Führen mit KI: Was opfern wir für kurzfristige Leistung?
Ein Team kann mit KI seine aktuellen Ergebnisse verbessern und zugleich weniger Aufwand betreiben, um mögliche grundlegende Verbesserungen zu verstehen. Die konkrete Führungsfrage lautet: Wie lässt sich ein KI-Einsatz bewerten, ohne kurzfristige Erträge systematisch gegenüber dem Lernen zu bevorzugen?
Was die Literatur zeigt
James March (1991, Organization Science) unterscheidet die Nutzung vorhandenen Wissens von der Erkundung neuer Möglichkeiten. Sein Modell zeigt, wie die zeitlich näheren und besser vorhersehbaren Erträge der Nutzung dazu führen können, dass eine Organisation ihr übermässiges Gewicht gibt. Auf das Management von KI übertragen, regt dieser Rahmen dazu an, zwischen der Verbesserung eines bekannten Verfahrens und der Investition in noch unsicheres Wissen zu unterscheiden.
Der Mechanismus: Lernen mit einem zu kurzen Zeithorizont
Daniel Levinthal und James March (1993, Strategic Management Journal) analysieren die Kurzsichtigkeit organisationalen Lernens, darunter die Neigung, zeitlich und organisatorisch naheliegende Folgen zu bevorzugen. Eine Praxis kann dadurch verstärkt werden, weil ihr lokaler Nutzen sichtbar ist, während ihre weiter entfernten Kosten ausserhalb der Bewertung bleiben. Analog dazu kann ein Dashboard, das sich auf die durch KI eingesparte Zeit konzentriert, abgebrochene Versuche und nicht untersuchte Fragen unsichtbar lassen.
Der vorschnelle Schluss
Daraus zu schliessen, dass KI das Lernen zwangsläufig beeinträchtigt oder dass die Erkundung neuer Möglichkeiten immer Vorrang haben sollte, wäre überzogen. Die Nutzung einer bewährten Methode bleibt unverzichtbar, insbesondere wenn Wiederholbarkeit und Konformität die Qualität bestimmen. Die Differenzierung betrifft die Abwägungskriterien: Wer ausschliesslich unmittelbare Ergebnisse belohnt, kann damit die künftige Fähigkeit eines Teams zur Lösung neuer Probleme nicht beurteilen. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)
Was diese Arbeiten nicht belegen
Die beiden Artikel bieten theoretische Bezugsrahmen, darunter ein Simulationsmodell; sie evaluieren keine heutigen generativen KI-Werkzeuge. Sie erlauben daher weder, einen Einfluss von KI auf das Lernen zu beziffern, noch, einen optimalen Zeitanteil für die Erkundung neuer Möglichkeiten festzulegen. Auch das Zählen abgeschlossener Versuche reicht nicht aus, wenn deren Inhalt, Ergebnisse und Voraussetzungen für eine erneute Nutzung nicht dokumentiert sind.
Eine überprüfbare Praxis in Neuchâtel
In einem Neuenburger Team aus der Mikrotechnik, der Uhrenindustrie oder der Präzisionsmikroelektronik könnte ein KI-Pilotprojekt die Vorbereitung von Ursachenanalysen bei Nichtkonformitäten unterstützen, ohne die Validierungsverfahren zu verändern. Vor dem Pilotprojekt und anschliessend während eines vergleichbaren Zeitraums werden die ausserhalb der Produktion geplanten Untersuchungen erfasst; berechnet wird der Anteil, der zu einem dokumentierten, auch negativen Ergebnis führt, wobei Abbruchgründe festgehalten werden. Zusammen mit dem Zeitaufwand für die Analysen und der Komplexität der Fälle könnte dieser Indikator eine mögliche Verlagerung des Aufwands sichtbar machen, ohne sie automatisch der KI zuzuschreiben. Dies ist eine konkrete Übung für das SHR-Programm «Manager à l’ère de l’intelligence artificielle»: sichtbar machen, was bei der Leistungsbewertung gewöhnlich unberücksichtigt bleibt. Weiterführend: entdecken Sie die Führen im Zeitalter der künstlichen Intelligenz-Weiterbildung in Neuenburg, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.
In Bildern: Führen im Zeitalter der künstlichen Intelligenz in Neuenburg
- führen im zeitalter der künstlichen intelligenz
- Neuenburg
- forschung
- Weiterbildung neuenburg