An integrated sociotechnical reference model for aligning artificial intelligence implementation in organizations
Unter Verwendung eines Design Science Research-Ansatzes adressiert diese Studie die Diskrepanz zwischen der KI-Implementierung und der organisationalen Transformation, indem sie bestehende Prozessmodelle analysiert, um das Integrated Sociotechnical AI Reference Model (ISAR-M) zu konstruieren, welches technische Fähigkeiten mit der organisationalen Bereitschaft synchronisiert, um fachliche Silos zu überwinden und eine erfolgreiche KI-Adaption zu gewährleisten.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Moderne Unternehmen eilen darum, künstliche Intelligenz einzuführen, in der Hoffnung, dass diese intelligenten Systeme die Art und Weise, wie sie arbeiten, revolutionieren werden. Doch trotz der Begeisterung und der strategischen Bedeutung, die dieser Technologie beigemessen wird, scheitern die meisten Organisationen daran, ihre Ambitionen in echte Ergebnisse umzumünzen. Das Problem liegt selten darin, dass der Computercode fehlerhaft oder die Algorithmen zu schwach sind. Stattdessen rührt das Scheitern meist von einer Diskrepanz zwischen der Technologie und den Menschen her, die sie nutzen müssen. Wenn ein Unternehmen ein neues System installiert, ist dies nicht nur ein technisches Upgrade; es ist eine Veränderung der gesamten Funktionsweise der Organisation, die neue Regeln, neue Rollen und neue Denkweisen mit sich bringt. Wenn sich die Technologie schneller bewegt, als die Menschen sich anpassen können, oder wenn die Menschen nicht auf die neuen Werkzeuge vorbereitet sind, gerät das System ins Stocken. Diese Lücke zwischen dem, was eine Maschine leisten kann, und dem, wozu eine Organisation bereit ist, ist die zentrale Herausforderung, die Forscher zu lösen versuchen.
Ein Team von Forschern der Fachhochschule München setzte sich das Ziel, diese Diskrepanz zu beheben. Sie stellten fest, dass es zwar viele Leitfäden zum Bau von künstlicher Intelligenz und viele Leitfäden zum Management der Geschäftsstrategie gibt, es aber keinen einzigen, einheitlichen Pfad gibt, der beide verbindet. Bestehende Leitfäden behandeln die Technologie und die menschliche Seite oft als getrennte Probleme. Einige konzentrieren sich ausschließlich auf die technischen Schritte wie Datenbereinigung und Kodierung, während sie ignorieren, wie die Arbeitnehmer reagieren werden. Andere konzentrieren sich auf übergeordnete Geschäftsziele, bieten aber keine praktischen Schritte zur Implementierung an. Diese Trennung schafft eine gefährliche Situation, in der ein Unternehmen vielleicht eine perfekte technische Lösung baut, die niemand zu benutzen weiß oder die das Unternehmen nicht zu unterstützen bereit ist. Um dies zu adressieren, analysierten die Forscher fünfundvierzig verschiedene bestehende Modelle zur Einführung künstlicher Intelligenz. Sie haben diese nicht nur gelesen; sie haben sie zerlegt, um genau zu sehen, welche Schritte sie enthielten und was ihnen fehlte.
Die Analyse ergab, dass aktuelle Ansätze unter zwei Hauptproblemen leiden. Erstens sind viele Modelle zu sehr nach innen gerichtet, sie schauen nur darauf, ob die Technologie funktioniert, ohne zu fragen, ob sie zum Markt oder den breiteren geschäftlichen Anforderungen passt. Zweitens sind sie oft zu technokratisch, was bedeutet, dass sie die Leistung der Maschine über die menschliche Erfahrung stellen. Sie stellen vielleicht sicher, dass die Software schnell und präzise ist, versäumen es aber, das System so zu gestalten, dass es für einen Menschen leicht zu verstehen oder zu vertrauen ist. Die Forscher fanden heraus, dass fast alle Modelle zwar übereinstimmen, dass Datenqualität und geschäftlicher Wert wichtig sind, aber nur sehr wenige konkrete, schrittweise Anweisungen geben, wie die menschliche Seite der Gleichung zu managen ist, wie etwa die Schulung des Personals oder die Gestaltung benutzerfreundlicher Schnittstellen.
Um dies zu lösen, entwickelte das Team ein neues Framework namens „Integrated Sociotechnical AI Reference Model“. Sie haben dies nicht aus dem Nichts erfunden; statlich handelten sie wie Meisterbauer, die die besten Teile der fünfundvierzig untersuchten Modelle zusammenfügten. Sie wählten die zwei umfassendsten bestehenden Leitfäden als Fundament aus und ergänzten die fehlenden Teile durch spezifische, hochwertige Schritte aus anderen Modellen. Das Ergebnis ist eine einzige, kohärente Roadmap, die ein Unternehmen dazu zwingt, gleichzeitig auf zwei Spuren voranzuschreiten: der technischen Spur und der menschlichen Spur.
Dieses neue Modell unterteilt den Prozess in vier Hauptphasen: Evaluieren (Evaluate), Entwerfen (Design), Realisieren (Realize) und Betreiben (Operate). In der ersten Phase, dem Evaluieren, muss ein Unternehmen prüfen, ob es bereit ist, bevor es Geld ausgibt. Dies ist nicht nur eine technische Prüfung; es erfordert einen Blick auf die Daten, die rechtlichen Regeln und die Menschen. Das Modell führt an diesem Punkt ein striktes „Gate“ (Tor) ein. Wenn die Daten schlecht oder die rechtlichen Erlaubnisse unklar sind, stoppt das Projekt sofort. Dies verhindert, dass Unternehmen Ressourcen für Ideen verschwenden, die technisch unmöglich oder rechtlich riskant sind. Es stellt sicher, dass die Geschäftsstrategie tatsächlich durch die Realität dessen gestützt wird, womit das Unternehmen arbeiten kann.
Sobald ein Projekt das erste Gate passiert hat, geht es in die Design-Phase über. Hier besteht das Modell darauf, dass die Menschen, die das System nutzen werden, in die Erstellung einbezogen werden. Anstatt dass Ingenieure ein Werkzeug in einem Labor bauen und es später einfach übergeben, muss das Unternehmen Workshops abhalten, in denen Mitarbeiter helfen, das Aussehen und das Gefühl des Systems mitzugestalten. Dies stellt sicher, dass das Werkzeug zum tatsächlichen Job passt. Gleichzeitig entwirft das technische Team die Systemarchitektur. Das Modell schreibt vor, dass diese beiden Ströme parallel stattfinden müssen. Bevor es weitergeht, prüft ein weiteres Gate, ob das Design sicher, ethisch vertretbar und von den Menschen, die es nutzen werden, vertrauenswürdig ist. Wenn die Mitarbeiter nicht bereit sind oder dem System nicht vertrauen, kann das Projekt nicht fortfahren, egal wie gut der Code ist.
Die dritte Phase, das Realisieren, ist der Punkt, an dem das System gebaut und getestet wird. Das Modell erkennt an, dass Software sehr schnell aktualisiert werden kann, Menschen aber länger brauchen, um zu lernen und sich anzupassen. Um zu verhindern, dass die Technologie zu weit vor dem Personal herläuft, schafft das Unternehmen sichere Räume für Experimente. Mitarbeiter können das System in einer risikoarmen Umgebung ausprobieren, bevor es für die eigentliche Arbeit genutzt wird. Dies hilft ihnen, sich mit den neuen Werkzeugen vertraut zu machen, ohne Angst vor Fehlern zu haben. Das Modell verlangt zudem, dass das System nicht nur auf Geschwindigkeit, sondern auch auf Fairness und Sicherheit getestet wird. Ein letztes Gate prüft, ob das System bereit für den Einsatz ist. Es stellt eine einfache Frage: Rechtfertigt der Wert, den das System bietet, die Kosten seiner Einführung? Wenn die Antwort „Nein“ lautet, wird das Projekt pausiert.
Die letzte Phase, das Betreiben, befasst sich damit, das System langfristig am Laufen zu halten. Systeme der künstlichen Intelligenz können im Laufe der Zeit „driften“, was bedeutet, dass sie weniger genau werden, während sich die Welt verändert. Das Modell erfordert eine kontinuierliche Überwachung, um diese Veränderungen zu erfassen. Aber es erfordert auch kontinuierliche Fürsorge für die Menschen. Das Unternehmen muss ständig mit dem Personal kommunizieren, Ängste thematisieren und deren Fähigkeiten aktualisieren. Das Modell beinhaltet eine spezifische Aufsichtsgruppe, um sicherzustellen, dass das System ethisch bleibt und die menschlichen Arbeiter nicht von der Technologie überwlanglegt werden. Diese Phase stellt sicher, dass die Beziehung zwischen der Maschine und der Organisation gesund bleibt, während sich beide weiterentwickeln.
Die Forscher testeten ihr neues Modell anhand mehrerer hypothetischer Szenarien. In einem Fall stellten sie sich ein Unternehmen vor, das versucht, einen Kundenservice-Bot einzuführen, ohne zu prüfen, ob seine Daten bereit waren. Das erste Gate des Modells stoppte das Projekt und bewahrte das Unternehmen vor einem kostspieligen Scheitern. In einem anderen Szenario stellten sie sich ein Team vor, das ein hochpräzises System baute, aber die Schulung der Mitarbeiter übersprang. Das letzte Gate des Modells stoppte den Start und zwang das Team, zuerst das Personal zu schulen. Diese Tests zeigten, dass das Modell als Sicherheitsmechanismus fungiert, der Probleme abfängt, bevor sie zu Katastrophen werden.
Um zu sehen, ob das Modell in der realen Welt funktionieren würde, interviewten die Forscher drei Experten, die KI-Projekte in verschiedenen Arten von Unternehmen leiten. Diese Experten bestätigten, dass die Idee, die technischen und die menschlichen Spuren nebeneinander zu führen, notwendig ist. Sie merkten an, dass in vielen aktuellen Projekten die Arbeit am Management von Menschen und Kultur oft unsichtbar ist und aus den Budgets gestrichen wird. Das Modell macht diese Arbeit sichtbar und verpflichtend. Die Experten wiesen jedoch auch darauf hin, dass das Modell flexibel sein muss. In schnelllebigen Startups könnte der Prozess schneller vor und zurück springen müssen, als es die Standardphasen nahelegen. Die Forscher passten das Modell an, um diese Feedback-Schleifen einzubauen, wodurch sichergestellt wurde, dass es sowohl von großen, stabilen Konzernen als auch von kleineren, agilen Teams genutzt werden kann.
Die Studie kommt zu dem Schluss, dass die größte Barriere für künstliche Intelligenz nicht die Technologie selbst ist, sondern der Prozess ihrer Verwaltung. Erfolg hängt von der Fähigkeit eines Unternehmens ab, die Geschwindigkeit seiner Ingenieurskunst mit der Geschwindigkeit der Anpassung seiner Menschen zu synchronisieren. Das neue Modell bietet einen strukturierten Weg hierfür, indem es abstrakte Ideen über Ethik und Kultur in konkrete, überprüfbare Schritte verwandelt. Es legt nahe, dass die Zukunft der künstlichen Intelligenz in der Wirtschaft nicht dadurch definiert wird, wie klug die Algorithmen sind, sondern dadurch, wie gut Organisationen ihre Technologie mit ihrer menschlichen Belegschaft in Einklang bringen können. Durch das Befolgen dieses integrierten Pfades können Unternehmen die häufige Falle vermeiden, mächtige Werkzeuge zu bauen, für deren Nutzung niemand bereit ist, und so sicherstellen, dass ihre Investition in künstliche Intelligenz tatsächlich einen Wert liefert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.