KI-Einführung: Verzerren Erfolgsbeispiele die Bilanz in Basel?

Um über den Stand der KI-Einführung zu berichten, wählt eine Führungskraft gerne einige überzeugende Ergebnisse aus. Die anspruchsvollere Führungsfrage lautet: Wie lässt sich verhindern, dass diese Auswahl eine Sammlung von Erfolgen in eine irreführende Bilanz verwandelt?

Was die Literatur belegt

Jerker Denrell (2003, Organization Science) zeigt anhand theoretischer Analysen und Simulationen, dass unterrepräsentierte Misserfolge das Lernen aus den Erfahrungen anderer verzerren können. Bestimmte Praktiken können mit Erfolg verbunden erscheinen, weil die beobachtbaren Fälle eine ausgewählte Stichprobe bilden. Für KI legt dies nahe, zwischen vorzeigbaren Beispielen und der Gesamtheit der Versuche zu unterscheiden, auf denen eine Bilanz beruhen sollte.

Lernen bei wenigen Erfahrungen

James G. March, Lee S. Sproull und Michal Tamuz (1991, Organization Science) untersuchen, wie Organisationen lernen, wenn beobachtbare Ereignisse selten sind. Sie erörtern unter anderem, wie sich Erfahrungen durch unterschiedliche Deutungen und die Betrachtung möglicher anderer Verläufe erweitern lassen. Auf einen KI-Versuch übertragen, lenkt diese Überlegung den Blick auf Überarbeitungen und verworfene Lösungen statt allein auf das schliesslich übernommene Arbeitsergebnis.

Der voreilige Schluss

Daraus könnte man schliessen, es genüge, Erfolgspräsentationen um einige Misserfolge zu ergänzen. Doch auch eine ausgewogene Sammlung von Einzelbeispielen bleibt eine Auswahl: Sie zeigt nicht, wie häufig bestimmte Ergebnisse unter allen Versuchen auftreten. Es geht deshalb nicht darum, Demonstrationen zu vermeiden, sondern darum, sie nicht als repräsentative Bilanz zu behandeln. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was diese Arbeiten nicht belegen

Diese Artikel behandeln weder generative KI noch Basler Unternehmen; sie beleuchten Mechanismen organisationalen Lernens, ohne deren Ausmass in diesem Kontext zu messen. Ein abgebrochener Versuch bedeutet zudem nicht zwingend, dass das Werkzeug versagt hat: Er kann auf einen unklaren Auftrag oder einen vorsichtigen Abbruch hinweisen. Eine nützliche Erfassung muss deshalb das beobachtete Ergebnis von der ihm zugeschriebenen Ursache unterscheiden.

Eine überprüfbare Praxis in Basel

Im Rahmen des Programms « Conduire l’adoption de l’IA dans son équipe » von SHR — Swiss Human Resources kann eine Basler Führungskraft einen Beobachtungszeitraum und eine zulässige Aufgabe festlegen: etwa den Entwurf einer nicht vertraulichen Koordinationsnotiz zwischen einem Pharma- oder Life-Sciences-Team, einem Partner der Rheinlogistik und einer internationalen F&E-Einheit. Ein einfaches Register erfasst jeden Versuch innerhalb dieses Rahmens, auch abgebrochene, und unterscheidet unverändert übernommene, überarbeitete und verworfene Ergebnisse, ohne vertrauliche Inhalte festzuhalten. Überprüft wird der Anteil der ohne Überarbeitung übernommenen Ergebnisse an sämtlichen Versuchen, nicht nur an den präsentierten Beispielen. Die Führungskraft kann diesen Anteil anschliessend mit jenem der für ihren Bericht ausgewählten Fälle vergleichen: Eine Abweichung macht den Auswahleffekt sichtbar, belegt für sich allein aber noch nicht den Wert des Werkzeugs. Weiterführend: entdecken Sie die KI-Einführung im Team gestalten-Weiterbildung in Basel im Kanton Basel-Stadt, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI-Einführung im Team gestalten in Basel

• ki-einführung im team gestalten
• Basel
• forschung
• Weiterbildung basel