IA on the job: Wann sollte ein Pilotprojekt beendet werden?
Nachdem ein Assistent ausgewählt und einige Prozesse angepasst wurden, kann ein Abbruch wie eine Verschwendung der bisherigen Arbeit erscheinen. Die präzisere Führungsfrage lautet: Wie lässt sich über die Fortsetzung eines KI-Pilotprojekts entscheiden, ohne den bereits geleisteten Aufwand als Argument dafür zu verwenden?
Was die Literatur belegt
Hal Arkes und Catherine Blumer (1985, Organizational Behavior and Human Decision Processes) dokumentierten den Effekt versunkener Kosten: Bereits investiertes Geld, Zeit oder Mühe können die Neigung verstärken, einen eingeschlagenen Weg fortzusetzen. Das Bestreben, nicht verschwenderisch zu erscheinen, trägt zur Erklärung dieses Effekts bei. Bei einem KI-Pilotprojekt sind bereits aufgewendete Stunden für die Konfiguration daher für sich genommen kein Grund, weiterzumachen.
Wenn die anfängliche Verantwortung die nächste Entscheidung prägt
Barry Staw (1976, Organizational Behavior and Human Performance) zeigte experimentell, dass persönliche Verantwortung für eine anfängliche Entscheidung weitere Investitionen nach negativen Ergebnissen begünstigen konnte. Die Fortsetzung kann dann dazu dienen, die frühere Wahl zu rechtfertigen, statt sich ausschliesslich an künftigen Aussichten zu orientieren. Auf KI übertragen legt dieser Mechanismus nahe, die Überprüfung eines Pilotprojekts nicht allein dessen Initiator zu überlassen.
Der vorschnelle Schluss
Aus diesen Arbeiten lässt sich nicht ableiten, dass ein enttäuschendes Pilotprojekt sofort beendet werden sollte. Anfängliche Schwierigkeiten können noch zu nützlichen Lernerfahrungen führen, und ein Werkzeugwechsel kann tatsächliche künftige Kosten verursachen. Entscheidend ist die Unterscheidung zwischen vergangenem, nicht rückholbarem Aufwand einerseits und erwarteten Vorteilen sowie noch vermeidbaren Ausgaben andererseits. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)
Was die Daten nicht entscheiden können
Diese klassischen Studien befassen sich nicht mit generativer KI und liefern keinen allgemeingültigen Schwellenwert für einen Abbruch. Sie beleuchten ein Denkproblem, ohne zu zeigen, dass jedes Beharren eine Eskalation des Commitments darstellt. Eine Bilanz, die lediglich investierte Stunden addiert, ohne Bedingungen für die Fortsetzung festzulegen, erschwert in der Praxis die Prüfung dieses Risikos.
Eine überprüfbare Praxis in Lugano
Im Rahmen von «IA on the job» von SHR besteht eine Übung darin, vor dem Versuch eine Fortsetzungsbedingung und einen Überprüfungstermin festzulegen: beispielsweise nur weiterzumachen, wenn die gesamte Vorbereitungs- und Korrekturzeit unter jener des üblichen Prozesses liegt, ohne dass vorab definierte Regelverstösse zunehmen. In Lugano kann dieser Vergleich italienischsprachige Entwürfe für Bankkorrespondenz, Produktbeschreibungen in der Modebranche, Offertanfragen im Handel oder Kundenantworten in einem italienischsprachigen Familienunternehmen betreffen, anhand vergleichbarer Fälle und in einer zugelassenen Umgebung. Bei der Überprüfung kontrolliert eine Person, die die ursprüngliche Wahl nicht vorangetrieben hat, die Zeitaufzeichnungen und Regelverstösse und hält fest, ob die Bedingung erfüllt ist. Jede Verlängerung trotz Nichterfüllung muss einen überprüfbaren künftigen Nutzen und einen neuen Termin benennen, statt auf bereits geleistete Arbeit zu verweisen. Weiterführend: entdecken Sie die KI im Arbeitsalltag-Weiterbildung in Lugano, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.
In Bildern: KI im Arbeitsalltag in Lugano
- ki im arbeitsalltag
- Lugano
- forschung
- Weiterbildung lugano