Künstliche Intelligenz im Personalmanagement. Bestandsaufnahme und Zukunftsvisionen

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1. Einleitung

2. Künstliche Intelligenz
2.1 Was ist KI?
2.2 KI-getriebene Transformation

3. Anwendungsmöglichkeiten im Personalmanagement
3.1 Die moderne Rekrutierung
3.2 Individualisierte Personalentwicklung
3.3 Workplace Analytics

4. Herausforderungen und Akzeptanz von KI-basiertem System

5. Zukünftige Aussichten

6. Fazit

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Effizienzgewinne durch den Einsatz von Automatisierung und intelligenter Systeme

Abkürzungsverzeichnis

AGG Allgemeines Gleichbehandlungsgesetz

DSGVO Datenschutz-Grundverordnung

HR Human resources

IPA Intelligent Process Automation

KI Künstliche Intelligenz

ML Maschinelles Lernen

NLP Natural Language Processing

RPA Robotic Process Automation

1. Einleitung

Skynet, R2-D2, HAL 9000, Wall-E, TARS sind einige von zahlreichen fortschrittlichen Robotern aus Science-Fiction-Filmen, welche die Vorstellungen über Künstliche Intelligenz (KI) bei vielen Menschen geprägt haben. Der Grund dafür ist, dass die meisten von uns nicht wissen, was genau unter dem Begriff KI zu verstehen. Daher neigen die meisten Menschen dazu, KI mit Robotern aus Zukunftsgeschichte zu verknüpfen. Sie stellen unsere hohen Erwartungen an KI und zum Teil auch Ängste davor dar, jedoch sind wir zum jetzigen Zeitpunkt von solchen allmächtigen Systemen noch sehr weit entfernt. In der Realität ist KI zwar nicht so fortgeschritten wie ihre fiktiven Manifestationen aber hält KI immer mehr Einzug in unseren Alltag, dass wir es möglicherweise nicht erkennen. Von digitalen Sprachassistenten wie „Alexa“, das Netflix personalisierte Empfehlungssystem bis zum Autonom-Fahren-System von Tesla, erleichtert KI unser Leben in vielerlei Hinsicht. Auch im Bereich Human Resource Management hat KI durch ansteigende Rechenleistung ihren Weg gefunden und die Arbeit der Personaler durch Automatisierung und Analytik signifikant verändert. Bei einer Befragung von KPMG unter 1.200 globalen HR-Führungskräften stimmen rund zwei Drittel der Befragten zu, dass das Personalmanagement eine digitale Transformation durchgemacht hat oder sich momentan unterzieht.¹ Gleichzeitig besteht eine große Unsicherheit darüber, was mit KI möglich ist und wie diese den Personalprozess beeinflussen kann. In diesem Zusammenhang beschäftigt sich die vorliegende Arbeit mit der Transformation des strategischen Personalmanagements durch KI-Technologien und deren Auswirkungen auf die Zukunft der Personalarbeit.

Zunächst werden die Begrifflichkeiten der KI und die digitale Transformation vorgestellt. Im Fokus des folgenden Kapitels stehen die derzeit gängigsten Anwendungsbeispiele von KI, um dem Leser ein klares Bild der KI-Potenziale zu vermitteln. Anschließend werden die entscheidenden Herausforderungen sowie die Akzeptanz der Nutzer untersucht, welche im Vorhinein notwendig ist, um das KI-System problemlos einführen zu können. Ein kurzer Ausblick auf der Zukunft des Personalmanagements und ein Fazit beschließen die Arbeit. Die Erkenntnisse der Hausarbeit beruhen hauptsächlich auf wissenschaftliche Studien, Fachmagazinen und eigene Internetrecherchen. Zur einfacheren Lesbarkeit wird ausschließlich die männliche Sprachform verwendet. Alle personenbezogenen Bezeichnungen sind geschlechtsneutral zu verstehen.

2. Künstliche Intelligenz

2.1 Was ist KI?

Seitdem das Konzept der KI oder englisch „Artificial Intelligence“ (AI) 1956 von Professor J. McCarthy (Dartmouth College, USA) erstmals etabliert wurde, bleibt es heute immer – wie damals – umstritten.² Laut Buxmann und Schmidt (2019, S. 6) ist es für Wissenschaftler und Forscher keine leichte Aufgabe, die Frage „Was ist KI?“ einfach noch prägnant zu beantworten, da KI aus einem breiten Spektrum von wissenschaftlichen Disziplinen besteht.³ Ein anderer Grund solle sein, dass wir uns bis heute noch nicht auf eine einheitliche Definition für Intelligenz geeinigt haben. Einigung erziele drüber, dass KI ein Teilgebiet der Informatik sei, der sich mit der Erforschung und Entwicklung intelligenter Maschinen, die selbstständig Probleme lösen können, befasse. Während KI ein Mantelbegriff für alle Anwendungen ist, die selbstständig Probleme lösen und in irgendeiner Form Intelligenz zeigen, handelt sich das Maschinelles Lernen (ML) um einen Teilbereich der KI und mithilfe davon KI erreicht werden zu können.⁴ Mitchell (1997, S. 2) ist der Meinung, dass:

„A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. “ ⁵

In einfachen Worten: ML ist Algorithmen, die Computerprogramme ermöglichen, aus Erfahrung lernen und sich automatisch verbessern zu können. Durch ML können Programme Wissen aus Daten generieren, indem Muster bzw. Gesetzmäßigkeiten auf Basis vorhandener Datenbestände erkannt und auf neue, unbekannte Daten angewendet werden.⁶ Dafür müssen Softwareentwickler aber nicht explizit programmieren.

Unter dem Leistungsaspekt unterscheidet man grundsätzlich zwischen „schwacher“ und „starker“ KI. Eine starke KI ist eine denkende Maschine und zum großen Teil diejenigen, was wir in Science-Fiction-Literatur und -Filmen bereits gekannt haben. „Das Ziel einer starken KI ist es, die gleichen intellektuellen Fertigkeiten eines Menschen zu erlangen oder sogar zu übertreffen. “⁷ Allerdings ist es bislang noch nicht gelungen, eine Maschine bzw. Computerprogramm mit menschenähnlicher Intelligenz zu entwickeln. Wann und ob man solche KI überhaupt entwickeln könnte, wird sehr kontrovers diskutiert. Demgegenüber handelt sich schwache KI um ein „intelligentes Tool“, dessen Ziel ist es, menschliche Verhalten in bestimmtem Bereich oder Aufgaben nachzubilden. Mit anderen Worten, schwache KI mag intelligent erscheinen, versteht aber nicht ihre eigene Funktionsweise. Jedoch ist das keine schlechte Sache. Tatsächlich kann sich eine schwache KI auf spezifische Aufgaben konzentrieren und diese mithilfe der Rechenfähigkeit viel schneller als Menschen erledigen. KI und ihre Anwendungsfeldern, die noch ein sehr offenes Forschungsgebiet sind, haben in letzter Zeit größere Investitionen von Technologieriesen und Startups erhalten. Während die starke KI nach Experteneinschätzungen für die nächsten Jahrzehnte immer noch ein Wunschtraum bleibt, ist die schwache KI derzeit und in absehbarer Zukunft, neben anderen revolutionären Technologien, der Haupttreiber für die digitale Transformation.

2.2 KI-getriebene Transformation

Von Online-Übersetzung, Chatbots im Kundenservice, digitale Sprachassistenten bis hin zu Selbstfahrendem Kraftfahrzeug auf der Straße: KI verändert unseren Alltag maßgeblich in immer mehr Bereichen. Aus diesem KI-getriebenen Wandel nicht ausgegrenzt, KI verspricht Unternehmen großen Vorteilen und stellt sie vor potenziellen Risiken zugleich. Sie müssen sich frühestmöglich und intensiv mit KI beschäftigen und deren Auswirkungen auf das eigene Unternehmen und ebenfalls auf die eigene Branche einschätzen, um die Betriebseffizienz zu steigern und Wettbewerbsvorteile zu erlangen oder nicht zu verlieren. Durch KI und ML verwandelt sich die „Automatisierung des Geschäftsprozesses“ signifikant, die bereits als Robotic Process Automation (RPA) bekannt ist. Mohanty und Vyas (2018, S. 129) heben hervor, dass diese Roboter in der Regel schneller als Menschen und rund um die Uhr arbeiten können. Sie führen Aufgaben jedes Mal genau gleich aus, damit menschliche Fehler aufgrund von Langeweile oder Erschöpfung minimiert und konsistente Ergebnisse erzielt werden können. Jedoch die Anwendung von Softwareroboter nur dann machbar und sinnvoll ist, sofern die Dateninput, die Regeln für die Datenverarbeitung und die Datenoutput klar definiert werden müssen.⁸ Roboter haben keine Ahnung, wie sie mit Unklarheiten und Unregelmäßigkeiten, die nicht zuvor programmiert waren, umgehen soll und somit können RPA nur manuelle Tätigkeiten am Computer automatisieren und ersetzen.⁹ Anders als die herkömmliche RPA macht die Intelligent Process Automation (IPA) einen großen Schritt nach vorne, indem sie die Automatisierung der RPA und die ML-Algorithmen der KI kombiniert, um komplexere Probleme zu lösen.¹⁰ Das ML gibt RPA die Fähigkeiten, Daten jeglicher Art (z.B.: Texte, Audio, natürliche Sprache, Bilder, …) verarbeiten, Erkenntnisse extrahieren oder Entscheidungen treffen, … zu können. IPA bildet nicht nur den menschlichen Gedankengang und kognitive Fähigkeit nach, sondern lernt auch durch Training, die Aufgaben noch besser zu erledigen. Mitarbeiter werden sowohl von routinemäßigen, „low human added value“ Aufgaben entlasten, als auch durch KI-basierte Instrumente bei strategischen Entscheidungen und kreative Aufgaben geholfen.¹¹ Im Rahmen des Personalmanagement können derartige intelligenten Tools mithilfe von intelligenter Automatisierung und Entscheidungsunterstützungsfunktion auf jeder Prozessebene eingeführt werden. Personaler können die eingesparte Zeit ausnutzen, um sich mehr auf die Mitarbeitererfahrung und Unternehmenskultur zu konzentrieren als auch zu verbessern. Laut einer Studie von Porsche Consulting 2018 liegen die Effizienzgewinne, die durch die Implementierung von Automatisierung und intelligenter Systeme im Personalwesen erzielt werden können, bei rund 40 Prozent (Abb. 1). Das Potenzial der KI im Personalwesen ist ohne Frage vielversprechend, jedoch wird es bereits in der Anfangsphase Bedenken hinsichtlich Gerechtigkeit, Transparenz sowie Verantwortung und Haftung für automatisierte Entscheidungen bei Spezialisten hervorgerufen.¹² In nächsten Abschnitte werden unterschiedliche Beispiele und Ergebnisse wissenschaftlicher Studien diskutiert, um ein besseres Verständnis für die Möglichkeiten und Herausforderungen des Einsatzes von KI im Personalwesen zu vermitteln.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Effizienzgewinne durch den Einsatz von Automatisierung und intelligenter Systeme¹³

3. Anwendungsmöglichkeiten im Personalmanagement

3.1 Die moderne Rekrutierung

Rekrutierung bedeutet so viel wie „Personalbeschaffung“ – ein wenig spektakulärer Begriff für eine derartig wichtige und sensible Aufgabe des Personalwesens.¹⁴ Das Hauptziel der Rekrutierung ist seit Jahrzehnten gleich es, den passenden Kandidaten für bestimmte Aufgaben oder für eine Vakanz im Unternehmen aus verschiedenen Rekrutierungsquellen (extern und intern) zu finden.¹⁵ Bedingt durch die demographische Veränderung und nicht zuletzt durch technologische Fortschritte befinden sich Unternehmen weltweit in einem erbitterten Kampf um Talente. Zum einen wählen Bewerber ihre Arbeitgeber mittlerweile sehr gezielt aus, Einstiegsgehalt, Arbeitsplatzsicherheit oder Work-Life-Balance sind nur wenige Felder, die Bewerber in Erwägung ziehen, bevor sie sich bewerben.¹⁶ Zum anderem kommt es infolge der Vernetzung des Internets in der Praxis häufiger vor, dass manche Unternehmen für jede gesuchte Position viel mehr Bewerbungen erhalten als sie verarbeiten können. Auch wenn die Personaler dafür ausreichend Zeit hätten, um jede Bewerbung auszuwerten, ist es leicht aufgrund des Primacy-Recency-Effekts über die potenzialen Kandidaten hinwegzuspringen. Dieser psychologische Effekt führ dazu, dass bei einer großen Menge von Informationen die am Anfang (Primacy) und gegen Ende (Recency) befindenden Informationen den prägendsten Eindruck hinterlassen.¹⁷ Es sollte auch nicht unerwähnt bleiben, dass fast jeder dritte deutsche Bewerber dem Vertragsangebot den Rücken zudreht, das sie am Ende eines Bewerbungsprozesses unterbreitet bekommen, laut einer aktuellen StepStones Umfrage.¹⁸ Vor diesen gewaltigen Herausforderungen können HR-Spezialisten heute schon auf vielfältige KI-basierte Unterstützungsinstrumenten zurückgreifen – von automatisierter Auswertung der Bewerbungsunterlagen über webbasierten Eignungstest bis hin zu automatisiertem Interview und Chatbots, …¹⁹

Die Auswertung von Lebensläufen und den geeignetsten unter ihnen zu finden sind immer als eine der mühsamsten Aufgaben im Rekrutierungsprozess angesehen. Die KI-basierten Softwares kommen jetzt zum Einsatz und können eingereichten Lebensläufen viel schneller überprüfen und die verborgene Qualifikationsindikatoren herausfinden, die die Personaler möglicherweise übersehen. Abgesehen vom ersten Training benötigt die KI-Software entlang des Prozesses kein menschliches Eingreifen, daher ist diese automatisierte Auswertung für Rekrutierter bei einer hohen Anzahl von Bewerbungen von großer Bedeutung. Anhand der ML-Algorithmen kann KI aus historischen Einstellungsentscheidungen lernen und erkennen, wie ein starkes Kandidatenprofil aussieht. Fähigkeiten, Erfahrungen und andere Eigenschaften je nach Jobanforderung werden mit denen von erfolgreichen Kandidaten sowie erfolgreichen Mitarbeiter abgleichen und bewerten, um den Kandidaten nach der Eignung zu klassifizieren. Das menschliche HR-Team arbeitet jetzt parallel mit der KI und nutzt das KI-Vorauswahlergebnis, um weitere manuelle Auswertungen für nächste Rekrutierungsrunde durchzuführen. Arbeitgeber, die solches datenbasiertes Vorgehen verwenden, können nicht nur eine Überprüfungsrate von 100% erreichen, viel Geld und Zeit sparen, sondern auch die Einstellungsqualität und Gerechtigkeit steigern, indem Verzerrungen bei Personalauswahlentscheidungen zu vermeiden.²⁰ Allerdings kann die Personalabteilung aus dem Einsatz der KI-Software solche Vorteile nur dann ziehen, wenn das ML im Vorfeld mit adäquater Datengröße „gefüttert“ worden ist, d.h. ML bis zu einem gewissen Grad gelernt oder trainiert hat. Ein weiteres großes Problem besteht darin, dass das ML auf verzerrte Trainingsdatenbestände basiert hat und demzufolge unfaire und voreingenommene Empfehlungen reproduziert.²¹ Während die KI per se keine Verzerrung aufweist, kann KI jedoch keine Verzerrung innerhalb ihrer Datenbasis aufspüren oder korrigieren, und daher werden diese voreingenommenen Informationen von der KI ohne Frage verarbeitet. Als Beispiele soll das Amazons KI-Rekrutierungstool hier gut dienen. Es liegt daran, dass die ML-Trainingsdaten eine Männerherrschaft in der Technologiebranche darstellen und die Amazons KI-Algorithmen das männliche Geschlecht als ein erfolgreiches Merkmal identifiziert.²² Aus diesem Grund sind weibliche Kandidaten gegenüber männlichen Kandidaten im Nachteil, obwohl sie über die gleichen Qualifikationen und Erfahrungen verfügen. Eine weitere Dimension ist, dass es mit zunehmender Verbreitung der KI-Systeme für Personaler ein gleichmäßiger Anstieg von kostenloser bis kostenpflichtiger KI-Tools für Arbeitssuchender ermittelt wird. Von Bewertung, Verbesserungsvorschlag bis automatische Lebenslauferstellung ermöglichen solche Tools (z.B. resumeworded.com) das, Bewerberprofil möglicherweise bei der algorithmischen Auswertung besser zu punkten. Ferner sind zahlreichen Methoden zwischen Bewerber diskutiert und auch verwendet, um KI-Systeme auszutricksen. Obwohl die nicht-so-qualifiziert-wie-behaupteter Kandidaten beim Interview mit Personaler aussortiert werden, kostet dies auch Zeit und benachteiligt andere Bewerber.

Als eine Alternative zum obengenannten Auswertungsverfahren haben die Online-Assessments mittlerweile bei zahlreichen Unternehmen an Bedeutung gewonnen. Beim Online-Assessment handelt es sich aus Sicht der Unternehmen um einen eignungsdiagnostischen Testverfahren, der über das Internet durchgeführt wird und als ein Instrument zur Bewerbervorauswahl dient.²³ Die Online-Tests werden verwendet, um diejenigen Merkmale zu identifizieren, die feststellen, ob eine Person für die Stelle bzw. das Unternehmen geeignet ist. Hierbei bekommen die Kandidaten mit einer Reihe vorgegebener Fragen in Form von multiple choice, richtig-falsch, Lücken, Matching, … und müssen sie innerhalb eines bestimmten Zeitraums beantworten. Es unterscheidet sich zwischen berufsbezogenem Leistungs- und Persönlichkeitstest, und zwar hängt dies davon ab, welche Merkmale das Assessment messen soll: kognitiver Leistungsfähigkeit, Wissen, Persönlichkeit, Arbeitsstil, etc.²⁴ Diercks (2020, S. 90) weist darauf hin, dass während Kandidaten beim Leistungstest untereinander schlechter oder besser abschneiden, gibt es beim Persönlichkeitstest keine richtigen oder falschen Antworten. Dieser Maßstab zeigt im Wesentlichen, inwieweit der Kandidat zur Unternehmenskultur passt. Anstelle von trockener Reihe von textbasierten Testmodulen werden die Online-Assessment in letzten Jahren häufiger in Richtung auf Game-Based-Assessment oder sog. Recrutainment entwickelt.²⁵ Für den Auswahlprozess können Spiele angepasst werden, um kognitive Fähigkeiten sowie berufsrelevante Persönlichkeitsmerkmale zu messen. Beispielweise ist der Rekrutierungsprozess des britischen Konzerns Unilever, einer der weltweit größten Hersteller von Konsumgütern. Unilever stellt jährlich mehr als 30.000 Mitarbeiter ein und muss dafür rund 1,8 Millionen Bewerbungen auswerten.²⁶ Dies kostet die HR-Abteilung enorm viel Zeit und Ressourcen. Laut Gärtner (2020, S. 75) hat Unilever mit KI-Rekrutierung Anbieter Pymetrics zusammengearbeitet, um verschiedene Online-Spiele, Persönlichkeits- und Kompetenztests zu entwickeln. z.B. beim Ballon-Spiel müsse Bewerber einen Ballon per Mausklick aufpumpen, wobei mit jedem Klick er 5 Cent verdiene. Wenn er zu schnell pumpe, platze der Ballon und verliere er das Geld. Nach jedem Pumpvorgang könne sie das Spiel fortsetzen oder beenden, um die verdiente Summe zu behalten, dadurch werde die Risikobereitschaft des Spielers bewertet. Zum Schluss verglichen ML-Algorithmen das Ergebnis der Spiele bzw. Tests mit denen von eingestellten, erfolgreichen Mitarbeitern im Unternehmen, um ähnliche Profile zu identifizieren.²⁷ Das Online-Assessment sollte eine kostengünstigste und unvoreingenommene Methode sein, die in kurzer Zeit und mit möglichst wenig Einstellungsqualitätsverlust den Bewerberpool auf eine überschaubare Größe reduzieren kann. Jedoch können die Konstruktionen des Online-Assessments den Unternehmen ein Hindernis darstellen. Zunächst ist nicht jedes Unternehmen in der Lage, selbstständig arbeitskontextrelevante Tests bzw. Spiele entwerfen, die die Kandidaten durchdacht und vertrauenswürdig auswerten können. Auch unter technischem Aspekt erfordern die Bereitstellung von Testwebseiten und Spiele, die mit üblichen Endgeräten kompatibel sind, die IT-Abteilung Mehrarbeit. Externe Lösungen von Online-Assessment Anbieter wie z.B. Pymetrics oder Cyquest sind auch mit hohen Kosten verbunden. Weiterhin können die Testergebnisse verfälscht werden, indem Kandidaten sich beim Assessment Unterstützung von Anderen holen oder sogar jemandem bezahlen, den Test für sie vorzunehmen.²⁸

[...]

¹ Vgl. KPMG International online (2019), S. 8.

² Vgl. Buxmann/Schmidt (2019), S. 4.

³ Vgl. Buxmann/Schmidt (2019), S. 6.

⁴ Vgl. Wennker (2020), S. 9.

⁵ Mitchell (1997), S. 2.

⁶ Vgl. Gärtner (2020), S. 22.

⁷ Fügner (2019), S. 18.

⁸ Vgl. Mohanty/Vyas (2018), S. 126.

⁹ Vgl. Gärtner (2020), 39f.

¹⁰ Vgl. Chakraborti et al. (2020), S. 219.

¹¹ Vgl. Porsche Consulting online (2018), S. 5.

¹² Vgl. Jobin/Ienca/Vayena (2019), S. 391–396.

¹³ Porsche Consulting online (2018), S. 8.

¹⁴ Hartmann (2015), S. 216.

¹⁵ Vgl. Gärtner (2020), S. 65.

¹⁶ Vgl. Wennker (2020), S. 55.

¹⁷ Vgl. Dahm/Dregger (2019), S. 250.

¹⁸ Vgl. Engels online (2018).

¹⁹ Vgl. Gärtner (2020), S. 73.

²⁰ Vgl. Dahm/Dregger (2019), S. 252.

²¹ Vgl. Gärtner (2020), S. 84.

²² Vgl. Dastin online (2018).

²³ Vgl. Gärtner (2020), S. 73.

²⁴ Vgl. Diercks (2020), 89f.

²⁵ Vgl. Gärtner (2020), S. 73.

²⁶ Vgl. Wennker (2020), S. 58.

²⁷ Vgl. Gärtner (2020), S. 75.

²⁸ Vgl. Gärtner (2020), S. 80.