäßig, damit es nicht zu Missverständnissen kommt. Als Workhack schlagen die Autoren zum Beispiel ein „Daily“ vor. Hierbei handelt es sich um ein 15-min Stand-up Meeting, bei dem sich die Teammitglieder kurz und knapp über den Stand der Zusammenarbeit im Team informieren. Dabei können folgende Fragen beantwortet werden: 5 Was wurde seit dem letzten Stand-up erledigt? 5 Was ist für heute geplant? 5 Wo gibt es Probleme? Dies trägt es zur Transparenz des Arbeitsstandes und zur Vernetzung der Teammitglieder bei. . Abb. 8.4 illustriert ein Daily Stand-up eines virtuelll verteilten Teams. ◄ ► Awareness Hier geht es um das eigene Bewusstsein über die Rolle als Führungskraft. Selbstführung und Selbstreflexion sind dabei zentrale Elemente. Als Workhack soll hier das Personal Canvas angeführt werden. Es handelt sich um eine persönliche Standortbestimmung, bei dem die Punkte „Purpose“, Werte, persönlicher Beitrag, Umfeld sowie Stärken und Ressourcen betrachtet werden. . Abb. 8.5 illustriert ein mögliches Personal Canvas. ◄

153

8

154

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

8

. Abb. 8.5  Personal Canvas

► Relationship Diese Kompetenz beinhaltet den Aufbau und die Pflege von Beziehungen zu und zwischen den Teammitgliedern, was in digitalen und hybriden Teams eine entsprechende Herausforderung ist. Als Workhack kann das Team Canvas dienen, das das Ziel verfolgt, das Zusammengehörigkeitsgefühl und die Verbindlichkeit im Team zu stärken. Es besteht u. a.. aus den Feldern: Teamrollen, Teamziele, Vereinbarungen zur Zusammenarbeit und zur Arbeitsweise. Diese können flexibel angepasst werden. . Abb. 8.6 illustriert ein mögliches Team Canvas. ◄ ► Empowerment Hier geht es darum, die Teammitglieder dazu zu „ermächtigen“, in der hybriden Zusammenarbeit produktiv und möglichst selbstorganisiert arbeiten zu können. Dafür müssen die entsprechenden Rahmenbedingungen geschaffen werden. Als Workhack wird hier das Delegation Board vorgeschlagen. Dieses Tool soll dabei helfen, das richtige Maß zwischen Anweisung und Selbstorganisation zwischen der Führungskraft und dem Team zu finden. Dabei handelt es sich um sieben Stufen der Delegation: Verkünden, Verkaufen, Befragen, Einigen, Beraten, Erkundigen und Delegieren. . Abb. 8.7 illustriert ein Delegation Board. ◄

8.7 · Hybride Teamarbeit und Führung

. Abb. 8.6  Team Canvas

. Abb. 8.7  Delegation Board

155

8

156

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

► Szenario hybride Führung und Teamarbeit der Zukunft

8

Ein interkulturell zusammengestelltes Projektteam arbeitet gemeinsam an der Entwicklung eines neuen Produktes, das ein Start-up mit der Finanzierung durch Investoren in Auftrag gegeben hat. Dieses setzt sich aus Experten in den Bereichen Forschung & Entwicklung, Produktmanagement, Marketing und Vertrieb zusammen. Bei diesen handelt es sich um Selbstständige und Freelancer. Der Projektmanagement-Ansatz folgt einem agilen Ansatz wie Scrum. Die Projektmitglieder arbeiten als autonomes Team, das sich selbst organisiert. Sie werden mit KI-basierten Systemen in der Projektplanung und -durchführung unterstützt. So kann das System zum Beispiel wichtige Daten zur Marktanalyse in kürzester Zeit zur Verfügung stellen. Auch für das Projektcontrolling steht ein KI-System zur Verfügung. Meetings und die kollaborative Zusammenarbeit finden in virtuellen Räumen des Metaversums statt wie zum Beispiel in MeetinVR (7 https://www.meetinvr.com) oder RAUM (7 https://www. raum.app/) statt. Intelligente Sprachassistenten unterstützen die interkulturelle Kollaboration. Muss ein neuer Projektmitarbeiter/neue Projektmitarbeiterin gefunden werden, unterstützt eine Recommendation Engine und gibt Empfehlungen aus, wer am besten zum Team passen könnte. Teambuildungmaßnahmen zur Stärkung des Teamzusammenhalts finden auf einer virtuellen 3-D Eventplattform statt, wie zum Beispiel Breakroom (7 https://www.breakroom.net/virtual-events). ◄

Fazit Die Künstliche Intelligenz gewinnt in der Führung und Teamarbeit weiter an Bedeutung. So wird algorithmisches Management durch ein KI-System zunehmend Managementfunktionen übernehmen bzw. Führungskräfte in einzelnen Bereichen wie z. B. in der Personaleinsatzplanung im Sinne einer hybriden Zusammenarbeit unterstützen. Inwieweit der Einsatz von KI und Robotern bei den Mitarbeiterinnen und Mitarbeitern auf Akzeptanz stößt, gilt es weiter kritisch zu beobachten. Für eine erhöhte Akzeptanz werden sicherlich Transparenz, Kommunikation und die Möglichkeiten des Einflusses, die die Beschäftigten weiterhin haben, zentral sein. Einerseits können den Führungskräften sowie Mitarbeiterinnen und Mitarbeitern durch den Einsatz von KI und Robotern Routineaufgaben abgenommen, bei Entscheidungen mit einer fundierten Datenbasis unterstützt werden und Prozessoptimierungen können leichter durchgeführt werden. Andererseits kann dies zu Demotivation,

157 Literatur

Ängsten und Unsicherheiten führen. Wichtig wird es deshalb sein, mit den Beschäftigten gemeinsam Kriterien für den Einsatz von KI festzulegen und Führungskräfte auf den Einsatz von KI und Robotern vorzubereiten. Zudem sollten die Mitarbeiter und Mitarbeiterinnen auf die veränderte Teamarbeit mit KI-Systemen und Robotern vorbereitet werden. Perspektivisch wird es zunehmend eine hybride Führung und Teamarbeit geben, bei der Menschen gemeinsam mit Maschinen, respektive mit Künstlichen Intelligenzen und Robotern, sowie weiterhin mit anderen Menschen zusammenarbeiten, dies jedoch häufig räumlich und zeitlich verteilt.

Literatur Avanade. (2018). Künstliche Intelligenz als Herausforderung für Führungskräfte. 7 https://www.avanade.com/de-de/media-center/press-releases/ ki-als-herausforderung-fuer-fuehrungskraefte. Zugegriffen: 7. Juli 2022. Bischoff, F., & Heiss, C. (2020). Die intelligente Brücke. ManagerSeminare, 271, 22–29. Bitkom. (2020). Mehr als 10 Millionen arbeiten ausschließlich im Homeoffice. 7 https://www.bitkom.org/Presse/Presseinformation/Mehr-als-10-Millionen-arbeiten-ausschliesslich-im-Homeoffice. Zugegriffen: 7. Juli 2022. Daugherty, P. R., & Wilson, H. J. (2018). Human + Machine. Künstliche Intelligenz und die Zukunft der Arbeit. dtv. Davies, A., Fidler, D., & Gorbis, M. (2011). Future work skills 2020. Institute for the future for the University of Phoenix Research Institute. 7 https://www.iftf.org/uploads/media/SR-1382A_UPRI_future_work_skills_ sm.pdf. Zugegriffen: 24. März 2022. Deloitte. (2019). Chefsache: mit Digital Leadership die Zukunft gestalten! Neue Ansätze für eine neue Ära – die digitale Transformation erfordert auch ein Führungsverständnis, das radikal mit alten Gewohnheiten bricht. 7 https://www2.deloitte.com/content/dam/Deloitte/at/Documents/human-capital/at-digital-leadership-newsletter-safe.pdf. Zugegriffen: 7. Juli 2022. Diehl-von Hahn, N. (2018). Human resources for our digital future: Die Funktion des HR-Managers in der Zukunft. In H. R. Wortmann & B. Kolocek, Arbeitswelt der Zukunft. Trends – Arbeitsraum – Menschen – Kompetenzen (S. 153–166). Springer Gabler. Digitales & Innovation. (2022). Kollege KI?! Wie die Zusammenarbeit Mensch-Maschine gelingt. 7 https://berufebilder.de/ki-zusammenarbeit-mensch-maschine/. Zugegriffen: 24. Juli 2022. Ebner, M. (2019). Positive Leadership. Erfolgreich führen mit PERMA-Lead: die fünf Schlüssel zur High Performance. Facultas. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Stuttgart: Schäffer-Poeschel. Gall, S., & Wittenberg, J. (2021). Erfolgreich führen in hybriden Arbeitswelten. Analog und digital – Roadmap für Führungskräfte. Haufe. Goetz, J., Kiesler, S., & Powers, A. (2003). Matching robot appearance and behavior to tasks to improve human-robot cooperation. The 12th IEEE International Workshop on Robot and Human Interactive Communication (ROMAN) (S. 55–60). 7 https://www.researchgate.net/publica-

8

158

8

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

tion/4048509_Matching_robot_appearance_and_behavior_to_tasks_to_ improve_human-robot_cooperation. Zugegriffen: 2. Aug. 2022. Gombolay, M. C., Gutierrez, R. A., Clarke, S. G., Sturla, G. F., & Shah, J. A. (2015). Decision-making authority, team efficiency and human worker satisfaction in mixed human–robot teams. Autonomous Robots, 39(3), 293–312. 7 https://www.researchgate.net/publication/282541021_Decision-Making_Authority_Team_Efficiency_and_Human_Worker_Satisfaction_in_Mixed_Human-Robot_Teams. Zugegriffen: 2. Aug. 2022. Greenleaf, R. K. (2005). Führen ist Dienen – Dienen ist Führen. The Greenleaf Center of Servant Leadership. Greßer, K., & Freisler, R. (2017). Agil und erfolgreich führen. Neue Leadership-Kompetenzen: Mit einem agilen Mindest und Methoden Ihre Führungspersönlichkeit entwickeln. Leadership kompakt. managerSeminare. Häfner, A., Pinneker, L., & Hartmann-Pinneker, J. (2019). Gesunde Führung. Gesundheit, Motivation und Leistung fördern. Springer. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Hasenbein, M. (2020b). Führung in der digitalen Arbeitswelt – Führung der Zukunft. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 326–329). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 6. Juli 2022. Hofert, S. (2016). Agiler führen. Einfache Maßnahmen für bessere Teamarbeit, mehr Leistung und Kreativität. Springer Gabler. Hubner, S., Benz, T., & Peus, C. (2019). Chancen und Herausforderungen beim Einsatz von Robotern in Führungsrollen. Personalquarterly, 3, 28– 34. 7 https://www.haufe.de/download/personalquarterly-32019-kuenstliche-intelligenz-personalquarterly-491400.pdf. Zugegriffen: 2. Aug. 2022. Huchler, N., Adolph, L., André, E., Bauer, W., Bender, N., Müller, N., Neuburger, R., Peissner, M., Steil, J., Stowasser, S., & Suchy, O. (2020). Kriterien für die menschengerechte Gestaltung der Mensch-Maschine-Interaktion bei KI. Ansätze für die menschengerechte Gestaltung in der Arbeitswelt. Whitepaper aus der Plattform Lernende Systeme. Lernende Systeme – Die Plattform für Künstliche Intelligenz. 7 https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG2_Whitepaper2_220620.pdf. Zugegriffen: 24. Juli 2022. Kirchherr, J., Klier, J., Lehmann- Brauns, C., & Winde, M. (2018). Future Skills: Welche Kompetenzen in Deutschland fehlen (Future Skills – Diskussionspapier 1). Stifterverband für die Deutsche Wissenschaft e. V. 7 https://www.stifterverband.org/medien/future-skills-welche-kompetenzen-in-deutschland-fehlen. Zugegriffen: 24. März 2022. Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. 7 https://digid.jff.de/digid_paper/what-is-ai-literacy-competencies-and-design-considerations/. Zugegriffen: 22. Juli 2022. Microsoft. (2019). Microsoft-Studie zu KI & Leadership: Künstliche Intelligenz verändert Führung in Unternehmen. 7 https://news.microsoft.com/ de-de/microsoft-studie-ki-leadership/. Zugegriffen: 6. Juli 2022. Möhlmann, M., & Zalmanson, L. (2017). Hands on the wheel: Navigating algorithmic management and Uber drivers’ autonomy. Proceedings of the International Conference on Information Systems (ICIS 2017), Seoul, South Korea. 7 https://www.researchgate.net/publication/319965259_ Hands_on_the_wheel_Navigating_algorithmic_management_and_ Uber_drivers%27_autonomy. Zugegriffen: 6. Juli 2022. Onnasch, L., Maier, X., & Jürgensohn, T. (2016). Mensch-Roboter-Interaktion – Eine Taxonomie für alle Anwendungsfälle. Dortmund: Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA). 7 https://www.baua.

159 Literatur

de/DE/Angebote/Publikationen/Fokus/Mensch-Roboter-Interaktion. pdf ?__blob%3DpublicationFile&v%3D6. Zugegriffen: 25. März 2022. Parent-Rocheleau, X. & Parker, S. K. (2022). Algorithms as work designers: How algorithmic management influences the design of jobs. Human Resource Management Review, 32(3), 100838. 7 https://www.sciencedirect. com/science/article/abs/pii/S1053482221000176. Zugegriffen: 24. Juli 2022. Petereit, D. (2021). Wenn dein Chef eine KI ist, hast du mehr Stress und weniger Freude an der Arbeit. 7 https://t3n.de/news/arbeit-chef-kuenstliche-intelligenz-algorithmen-1400414/. Zugegriffen: 24. Juli 2022. Petry, T. (2018). Ansätze zur adäquaten Führung im Digitalen Zeitalter – Darstellung einer Digital Leadership-Toolbox. In T. Petry & W. Jäger (Hrsg.), Digital HR. Smarte und agile Systeme, Prozesse und Strukturen im Personalmanagement (S. 311–325). Haufe. Radel, J. (2020). Soziale Maschinen – die neuen Kollegen. In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 412–415). 7 https://www.researchgate.net/ publication/345670805_Sonderband_Zukunft_der_Arbeit. Zugegriffen: 24. März 2022. Ramge, T. (2018). Mensch und Maschine. Wie Künstliche Intelligenz und Roboter unser Leben verändern. Reclam. Randstad. (2020). Randstad-ifo-Personalleiterbefragung. 2. Quartal. 7 https://www.randstad.de/s3fs-media/de/public/2020-08/randstad-ifo-personalleiterbefragung_q2_2020.pdf. Zugegriffen: 6. Juli 2022. Schnorrenberg, L. J. (2014). Servant Leadership: Eine unendliche Geschichte über die Kunst des Führens. In H. K. Stahl, H. H. Hinterhuber, & A. M. Pircher-Friedrich (Hrsg.), Servant Leadership: Prinzipien dienender Führung in Unternehmen (S. 345–350). Erich. Stoller-Schai. (2019). Collaboration matters! HR Today. Digitalisierung – Organisationsentwicklung. Adventsserie 2019, Beitrag 1. 7 https://www.hrtoday.ch/de/article/adventsserie-2019-collaboration-matters. Zugegriffen: 4. Juli 2022. Stoller-Schai. (2020). Wie werden Menschen und Maschinen kollaborativer? In J. Nachtwei & A. Sureth (Hrsg.), Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 416–419). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 4. Juli 2022. Stowasser, S., Neuburger, R., Bauer, K., Bullinger-Hoffmann, A., Huchler, N., Schmidt, C. M., & Stich, A. (2022). Führung im Wandel: Herausforderungen und Chancen durch KI. Whitepaper aus der Plattform Lernende Systeme. Lernende Systeme – Die Plattform für Künstliche Intelligenz. 7 https://www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG2_WP_Fuehrung_im_Wandel.pdf. Zugegriffen: 24. Juli 2022. Tschopp, M., & Schafheitle, S. (2020). KI & Führung – Heute Hü, morgen Hott? In J. Nachtwei & A. Sureth, Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 420-423). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 4. Juli 2022. Von Richthofen, G. (2020). Algorithmisches Management und seine Folgen: Arbeiten in der Sharing Economy. In J. Nachtwei & A. Sureth, Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 428–431). 7 https://www.researchgate.net/publication/345732657_Psychologie_und_Arbeit_-_Zukunftsfragen. Zugegriffen: 4. Juli 2022. Werther, S. (2013). Geteilte Führung. Springer Gabler. Wiener, M. (2022). Algorithmisches Management. Wenn Algorithmen zum „Boss“ werden. 7 https://vhbonline.org/ueber-uns/100-jahre-vhb/100-schlaglichterder-bwl/algorithmisches-management. Zugegriffen: 6. Juli 2022.

8

160

Kapitel 8 · Führung und Teamarbeit mit Künstlicher Intelligenz und Robotern

Wiener, M., Cram, W. A., & Benlian, A. (2021). Algorithmic control and gig workers: A legitimacy perspective of Uber drivers. European Journal of Information Systems. 7 https://doi.org/10.1080/0960085X.2021.1977729. Winkler, K., & Niedermeier, S. (2020). Führung in der digitalisierten Arbeitswelt. In S. Wörwag & A. Cloots (Hrsg.), Arbeitskulturen im Wandel. Der Mensch in der New Work Culture (S. 133–154). Springer Gabler. Young, J., & Cormier, D. (2014). Can robots be managers, too? Harvard Business Review. 7 https://hbr.org/2014/04/can-robots-be-managers-too. Zugegriffen: 2. Aug. 2022.

8

161

Ethik für Künstliche Intelligenz und Robotik

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_9

9

162

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

Trailer Bei der Frage zur Ethik Künstlicher Intelligenz sollte der Mensch im Mittelpunkt stehen. In diesem Zusammenhang steht die Forderung einer menschenzentrierter KI. Entscheidungen sollten durch die Kombination von maschinellem Lernen mit menschlichem Input und Werten erfolgen. Dafür braucht es als Basis ethische Grundsätze wie zum Beispiel Nicht-Nachteiligkeit, Gerechtigkeit und Erklärbarkeit. Weiterhin kann in digitale Ethik im Allgemeinen sowie in Maschinenethik und Roboterethik im Besonderen unterschieden werden. Schließlich geht es darum, wer am Ende die finale Entscheidung trifft und verantwortlich ist, wenn algorithmische Entscheidungssysteme in bestimmten Anwendungsbereichen wie in der Medizin vorliegen. Damit algorithmische Entscheidungssysteme bzw. automatisierte Entscheidungen auf Akzeptanz stoßen, ist ein wertebasiertes Design, auch value-based Design, unerlässlich. In Unternehmen findet die digitale Ethik in der Corporate Digital Responsibility ihre Verankerung. Zudem gibt es im gesamtwirtschaftlichen Kontext nationale und zwischenstaatliche Initiativen, die sich auf Grundsätze zum Umgang mit Künstlicher Intelligenz geeinigt haben. . Abb. 9.1 zeigt die Inhalte dieses Kapitels stichwortartig im Überblick.

9

9.1  Postulat einer menschenzentrierten

Künstlichen Intelligenz

Der Mensch im Mittelpunkt

Andera Gadeib (2019) vertritt die Position, dass bei dem Thema Digitalisierung – dies betrifft KI als auch den Einsatz von Robotern – der Mensch in den Mittelpunkt der Betrachtung gehöre. Sie postuliert zudem keine Angst vor der Digitalisierung zu haben, sondern diese für den Menschen positiv zu nutzen und zu denken. Im Gegensatz dazu dominieren Ängste und Unsicherheiten in Bezug auf

. Abb. 9.1 Wortwolke

9.1 · Postulat einer menschenzentrierten Künstlichen Intelligenz

163

­ atensicherheit und zukünftige Arbeitsplätze die öffentliD che Diskussion, insbesondere in den Medien.

» „Der Einfluss der künstlichen Intelligenz (KI) wächst zusehends.

Je stärker sich diese Technologien durchsetzen, umso größere Auswirkungen haben ihre Vorhersagen, Empfehlungen oder Entscheidungen auf das Leben der Menschen. In Fachwelt, Wirtschaft und Politik wird aktiv untersucht, wie sich eine menschenzentrierte und vertrauenswürdige KI am besten gewährleisten lässt, wie ihr Nutzen maximiert und ihre Risiken minimiert werden können und wie ihre gesellschaftliche Akzeptanz erhöht werden kann“ (OECD, 2020, S. 94).

In dieser Hinsicht sind einige Länder Deutschland überlegen, was die Förderung der Akzeptanz von KI in der Bevölkerung durch Aufklärung und entsprechende Bildungsprogramme sowie die KI-Entwicklung in Unternehmen betrifft. Hervorzuheben ist hier Finnland als führender Anbieter von Künstlicher Intelligenz in Europa und das Land, das sich seit langem auf Technologie und Bildung fokussiert. In diesem Zusammenhang hat die Universität Helsinki mit dem Technologieunternehmen Reaktor den kostenlosen Online-Kurs „Elements of AI“ entwickelt. Finnland und die EU haben Mittel zur Verfügung gestellt, um den Kurs in allen 24 EU-Sprachen anbieten zu können. Dies ist sicherlich ein wichtiger Beitrag, um die gesellschaftliche Akzeptanz zu unterstützen. Menschenzentrierte KI soll von menschlichen Eingaben und der Zusammenarbeit zwischen Mensch und KI lernen, hier soll die Lücke zwischen Mensch und Maschine geschlossen werden. Ziele einer menschenzentrierten KI sind Folgende (Cognizant, 2022): 5 Fundiertere Entscheidungen durch die Kombination von maschinellem Lernen mit menschlichem Input und Werten 5 Eine höhere Zuverlässigkeit einerseits durch Rechercheund Analysearbeit der KI und andererseits durch den kognitiven und emotionalen Input des Menschen 5 Eine bessere Nutzerorientierung durch menschenzentrierte KI bei der Software- und Produktentwicklung. Zentral hierbei ist, dass von einer KI getroffene Entscheidungen nachvollziehbar sein sollen. Andreas Holzinger, Informatiker und Leiter des Labors für Human-Centered AI – menschenzentrierte Künstliche Intelligenz – an der Medizinischen Universität Graz, arbeitet mit einem Projektteam im medizinischen und biologischen Kontext daran, mehr Nachvollziehbarkeit von KI zu gewährleisten. Hierbei soll

Ziele einer menschenzentrierten KI

Von einer KI getroffene Entscheidungen sollten nachvollziehbar sein.

9

164

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

der Mensch Teil des Entscheidungsprozesses sein. Neuronale Netze sind im Verlauf der Zeit immer besser und komplexer geworden, da sie aus riesigen Datenmengen selbst lernen, was mehr Undurchsichtigkeit bedingt. Die Datenschutzgrundverordnung macht es jedoch erforderlich, dass solche Systeme erklärbar sein müssen. Deshalb wird in diesem Kontext auch von „erklärbarer künstlicher Intelligenz“ gesprochen. Daran wird entsprechend geforscht. Holzinger spricht sich für einen ganzheitlichen Ansatz aus, der den Menschen ins Zentrum stellt. Ziel sei es, künstliche Intelligenz mit menschlichen Werten, ethischen Grundsätzen und rechtlichen Anforderungen in Einklang zu bringen (Scilog, 2022). Fragen, die im Zusammenhang mit einer menschenzentrierten KI entstehen, sind Folgende (in Anlehnung an das Zukunftszentrum KI NRW, 2022): 5 Woher weiß ich, was eine KI macht? 5 Wie nachvollziehbar sind die Ergebnisse? 5 Wie sind die Ergebnisse zu erklären? 5 Was brauche ich, um der KI zu vertrauen? 5 Wie bleibt die KI für mich beherrschbar?

9

Ein wichtiger Aspekt für die Akzeptanz und die Gewährleistung einer menschenzentrierten KI ist in Konsequenz die Definition und Festlegung ethischer Grundsätze.

» „Eine gute Orientierung bieten die ‚ethischen Grundsätze für eine vertrauenswürdige und faire KI‘ in Bartneck et al. (2019, S.  40  ff.). Zusammengefasst müssen KI-basierte Systeme den Geboten der Nicht-Nachteiligkeit, Vorteilhaftigkeit, Autonomie, Gerechtigkeit und Erklärbarkeit genügen“ (Mühlbauer, 2020, S. 409).

Solche ethischen Grundsätze sollen im Folgenden vorgestellt werden. . Abb. 9.2 illustriert eine menschenzentrierte KI im Zusammenspiel von Mensch und KI. 9.2  Ethische Grundsätze für Künstliche

Intelligenz

Ethische Grundsätze der „AI4People“-Gruppe

Die oben erwähnten ethischen Grundsätze für KI sind von der sogenannten „AI4People“-Gruppe entwickelt worden (Floridi et al., 2018) und beinhalten Folgendes: 5 Nicht-Nachteiligkeit: Hier geht es darum, dass KI für den Menschen grundsätzlich nicht nachteilig sein sollte und ihm keinen Schaden zufügen darf. Das gilt nicht nur für Menschen, sondern auch für Tiere und Eigentum.

9.2 · Ethische Grundsätze für Künstliche Intelligenz

. Abb. 9.2  Menschenzentrierte KI

5 Vorteilhaftigkeit: Dieses Prinzip beinhaltet, dass KI dem Menschen von Vorteil sein sollte und damit mögliche Nachteile eindeutig überbieten sollte. Beispiele dafür können sein: Roboterunterstützung in der Pflege, Smart Grid zur Nachhaltigkeitsverbesserung, Bildungsroboter für stärker individualisiertes Lernen. 5 Autonomie: Dies beinhaltet, dass beim Einsatz von KI die Ziele und Wünsche des Menschen respektiert werden müssen und der Mensch am Ende immer selbst entscheiden können sollte. Menschliche Entscheidungen sollten somit nicht durch eine KI ersetzt werden. 5 Gerechtigkeit: Das Prinzip beinhaltet, das KI gerecht und unvoreingenommen handeln sollte. Gerechtigkeit im menschlichen Kontext ist bereits schwierig zu definieren und wirft ethische Diskussionen auf. Dies auf KI zu beziehen ist noch mal herausfordernder. Zumal zu berücksichtigen ist, dass hierbei die Daten und Fälle, mit denen KI „gefüttert“ wird, eine zentrale Rolle spielen. Hier ist die Problematik der Diskriminierung in den Algorithmen bzw. Daten anzuführen. Laut Zweig (2019, S. 211) sind Diskriminierungen ein der größten Probleme in der Anwendung algorithmischer Entscheidungssysteme. Denn die Daten, die in ein KI-System eingespielt werden, sind nicht ohne weiteres diskriminierungsfrei. Dies hängt entsprechend von den Inputdaten ab. 5 Erklärbarkeit: Dies besagt, dass erklärbar sein muss, warum ein KI-System zu einem bestimmten Ergebnis kommt. Erklärbarkeit bedeutet Verständlichkeit und Verantwortlichkeit (Floridi et al., 2018). Erklärbarkeit ist laut der Autoren nicht mit Transparenz gleichzusetzen. Der Aspekt soll dennoch hier ergänzt werden. Transparenz kann dadurch ermöglicht werden, dass offengelegt wird, wo und wie KI für Prognosen, Empfehlungen oder Entscheidungen eingesetzt wird und noch einen Schritt weiter dadurch, dass verständlich gemacht wird, wie ein KI-System entwickelt und trainiert wird (OECD, 2020, S. 106–107).

165

9

166

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

„Ethik-Leitlinien für eine vertrauenswürdige KI“ der Hochrangigen Expertengruppe für Künstliche Intelligenz

9

Eine wertvolle Ergänzung dazu stellen die „Ethik-Leitlinien für eine vertrauenswürdige KI“ der Hochrangigen Expertengruppe für Künstliche Intelligenz (HEG-KI) dar, die im Juni 2018 von der Europäischen Kommission eingesetzt wurde. Dabei zeichnet sich eine vertrauenswürdige KI durch drei Komponenten aus, die im Folgenden kurz erläutert werden (Hochrangige Expertengruppe für Künstliche Intelligenz, 2019): 5 Rechtmäßige KI: Künstliche Intelligenz sollte rechtmäßig sein und damit alle relevanten Gesetze, Vorschriften und Bestimmungen einhalten. Das betrifft zum Beispiel die Datenschutzgrundverordnung (DGSVO), Antidiskriminierungsrichtlinien, Richtlinien über Verbraucherschutz sowie Gesundheitsschutz und Sicherheit am Arbeitsplatz. Grimm et al. (2019) erläutern u. a. die datenschutzrechtlichen Aspekte ausführlich in ihrem Werk zum Kompaktwissen XL „Digitale Ethik – Leben in vernetzten Welten“. 5 Ethische KI: Künstliche Intelligenz sollte ethisch sein und damit verbunden die Einhaltung ethischer Grundsätze und Werte garantieren. Dies ist sicherlich einer der größten Herausforderungen, insbesondere dann, wenn dies über alle Kulturen hinweg berücksichtigt werden soll. Die OECD (2020) spricht diesem Kontext von menschenzentrierten Werten und stellt dabei die Einhaltung der internationalen Menschenrechtsbestimmungen in Fokus der Betrachtung, die durch KI-Ethikrichtlinien ergänzt werden sollten. 5 Robuste KI: Künstliche Intelligenz sollte robust sein und das in technischer und sozialer Hinsicht. Hier geht es vor allem darum, Schaden zu vermeiden. Daher sollten vorab Sicherheitsmaßnahmen getroffen werden, um nicht beabsichtigte negative Auswirkungen zu vermeiden. Auch die OECD fordert Robustheit und Sicherheit (OECD, 2020), die KI-Systeme gewährleisten sollten. . Abb. 9.3 zeigt illustriert den Rahmen für eine vertrauenswürdige KI. 9.3  Digitale Ethik, Maschinen- und

Roboterethik

Digitale Ethik

Digitale Ethik fragt nach dem guten und richtigen (Zusammen-)Leben und Verhalten in einer Welt, die von digitalen Technologien und digitalem Wandel geprägt ist (BVDW, 2019; Hasenbein, 2020). Bitkom legt zur deskriptiven und normativen Funktion digitaler Ethik diese Definition zugrunde (2017, S. 230–231):

9.3 · Digitale Ethik, Maschinen- und Roboterethik

167

. Abb. 9.3  Rahmen für eine vertrauenswürdige KI, modifiziert in Anlehnung an Hochrangige Expertengruppe für Künstliche Intelligenz (2019, S. 10)

» „Die

Digitale Ethik reflektiert die in einer digitalen Gesellschaft geltenden Wertmaßstäbe und Überzeugungen (deskriptive Funktion). Sie muss gute Argumente vorbringen, warum bestimmte Werte und Normen im Internet und in der digitalisierten Umwelt gelten sollen, und formuliert konsensfähige Kriterien sowie ethische Standards, die Handlungsorientierung bieten (normative Funktion). Sie begründet die Antworten auf die Frage ‚Was soll ich tun?‘ und kann daher auch als Theorie des richtigen Handelns bezeichnet werden.“

Bei der Maschinenethik geht es darum, die Frage zu beantworten, was gebraucht wird, um eine KI zu entwickeln, die moralische Entscheidungen treffen kann (Bartneck et al., 2019, S. 30). In diesem Kontext wird auch von einem sogenannten Moralkompass für Maschinen gesprochen. „Gemeint ist damit das ‚Einpflanzen‘ von Moral in KI-basierte Maschinen, damit diese in Entscheidungssituationen eine moralische Orientierung haben“ (Hasenbein, 2020, S. 185). Verschiedene Universitäten beschäftigen sich intensiv mit Maschinenethik bzw. „Artificial Morality“ (AM), wie zum Beispiel die TU Darmstadt in ihrem Centre for Cognitive Science und die TU München, die seit 2019 auch ein eigenes Forschungsinstitut für Ethik in der Künstlichen Intelligenz innehat. Am MIT Media Lab wird an dem prominenten „Moral Machine Experiment“, der bisher größten Studie zum Thema Maschinenethik, geforscht (Awad et al., 2018). Bei dieser Studie geht es darum herauszufinden, wie Menschen in verschiedenen Weltregionen entscheiden, wer getötet werden soll (z. B. junger Mensch oder alter Mensch, Frau oder Mann, Mensch oder Tier), wenn zum Beispiel die Bremsen bei einem selbstfahrenden Auto versagen. Dieses Beispiel und weitere Entscheidungssituationen sollen als Grundlage dienen, nach welchen Kriterien selbstfahrende Autos für entsprechende kritische Situationen program-

Maschinenethik

9

168

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

Roboethik

9

miert werden sollen. Allein diese Untersuchung wirft wiederum ethische Fragen auf: Sind die Ergebnisse ethisch zulässig? Sind sie wirklich verlässlich? Dürfen solche Differenzierungen getroffen werden. Details und Möglichkeiten zum Selbstausprobieren sind unter dem folgenden Link zu finden: 7 https://www.moralmachine.net/hl/de. Ein weiterer wichtiger Bereich im Kontext der Maschinenethik ist die sogenannte „Roboethik“, die auf „Roboter angewandte menschliche Ethik“ (Fourtané, 2019). Bereits in den 1940er Jahren stellte der Science-Fiction-Schriftsteller, Isaac Asimov, folgende drei Regeln der Robotik auf, um den Menschen vor den „bösen“ Robotern zu schützen (Bartneck et al., 2020, S. 226; Fourtané, 2019): 5 Ein Roboter darf einen Menschen nicht verletzen oder durch Untätigkeit zulassen, dass ein Mensch Schaden nimmt. 5 Ein Roboter muss die Anweisungen des Menschen befolgen, es sei denn, solche Anweisungen würden dem ersten Gesetz widersprechen. 5 Ein Roboter muss seine eigene Existenz schützen, solange dieser Schutz nicht mit dem ersten oder zweiten Gesetz in Konflikt steht. Er hat später ein nulltes Gesetz hinzugefügt: Ein Roboter darf der Menschheit nicht schaden oder durch Untätigkeit zulassen, dass die Menschheit Schaden nimmt. Mittlerweile ist „Roboethik“ ein anerkanntes Teilgebiet der Ethik. Im Fokus stehen vor allem ethisch-soziale Fragestellungen der Mensch-Roboter-Interaktion. Dazu gehören Aspekte wie die Frage nach der Entscheidungsautorität von Menschen und Robotern sowie der Kommunikationsform zwischen Mensch und Roboter, der Verantwortungsdiffusion und den Auswirkungen auf kollegiale Umgangsformen und gesellschaftliche Normen (Hasenbein, 2020; Onnasch et al., 2016). Bei der Frage nach der Entscheidungsautorität bzw. Instrumentalisierung des Menschen geht es aus ethischer Sicht darum, die Autonomie und Selbstbestimmung des Menschen nicht zu verletzen und darum, darauf zu achten, dass in der Mensch-Roboter-Interaktion die Entscheidungsautorität am Ende immer beim Menschen liegen sollte. Bei der Kommunikation zwischen Mensch und Roboter ist zu berücksichtigen, dass diese meistens nicht auf verbaler Ebene, sondern oftmals über Gestik und Bewegung stattfindet. Hier ist ggf. nach der Angemessenheit und Optimierung der Kommunikation zu fragen. Dies ändert sich jedoch bereits, da die Sprache in der Robotik an Bedeutung und Umsetzung zunimmt. Bei der Interaktion von Mensch und Roboter kann es in dem Sinne zu einer Verantwortungsdiffusion kommen,

9.4 · Algorithmische Entscheidungssysteme

169

dass der Mensch sich von seiner Verantwortung distanziert und diese dem Roboter zuschreibt. Dies gilt es genauer zu betrachten und Verantwortungsbereiche zu definieren. Weiterhin geht es um die Frage, inwieweit der Roboter immer mehr zum Kollegen oder zur Kollegin des Menschen wird. In diesem Zusammenhang wird häufig von Cobots gesprochen. Zudem kann es hierbei auch zu emotionalen Überbewertungen des Menschen und zu sozialen Projektionen auf den Roboter kommen. Dies kann sich zudem auf die Normen in der Gesellschaft und in der Arbeitswelt auswirken. Schließlich geht es um die Akzeptanz oder die Ablehnung von Robotern. Dies ist u. a. von der Anthropomorphisierung, also menschenähnlichen Gestaltung von Robotern beeinflusst. Letztendlich geht es darum, zu beantworten, wer trifft in welchen Situationen die Entscheidung, die KI, der Roboter oder der Mensch oder sogar beide zusammen. 9.4  Algorithmische Entscheidungssysteme

Es gibt einige Anwendungsbereiche, in denen KI zum Einsatz kommt und die ein moralisches Verhalten fordern. Dazu gehören u. a. folgende algorithmische Entscheidungssysteme (Misselhorn, 2018, 2019): 5 Selbstfahrende Autos, wie bereits erläutert, bei denen in Unfallsituationen aus ethischer Sicht Entscheidungen zu treffen sind. 5 Zivile und militärische Drohnen, bei denen es im Ernstfall darum geht, Gegenstände, Menschen oder Gebäude zu treffen. 5 Medizinische Systeme, die eine Diagnose ausgeben und auf der Basis eine bestimmte Behandlung oder Operation empfehlen. 5 Pflegeroboter, die zum Beispiel auch für die Medikamenteneinnahme zuständig sind. 5 Ein System zur Kreditvergabe, das entscheidet, wer einen Kredit bekommt oder nicht. 5 Ein Recruiting-Roboter, der über das Weiterkommen eines Kandidaten im Bewerbungsprozess entscheidet. Fazit soll an dieser Stelle sein:

» „Eine

sinnvolle Delegation von Verantwortung und die Vermeidung von organisierter Unverantwortlichkeit bleiben auch mit KI eine Herausforderung. KI wird nicht die Verantwortung für schwierige Entscheidungen übernehmen können und sollte nicht zur Verantwortungsvermeidung

Algorithmische Entscheidungssysteme

9

170

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

missbraucht werden. Entscheidungen bleiben eine menschliche Domäne – nicht immer beliebt und gerne auch abgeschoben“ (Bitkom, 2017, S. 21).

Dies schließt den Kreis zum ersten Teil dieses Kapitels, der menschenzentrierten KI, bei der der Mensch ganz klar Teil des Entscheidungsprozesses sein sollte. Hier spielt auch das sogenannte wertebasierte Design mit rein. 9.5  Value-based-Design und Ethics by Design Ein wertebasiertes Design soll Vertrauen in die Forschung, Entwicklung und Anwendung von Künstlicher Intelligenz fördern.

9

Damit algorithmische Entscheidungssysteme bzw. automatisierte Entscheidungen auf Akzeptanz stoßen, ist ein wertebasiertes Design, auch value-based Design (Bitkom, 2017), erforderlich. Ziel dessen ist es, das Vertrauen in die Forschung, Entwicklung und Anwendung von Künstlicher Intelligenz zu fördern. Dies geschieht dadurch, dass entsprechend Informationen über die Funktionsweise von KI und den möglichen Konsequenzen transparent gemacht werden. Für ein solches wertebasiertes Design müssen zum einen Werte wie zum Beispiel Vertrauen, Sicherheit und Privatheit berücksichtigt werden und zum anderen auch Wertekonflikte, die entstehen können. Eine Methode dafür ist die Narrative Ethik. Dafür werden narrative Szenarios oder Use Cases definiert und beschrieben. Ein Beispiel beim autonomen Fahren könnte sein, die Dilemmata, die in der Fahrer-Fahrzeug-Kommunikation entstehen können, zu identifizieren. In diesem Kontext fällt auch häufig der Begriff Ethics by Design, ein Ansatz, der im gesamten Entwicklungsprozess, angefangen von der Idee bis zur Umsetzung, Technologie und Ethik miteinander vereint. Ziel ist auch hier eine wertebasierte Technikgestaltung. Dazu gehört es zudem, relevante Stakeholder und Betroffene in den Prozess der Gestaltung miteinzubeziehen:

» „Bei diesem ‚Ethics by Design‘ wägen Unternehmen und mit

der Digitalisierung befasste Institutionen mit allen relevanten und betroffenen Stakeholdern die Wertfolgen einer Digitalisierungsstrategie ab und entscheiden antizipativ und partizipativ, welche technischen und organisatorischen Maßnahmen erforderlich sind, um positive Werte zu schaffen und Wertvernichtung zu vereiteln“ (Spiekermann, 2019, S. 277).

Ein bewusstes Verzichten auf eine menschenähnliche Gestaltung

Damit steht der Mensch mit seinen Bedürfnissen im Fokus der Betrachtung. Im Zusammenhang mit Ethics by Design wird vor allem die Anthropomorphisierung (Vermenschlichung) von Robotern und KI diskutiert. Spiekermann (2019) fordert dazu die „Kunst des Weglassens“. Das bedeu-

9.6 · Corporate Digital Responsibility in Unternehmen

171

tet, bewusst darauf zu verzichten, diese menschenähnlich zu gestalten, damit ein gesunder Abstand zwischen Mensch und künstlichen Intelligenzen bzw. Robotern, möglich ist (Hasenbein, 2020). Dies gilt es weiter sowohl in der Praxis als auch in der Forschung zu verfolgen und kritisch zu hinterfragen. Im Business-Kontext hat zur digitalen Ethik die Corporate Digital Responsibility Einzug in die Unternehmen gefunden. 9.6  Corporate Digital Responsibility

in Unternehmen

Im Business gewinnt digitale Ethik in Form der Corporate Digital Responsibility (CDR) zunehmend an Bedeutung. Sie ist in den Kontext von CSR (Corporate Social Responsibility) und CR (Corporate Responsibility) einzuordnen. Sie gehört damit zur Unternehmensverantwortung in einer digitalisierten Wirtschaft und Gesellschaft (Dörr, 2021). Dabei geht es um Aktivitäten, die über das gesetzlich Vorgeschriebene hinausgehen und die Digitalisierung zum Vorteil der Gesellschaft aus den Unternehmen heraus mitzugestalten (Bundesministerium für Justiz und Verbraucherschutz, 2018). Dies kann entsprechend auf den Einsatz von Künstlicher Intelligenz erweitert werden:

» „Corporate Digital Responsibility in der Unternehmensführung

bietet Mindest und Instrumentarium, um Glaubwürdigkeit der Unternehmenswerte beim Einsatz von KI an den Arbeitsplätzen zu erhalten. Der ‚moralische Kompass‘ wird an die neue Datenund Algorithmenwelt angepasst […]“ (Dörr, 2021, S. 48).

Dörr hat dazu einen Praxisleitfaden Corporate Digital Responsibility entwickelt, der in sechs Schritten zur Umsetzung und Messung von CDR führen kann (2020, S. 53 f.): 5 Know-how! Ziel ist es, die Entwicklungen der Digitalisierung und ihre (Aus-) Wirkungen auf Wirtschaft und Unternehmen darzulegen. Danach geht es darum, die Veränderung von Corporate Responsibility zu CDR zu begründen und CRD zu definieren sowie CR-Konzepte auf Corporate Digital Responsibility anzupassen. 5 Watch it! Hier geht es darum, Digitalisierung und Nachhaltigkeit zusammen zu denken. Dabei werden Chancen und Risiken für die Nachhaltigkeit betrachtet. 5 Zoom in! Nun soll Digital Responsibility für das eigene Unternehmen bestimmt werden. Hier steht ein „Digital Responsibility Check“ im Fokus. Dieser hilft dabei, den Reifegrad des Unternehmens im Hinblick auf CDR fest-

Corporate Digital Responsibility im Business Kontext

Praxisleitfaden Corporate Digital Responsibility

9

172

9

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

zustellen und zudem die Ganzheitlichkeit mit verschiedenen Handlungsfeldern zu Chancen und Risiken im Blick zu behalten. 5 Just do! Hier geht es um die Umsetzung von CDR im Unternehmen. Dabei erfolgt zunächst eine strategische Einordnung von CDR und die Feststellung der Potenziale von CDR. Weiterhin werden 12 mögliche digitale Selbstverpflichtungen für Unternehmen vorgestellt. Und schließlich wird herausgearbeitet, wie durch Innovationsmethoden und Geschäftsmodellentwicklung digitale Innovationen verantwortlich vorangebracht werden können. 5 Mind the Gap! Der Blick wird hier auf potenzielle Stolperfallen bei der Umsetzung von CDR gelegt. Dazu werden Ansätze vorgestellt, wie diese Stolperfallen behandelt werden können. Unterstützend gibt es Praxisbeispiele und Praxistipps. 5 Go for Impact! Am Ende sollte die Umsetzung von CDR auch Wirkung zeigen. Es wird gezeigt, wie Wirkung von digitaler Verantwortung erreicht und wie diese gemessen werden kann. Die detaillierte Beschreibung und Umsetzung kann bei Saskia Dörr in ihrem Buch „Praxisleitfaden Corporate Digital Responsibility“ (2020) nachgelesen werden. . Abb. 9.4 illustriert die Schritte.

. Abb. 9.4  Corporate Digital Responsibility in sechs Schritten. (In Anlehnung an Dörr (2020, S. 52))

9.7 · Grundsätze für Künstliche Intelligenz in der Gesellschaft

173

. Abb. 9.5  Ethische Grundsätze im Gesamtkontext

Abschließend zeigt . Abb. 9.5 die ethischen Grundsätze der „AI4People“-Gruppe, ergänzt um den Aspekt der Transparenz im Gesamtkontext von Mensch, Organisation und Gesellschaft. Darüber hinaus sind ethische Grundsätze national als auch über alle Grenzen hinweg von zentraler Bedeutung. 9.7  Grundsätze für Künstliche Intelligenz in der

Gesellschaft

Im Jahr 2018 wurde durch den OECD-Ausschuss (OECD = Organisation for Economic Co-operation and Development) für digitale Wirtschaft eine Sachverständigengruppe für Künstliche Intelligenz in der Gesellschaft (AIGO) gegründet (OECD, 2018, 2020). Intention dieser Gruppe ist es, Vertrauen in KI und deren Verbreitung zu fördern. Dafür wurden Grundsätze für die Politik und die internationale Zusammenarbeit entwickelt. Zur AIGO gehören Sachverständige aus staatlichen Stellen, aus der Wirtschaft, der Fachwelt, aus Arbeitnehmerorganisationen und der Zivilgesellschaft, der Europäischen Kommission und der UNESCO. Die Grundsätze umfassen die Achtung der Menschenrechte, Fairness, Transparenz und Erklärbarkeit, Robustheit und Sicherheit sowie Rechenschaftspflicht. Zusätzlich gibt es in den einzelnen Ländern nationale Initiativen (OECD, 2020, S. 149–164). So hat Deutschland

Deutschland hat nationale Strategie für Künstliche Intelligenz entwickelt

9

174

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

Die G7 setzt auch auf eine menschenzentrierte KI.

im Jahr 2018 eine nationale Strategie für Künstliche Intelligenz entwickelt. Dabei will Deutschland führend in der Forschung und Anwendung von KI werden. In China wurde bereist 2016 ein nationaler KI-Plan erstellt. Zudem investieren Unternehmen intensiv in Künstliche Intelligenz. In Japan wurde 2016 durch das japanische Kabinettsamt ein Strategierat für KI-Technologie errichtet. Die Vereinigten Staaten fordern seit 2019 die Aufrechterhaltung der amerikanischen Führungsrolle in der KI und haben damit verbunden eine amerikanische KI-Initiative eingeleitet. Eine weitere zwischenstaatliche Initiative neben der OECD ist in Europa die Europäische Kommission, die 2018 einen Plan über die Entwicklung von KI in Europa vorgelegt hat. Zudem sind hier die G7 und G20 anzuführen. So setzt die G7 auch auf eine menschenzentrierte KI:

» „Künstliche Intelligenz muss aber auch verantwortungsbewusst

und im besten Interesse der Bürger und Verbraucher eingesetzt werden. Auf beiden Seiten des großen Teichs werden deshalb derzeit Richtlinien entwickelt, die sicherstellen sollen, dass KI unser Vertrauen verdient.  […] Vertrauenswürdige und verantwortungsvolle KI ist im Interesse aller: der Verbraucher ebenso wie der wohlgesonnenen Regierungen und Unternehmen“ (IAVCworld, 2021).

9 Die G20 hat 2019 Prinzipien zum verantwortungsvollen Umgang mit künstlicher Intelligenz verabschiedet.

Die G20 befasst sich zudem damit, Künstliche Intelligenz voranzubringen und ethisch verantwortungsvoll zu gestalten. So wurden 2019 Prinzipien zum verantwortungsvollen Umgang mit künstlicher Intelligenz (KI) verabschiedet, die weitgehend auf den OECD Grundsätzen für Künstliche Intelligenz basieren (Kooperation international, 2019). Fazit Bei der ethischen Diskussion zur Künstlichen Intelligenz geht es darum, die Frage zu beantworten, wie eine menschenzentrierte und vertrauenswürdige KI gewährleistet werden kann. Hier spielen u. a. Aspekte wie Nachvollziehbarkeit, Datenschutz und Vertrauen mit rein. Dafür braucht es die bereits definierten ethischen Grundsätze wie z. B. die Nicht-Nachteiligkeit, Vorteilhaftigkeit und Erklärbarkeit. Dies wird vor allem da zunehmend relevant, wo algorithmische Entscheidungssysteme ins Spiel kommen, wie beim autonomen Fahren und KI-basierten medizinischen Systemen. Wobei die finale Entscheidung und Verantwortung möglichst beim Menschen liegen sollte. Auch Organisationen und Unternehmen brauchen im Hinblick auf einen adäquaten Umgang mit KI einen moralischen Kompass. Dafür bietet die

175 Literatur

Corporate Digital Responsibility das Rahmenwerk und Instrumentarium. Die ethische Diskussion zum Einsatz von KI und Robotern wird in den kommenden Jahren weiterhin eine große Rolle spielen. Um hier vielfältige Aspekte und Facetten berücksichtigen zu können, sollte diese möglichst interdisziplinär stattfinden. Und daran sollten sowohl Forschung als auch Praxis beteiligt werden.

Literatur Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J., & Rahwan, I. (2018). The moral machine experiment. Nature, 563, 59–64. 7 https://www.nature.com/articles/s41586-018-0637-6. Zugegriffen: 16. Juli 2022. Bartneck, C., Belpaeme, T., Eyssel, F., Kanda, T., Keijsers, M., & Sabanovic, S. (2020). Mensch-Roboter-Interaktion. Eine Einführung. Hanser. Bartneck, C., Lütge, C., Wagner, A., & Welsh, A. (2019). Ethik in KI und Robotik. Hanser. Bitkom. (2017). Entscheidungsunterstützung mit Künstlicher Intelligenz. Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung. Bundesverband Informationswirtschaft, Telekommunikation und neue Medien e. V. 7 https://www.bitkom.org/Bitkom/Publikationen/Entscheidungsunterstuetzung-mit-Kuenstlicher-Intelligenz. html. Zugegriffen: 5. Jan. 2022. Bundesministerium für Justiz und Verbraucherschutz. (2018). Corporate Digital Responsibility-Initiative: Digitalisierung verantwortungsvoll gestalten. Eine gemeinsame Plattform. 7 https://www.bmj.de/SharedDocs/ Downloads/DE/News/Artikel/100818_CDR-Initiative.pdf ?__blob%3DpublicationFile&v%3D4#:~:text%3DCDR%20bezeichnet%20freiwillige%20unternehmerische%20Aktivit%C3%A4ten,einer%20umfassenden%20Unternehmensverantwortung%20verstanden%20werden. Zugegriffen: 16. Juli 2022. BVDW. (2019). Mensch, Moral, Maschine. Digitale Ethik, Algorithmen und künstliche Intelligenz. Bundesverband Digitale Wirtschaft (BVDW) e. V. 7 https://www.bvdw.org/fileadmin/bvdw/upload/dokumente/BVDW_Digitale_Ethik.pdf. Zugegriffen: 17. Juli 2022. Cognizant. (2022). Menschenzentrierte künstliche Intelligenz. 7 https://www.cognizant.com/de/de/glossary/human-centered-ai. Zugegriffen: 1. Aug. 2022. Dörr, S. (2020). Praxisleitfaden Corporate Digital Responsibility. Unternehmerische Verantwortung und Nachhaltigkeitsmanagement im Digitalzeitalter. Springer Gabler. Dörr, S. (2021). KI verlangt corporate digital responsibility (CDR). Den moralischen Kompass für Beschäftigte an KI-gestützten Arbeitsplätzen ausrichten. In I. Knappertsbusch & K. Gondlach (Hrsg.), Arbeitswelt und KI 2030 (S. 41–50). Springer Nature. Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., 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 Maschines, 28(4), 689–707. 7 https:// doi.org/10.1007/s11023-018-9482-5. Zugegriffen: 14. Juli 2022.

9

176

9

Kapitel 9 · Ethik für Künstliche Intelligenz und Robotik

Fourtané, S. (2019). Roboethik: Die auf Roboter angewandte menschliche Ethik. Wer oder was wird dafür verantwortlich gemacht, wenn oder wenn autonomes System fehlerhaft funktioniert oder Menschen schädigt? 7 https://www.wissenschaft-x.com/roboethics-the-human-ethics-applied-torobots. Zugegriffen: 17. Juli 2022. Gadeib, A. (2019). Die Zukunft ist menschlich. Manifest für einen intelligenten Umgang mit dem digitalen Wandel in unserer Gesellschaft. Gabal. Grimm, P., Keber, T. O., & Zöllner, O. (2021). Digitale Ethik. Leben in vernetzten Welten. Reclam. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Hochrangige Expertengruppe für Künstliche Intelligenz (HEG-KI). (2019). Ethik-Leitlinien für eine vertrauenswürdige KI. Europäische Kommission. 7 https://op.europa.eu/de/publication-detail/-/publication/d39885690434-11ea-8c1f-01aa75ed71a1. Zugegriffen: 13. Juli 2022. IAVCworld. (2021). G7 setzen auf menschenzentrierte Künstliche Intelligenz. 7 https://www.iavcworld.de/digitalisierung/6957-g7-setzen-auf-menschenzentrierte-kuenstliche-intelligenz.html. Zugegriffen: 21. Juli 2022. Kooperation international. (2019). G20-Gipfel: Regeln zur künstlichen Intelligenz beschlossen. 7 https://www.kooperation-international.de/aktuelles/ nachrichten/detail/info/g20-gipfel-regeln-zur-kuenstlichen-intelligenz-beschlossen/. Zugegriffen: 21. Juli 2022. Misselhorn, C. (2018). Grundfragen der Maschinenethik. Reclam. Misselhorn, C. (2019). Artificial morality. Möglichkeiten und Grenzen der Maschinenethik. Die Politische Meinung, 64(11), 31–37. 7 https://www. kas.de/documents/258927/7504706/31_Misselhorn.pdf/a6a1a506-d74b7977-dce1-f54b68895e82?t=1573037632219. Zugegriffen: 8. Juli 2022. Mühlbauer, D. (2020). Die intelligente HR-Maschine: Kernelemente der Automatisierung von HR. In J. Nachtwei & A. Sureth, Sonderband Zukunft der Arbeit, Human Resources Consulting Review (Bd. 12, S. 408–411). 7 https://www.researchgate.net/publication/345732657_Psychologie_ und_Arbeit_-_Zukunftsfragen. Zugegriffen: 17. Juli 2022. OECD. (2018). OECD creates expert group to foster trust in artificial intelligence. 7 https://www.oecd.org/innovation/oecd-creates-expert-group-to-foster-trust-in-artificial-intelligence.htm. Zugegriffen: 20. Juli 2022. OECD. (2020). Künstliche Intelligenz in der Gesellschaft. OECD Publishing. Onnasch, L., Maier, X., & Jürgensohn, T. (2016). Mensch-Roboter-Interaktion – Eine Taxonomie für alle Anwendungsfälle. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA). 7 https://www.baua.de/DE/ Angebote/Publikationen/Fokus/Mensch-Roboter-Interaktion.pdf ?__ blob%3DpublicationFile&v%3D6. Zugegriffen: 25. März 2022. Scilog. (2022). Menschenzentrierte künstliche Intelligenz. The Magazine of the Austrian Science Fund FWF. 7 https://scilog.fwf.ac.at/natur-technik/15315/menschenzentrierte-kuenstliche-intelligenz. Zugegriffen: 1. Aug. 2022. Spiekermann, S. (2019). Digitale Ethik. Ein Wertesystem für das 21. Jahrhundert. Droemer. Zukunftszentrum KI NRW. (2022). Menschenzentrierte KI – und wie sie Unternehmen unterstützen kann. 7 https://www.zukunftszentrum-ki.nrw/ menschenzentrierte-ki-und-wie-sie-unternehmen-unterstuetzen-kann/. Zugegriffen: 1. Aug. 2022. Zweig, K. (2019). Ein Algorithmus hat kein Taktgefühl. Wo künstliche Intelligenz sich irrt, warum uns das betrifft und was wir dagegen tun können. Heyne.

177

Fazit

© Der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2_10

10

178

Kapitel 10 · Fazit

Die Ausführungen dieses Buches zeigen, dass wir uns bereits inmitten der nächsten industriellen Revolution, der Industrie 5.0, oder gemäßigter ausgedrückt, in der nächsten Phase der Digitalisierung durch Künstliche Intelligenz und Robotik geprägt befinden. Die Corona-Pandemie hat die Digitalisierung grundsätzlich in vielen Bereichen selbstverständlicher gemacht. Jetzt geht es noch einen Schritt weiter. Dabei könnte man den Eindruck gewinnen, dass dies noch nicht bei allen angekommen ist bzw. es manche Menschen sicherlich auch verdrängen. KI und Robotik ist bei nicht wenigen Menschen mit Ängsten und Unsicherheiten verbunden. Unbeeindruckt davon gehen die Entwicklungen in diesen Bereichen weiter voran. Und bei einer tieferen Beschäftigung mit dieser Thematik stellt sich mit den Worten von Precht Folgendes heraus (Precht, 2022, S. 31):

» „Der

10

Weg scheint vorgezeichnet: Computer werden in der Zukunft mithilfe perfekterer Robotik und Sensorik, von KI und automatisierter Bildanalyse (Machine Vision) Arbeit ausführen, die bislang vielen Millionen Menschen vorbehalten war. […] Branchen sterben und entstehen neu, Jobprofile wandeln sich rasant und ebenso die alltägliche Zusammenarbeit, die bisherige Arbeitsteilung und die gewohnten Hierarchien. Und mit dem schnellen Wandel der Tätigkeiten und Berufsbilder ändern sich zugleich der Lebensrhythmus und die Lebensformen mit weitreichenden Folgen für die Gesellschaft“.

Das Kapitel zum Wandel der Arbeits- und Organisationswelt im Kontext von KI und Robotik konnte dies aufzeigen. Die Auswirkungen auf den Arbeitsmarkt werden zu sehen sein und sind zum Teil jetzt schon zu beobachten. Wie sich dies weiterentwickeln wird und welche Prognosen zutreffen werden oder nicht, gilt es weiter zu beobachten. Ob sich tatsächlich 10,5 Mio. Arbeiternehmer und Arbeitnehmerinnen auf eine umfangreiche Veränderung gefasst machen müssen, wie die Studie zur Future of Work nach Covid 19 vom McKinsey Global Institute (2021) voraussagt, bleibt abzuwarten. Das gleiche gilt für die Prognose des Weltwirtschaftsforums, die davon ausgeht, dass im Jahr 2025 weltweit 85 Mio. der derzeitigen Jobrollen durch die zunehmende Aufteilung von Arbeit zwischen Mensch und Maschine, respektive KI und Robotik, ersetzt werden (WEF, 2020). Fakt bleibt sicherlich, dass KI-Systeme und Roboter Menschen bei einigen Aufgaben ergänzen und auch ersetzen werden. Dafür werden auch wiederum neue Jobrollen geschaffen und in einigen Bereichen wird es auch eine Entlastung für die Menschen geben. Bei dieser digitalen Transformation zum vermehrten Einsatz von

179 10 Fazit

Künstlicher Intelligenz und Robotik gilt es, die Menschen im Sinne eines Change Enablements gut mitzunehmen (Günthner & Dollinger, 2018; Hasenbein, 2020). Nach Auffassung der Autorin dieses Buches werden weiterhin menschliche Fähigkeiten und Kompetenzen wie Empathie, Intuition sowie menschliche Kreativität und Problemlösen von zentraler Bedeutung bleiben. Sie können komplementäre Kompetenzen sein, die eine KI sinnvoll und wertvoll ergänzen (WEF, 2018, 2020). Dies führt zu einer menschenzentrierten und hybriden KI, bei der menschliches Wissen zusammen mit Algorithmen einer KI möglichst optimal genutzt werden können. Die letzte Entscheidungsinstanz sollte jedoch beim Menschen liegen. Das Kapitel zur Mensch-KI- und Mensch-Roboter-Interaktion konnte aufzeigen, dass beide als Partner bzw. Team zunehmend miteinander kollaborieren werden (Gerdenitsch & Korunka, 2019; Onnasch et al., 2016). Dabei gibt es immer mehr Bereiche, in den KI-Systeme und Roboter ihren Einsatz finden, sei es zum Beispiel im Gesundheitswesen, in der Bildung und in der Industrie. Das führt einerseits zu ethischen Fragestellungen, die im Kapitel zur Ethik in der Mensch-KI-Interaktion bearbeitet wurden. Bei der ethischen Diskussion geht es vor allem um die Frage, wie eine menschenzentrierte und vertrauenswürdige KI gewährleistet werden kann. Dafür braucht es die bereits von der „AI4People“-Gruppe definierten ethischen Grundsätze wie z. B. die Nicht-Nachteiligkeit, Vorteilhaftigkeit und Erklärbarkeit (Floridi et al., 2018). Die Corporate Digital Responsibility bildet dafür im organisationalen Kontext ein Rahmenwerk und Instrumentarium (Dörr, 2020). Andererseits wirft dies psychologische Fragestellungen nach der Einstellung und Akzeptanz von KI-Systemen und Robotern auf. Hier gilt der Aufruf an die Psychologie als wissenschaftliche und anwendungsbezogene Disziplin, sich mehr in der Künstlichen Intelligenz und Robotik zu involvieren und zu etablieren. Die psychologischen Aspekte und Phänomene wie Bewusstsein, Emotionen und Empathie werden bereits intensiver diskutiert und beforscht. Auch in der Robotik gibt es erste psychologische Ansätze und Forschungen (Mara & Leichtmann, 2021). Die Psychologie sollte zukünftig neben den anderen relevanten Disziplinen wie der Informatik, den Naturwissenschaften, der Medizin und Wirtschaftswissenschaften eine zentrale Rolle spielen. Bei der Betrachtung einzelner wirtschaftspsychologischer Bereiche wie dem HR-Bereich, konnte aufgezeigt werden, dass der Einfluss von Künstlicher Intelligenz auf die einzelnen Funktionen im Human Resources Bereich bereits sehr

10

180

10

Kapitel 10 · Fazit

deutlich ist (Fink, 2021), wie zum Beispiel im Personalmarketing durch Programmatic Job-Advertising und im ­Recruiting durch Recruiting Chatbots und Roboter. Auch im Kontext von Bildung und Lernen zeichnen sich spannende Entwicklungen ab. Dies konnte im Kapitel zum Future und Smart Learning herausgearbeitet werden. So werden zunehmend KI-Systeme, Bots und Roboter als Lernassistenten ihren Einsatz finden. Vor allem Augmented und Virtual Reality werden weiter eine wachsende Rolle spielen. Smart Learning Environments (Freigang, 2021) und das Lernen im Metaverse werden zudem an Bedeutung gewinnen. Hier wird Lernen immer häufiger in einem hybriden Lernraum stattfinden, der digitale Inhalte mit dem physischen Raum sowie reale und virtuelle Welten miteinander verbindet. Das zukünftige Lernen wird smarter, individueller und flexibler mithilfe von Learning Analytics, Adaptive Learning und Smart Learning Environments. Auch in der Führung und Teamarbeit werden KI-Systeme und Roboter, wie in dem entsprechenden Kapitel gezeigt wurde, eine wachsende Rolle spielen. So wird algorithmisches Management (Wiener et al., 2021; Wiener, 2022) durch ein KI-System zunehmend Managementfunktionen übernehmen bzw. Führungskräfte in einzelnen Bereichen wie z.B. in der Personaleinsatzplanung im Sinne einer hybriden Zusammenarbeit unterstützen. Hier gilt es Aufklärungsarbeit zu leisten und die Mitarbeiter und Mitarbeiterinnen gut mitzunehmen und einzubinden. Perspektivisch wird es dabei auf eine hybride Führung und Teamarbeit hinauslaufen, die zwischen Mensch und KI bzw. Robotern und in verschiedenen Orten und zu unterschiedlichen Zeiten stattfinden wird. Bei all diesen Entwicklungen gilt es, die immer häufiger genannte und geforderte AI Literacy (Pammer-Schindler & Lindstaedt, 2022) zu fördern. Dabei geht es neben einem grundlegenden Verständnis von Künstlicher Intelligenz darum, KI kritisch einzuordnen und bewerten zu können. Diese sollte übergreifend und gesamtgesellschaftlich umgesetzt werden. Dazu sind Politik, Wirtschaft, Mensch und Gesellschaft gleichermaßen aufgefordert und aufgerufen. Das bedeutet zudem, sich als Mensch kritisch hinsichtlich der eigenen Rolle und Aufgabe inmitten dieser Entwicklungen von KI und Robotik zu reflektieren. Eberl (2016, S. 369–370) drückt dies trefflich wie folgt aus:

» „All diese Fragen und Überlegungen zeigen vor allem eines deutlich: Die Revolution der Roboter und der Systeme der Künstlichen Intelligenz, die gerade beginnt, wird uns Menschen am Ende vor allem zwingen, über uns selbst nachzudenken und uns neu zu definieren“.

181 Literatur

Literatur Eberl, U. (2016). Smarte Maschinen. Wie Künstliche Intelligenz unser Leben verändert. Hanser. Dörr, S. (2020). Praxisleitfaden Corporate Digital Responsibility. Unternehmerische Verantwortung und Nachhaltigkeitsmanagement im Digitalzeitalter. Springer Gabler. Fink, V. (2021). Künstliche Intelligenz in der Personalarbeit. Potentiale nutzen und verantwortungsbewusst handeln. Schäffer-Poeschel. Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., 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 Maschines, 28(4), 689–707. 7 https://link. springer.com/article/10.1007/s11023-018-9482-5. Zugegriffen: 14. Juli 2022. Freigang, S. (2021). Das Internet der Dinge für Bildung nutzbar machen. Gestaltung von Smart Learning Environments auf Basis eines interdisziplinären Diskurses. Springer VS. Gerdenitsch, C., & Korunka, C. (2019). Digitale Transformation der Arbeitswelt. Psychologische Erkenntnisse zur Gestaltung von aktuellen und zukünftigen Arbeitswelten. Springer. Günthner, R., & Dollinger, D. (2018). Hirn 1.0 trifft Technologie 4.0. Springer. Hasenbein, M. (2020). Der Mensch im Fokus der digitalen Arbeitswelt. Wirtschaftspsychologische Perspektiven und Anwendungsfelder. Springer. Mara, M., & Leichtmann, B. (2021). Soziale Robotik und Roboterpsychologie. Was psychologische Forschung zur menschzentrierten Entwicklung robotischer Systeme beiträgt. In O. Bendel (Hrsg.), Soziale Roboter: Technikwissenschaftliche, wirtschaftswissenschaftliche, philosophische, psychologische und soziologische Grundlagen (S. 169–189). Springer Gabler. MGI – McKinsey Global Institute. (2021). The future of work after COVID-19. 7 https://www.mckinsey.com/featured-insights/future-of-work/ the-future-of-work-after-covid-19. Zugegriffen: 26. Juni 2022. Onnasch, L., Maier, X., & Jürgensohn, T. (2016). Mensch-Roboter-Interaktion – Eine Taxonomie für alle Anwendungsfälle. Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA). 7 https://www.baua.de/DE/ Angebote/Publikationen/Fokus/Mensch-Roboter-Interaktion.pdf ?__ blob=publicationFile&v=6. Zugegriffen: 25. März 2022. Pammer-Schindler, V., & Lindstaedt, S. (2022). AI Literacy für EntscheidungsträgerInnen im strategischen Management. Wirtschaftsinformatik und Management, 14(2), 140–143. 7 https://static-content.springer.com/pdf/art%3 A10.1365%2Fs35764-022-00399-2.pdf ?token=1661255738977--81a028c94c9344b9dbbbf6b4ef397b84f0dd819c7487cd1e5c89d1c7b9dc56de2f830b95a323e69bb2060687bda09c0343408fd14fba4025cd6ca1e7a63050eb. Zugegriffen: 23. Aug. 2022. Precht, R. D. (2022). Freiheit für alle. Das Ende der Arbeit wie wir sie kennen. Goldmann. WEF – World Economic Forum. (2018). Future of jobs report 2020. 7 https:// www.weforum.org/reports/the-future-of-jobs-report-2018/. Zugegriffen: 9. Juni 2022. WEF – World Economic Forum. (2020). The future of jobs report 2020. 7 https://www3.weforum.org/docs/WEF_Future_of_Jobs_2020.pdf. Zugegriffen: 27. Juli 2022. Wiener, M. (2022). Algorithmisches Management. Wenn Algorithmen zum „Boss“ werden. 7 https://vhbonline.org/ueber-uns/100-jahre-vhb/100schlaglichter-der-bwl/algorithmisches-management. Zugegriffen: 6. Juli 2022.

10

182

Kapitel 10 · Fazit

Wiener, M., Cram, W. A., & Benlian, A. (2021). Algorithmic control and gig workers: A legitimacy perspective of uber drivers. European Journal of Information Systems. 7 https://doi.org/10.1080/0960085X.2021.1977729.

10

183

183

Serviceteil Glossar – 184 Stichwortverzeichnis – 191

© Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert an Springer-Verlag GmbH, DE, ein Teil von Springer Nature 2023 M. Hasenbein, Mensch und KI in Organisationen, https://doi.org/10.1007/978-3-662-66375-2

184 Glossar

Glossar A.L.I.C.E.:  „Artificial Linguistic Internet Computer Entity“. Chatbot von Richard Wallace (1995) entwickelt, der einfache Gespräche führen konnte. AI literacy:  Umfasst die Kompetenzen, die Personen dazu befähigen, mit KI umzugehen, zusammenzuarbeiten und sie kritisch zu bewerten. Algorithmisches Management:  Dies ist die Steuerung und Kontrolle von Mitarbeitern und Mitarbeiterinnen mithilfe von intelligenten Algorithmen. Algorithmus:   Ein Algorithmus ist ein Lösungsverfahren, das in einer klar definierten Abfolge von Schritten zur Lösung eines Problems führt. Android/Gynoid (männlich und weiblich):  Bei Androiden oder

weiblich Gynoiden bildet der Mensch das zu kopierende Vorbild und der Android soll möglichst wenig vom Menschen zu unterscheiden sein. Anthropomorphisierung:  Ist die Zuschreibung von menschli-

chen Eigenschaften und Emotionen an nicht-menschliche Objekte. Antropomorphologie:  Bezeichnet das menschenähnliches Aussehen und/oder menschenähnliche Verhaltensweisen der KI bzw. von Robotern. Augmented Reality:  Auch „AR“, siehe Virtual Reality. Big Data:   Bei Big Data handelt es sich um große Datenmengen, die mit speziellen Lösungen gespeichert, verarbeitet und ausgewertet werden. Bitcoin:   Bitcoin ist eine digitale Währung, die auf der Block-

chain-Technologie basiert. Durch diese digitale Währung lassen sich Zahlungen anonym und ohne die Beteiligung von klassischen Banken fast in Echtzeit abwickeln. Blockchain:  Blockchain (= „Blockkette“) stellt eine dezentrale Datenbank dar, die im Netzwerk auf einer Vielzahl von Rechnern gespiegelt vorliegt. Ihre Einträge werden in Blöcken zusammengefasst und gespeichert.

185 Glossar

C.A.R.E-Modell:   Basis-Kompetenzen für hybride Führung: Communication (Kommunikation), Awareness (eigenes Bewusstsein), Relationship (Pflege von Beziehungen), Empowerment (Ermächtigung). Chatbots:   Dies sind Bots für die sprachliche Kommunikation.

Es handelt sich hierbei um ein Dialogsystem mit sprachlichen Fähigkeiten auf textlicher Ebene. Es gibt Chatbots, die auf der Basis von strukturierten Fragen und Antworten funktionieren und solche, die mittels maschinellen Lernens auf KI zurückgreifen und mit jeder Interaktion klüger werden. Cloud Computing:   Cloud Computing umfasst Technologien

und Geschäftsmodelle, die über das Internet und Intranet verfügbar sind. Die IT-Ressourcen werden über eine Cloud bereitgestellt. Cobots:   Cobots sind kollaborative Roboter, die beispielsweise im Industriesektor gemeinsam mit Menschen arbeiten. Corporate Digital Responsibility (CDR):   Digitale Ethik im Rahmen von Unternehmen, Dabei geht es um Aktivitäten, die über das gesetzlich Vorgeschriebene hinausgehen und die Digitalisierung zum Vorteil der Gesellschaft aus den Unternehmen heraus mitzugestalten. Cyborg:   Cyborg steht für Cybernetic Organism. Dabei verschmelzen Technik und Mensch miteinander. Dahinter steckt die Überzeugung der Transhumanisten, den menschlichen Körper zu verbessern und mit zusätzlichen Sinnen auszustatten. Deep Learning:   Bei dieser Art des Lernens werden künstliche neuronale Netzwerke verwendet. Der Vorteil und die Weiterentwicklung liegen darin, dass durch mehrschichtige Netzwerke Zusammenhänge erlernt werden können, die mit Algorithmen des Maschinellen Lernens unentdeckt bleiben würden. Digitale Ethik:   Die digitale Ethik fragt nach dem guten und richtigen Zusammenleben und Verhalten in einer Welt, die von digitalen Technologien und digitalem Wandel geprägt ist. Sie fragt nach Werten, Normen und ethischen Standards, die im digitalen Raum gelten sollten. ELIZA:  Erster Chatbot, der zwischen 1964 und 1966 von Joseph Weizenbaum am MIT entwickelt wurde. ELIZA konnte einen Psychotherapeuten mimen und mithilfe eines simplen Di-

186

Glossar

alog-Algorithmus ein Vorgespräch mit einem angehenden Patienten durchführen Flash-Organisationen:  Dies sind Organisationen, die sich

meistens global verteilt aus verschiedenen Teammitgliedern zusammensetzen und nur kurzfristig für spezielle Projekte zusammenarbeiten. Future Skills:  Hierbei liegen die Zukunftskompetenzen vor al-

lem in den Bereichen Problemlösen, (Co-)Kreativität, Führung sowie Emotionale Intelligenz und digitale Souveränität. Geminoid:   Geminoide Roboter werden nach einem bestimmten menschlichen Modell gebaut. Sie sollen so aussehen wie eine real existierende Person. H.E.A.R.T:  Bei dem Projekt H.E.A.R.T (Humanoid Emotional Assistant Robots in Teaching) der Universität Marburg geht es darum, humanoide Roboter in der Rolle eines Assistenten in der Hochschullehre didaktisch sinnvoll einzusetzen. HR-Analytics Software:   Das Potenzial von People Analytics

liegt in der größeren Verfügbarkeit und besseren Nutzung von Daten (Big Data) sowie einer optimierten Datenanalysemöglichkeit (Advanced Analytics) durch KI. Humanoide Roboter:  Humanoide Roboter sind charakterisiert durch eine menschliche Form und menschenähnliches Verhalten. Hybride Intelligenz:  Hybride Intelligenz ist eine Kombination

von menschlicher und maschineller Intelligenz. Industrie 4.0:  Das Ziel der vierten industriellen Revolution

war, Leistungsoptimierung durch die Vernetzung zwischen Maschinen, Systemen und Prozessen zu erzielen. Industrie 5.0:  Sie legt das Augenmerk auf die Zusammenarbeit zwischen Menschen und intelligenten Maschinen bzw. Robotern. Das Ziel sind Effizienz- und Produktivitätsgewinne, die durch die Verbesserung der Interaktion zwischen Menschen und Maschinen erreicht werden. Internet of Things (IoT) und Internet of Everything:  Unter IoT

werden Gegenstände verstanden, die Daten verarbeiten und senden können. Sensoren machen dabei aus vernetzten Gegenständen sogenannte „smarte“ Gegenstände. Geht man zukünftig von einer Allgegenwärtigkeit von Computerchips in unse-

187 Glossar

rer Umwelt aus, dann kann von einem Internet of Everything gesprochen werden. KI-Change Canvas:  Ein Canvas (=Leinwand) kann als unterstützendes Tool für die Einführung von KI modifiziert und ergänzt eingesetzt werden. Koexistenz:  Hier treffen Mensch und Roboter beiläufig aufei-

nander. Es ist maximal eine Koordination zwischen beiden erforderlich. Es gibt keine gemeinsame Zielsetzung und gemeinsame Aufgabe. Kollaboration:  Hier arbeiten Mensch und Roboter gemeinsam

an einer Aufgabe. Sie arbeiten quasi Hand in Hand und haben eine gemeinsame übergeordnete Zielsetzung. Sie verfolgen sogar Teilhandlungen zusammen. Kooperation:  Hier arbeiten Mensch und Roboter zusammen

und jeder übernimmt eine Teilaufgabe. Damit haben beide auch ein gemeinsames Ziel. Künstliche Intelligenz:  Künstliche Intelligenz ist ein IT-Sys-

tem, das die Eigenschaft hat, menschenähnliche intelligente Verhaltensweisen zu zeigen. KI steht für maschinelle Simulation von Lernen und anderer Fähigkeiten der menschlichen Intelligenz, wie zum Beispiel Sprachverständnis. LaMDA:  Chatbot von Google. Es wird nicht mit Texten aus

dem Internet, sondern mit menschlichen Konversationen gefüttert und dahinter steckt eine gigantische Datenbank. Learning Management System:  Diese KI-basierten Lernsysteme ermöglichen ein personalisiertes und individuelles Lernen. Zum Einsatz kommen dabei deskriptive Analysen, diagnostische Analysen und prädiktive Machine-Learning-Verfahren. Maschinelles Lernen:  Hierbei handelt es sich um ein Verfahren, bei denen Algorithmen aus Daten lernen und zum Beispiel Muster erkennen, ohne dass jeder Einzelfall explizit programmiert werden müsste. Mensch-Maschine-Interaktion (MMI):  Im Englischen Hu-

man-Machine-Interaction (HMI), behandelt die Interaktion und Kommunikation zwischen Mensch und Maschine.

188

Glossar

Metaversum:  Hierbei handelt es sich um eine dreidimensio-

nale virtuelle Welt, die den echten Arbeits- und Lebensraum erweitern soll. NAO:  NAO gibt es seit 2006 als ersten humanoiden Roboter von SoftBank Robotics. Er hat einen beweglichen Körper und kann visuelle Eindrücke über zwei Kameras wahrnehmen. Für die Kommunikation mit dem Menschen hat er vier Mikrofone und zwei Lautsprecher. Nano wird Forschungsprojekten und Laborsettings eingesetzt. New Learning/Future Learning:  Dies ist ein Konzept, das

durch Selbstbestimmung und durch die Zugehörigkeit zu einer Lerngemeinschaft gekennzeichnet ist. Dabei bezieht sich Lernen nicht nur auf physische Lernorte, sondern auch auf virtuelle Lernräume und soziales Lernen NLP:  NLP steht für Natural Language Processing. Es be-

schreibt Techniken und Methoden zur maschinellen Verarbeitung natürlicher Sprache verbunden mit dem Ziel, eine direkte Kommunikation zwischen Mensch und Computer herzustellen. NLP setzt dafür Methoden aus den Sprachwissenschaften und kombiniert sie mit moderner Informatik und künstlicher Intelligenz. Paro:  Paro ist eine Roboterrobbe, die als therapeutisches Hilfsmittel bei Menschen mit Demenz eingesetzt wird. Pepper:   Pepper ist mit 1,20 m Körpergröße der „große Bru-

der“ von NAO. Er kann durch Kartierung seine Umgebung selbstständig erkunden und mittels dieser navigieren. Der Hauptkompetenz von Pepper liegt in der Interaktion mit dem Menschen. Dazu tragen seine Dialog- und Kommunikationsfähigkeit in der natürlichen Sprache und mit Gestik und Mimik sowie seine Mehrsprachigkeit bei. Roboethik:  Im Fokus stehen hier vor allem ethisch-soziale

Fragestellungen der Mensch-Roboter-Interaktion. Dazu gehören Aspekte wie die Frage nach der Entscheidungsautorität von Menschen und Robotern sowie der Kommunikationsform zwischen Mensch und Roboter, der Verantwortungsdiffusion und den Auswirkungen auf kollegiale Umgangsformen und gesellschaftliche Normen. Roboterpsychologie:  Sie untersucht, wie Mensch und Robo-

ter im Team zusammenarbeiten. Hierbei geht es um eine menschenzentrierte Robotik und sie stellt die menschlichen Bedürf-

189 Glossar

nisse in einer bisher eher technisch-orientierten digitalen Transformation in den Fokus Robotik:  Die Robotik setzt sich mit dem Entwurf, der Gestaltung und der Produktion sowie dem Betrieb von Robotern wie z. B. von Industrie- oder Servicerobotern auseinander. SimCoach:  Ist ein Avatar, zur Behandlung von posttraumati-

schen Belastungsstörungen und Depressionen. Seit der Weiterentwicklung des Programms ist es möglich, dass die Software Emotionen erkennen und adaptiv auf die Klienten eingehen kann. Dies erfolgt mittels eines Videochats, bei der das Programm die Gesichtsausdrücke des Betroffenen lesen kann und der Avatar reagiert entsprechend darauf. Smart Learning Environments:  Dies sind Lernumgebungen, die mittels IoT und intelligenter Technologien Lernen und Arbeiten verbinden. Soziale Roboter:  Als solche werden Roboter bezeichnet, die zum Beispiel als Tutoren, Lernassistenten oder Lernpartner fungieren können. Theory of Mind:  Begriff aus den sozialen Kognitionswissenschaften. Er bezieht sich auf die empathische Fähigkeit (des Menschen), die inneren Zustände einer anderen Person zu kennen bzw. nachvollziehen zu können. Virtual und Augmented Reality:  Durch Virtual Reality (VR)

wird eine geschlossene virtuelle Welt erzeugt, in die der Mensch eintauchen kann (immersives Erlebnis). Bei der Augmented Reality (AR) wird die Realität durch digitale Elemente erweitert oder ergänzt. In Kombination mit Künstlicher Intelligenz sind eine verbesserte Interaktivität und intuitivere Inhalte möglich, so können beispielsweise Augen- und Handbewegungen erkannt, interpretiert und in Echtzeit angepasst werden. WEKIT:  Projekt „Wearable Experience for Knowledge Inten-

sive Training“. Hierbei werden Trainingsszenarien in der Industrie beim Erlernen von Handlungen und Abläufen, die Expertenwissen voraussetzen, durch neue Technologiemöglichkeiten unterstützt. Zoomorph:  Ein Roboter, der zoomorph gestaltet ist, hat im

äußeren Erscheinungsbild eine Ähnlichkeit zum Tier.

191

A–M

Stichwortverzeichnis A A.L.I.C.E  24 Adaptive Learning  100 AI Literacy  44, 143, 144 Akzeptanz  79 Algorithmisches Management  144 Algorithmus  29 ambidextre Führung  141 Android  67 Anthropomorphisierung  70, 170 Arbeit 4.0  37 Arbeit 5.0  37 Arbeitslosigkeit  38 Arbeitsmarkt  39, 40 Arbeitsszenarium  40 Arbeitswelt  10 – hybride  152 Artificial Intelligence  15, 23, 116 Augmented Reality  31, 100, 120, 129–131 Avatar  15

B Bewusstsein  11 Big Data  22, 29 Bildung  113, 114 Bildungsroboter  120, 125 Bitcoin  29 Blended Learning  126 Blockchain  29

C Canvas  50, 153, 154 CAVE  131 Change  103 Change Enablement  44, 50 Change Management  49 Chatbot  13, 29, 91, 118 Cloud Computing  29 Cobot  73, 148 Corporate Digital Responsibility  171 Cyborg  29

Datenschutzgrundverordnung  164, 166 Deep Blue  25 Deep Learning  30 DeepMind  25 Delegation Board  154 Design  170 – wertebasiertes  170 digitale Ethik  166 Digitalisierung  36, 86 Digital Literacy  42 Dystopie  4

E einen  86 Einstellung  78, 79, 125 E-Learning  126 ELIZA  25 Emotion  13, 14 Empathie  15 Employability  43 Empowerment  103 Entlastung  42 Ethics by Design  170 Ethik – digitale  166 Ethik-Leitlinie  166

F Führung  141, 142 – ambidextre  141 – hybride  152 Führungsansatz  141 Führungsaufgabe  146 Führungsforschung  147 Führungskompetenz  143 Führungsstil  140 Fusion Skills  62, 65 Future Learning  111, 112 Future Skills  111

G Geminoid  67 Gynoid  67

D Daily  153

H HR-Analytics  89

HR-Bereich  86 Human-Machine-Interaction  59 humanoider Roboter  66, 122 hybride Arbeitswelt  152 hybride Führung  152 hybride Intelligenz  26, 61, 126, 128, 134

I Industrie 4.0  23, 36 Industrie 5.0  23, 36 Intelligenz – hybride  26, 61, 126, 128, 134 – künstliche s. Künstliche Intelligenz  11 Interaktionsform  68 Interaktionstyp  59 Internet of Everything  30 Internet of things  36 IoT  30, 36, 125

K Kaspar  76 KI s. Künstliche Intelligenz  11 Kommunikationskanal  71 Komplementarität  27, 60, 150 Künstliche Intelligenz  3, 9, 11, 23 – menschenzentrierte  27, 60, 164 – Reifegradmodell  45, 46 – System  26

L Leadership  141 Learning Analytics  100 Learning Management System  102 Lernassistent  118 Lernberater  77 Lernpartner  101 Lernszenarium  134 Lernumgebung  126, 128 LMS  103

M Machine Learning  30 Management – algorithmisches  144

192

Stichwortverzeichnis

Maschine  59 Maschinenethik  167 Mensch  3 Mensch-Computer-Interaktion  59 menschenähnlicher Roboter  148 Menschenzentriert  163 menschenzentrierte Künstliche Intelligenz  27, 60, 164 menschenzentrierter Ansatz  13 Mensch-KI-Interaktion  58–60 Mensch-Maschine-Hybrid  61, 152 Mensch-Maschine-Interaktion  37 Mensch-Maschine-Kollaboration  149 Mensch-Roboter-Interaktion  59, 65 Metaverse  132 Metaversum  132 Morphologie  70

N NAO  17, 67 Natural Language Processing  31 New Learning  111

O Oculus Quest  133 OECD  173 Organisation  44 Organisationsanalyse  48

P Paro  17, 75 People Analytics  88 Pepper  67, 122, 124 Personalentwicklung  98 Personalmanagement  88 Personalmarketing  89 Perzeptron  24 Psychologie  9

R Recruiting  92 Recrutainment  96 Reifegrad  48 Reifegradmodell  45, 46 Resilienz  37 Roboethik  168 Robokalypse  2 Roboter  66, 69, 76, 78, 124 – humanoider  66, 122 – menschenähnlicher  148 – zoomorpher  70 Roboterpsychologie  74 Roboter-Robbe  75 Robotik  3, 9, 11, 23, 31, 65, 66

S SimCoach  76 Smart Factory  22, 36 Smart Home  22 Smart Learning Environment  125

Smart Learning Framework  127 Szenarium  41

T Teamarbeit  151 Teamzusammensetzung  73 Theory of Mind  16 Transformation  86 Turing Test  24

U Uncanny Valley  71

V value-based design  170 Verzerrung  96 Virtual Reality  31, 100, 130

W Watson  25 Wearables  130 Weiterbildung  115 wertebasiertes Design  170 Workhack  152

Z zoomorpher Roboter  70