KI-Assistenten: Was geht beim Zusammenfassen von Teambeiträgen verloren?

Ein ohne Programmierung erstellter Assistent kann die Beiträge eines Teams bündeln und eine Entscheidungsgrundlage vorbereiten. Die präzise Führungsfrage lautet: Wie lässt sich verhindern, dass diese Zusammenfassung eine entscheidende Information auslässt, nur weil eine einzige Person sie beigesteuert hat?

Was die Forschung belegt

Garold Stasser und William Titus (1985, Journal of Personality and Social Psychology) untersuchten Gruppenentscheidungen, bei denen einige Informationen allen bekannt waren und andere nur einer einzelnen Person vorlagen. Ihre Experimente zeigen, dass die Diskussion gemeinsam bekannte Informationen begünstigt, während exklusiv verfügbare Angaben, die eine besser informierte Wahl ermöglichen könnten, weniger berücksichtigt werden. Beiträge zusammenzuführen garantiert somit nicht, dass entscheidende Fakten tatsächlich für die Entscheidung verfügbar werden.

Warum vertraute Informationen mehr Raum erhalten

Gwen M. Wittenbaum, Andrea P. Hubbell und Cynthia Zuckerman (1999, Journal of Personality and Social Psychology) zeigen, dass der Austausch gemeinsam bekannter Informationen die gegenseitige Einschätzung der Kompetenz stärken kann. Die kollektive Vorliebe für bereits Bekanntes hängt somit nicht allein von der Verfügbarkeit der Informationen ab, sondern auch von sozialer Bestätigung. Für die Gestaltung eines zusammenfassenden Assistenten legt dies nahe, die Wiederholung einer Information nicht als Beleg für ihre Bedeutung zu behandeln.

Der vorschnelle Schluss

Daraus könnte man ableiten, dass ein Assistent jede nur einmal genannte Information grundsätzlich hervorheben sollte. Das würde Seltenheit, Verlässlichkeit und Relevanz verwechseln: Eine einmalige Angabe kann entscheidend, aber auch falsch oder für die Entscheidung unerheblich sein. Eine besser begründbare Gestaltungsregel besteht darin, nicht unabhängig bestätigte Informationen sichtbar zu machen, die die Wahl verändern könnten, und dabei ihre Herkunft sowie ihren Prüfstatus beizubehalten. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was diese Daten nicht belegen

Diese Studien betreffen menschliche Gruppen, nicht Zusammenfassungen generativer Modelle; sie belegen nicht, dass ein Assistent dieselbe Verzerrung reproduziert. Sie erlauben es, ein zu prüfendes Risiko zu formulieren, nicht aber, einen gesicherten KI-Effekt zu behaupten. Wer eine Zusammenfassung nur nach Lesbarkeit oder Abdeckung der vorherrschenden Themen bewertet, kann nicht feststellen, ob sie entscheidende, nur einmal genannte Fakten bewahrt.

Eine überprüfbare Praxis in Sion

Im SHR-Programm « Créer ses assistants et agents IA sans coder » könnte eine Übung in Sion eine freie Zusammenfassung mit einer Fassung vergleichen, die den Abschnitt «Einzeln genannte Informationen, die die Entscheidung verändern könnten» enthält. Fiktive Falldossiers aus Wasserkraft, Gesundheitswesen, Weinbau und alpinem Tourismus würden jeweils eine entscheidende Information enthalten, die nur in einem Beitrag vorkommt und vorab von einer Fachperson des jeweiligen Bereichs bestimmt wurde. Gemessen würde der Anteil dieser Informationen, die mit Herkunft und Prüfstatus erhalten bleiben, ohne fälschlich als unabhängig bestätigt dargestellt zu werden. Beide Fassungen würden dieselben Dossiers und dasselbe Modell verwenden; wiederholte Durchläufe würden prüfen, ob ein beobachteter Unterschied bestehen bleibt. Weiterführend: entdecken Sie die KI-Assistenten und Agenten ohne Programmierung erstellen-Weiterbildung in Sitten im Kanton Wallis, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI-Assistenten und Agenten ohne Programmierung erstellen in Sitten

• ki-assistenten und agenten ohne programmierung erstellen
• Sitten
• forschung
• Weiterbildung sitten