IA on the job: Risiken darstellen, ohne die Wahl zu lenken?

Ein Assistent kann einen technischen Bericht in eine Vorlage für die Geschäftsleitung umwandeln, ohne die zugrunde liegenden Daten zu verändern. Für das SHR-Programm « IA on the job » stellt sich eine präzise Führungsfrage: Wie lässt sich prüfen, ob diese Umformulierung das Risikoverständnis verbessert, statt unbemerkt die Wahl zu verändern?

Was die Literatur belegt

Gerd Gigerenzer und Ulrich Hoffrage (1995, Psychological Review) zeigen bei Aufgaben zum bayesschen Schlussfolgern, dass natürliche Häufigkeiten Schlussfolgerungen gegenüber einer Darstellung in Wahrscheinlichkeiten erleichtern können. Dieses Format erhält die Anzahlen und Teilgruppen aus derselben Fallmenge, statt von den Lesenden zu verlangen, bedingte Prozentangaben miteinander zu verrechnen. Der Befund betrifft eine bestimmte Informationsstruktur: Einem Text einige Zahlen hinzuzufügen, genügt nicht.

Der Deutungsrahmen kann Präferenzen verschieben

Amos Tversky und Daniel Kahneman (1981, Science) zeigen, dass unterschiedliche Beschreibungen gleichwertiger Folgen die Präferenzen zwischen risikobehafteten Optionen verändern können. Ob Ergebnisse als Gewinne oder Verluste dargestellt werden, lässt die Wahl somit nicht zwingend unverändert. Auf KI übertragen legt dieser Mechanismus nahe, dass eine Anweisung wie «diese Vorlage beruhigender formulieren» nicht nur den Stil, sondern auch die Entscheidung beeinflussen kann.

Der voreilige Schluss

Daraus könnte man ableiten, dass die Vorgabe natürlicher Häufigkeiten für eine neutrale Darstellung ausreicht. Damit würde jedoch eine Rechenhilfe mit einem allgemeinen Schutz vor Framing-Effekten verwechselt. Eine Vorlage kann die Bezugsgrössen sichtbar machen und dennoch ausschliesslich die günstigen Folgen einer Option hervorheben. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was diese Arbeiten nicht belegen

Diese Untersuchungen betreffen weder heutige generative Assistenten noch Entscheidungen in Walliser Unternehmen. Sie erlauben es nicht, die Wirkung einer KI-Umformulierung in diesen Kontexten zu beziffern. Vor allem sind eine beobachtete Häufigkeit, eine geschätzte Wahrscheinlichkeit und ein hypothetisches Szenario nicht austauschbar: Werden sie vom Assistenten in ein einheitliches Format gebracht, können ihre Unterschiede unsichtbar werden.

Eine überprüfbare Praxis in Sion

In einem Workshop « IA on the job » in Sion lassen sich ausdrücklich als fiktiv gekennzeichnete Fälle oder freigegebene Daten zur Instandhaltung von Wasserkraftanlagen, zu medizinischen Früherkennungsuntersuchungen, zu Ernteverlusten im Weinbau und zu Stornierungen im alpinen Tourismus verwenden. Für jeden Fall werden zwei Vorlagen mit denselben Informationen erstellt: eine freie KI-Umformulierung und eine geprüfte Fassung, die Bezugspopulation, Zeitraum, Status der Zahlen sowie günstige und ungünstige Folgen nennt. Die Fassungen werden auf zwei Gruppen verteilt; anschliessend wird der Anteil der Lesenden gemessen, die die betroffene Population und die Bedeutung des Risikos korrekt bestimmen können, während die gewählte Option separat erfasst wird. Der Vergleich von Verständnis und Wahl kann einen möglichen Darstellungseffekt aufzeigen, ohne eine abweichende Präferenz als Fehler zu werten. Weiterführend: entdecken Sie die KI im Arbeitsalltag-Weiterbildung in Sitten im Kanton Wallis, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: KI im Arbeitsalltag in Sitten

• ki im arbeitsalltag
• Sitten
• forschung
• Weiterbildung sitten