IA on the job: aus Projekten lernen, ohne Misserfolge auszublenden

Organisationen wollen mit KI ihre Projektarchive in wiederverwendbare Empfehlungen überführen. Die konkrete Führungsfrage lautet: Wie lässt sich verhindern, dass ein vorwiegend mit Erfolgsgeschichten versorgter Assistent unzureichend erprobte Vorgehensweisen zu internen Erfolgsrezepten macht?

Was die Forschung belegt

Jerker Denrell (2003, Organization Science) zeigt anhand einer theoretischen Analyse, wie die Unterrepräsentation von Misserfolgen organisationales Lernen verzerren kann. Wenn Organisationen hauptsächlich die Überlebenden beobachten, können bestimmte Praktiken leistungsfördernd erscheinen, ohne dass diese Beobachtung ihre Wirksamkeit belegt. Auf einen dokumentenbasierten Assistenten übertragen, legt diese Überlegung nahe, zunächst die Auswahl der Unterlagen und erst danach die Qualität seiner Empfehlungen zu prüfen.

Der Mechanismus, der die Auswahl verstärkt

James G. March (1991, Organization Science) untersucht das Spannungsverhältnis zwischen der Nutzung vorhandenen Wissens und der Erkundung neuer Möglichkeiten. Sein Modell zeigt, wie die unmittelbareren Vorteile der Nutzung langfristige Anpassungsfähigkeit beeinträchtigen können. Ein Assistent, der systematisch Methoden aus als erfolgreich anerkannten Projekten erneut verbreitet, könnte diese Dynamik verstärken; dies ist eine Anwendungshypothese, kein gesicherter Befund zur generativen KI.

Der voreilige Schluss

Daraus könnte man schliessen, dass es genügt, abgebrochene Projekte in die Dokumentenbasis aufzunehmen. Ein Abbruch kann jedoch auf eine Portfolioänderung, eine regulatorische Einschränkung oder einen kommerziellen Entscheid zurückgehen, ohne die eingesetzte Methode zu widerlegen. Deshalb müssen die Bedingungen und Gründe des Ausgangs dokumentiert werden, statt die Kategorien «Erfolg» und «Misserfolg» als Erklärungen zu behandeln. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was die verfügbaren Daten nicht zeigen

Diese Arbeiten messen weder die Qualität eines heutigen Assistenten noch den kausalen Einfluss eines vielfältigeren Dokumentenbestands auf Entscheidungen. In der Praxis können abgebrochene Projekte zudem weniger vollständige Unterlagen hinterlassen als abgeschlossene, was Vergleiche erschwert. Eine korrekt mit Quellen belegte Antwort kann somit weiterhin auf einem selektiven Ausschnitt organisationaler Erfahrung beruhen.

Eine überprüfbare Praxis in Basel

Im Rahmen von IA on the job könnte ein Basler Pharma- oder Life-Sciences-Team eine Gruppe von Projekten an der Schnittstelle zwischen internationaler Forschung und Entwicklung und Rheinlogistik auswählen und das Projektregister mit dem tatsächlich zugänglichen Dokumentenbestand des Assistenten vergleichen. Die Messgrösse wäre die Dokumentationsabdeckung nach Projektausgang: die Zahl der Projekte mit einem verwertbaren Rückblick im Bestand, geteilt durch die Zahl der registrierten Projekte in jeder Kategorie — abgeschlossen, abgebrochen oder neu ausgerichtet. Das Register und die Kriterien für einen verwertbaren Rückblick würden vor der Zählung festgelegt, unter Einhaltung der Zugriffsrechte. Eine Abdeckungslücke würde keine Verzerrung jeder einzelnen Antwort belegen, der Führung aber einen konkreten Mangel aufzeigen, der zu beheben wäre, bevor Empfehlungen als Erkenntnisse aus gemeinsamer Erfahrung gelten. Weiterführend: entdecken Sie die KI im Arbeitsalltag-Weiterbildung in Basel im Kanton Basel-Stadt, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI im Arbeitsalltag in Basel

• ki im arbeitsalltag
• Basel
• forschung
• Weiterbildung basel