Neue Studie zeigt: Nicht jede Entscheidung in Unternehmen sollte der KI gehören
Die Automatisierung von Entscheidungen gilt als wesentlicher Treiber für Produktivität, Innovation und Wettbewerbsfähigkeit. Gleichzeitig stellt sich die Frage, wie viel Kontrolle Unternehmen an Algorithmen abgeben sollten und wie sich deren Potenzial nutzen lässt, ohne auf menschliches Fachwissen zu verzichten.
In ihrem Paper ‚Targeted Automation and Sustaining Human-AI Learning‘ plädieren Kai Hoberg, Professor für Lieferketten- und Betriebsstrategie an der Kühne Logistics University (KLU), Christina Imdahl, Professorin für Machine Learning im Operations Management an der TU Eindhoven, und William Schmidt, Professor an der Emory University, für einen Ansatz der gezielten Automatisierung. Dieser sieht vor, Entscheidungen dort zu automatisieren, wo menschliche Eingriffe wenig zusätzlichen Nutzen bieten, und menschliche Beteiligung dort zu erhalten, wo sie zur Verbesserung des Algorithmus beitragen kann. „Unsere Forschung zeigt, dass Unternehmen bei der Automatisierung selektiv vorgehen sollten. Statt alle Entscheidungen zu automatisieren, sollten gezielt diejenigen erhalten bleiben, bei denen Menschen den Algorithmus verbessern können. Gleichzeitig müssen genügend menschliche Entscheidungen vorhanden bleiben, um den Algorithmus an dynamische Rahmenbedingungen anpassen zu können“, sagt Kai Hoberg, Professor für Lieferketten- und Betriebsstrategie an der Kühne Logistics University (KLU). Durch diese selektive Vorgehensweise lasse sich ein Gleichgewicht zwischen kurzfristiger Effizienz und kontinuierlicher Verbesserung der KI herstellen. Ziel sei es, nicht nur kurzfristige Produktivitätsgewinne zu erzielen, sondern auch den langfristigen Erfolg der Automatisierung zu sichern.
Vierstufiger Ansatz zur gezielten Automatisierung
Die Forschenden haben dafür einen vierstufigen Ansatz zur gezielten Automatisierung von Entscheidungen entwickelt. Im ersten Schritt wird analysiert, in welchen Situationen menschliche Korrekturen algorithmischer Empfehlungen zu besseren Entscheidungen führen. Auf dieser Grundlage lernt das entwickelte Modell vorherzusagen, wann menschliches Fachwissen einen Mehrwert bietet. Anschließend werden gezielt diejenigen Entscheidungen automatisiert, bei denen menschliche Eingriffe voraussichtlich wenig zusätzlichen Nutzen bringen. Entscheidungen, bei denen menschliche Beteiligung einen Mehrwert erwarten lässt, verbleiben dagegen beim Menschen. Die menschlichen Korrekturen werden dazu genutzt, die Algorithmen weiter zu verbessern. Entscheidend sei dabei nicht allein die Schwierigkeit einer Entscheidung, sondern das Potenzial menschlicher Expertise, das System zu verbessern, betont Christina Imdahl, die an der Kühne Logistics University promoviert hat und heute Professorin an der TU Eindhoven ist. „Der entscheidende Punkt ist dabei: Es geht nicht einfach darum, schwierige Entscheidungen beim Menschen zu belassen, sondern vorherzusagen, bei welchen Entscheidungen der Mensch tatsächlich zur Verbesserung des Systems beitragen kann.“ Auf diese Weise bleibe wertvolles menschliches Wissen in den Lernprozess der Algorithmen eingebunden, während gleichzeitig ein hoher Automatisierungsgrad möglich werde. „In unserer empirischen Anwendung konnten wir rund 84 % der Entscheidungen automatisieren“, sagt Imdahl.
Unternehmen empfiehlt Kai Hoberg, die Automatisierung schrittweise einzuführen und zunächst zu klären, anhand welcher Kriterien sich der Mehrwert menschlicher Eingriffe messen lässt. Auf dieser Grundlage könne anschließend gezielt entschieden werden, welche Aufgaben automatisiert werden sollten und wo menschliches Fachwissen weiterhin benötigt wird.