IA on the job: eine Ursache finden oder eine Diagnose bestätigen?

Bei einer Qualitätsabweichung oder einer Produktionsverzögerung kann ein Assistent rasch eine Erklärung liefern, die zur Diagnose der Führungskraft passt. Die entscheidende Frage lautet, wie sich dieser Vorschlag nutzen lässt, um mögliche Ursachen auseinanderzuhalten, statt die bereits naheliegende Ursache zu bestätigen.

Was die Forschung belegt

Peter Cathcart Wason (1960, Quarterly Journal of Experimental Psychology) untersuchte, wie Versuchspersonen anhand von Zahlenfolgen eine Regel entdecken. Bei dieser Aufgabe hatten die Teilnehmenden Schwierigkeiten, Tests zu wählen, die ihre Hypothese ausschliessen könnten, statt Beispiele zu suchen, die mit ihr vereinbar waren. Das Ergebnis verdeutlicht eine Schwierigkeit der Diagnose: Übereinstimmende Beobachtungen anzuhäufen reicht nicht aus, um die eigene Erklärung von konkurrierenden Erklärungen zu unterscheiden.

Eine Erklärung, die die Suche strukturiert

Raymond Scott Nickerson (1998, Review of General Psychology) bündelt Forschungsarbeiten zur Tendenz, verfügbare Hinweise zugunsten einer bestehenden Überzeugung oder Hypothese zu suchen oder zu interpretieren. Der Mechanismus betrifft somit nicht nur die Schlussfolgerung, sondern auch die Informationen, die man überhaupt erhebt. Auf den Austausch mit einer KI übertragen, legt dies eine Prüfung der Ausgangsfrage nahe: Zu fragen, warum eine Einstellung einen Fehler verursacht hat, ist nicht dasselbe wie zu fragen, ob sie dessen Ursache ist.

Der vorschnelle Schluss

Daraus könnte man ableiten, es genüge, den Assistenten um eine Liste alternativer Ursachen zu bitten. Mehrere Erklärungen können jedoch mit denselben Beobachtungen vereinbar bleiben, ohne dass ihre Aufzählung die Untersuchung voranbringt. Entscheidend ist eine Prüfung, deren erwartete Ergebnisse sich je nach Hypothese unterscheiden, und anschliessend der Abgleich dieser Hypothesen mit der betrieblichen Realität. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was diese Arbeiten nicht nachweisen

Diese Publikationen untersuchen keine generativen Assistenten und zeigen nicht, dass deren Nutzung den Bestätigungsfehler systematisch verstärkt. Eine experimentelle Aufgabe zur Regelentdeckung und eine Literaturübersicht erlauben es auch nicht, einen Effekt in einer Produktionshalle zu beziffern. Im Programm «IA on the job» können sie eine Diagnoseübung begründen, nicht aber ein Versprechen, Fehler zu reduzieren.

Eine überprüfbare Praxis in Freiburg

In einem Lebensmittelunternehmen im zweisprachigen Industrieumfeld Freiburgs könnte eine Programmübung anonymisierte Qualitätsabweichungen behandeln, allenfalls mit einem Partner aus dem lokalen Hochschulumfeld zur Besprechung des Vorgehens. Während zweier Wochen würden zu jeder mit KI bearbeiteten Diagnose zwei plausible Ursachen sowie eine zulässige Prüfung festgehalten, deren erwartete Ergebnisse diese Ursachen unterscheiden könnten, bei Bedarf auf Französisch und Deutsch. Gemessen würde der Anteil der Fälle, in denen diese Prüfung tatsächlich durchgeführt und ihr Ergebnis mit den Erwartungen verglichen wurde, bezogen auf alle während der Übung untersuchten Fälle. Diese Kennzahl würde die Untersuchungsdisziplin erfassen, nicht die Genauigkeit der KI oder eine bereits nachgewiesene Qualitätsverbesserung. Weiterführend: entdecken Sie die KI im Arbeitsalltag-Weiterbildung in Freiburg, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI im Arbeitsalltag in Freiburg

• ki im arbeitsalltag
• Freiburg
• forschung
• Weiterbildung freiburg