Effizienz maximieren: Automatisierung zur Transformation von Geschäftsprozessen nutzen

Unternehmen können sich nicht leisten, den Reichtum ihres Humankapitals zu ignorieren: jene fehlbaren Wesen mit ihrer einzigartigen Fähigkeit zu wagen und zu träumen, zu intuitieren und Risiken einzugehen – und vor allem zu erkennen, wenn sie auf eine Katastrophe zusteuern.

Letzten Sommer markierte ein trauriger Meilenstein in der Geschichte der künstlichen Intelligenz: der erste Todesfall durch ein autonomes Fahrzeug. Ein Tesla Model S auf Autopilot krachte auf einer Florida-Autobahn in einen LKW und tötete den menschlichen „Fahrer“.

Laut Unternehmensblog war die Ursache die Unfähigkeit der KI, „die weiße Seite des Aufliegers vor einem hell erleuchteten Himmel“ zu erkennen. Tesla betont, es sei der erste Todesfall in über 130 Millionen Meilen Autopilot – weniger als die Hälfte der weltweiten Rate von 60 Millionen Meilen pro Todesfall bei menschlichen Fahrern.

Wenn Tesla und andere Hersteller diese Rate halten, wäre das eine bedeutende Sicherheitsverbesserung. Doch die Art des Unfalls – den ein menschlicher Fahrer fast sicher vermieden hätte – wirft ernste Fragen auf, wie viel Handlungsfreiheit Menschen an Maschinen abgeben sollten.

Ethische und praktische Fragen

Mit zunehmender Intelligenz der Technologie wird sie unweigerlich Entscheidungen treffen müssen, die zu Todesfällen führen. Autonome Autos und LKWs müssen programmiert werden, um moralische Entscheidungen zu treffen – wie das „Trolley-Problem“, das Ethiker seit Jahrzehnten beschäftigt.

Nicht jede Frage zu KI und Automatisierung ist Leben und Tod, aber es gibt wichtige praktische und ethische Fragen, bevor wir sicher sein können, dass diese Technologien unser Leben bereichern statt mindern.

Unternehmen erkennen dies zunehmend. Infosys-Forschung ergab: 53 % der Befragten fühlen, dass ethische Fragen KI daran hindern, so effektiv zu sein wie möglich, während nur 36 % sagen, sie hätten die ethischen Implikationen vollständig bedacht.

Diese Bedenken reichen von Auswirkungen auf Mitarbeiter- und Kundendatenschutz bis hin zu Beschäftigungseffekten (z. B. große Teile der Belegschaft redundant machen). Auch die Frage, wie weit KI menschliche Operateure ersetzen kann, wird durch die Tesla-Geschichte scharf gestellt.

Es ist genauso leicht, sich von der versprochenen Macht der Technologie verführen zu lassen, wie die einzigartigen Fähigkeiten des menschlichen Gehirns zu romantisieren. Unternehmen, die diese beiden Intelligenzen nicht versöhnen, werden die vollen Vorteile der Komplementarität nicht erschließen.

Die Rolle des Menschen

Eine der zentralen Herausforderungen: Wie viel Autonomie geben wir Maschinen, und in welchen Situationen ist KI dem menschlichen Geist überlegen?

Auf den ersten Blick scheinen Technologien, die riesige Datensätze verarbeiten und Natural Language Processing für realistische Kundeninteraktionen nutzen, der perfekte Ersatz für langsame, teure, fehleranfällige Menschen.

Doch das ignoriert die eigenen Unzulänglichkeiten der Technologie: Microsofts Tay-Chatbot, der schnell rassistisch wurde, oder das selbstfahrende Auto, das Himmel und 20 Tonnen schnell bewegtes Metall nicht unterscheiden kann.

Fakt bleibt: Maschinen liefern nur Insights; nur Menschen haben die Weisheit, diese Insights für den jeweiligen geschäftlichen oder persönlichen Kontext angemessen anzuwenden. Wenn Menschenleben immer von rationalen, empirischen Überlegungen geleitet wären, gäbe es ein Argument für Maschinenersatz wo immer möglich.

Wie wir wissen, ist das nicht der Fall. Infosys begegnet diesen Fragen täglich. Wir unterstützen viele Unternehmen bei Machine-Learning-Initiativen, und schnell wurde klar: Kontextualisierung ist entscheidend.

In den meisten Fällen reicht reines Number-Crunching nicht; es muss begleitet werden von tiefem Verständnis der Unternehmenskultur, des Geschäftsmodells, der einzigartigen Herausforderungen und Daten-/Reporting-Strukturen.

Menschen werden weiterhin eine entscheidende Rolle spielen: die richtigen Fragen stellen, Daten hinterfragen, interpretieren, anwenden und Hypothesen für Maschinen formulieren.

Technologie-Evangelisten verschweigen oft, dass die Genauigkeit eines ML-Algorithmus im ersten Durchlauf typischerweise 60–70 % beträgt – Feintuning und weitere Arbeit sind nötig.

Das klingt nach Argument für mehr Data Scientists, nicht für menschliche Fähigkeiten. Doch betrachtet man die genannten technologischen Grenzen, sieht man, wie sie auf andere Bereiche der Organisation zutreffen.

Vom Top-Management bis zum Junior-Mitarbeiter: Erfolgreiche Unternehmer betonen kalkulierte Risiken basierend auf Intuition, laterales Denken für komplexe Probleme, Inspiration aus unerwarteten Denkmustern.

Für HR: Daten geben Einblick in Leistung und Produktivität, aber nicht, warum jemand schlecht performt oder wie man empathisch und effektiv über Verbesserung spricht.

Für Customer Service: Datenzugriff hilft bei der Untersuchung, aber Training, Intuition und Menschlichkeit lösen den Fall zur Zufriedenheit des Kunden.

Daten sind lediglich ein Werkzeug, das Menschen nutzen, um ihre Arbeit zu verbessern – ob Hedge-Fund-Management oder Umgang mit unzufriedenen Kunden.

Unternehmen können sich nicht leisten, den Reichtum ihres Humankapitals zu ignorieren: jene fehlbaren Wesen mit der Fähigkeit zu wagen, zu träumen, zu intuitieren, Risiken einzugehen und zu erkennen, wann sie auf Katastrophe zusteuern.

Quelle: Jonathan Ebsworth, Head of Disruptive Technologies bei Infosys Consulting