AI Adoption Across a Multinational Workforce: Sociotechnical Conditions for GenAI Acceptance in Human Resources
Diese Arbeit untersucht die Einführung von GenAI innerhalb einer multinationalen HR-Abteilung und zeigt auf, dass die Akzeptanz durch die Übereinstimmung zwischen Systemdesign und der Positionierung der Mitarbeitenden, den Aufbau von Vertrauen durch Verifizierungspraktiken sowie die Qualität der organisationalen Wissensinfrastruktur vorangetrieben wird, was letztlich Designrichtlinien für einen inklusiven und rechenschaftspflichtigen KI-Einsatz bietet.
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
Stellen Sie sich vor, ein riesiges Unternehmen beschließt, seinen internen „HR-Helpdesk“ aufzurüsten. Jahrelang nutzten die Mitarbeiter ein altes, zuverlässiges Bibliothekssystem namens STEVE, um Antworten über Gehalt, Urlaub oder Richtlinien zu finden. Es funktionierte wie eine traditionelle Suchmaschine: Man gab ein Schlagwort ein und erhielt eine Liste von Dokumenten zum Lesen.
Kürzlich hat das Unternehmen ein neues, glänzendes Tool namens PEOPLE TOOL eingeführt. Dieses neue System nutzt Generative KI (GenAI). Anstatt nur Dokumente aufzulisten, versucht es, diese für einen zu lesen und eine direkte Antwort auf die Frage zu formulieren, wie ein intelligenter Assistent.
Die Forscher wollten wissen: Nutzten alle den neuen smarten Assistenten, oder blieben einige Leute auf der Strecke? Sie untersuchten die Suchprotokolle, stellten 25 Mitarbeitern Fragen und interviewten 10 Personen, um dies herauszufinden.
Hier ist das, was sie herausgefunden haben, einfach erklärt:
1. Es ist kein „Wechsel“, sondern ein „Werkzeugkasten“
Die Forscher erwarteten, dass die Mitarbeiter aufhören würden, die alte Bibliothek (STEVE) zu nutzen, und vollständig zum neuen KI-System (PEOPLE TOOL) wechseln würden. Das passierte nicht.
Stattdessen handelten die Mitarbeiter wie kluge Einkäufer. Sie behielten beide Werkzeuge in ihrem Werkzeugkasten.
- Wenn sie eine schnelle, einfache Antwort brauchten, nutzten sie die KI.
- Wenn sie jedoch die exakte rechtliche Formulierung einer Richtlinie sehen mussten oder wenn die KI verwirrt wirkte, kehrten sie zur alten Bibliothek zurück oder fragten einen menschlichen Kollegen.
Die Metapher: Denken Sie an das Kochen. Wenn Sie eine schnelle Rezeptidee brauchen, fragen Sie eine smarte Koch-App (KI). Aber wenn Sie genau wissen wollen, welche Inhaltsstoffe in einer bestimmten Marke von Sauce enthalten sind (wegen einer Allergie), lesen Sie das Etikett auf der Flasche (das alte System), weil Sie dem Etikett mehr vertrauen als der Vermutung der App.
2. Das Problem mit der „Einheitsgröße“
Das neue KI-System wurde für einen bestimmten Typ von Arbeiter entwickelt: jemanden, der an einem Schreibtisch mit einem Laptop sitzt, technikaffin ist und Englisch spricht.
Der Realitätscheck:
- Der Büroangestellte: Er passt perfekt zum Design. Er konnte Fragen eintippen und gute Antworten erhalten.
- Der Fabrikarbeiter: Er hatte oft keine Laptops, arbeitete im Schichtbetrieb oder sprach eine andere Sprache. Für ihn fühlte sich das neue System wie eine verschlossene Tür an. Er konnte die Frage nicht einmal in der richtigen „Unternehmenssprache“ eingeben, da er nicht an HR-Fachbegriffe gewöhnt war.
Die Metapher: Stellen Sie sich vor, das Unternehmen hat einen schicken, hochmodernen Aufzug (die KI) für alle gebaut. Aber der Aufzug hat nur Knöpfe für den 10. Stock und höher, und er spricht nur Englisch. Die Person, die im Keller arbeitet (der Fabrikarbeiter), kann ihn nicht benutzen, also nimmt sie weiterhin die Treppe (das alte System oder fragt einen Manager), obwohl der Aufzug eigentlich für sie „verfügbar“ ist.
3. Man muss eine neue „Sprache“ lernen
Die Nutzung der KI bedeutete nicht nur, Zugang zu haben; es ging darum, zu wissen, wie man mit ihr spricht.
- Beim alten System tippte man kurze Schlagworte wie „Urlaub“ ein.
- Bei der KI musste man ganze Sätze schreiben, Kontext liefern und manchmal die Frage neu stellen, wenn die Antwort seltsam war.
Viele Mitarbeiter merkten das nicht. Sie versuchten, mit der KI so zu sprechen, wie sie mit der alten Suchmaschine sprachen, erhielten eine schlechte Antwort und gaben dann auf. Sie mussten eine neue Fähigkeit erlernen: KI-Suchkompetenz (AI Search Literacy).
Die Metapher: Es ist wie der Wechsel von einer Fernbedienung (altes System: einfach einen Knopf drücken) zu einem Smartphone (neues System: man muss wissen, welche App man öffnet, wie man tippt und wie man Fehler behebt). Wenn man nicht weiß, wie man ein Smartphone benutzt, wird man vielleicht einfach die alte Fernbedienung weiterverwenden, selbst wenn das Telefon schneller ist.
4. Vertrauen wird durch „Doppel-Checks“ aufgebaut
Selbst wenn die KI eine gute Antwort gab, vertrauten die Mitarbeiter ihr nicht blind. Im Personalwesen (HR) könnte eine falsche Antwort bedeuten, dass man Geld oder Urlaubstage verliert.
So bauten sie Vertrauen auf:
- Der „Quellen-Check“: Sie klickten auf die von der KI bereitgestellten Links, um das Originaldokument zu lesen.
- Der „Tratsch-Check“: Sie fragten einen Kollegen: „Hast du davon gehört?“
- Der „Manager-Check“: Sie baten ihren Chef um Bestätigung.
Die Metapher: Stellen Sie sich vor, die KI ist ein Reiseführer in einer fremden Stadt. Man hört zwar auf den Guide, aber man prüft trotzdem selbst die Karte, fragt einen lokalen Ladenbesitzer oder achtet auf ein Schild, um sicherzugehen, dass der Guide einen nicht in das falsche Museum führt. Man folgt dem Guide nicht einfach blind.
5. Die „Garbage In, Garbage Out“-Regel (Müll rein, Müll raus)
Die Forscher fanden heraus, dass die KI nur so gut war wie die Dokumente, die sie las.
- Wenn die HR-Dokumente des Unternehmens unordentlich, veraltet oder schwer auffindbar waren, lieferte die KI verwirrende oder falsche Antworten.
- Die Mitarbeiter gaben der KI die Schuld für schlechte Antworten, aber das eigentliche Problem war die Bibliothek, aus der die KI las.
Die Metapher: Die KI ist wie ein Koch. Wenn Sie dem Koch frische, hochwertige Zutaten geben (gute Dokumente), bereitet er eine großartige Mahlzeit zu. Wenn Sie ihm jedoch verdorbenes Gemüse geben (schlechte, unordentliche Dokumente), wird selbst der beste Koch ein schlechtes Essen zubereiten. Das Problem war nicht der Koch, sondern die Speisekammer.
Das große Fazplement
Die Arbeit kommt zu dem Schluss, dass es nicht ausreicht, jedem einfach nur Zugang zu einem schicken KI-Tool zu geben, damit auch jeder davon profitiert.
- Formeller Zugang (den Login zu haben) Praktischer Zugang (es effektiv nutzen zu können).
- Um KI fair zu gestalten, müssen Unternehmen die „Speisekammer“ ordnen (Dokumente organisieren), die Leute das „Kochen“ lehren (sie darin schulen, wie man Fragen stellt) und erkennen, dass manche Arbeiter (wie das Fabrikarbeiter-Personal) vielleicht eine ganz andere Art von Werkzeug benötigen, nicht nur ein digitales.
Kurz gesagt: Technologie ist nur so hilfreich wie der Kontext, für den sie gebaut wurde. Wenn Sie ein Werkzeug für das Büro bauen, wird der Fabrikarbeiter immer noch auf der Strecke bleiben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.