🤖 AI

When Should AI Follow? Task Structure and Joint Adaptation by Human and AI Agents

Dieses Paper präsentiert ein Rechenmodell, das zeigt, dass die optimale Mensch-KI-Kollaboration von der Aufgabenstruktur und den Gedächtnisregimen abhängt, wobei sich offenbart, dass die Leistung nicht durch einen universellen „KI-zuerst“-Ansatz maximiert wird, sondern durch die strategische Sequenzierung von Agenten – insbesondere durch das Nachschalten einer skalenfreien KI nach leistungsstarken Menschen oder durch die Nutzung stochastischer Suche, um mangelhafte, von Menschen initiierte Trajektorien zu retten.

Ursprüngliche Autoren: Prothit Sen, Sai Mihir Jakkaraju

Veröffentlicht 2026-07-30

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Prothit Sen, Sai Mihir Jakkaraju

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Teamwork: Wann sollte das Gehirn führen und der Bot folgen?

Stellen Sie sich vor, Sie versuchen, ein riesiges, kompliziertes Puzzle zu lösen. Sie haben zwei Helfer: einen menschlichen Freund, der groß darin ist, Muster zu erkennen, aber schnell müde wird und Dinge vergisst, und einen superschnellen Roboter, der niemals müde wird und sich alles perfekt merkt, aber manchmal Dinge zu wörtlich nimmt. Dieses Papier bewegt sich in der Welt der Organisationswissenschaft, was im Grunde die Untersuchung dessen ist, wie Unternehmen und Teams aufgebaut werden, um Arbeit zu erledigen. Es stützt sich auf einige große Ideen: Adaption (wie wir aus unseren Fehlern lernen), Kopplung (wie sehr die Arbeit einer Person von der Arbeit einer anderen abhängt) und Suche (der Prozess, die beste Lösung unter vielen Möglichkeiten zu finden).

Warum ist das wichtig? Weil heute fast jedes Unternehmen versucht herauszufinden, wie es Menschen und Künstliche Intelligenz (KI) mischt. Die große Frage ist nicht nur: „Kann die KI den Job machen?“, sondern: „Wer sollte den Job beginnen und wer sollte ihn beenden?“ Wenn man die Reihenfolge falsch wählt, verschwendet man möglicherweise viel Zeit und Geld. Dieses Papier fragt: In einem Team aus einem Menschen und einer Maschine – wer sollte den ersten Schritt machen und wie sollten sie die Arbeit übergeben, um das beste Ergebnis zu erzielen?

Das Gedächtnisspiel: Wer erinnert sich woran?

Um dies zu beantworten, bauten die Autoren eine Computersimulation – einen digitalen Spielplatz, auf dem sie zwei Arten von „Agenten“ (denken Sie an digitale Arbeiter) erschufen, um zu sehen, wie sie zusammen performen. Sie machten den Menschen und die KI nicht in jeder Hinsicht unterschiedlich; sie unterschieden sie in nur einem spezifischen Merkmal: wie sie sich an die Vergangenheit erinnern.

Der menschliche Agent (der „Rezentz“-Spieler): Dieser Agent ist wie ein Mensch, der gerade einen langen Arbeitstag hinter sich hat. Er erinnert sich sehr klar an die letzten paar Dinge, die passiert sind, aber die Dinge, die vor einer Stunde passiert sind, beginnen zu verblassen. In der Simulation gibt dieser Agent den jüngsten Entscheidungen mehr Gewicht. Wenn er gerade einen Fehler gemacht hat, gerät er in Panik und ändert seine Strategie sofort. Wenn er gerade Erfolg hatte, wird er selbstbewusst. Er ist schnell und reaktiv, kann aber etwas volatil und leicht von den „Geräuschen“ des Augenblicks beeinflussbar sein.
Der KI-Agent (der „Uniform“-Spieler): Dieser Agent ist wie ein superorganisierter Bibliothekar, der jedes Buch im Regal mit exakt derselben Wichtigkeit behandelt. Egal, ob eine Entscheidung vor fünf Minuten oder vor fünf Tagen getroffen wurde, die KI gewichtet sie alle gleich. Sie lässt sich nicht von den jüngsten Ereignissen ablenken. Sie ist langsam, stetig und unglaublich konsistent. Sie vergisst die Vergangenheit nicht; sie bildet sie einfach im Durchschnitt ab.
Der „Zufalls“-Spieler: Es gibt auch eine dritte Option, bei der der Agent die Vergangenheit komplett ignoriert und einfach zufällig rät. Das ist so, als würde man einen Würfel schütteln, um zu sehen, was als Nächstes passiert.

Die drei Arten des Teamens

Die Forscher testeten diese Agenten in drei verschiedenen Teamstrukturen, um zu sehen, wer gewinnt.

1. Das parallele Team (Modular):
Hier arbeiten der Mensch und die KI gleichzeitig an separaten Teilen des Puzzles und addieren dann einfach ihre Ergebnisse zusammen.

Das Ergebnis: Das beste Setup ist nicht, wenn sie exakt die gleiche Menge an Arbeit leisten. Es funktioniert am besten, wenn der KI eine moderat größere Aufgabe zugewiesen wird als dem Menschen. Wenn die Aufgabe der KI zu riesig ist, könnte sie in einem schlechten Muster stecken bleiben und nie wieder erholen, weil sie sich zu gut an alles erinnert. Wenn die Aufgabe des Menschen zu komplex ist, wird er durch seine eigenen jüngsten Fehler verwirrt. Der ideale Punkt ist ein ausgewogenes Team, in dem der Mensch eine einfache, schnelle Aufgabe übernimmt und die KI eine etwas größere, stetige Aufgabe bewältigt.

2. Das „KI-Zuerst“-Team (KI → Mensch):
Dies ist die derzeit populäre Idee: Lassen Sie die KI zuerst eine Million Ideen brainstormen und dann wählt der Mensch die besten aus.

Das Ergebnis: Dies führt oft zu Zeitverschwendung. Stellen Sie sich vor, die KI verbringt Stunden damit, eine riesige Liste großartiger Ideen zu generieren. Dann schaut sich der Mensch die Liste an. Da der Mensch ein „Rezentz“-Spieler ist, achtet er wirklich nur auf die letzten paar Ideen auf der Liste. Er vergisst die brillanten Ideen aus der Mitte der Liste. Die harte Arbeit der KI wird größtenteils weggeworfen. Je mehr Ideen die KI generiert, desto mehr wird der Mensch überfordert und ignoriert das Gute. Es ist, als würde ein Koch ein riesiges Festmahl kochen, nur damit der Gast den letzten Bissen isst und sagt: „Naja“, während er das ganze Essen ignoriert.

3. Das „Mensch-Zuerst“-Team (Mensch → KI):
Hier beginnt der Mensch die Arbeit und die KI beendet sie.

Das Ergebnis: Dies ist der Gewinner, aber mit einer Einschränkung.
- Wenn der Mensch eine gute Arbeit leistet: Die KI nimmt den guten Start des Menschen und verstärkt ihn. Da die KI sich an alles gleichermaßen erinnert, vergisst sie die guten Ideen des Menschen nicht. Sie baut darauf auf und macht das Endergebnis noch besser. Es ist, als würde ein Mensch eine großartige Skizze erstellen und die KI die Details perfekt ausarbeiten.
- Wenn der Mensch eine schlechte Arbeit leistet: Wenn der Mensch mit einer schlechten Idee startet, wird die „perfekte Erinnerung“ der KI zur Falle. Sie erinnert sich getreu an den schlechten Start und macht ihn immer nur noch schlimmer. In diesem Fall ist die beste Strategie, zum „Zufalls“-Spieler zu wechseln. Die KI sollte aufhören, zu versuchen, den schlechten Start des Menschen zu erinnern, und stattdin einfach zufällig explorieren, um aus dem schlechten Muster auszubrechen.

Die große Überraschung: Lassen Sie den Bot nicht immer führen

Der spannendste Teil des Papers ist, dass es den aktuellen Trend zu „KI Zuerst“ infrage stellt. Die Simulation legt nahe, dass KI den größten Wert schafft, wenn sie einem hochwertigen Menschen folgt, nicht wenn sie führt.

Wenn ein kluger Mensch die Richtung vorgibt, wirkt die KI wie ein mächtiger Verstärker, der diese gute Richtung nimmt und sie noch stärker macht. Aber wenn die KI führt und der Mensch folgt, führt die Tendenz des Menschen, sich nur auf das „Jetzt“ zu konzentrieren, dazu, dass er den Wert übersieht, den die KI geschaffen hat. Die Superkraft der KI ist ihre Konsistenz, aber diese Konsistenz wird verschwendet, wenn der Mensch nicht in der Lage ist, das große Ganze festzuhalten.

Der Realitätscheck: Geschäftliche Deals vorhersagen

Um sicherzustellen, dass dies nicht nur ein Computerspiel war, führten die Autoren ein reales Experiment mit Daten von 33.860 Unternehmenskaufverträgen (Mergers & Acquisitions, M&A) durch. Sie versuchten vorherzusagen, wie viel Geld diese Deals einbringen würden.

Das „Experten-Zuerst“-Team: Ein menschlicher Experte wählte die wichtigsten Faktoren (wie die Art des Deals) aus, und dann verfeinerte die KI die Mathematik.
Das „Brute-Force“-Team: Die KI betrachtete jeden möglichen Faktor und jede Kombination, und dann versuchte ein Mensch, die Gewinner aus dem Chaos zu picken.
Das „Novizen“-Team: Kein menschlicher Input; die KI rät einfach nur.

Die Ergebnisse stimmen perfekt mit der Simulation überein. Das Experten-Zuerst-Team performte am besten. Das Brute-Force-Team (KI zuerst) war okay, aber schlechter, weil der Mensch nicht in der Lage war, all die Daten der KI zu verarbeiten. Das Novizen-Team schnitt am schlechtesten ab. Das Experiment zeigte: Wenn ein Mensch einen guten Ausgangspunkt liefert, ist die Fähigkeit der KI, diesen Punkt zu erinnern und zu verfeinern, ein riesiger Vorteil. Aber wenn der Mensch zu Beginn nicht involviert ist, kann die massive Suche der KI tatsächlich zu überkomplizierten, chaotischen Ergebnissen führen, die in der realen Welt nicht funktionieren.

Das Fazit

Das Paper kommt zu dem Schluss, dass es nicht den einen „besten“ Weg gibt, KI zu nutzen. Es kommt auf die Aufgabe und den Menschen an. Wenn Sie einen klugen Menschen haben, der weiß, was er tut, lassen Sie ihn den Weg vorgeben und lassen Sie die KI im Anschluss die Arbeit polieren und perfektionieren. Wenn Sie die KI mit einer massiven Liste von Optionen führen lassen, riskieren Sie, dass der Mensch das Gute ignoriert. Und wenn der Mensch kämpft, ist das Beste, was die KI tun kann, aufzuhören, „klug“ zu sein, und stattdin durch etwas zufällige Exploration für Abwechslung zu sorgen.

Kurz gesagt: Die Superkraft der Maschine ist, dass sie sich an alles erinnert. Daher ist die wichtigste Aufgabe eines Managers, sicherzustellen, dass die Maschine sich an die richtigen Dinge erinnert.

Technisches Resümee: „Wann sollte KI folgen? Aufgabenstruktur und gemeinsame Anpassung durch menschliche und KI-Agenten“

Problemstellung
Da Künstliche Intelligenz (KI) zunehmend verantwortungsvolle Rollen in organisationalen Entscheidungsprozessen übernimmt, bleibt eine kritische Designfrage ungeklärt: Wie sollten Entscheidungsaufgaben zwischen menschlichen und künstlichen Agenten aufgeteilt und sequenziert werden? Während die Praxis zu einem Standard-„KI-zuerst“-Template konvergiert ist – bei dem die KI breite Optionen zur Auswahl durch den Menschen generiert –, werden die Leistungsimplikationen dieser Architektur gegenüber Alternativen (z. B. Mensch-zuerst oder parallele Suche) selten im Hinblick auf die strukturellen Realitäten der Aufgabenkopplung und der Agentenanpassung untersucht. Die bestehende Literatur in der Organisationswissenschaft betont, dass die Entscheidungsarchitektur ebenso wichtig ist wie die individuelle Kapazität, und die Literatur zur Ökonomie der KI verortet die Frage nach Verdrängung versus Komplementarität auf der Ebene der Aufgabe. Es fehlt jedoch ein transparenter formaler Apparat, um zu untersuchen, wie Sequenzierung und Kopplung die gemeinsame Leistung prägen, wenn sich menschliche und KI-Agenten über die Zeit unterschiedlich anpassen.

Methodik
Die Autoren entwickeln ein computergestütztes Modell der gemeinsamen sequenziellen Anpassung, das in der Tradition von NK/NKC-Modellen steht, jedoch als ein eigenständiges Framework für sequenzielle Anpassung entwickelt wurde. Das Modell reduziert den Kontrast zwischen Mensch und KI auf einen einzigen, präzise spezifizierten Unterschied: das Gedächtnisregime, welches regelt, wie vergangene Entscheidungen nachfolgende Entscheidungen beeinflussen.

Agenten-Archetypen:
- Menschlicher Archetyp (Rezentitäts-gewichtet): Motiviert durch behaviorale Evidenz (z. B. Levinthal und March 1981; Gigerenzer und Gaissmaier 2011), gewichtet dieser Agent jüngste Ergebnisse überproportional. Die nächste Entscheidung wird durch einen gewichteten Durchschnitt der $K$ jüngsten Zustände bestimmt, wobei die Gewichte mit zunehmender Rezenttheit steigen. Dies repräsentiert eine schnelle, skalenabhängige Anpassung.
- KI-Archetyp (Uniformes Gedächtnis): Motiviert durch die skalenfreie Konsistenz algorithmischer Aktualisierung (z. B. Nishant et al. 2024), wendet dieser Agent gleiche Gewichte auf alle Entscheidungen innerhalb seines Gedächtnisfensters an. Dies repräsentiert eine langsame, geschichtserhaltende Anpassung.
- Gedächtnislose stochastische Anpassung: Ein drittes Regime, bei dem der Agent ohne Berücksichtigung der Historie agiert (Zufallszüge), genutzt um ungebundene maschinelle Exploration zu modellieren (unterschieden von KI-Halluzination).
Aufgabenstruktur:
- Umfang ( $N$ ): Die Anzahl der binären Teilentscheidungen in einer Aufgabensequenz. Das Modell setzt $N_{AI} > N_H$ voraus, um die Kapazität der Maschine für längere Sequenzen widerzuspiegeln.
- Kopplungstiefe ( $K$ ): Die Anzahl der vorangegangenen realisierten Entscheidungen, die die nächste Entscheidung bedingen (sequenzielle Pfadabhängigkeit innerhalb einer Aufgabe).
- Kreuz-Agenten-Kopplung ( $C$ ): Die Anzahl der upstream realisierten Zustände, die der downstream Agent erbt.
- Konfigurationen: Das Modell testet modulare Strukturen ( $C=0$ , unabhängige Anpassung) und sequenzierte Strukturen ( $C>0$ ), spezifisch KI $\rightarrow$ M (KI führt, Mensch folgt) und M $\rightarrow$ KI (Mensch führt, KI folgt).
Mechanismus:
Der Kern des Modells ist eine Schwellenwert-Dynamik. Agenten vergleichen einen gewichteten Durchschnitt vergangener Zustände mit einem Schwellenwert (0,5). Liegt der Durchschnitt über dem Schwellenwert, tendiert die nächste Entscheidung zu 1 (Erfolg); liegt er darunter, zu 0 (Misserfolg). Dies erzeugt absorbierende Regime: Sobald eine Trajektorie in einen Zustand mit hoher oder niedriger Auszahlung eintritt, bestimmt das Gedächtnisregime, ob dieser Zustand verstärkt oder entkommen kann.

Kernergebnisse
Die Ergebnisse gliedern sich in drei Mechanismen, die aus der Schwellenwert-Dynamik resultieren:

Modulare Strukturen (Parallele Suche):
- Der gemeinsame Ertrag verläuft kurvilinear (umgekehrt u-förmig) bezüglich des Umfang-Verhältnisses ( $N_{AI}/N_H$ ) und erreicht ein Maximum bei moderater Asymmetrie ( $N_{AI}/N_H \approx 5$ ).
- Die Leistung wird maximiert, wenn der menschliche Archetyp (rezentitäts-gewichtet) einer Aufgabe mit geringer Kopplung ( $K_H$ ) zugewiesen wird. Tiefe Kopplung führt dazu, dass die Rezentitätsgewichtung in einen Rezentitätsbias degeneriert.
- Mixed-Regime-Konfigurationen können reine Regime-Paare übertreffen (Komplementarität), indem sie jedes Regime dort einsetzen, wo die Schwäche des jeweils anderen bindend wirkt.
Sequenzierte Strukturen (KI $\rightarrow$ M):
- Die Gewinne nehmen ab, wenn die Kreuz-Agenten-Kopplung ( $C$ ) tiefer wird. Wenn $C$ groß ist, verwirft die rezentitäts-gewichtete Anpassung des menschlichen Agenten einen Großteil der geerbten Historie strukturell, was die Reaktionsfähigkeit des Menschen in einen Bias verwandelt.
- Diese Architektur leidet unter „Suchverschwendung“, bei der die Maschine breite Zwischenlösungen generiert, die der nachgeschaltete menschliche Regimes aufgrund seines Rezentitätsbias nicht nutzen kann.
Sequenzierte Strukturen (M $\rightarrow$ KI):
- Hochperformanter Upstream: Wenn ein hochperformanter Mensch führt, erzeugt die nachgeschaltete uniforme-Gedächtnis-Anpassung die höchsten beobachteten gemeinsamen Erträge. Der KI-Agent verstärkt die hochwertige Vererbung getreu und steigert so den Erfolg. Dieser Vorteil ist unter tiefer Kopplung am stärksten, nimmt aber ab, wenn der nachgeschaltete Umfang wächst (Gedächtnisverblassen).
- Schwachperformanter Upstream: Wenn die upstream menschliche Trajektorie schlecht ist (in einem Niedrig-Auszahlungs-Regime absorbiert), erzielt die gedächtnislose stochastische Anpassung bessere Ergebnisse als die uniforme-Gedächtnis-Anpassung. Das gedächtnislose Regime unterbricht die Pfadabhängigkeit und ermöglicht es dem System, dem geerbten Niedrig-Auszahlungs-Trap zu entkommen, während das uniforme Gedächtnis diesen Misserfolg getreu verfestigen würde.

Vergleichende Ordnung
Das Modell etabliert eine klare Leistungshierarchie:

M $\rightarrow$ KI (Hochperformanter Mensch upstream): Die global dominante Architektur. Maschinelle Verfeinerung potenziert die menschliche Qualität.
KI $\rightarrow$ M: Dominiert von der M $\rightarrow$ KI Architektur aufgrund von Suchverschwendung und dem Rezentitätsbias des nachgeschalteten Menschen.
M $\rightarrow$ KI (Schwachperformanter Mensch upstream): Wird durch die gedächtnislose Exploration gerettet, welche die uniforme Verfeinerung in diesem spezifischen Kontext übertrifft.

Experimentelle Validierung
Die Autoren führten ein Proof-of-Concept-Experiment im Bereich der Vorhersage von M&A-Ankündigungsrenditen durch.

Experte-zuerst (Fall 2): Mensch kuratiert Variablen (upstream); Maschine verfeinert die funktionale Form (downward).
Brute-Force Maschine-zuerst (Fall 1): Maschine sucht alle Variablen/Interaktionen; Mensch filtert downstream.
Novize (Fall 3): Kein informiertes Urteil; Maschine sucht alles.
Ergebnis: Die Experten-zuerst-Architektur transferierte am besten auf Out-of-Sample-Daten. Der Brute-Force-Ansatz litt unter Overfitting (Anpassung an vergangenes Rauschen), und die Novizen-Konfiguration schnitt am schlechtesten ab. Dies validiert empirisch die Ordnung des Modells: Maschinelle Suche schafft mehr Wert, wenn sie auf informierter menschlicher Beurteilung folgt.

Bedeutung und Beiträge
Das Paper beansprucht drei primäre Beiträge:

Theoretische Fundierung: Es schlägt eine schmale, verteidbare Basis für die Mensch-KI-Kollaboration vor: das Gedächtnisregime der Anpassung und dessen Stabilität unter Skalierung. Dies geht über die unhaltbare Dichotomie von „Heuristik vs. regelbasiert“ hinaus und bewegt sich auf einem Kontinuum von „schnellem vs. langsamem Lernen“.
Design-Hebel: Es etabliert Sequenzierung und Kreuz-Agenten-Kopplung als Primärhebel des Designs. Es stellt die vorherrschende „KI-zuerst“-Prämisse infrage und zeigt, dass eine „KI-folgt“-Architektur (speziell das Folgen eines hochperformanten Menschen) überlegen ist, da das uniforme Gedächtnis als Verstärker hochwertiger Vererbung fungiert, während die Rezentitätsgewichtung als Filter wirkt, der die breite maschinelle Suche verwirft.
Neuinterpretation der Exploration: Es rahmt die breite, gedächtnislose maschinelle Exploration nicht als Pathologie (Halluzination), sondern als systematischen Fluchtmechanismus um. Ihr Wert ist kontextabhängig: Sie ist die optimale Designwahl nur dann, wenn die geerbte Trajektorie schlecht ist, und dient als einsetzbares Heilmittel für Architekturen mit schwacher upstream menschlicher Kapazität.

Limitierungen und Randbedingungen
Die Autoren grenzen ihre Ansprüche explizit ab:

Archetypen, keine Beschreibungen: Die Modelle sind stilisierte Kontraste von Gedächtnisregimen und keine erschöpfenden Beschreibungen der menschlichen Kognition oder aktueller KI-Systeme (die über gezackte Kapazitätsfronten verfügen).
Keine Suchkosten: Die Suche ist im Modell kostenfrei; die Einführung von Kosten würde die Ergebnisse weiter gegen übermäßige Breite beeinflussen.
Additive Erträge: Das Modell verwendet additive Erträge und kann keine super-additiven Synergien oder die in kanonischen NK-Modellen gefundenen komplexen Topologien (Epistasie) erfassen.
Minimale Agency: Der KI-Agent folgt einer festen Regel und besitzt keine Fähigkeiten zur Zielbildung oder Werkzeug-Orchestrierung.

Das Paper schließt mit der Feststellung, dass der zentrale Akt des Organisationsdesigns in der Mensch-KI-Kollaboration darin besteht, zu wählen, was die Maschine erbt, da das definierende Verhaltensmerkmal der Maschine die Verstärkung dieser Vererbung ist.