KI-Einführung: Wie lässt sich Arbeit fair beurteilen?

Wenn einige Mitarbeitende einen Teil ihrer Arbeit an KI delegieren können und andere nicht, kann dieselbe Leistungserwartung sehr unterschiedliche Arbeitsbedingungen verdecken. Für die Teamleitung lautet die konkrete Frage: Wie lässt sich Arbeit beurteilen, ohne ungleichen Zugang zu KI in ein Urteil über die individuelle Leistung zu übersetzen?

Was die Literatur belegt

Jason Colquitt (2001, Journal of Applied Psychology) liefert empirische Belege für vier eigenständige Dimensionen organisationaler Gerechtigkeit: distributive, prozedurale, interpersonale und informationale Gerechtigkeit. Fairness betrifft somit nicht nur das Ergebnis einer Beurteilung, sondern auch das Verfahren, den Umgang mit den Menschen und die vermittelten Erklärungen. Auf KI übertragen, legt diese Unterscheidung nahe, getrennt zu prüfen, was belohnt wird, wie die Entscheidung zustande kommt und wie sie begründet wird.

Die Erklärung ist mehr als eine Begleitmassnahme

Jerald Greenberg (1990, Journal of Applied Psychology) untersuchte Reaktionen auf eine vorübergehende Lohnkürzung in einem industriellen Umfeld. Seine Feldstudie weist darauf hin, dass eine ausführliche Erklärung, die auf die Situation der Beschäftigten eingeht, negative Reaktionen abschwächen kann; diese wurden insbesondere anhand von Diebstählen erfasst. Die Studie handelt nicht von KI, legt aber nahe, die Erklärung einer neuen Beurteilungsregel nicht als blosse Kommunikationsaufgabe zu behandeln.

Der vorschnelle Schluss

Daraus könnte man ableiten, dass eine KI-bedingte Erhöhung der Leistungsziele bereits dann fair ist, wenn sie gut erklärt wird. Das würde die Qualität der Erklärung mit der Qualität der Regel verwechseln: Ein transparentes Kriterium kann ungeeignet bleiben, wenn sich Aufgaben, Zugangsrechte oder Vertraulichkeitspflichten unterscheiden. Es geht daher nicht nur darum, Akzeptanz für die Beurteilung zu schaffen, sondern zu prüfen, ob die verglichenen Beiträge unter hinreichend vergleichbaren Bedingungen entstanden sind. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was diese Daten nicht entscheiden können

Diese Arbeiten begründen weder eine Methode zur Beurteilung KI-gestützter Arbeit noch einen kausalen Einfluss von Fairness auf die Einführung solcher Werkzeuge. Ebenso wenig bestimmen sie, welcher Anteil eines Ergebnisses den Mitarbeitenden, der Software oder den bereitgestellten Ressourcen zuzuschreiben ist. Wer Leistungsziele anhand einiger rasch erstellter Ergebnisse erhöht, lässt in der Praxis insbesondere den Prüfaufwand und die Nutzungsbeschränkungen ausser Acht.

Eine überprüfbare Praxis in Sion

Im Rahmen des SHR-Programms « Conduire l’adoption de l’IA dans son équipe » könnte ein Team in Sion während eines Monats jedes Leistungsziel prüfen, das mit Verweis auf KI verändert wird. Für jedes Ziel würde es die betroffenen Aufgaben, den erlaubten Zugang zum Werkzeug, die erwartete Prüfzeit und begründete Ausnahmen festhalten: Vertraulichkeit im Gesundheitswesen, technische Validierung in der Wasserkraft oder Saisonalität im Weinbau und im alpinen Tourismus. Die Kennzahl wäre der Anteil dieser Ziele, für die diese Bedingungen vor der Beurteilung dokumentiert und kommuniziert wurden; Zähler und Nenner würden ebenfalls festgehalten. Diese Erhebung würde Fairness nicht beweisen, aber eine Voraussetzung überprüfbar machen: Menschen sollten nicht an Erwartungen gemessen werden, deren Anwendungsbedingungen unausgesprochen bleiben. Weiterführend: entdecken Sie die KI-Einführung im Team gestalten-Weiterbildung in Sitten im Kanton Wallis, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI-Einführung im Team gestalten in Sitten

• ki-einführung im team gestalten
• Sitten
• forschung
• Weiterbildung sitten