Künstliche Intelligenz im Human Resource Management. Chancen, Risiken und Herausforderungen

I Inhaltsverzeichnis

II Abkürzungsverzeichnis

1. Einleitung
1.1. Zielsetzung
1.2. Themeneingrenzung
1.3. Problemstellung

2. Die künstliche Intelligenz
2.1. Die Debatte der Definition
2.2. Machine Learning
2.3. Stand und Entwicklung der Hardware
2.4. Künstliche Intelligenz in der Gesellschaft
2.4.1. Die gesellschaftliche Akzeptanz
2.4.2. Juristische Einordnung und Datenschutz
2.4.3. Künstliche Intelligenz in digitalen Zukunftsmodellen
2.5. Kritische Betrachtung der Relevanz und Gefahren

3. Bereiche des Personalmanagements und ihre Herausforderungen

4. Die Künstliche Intelligenz im Human Resource Management
4.1. Die aktuelle Situation und künftige Tendenzen
4.2. Auswirkungen auf den Personalbedarf
4.3. Künstliche Intelligenz im Recruiting
4.4. Künstliche Intelligenz in der Personalentwicklung
4.5. Künstliche Intelligenz im Personalcontrolling
4.6. Ansatz zur Strategiefindung für den Personalbereich

5. Fazit: Chancen, Risiken, Herausforderungen und Bewältigungsstrategien.,

III Literaturverzeichnis

1. Einleitung

1.1. Zielsetzung

Diese Arbeit soll im ersten Schritt ein grundlegendes Verständnis über die Funktionsweise und die tatsächlichen Fähigkeiten der künstlichen Intelligenz vermitteln. Diese Analyse wird als relevant betrachtet, da auf globaler Ebene Führungskräften im Personalbereich häufig Kenntnisse über die tatsächliche Funktion einer intelligenten Software fehlen.¹ Der Erwerb dieser Kenntnisse wird hier als bedeutend betrachtet, um das Potential der künstlichen Intelligenz für die Bereiche des Personalmanagements erfassen zu können. Die Darstellung der gesamtgesellschaftlichen Relevanz soll ein Bewusstsein für die Notwendigkeit der Auseinandersetzung mit dem Fachbereich der künstlichen Intelligenz seitens von Personalfachkräften erzeugen.

Die Rolle des Personalmanagements als Teil einer die ganze Gesellschaft betreffende, durch die fortlaufende Entwicklung künstlicher Intelligenzen angestoßenen Entwicklung soll dargestellt werden. Erst auf Grundlage dessen können sich ergebende Chancen, bestehende Risiken sowie die zu bewältigenden Herausforderungen formuliert werden. Ein konkreter strategischer Ansatz zur Entwicklung eines Modells zur optimalen Bewältigung dieser drei Titelaspekte soll formuliert werden.

Im Fazit sollen auf Grundlage der vorhergehenden Abschnitte mögliche künftige Entwicklungen, Konsequenzen und Handlungsschritte für das Personalmanagement diskutiert werden. Dabei wird besonderer Bezug auf Chancen, Risiken und Herausforderungen genommen.

1.2. Themeneingrenzung

Untersuchungsgegenstand in Abschnitt 2 der vorliegenden Arbeit ist der Bereich der künstlichen Intelligenz an sich. Hier werden Grundlagen zum aktuellen Stand der Definitionsdebatte sowie der Funktion und Arbeitsweise einer künstlichen Intelligenz vermittelt. Dabei wird sich auf die Erläuterung von Begrifflichkeiten beschränkt, die einen Einstieg in diese hochkomplexe Thematik ermöglichen sollen.

Weiterhin werden in diesem Abschnitt gesellschaftlich relevante Themen wie die allgemeine Akzeptanz in der Bevölkerung, die juristische Einordnung unter Einbezug des Datenschutzes sowie mögliche gesellschaftliche Zukunftsmodelle mit künstlicher Intelligenz im Fokus angeschnitten.

Anschließend wird der Bereich des Personalmanagements an sich in Abschnitt 3 kurz erläutert. Die Abschnitte 2 und 3 stellen die als notwendig erachtete Annäherung an den Hauptteil, Abschnitt 4, dar.

Im Abschnitt 4 wird die aktuelle und künftig zu erwartende Rolle der künstlichen Intelligenz im Personalmanagement untersucht. Hierzu wird zunächst der Personalbereich als Ganzes betrachtet. Dabei werden der aktuelle Realisierungsstand und die aktuelle Bedeutung in der strategischen Planung für den Personalbereich untersucht. Dieser Grad der Berücksichtigung wird im Anschluss in Relation zu der zu erwartenden tatsächliche Bedeutung gesetzt.

Ausgehend von dieser allgemeinen Betrachtung wird die Rolle der künstlichen Intelligenz in den Bereichen Personalbedarf, Recruiting, Personalentwicklung sowie Personalcontrolling gesondert untersucht.

Zum Abschluss des Abschnittes 4 wird ein Ansatz zur langfristigen Strategiefindung formuliert, mit welcher der Personalbereich der durch die künstliche Intelligenz ausgelösten Veränderungen in Arbeitswelt und Gesellschaft begegnen kann. Hier wird der Bereich Personalmanagement als Teil eines in eine bestimmte gesellschaftliche sowie wirtschaftliche Umwelt eingebetteten Unternehmens verstanden.

Im abschließenden Fazit, dem Abschnitt 5, werden die aus der Analyse hervorgegangenen gesammelten Erkenntnisse verknüpft, um sich daraus ergebende Chancen, Risiken und Herausforderungen für den Personalbereich zu formulieren.

1.3. Problemstellung

Von 600 im Jahr 2019 weltweit befragten Unternehmen gaben 90% an, in den kommenden Jahren in künstliche Intelligenz investieren zu wollen.² Die überwiegende Mehrheit der Führungskräfte geht dabei von einer positiven Auswirkung auf die Personalkosten aus.³ In der Finanzbranche werden sie zur Verbesserung der User Experience auf Kundenseite angewandt.⁴ In der Automobilbranche stellt das autonome Fahren eine Möglichkeit zur Verringerung der Unfallzahl dar⁵, in der Logistik wird künstliche Intelligenz in der Automatisierung von Lieferketten verwendet.⁶ Die Systeme können gezielt auf Anforderung aktiv werden und auf den Markt, beispielsweise die Nachfrage, reagieren. Auch Unternehmen des Dienstleistungssektors, beispielsweise Handwerksbetriebe, sind von dieser Entwicklung betroffen. Im B2C- Bereich fragt der Endkunde⁷ gezielt digitale Funktionen, zu der auch die Kl- Kompatibilität zählt, nach.⁸ Diesem Bedürfnis müssen die Unternehmen nachkommen.

Der rasche Fortschritt in der Hard- und Softwareentwicklung erfordert sowohl ein hohes Maß an zeitlicher Investition als auch einen Veränderungswillen seitens der Unternehmen. In vielen großen Konzernen bestimmt das Thema der künstlichen Intelligenz bereits den Arbeitsalltag, auch in kleineren Unternehmen wird der Bereich zunehmend relevant.⁹

Die künstliche Intelligenz wird demnach in der Wirtschaft und Gesamtgesellschaft zunehmend relevanter. Von einer Auswirkung auf die verschiedenen Bereiche des Human Resource Managements kann daher ausgegangen werden. Die durch die Kl ausgelösten, möglicherweise disruptiven Änderungen werden den Bereich vor eine Reihe zu bewältigende Herausforderungen stellen. Für Unternehmen, die diesem Wandel frühzeitig mit effizienten Konzepten begegnen, können sich Chancen und Mehrwerte ergeben.

2. Die künstliche Intelligenz

2.1. Die Debatte der Definition

Mangels einer allgemein anerkannten Definition wird der Begriff der künstlichen Intelligenz häufig als sogenanntes Kofferwort benutzt. Grundsätzlich kann jeder Autor eine eigene Definition des Begriffes führen. Wird über die Thematik der künstlichen Intelligenz diskutiert, so sollte also zunächst erläutert werden, was genau darunter zu verstehen sei.¹⁰

Die Ersterwähnung des Begriffes der künstlichen Intelligenz wird im Jahr 1955 einer Gruppe um John McCarty (* 4. September 1927 in Boston, Massachusetts; 123. Oktober 2011 in Palo Alto, Kalifornien) zugeschrieben.¹¹

In dem Vorschlagspapier für ein Forschungsprojekt des Dartmouth College in Hanover, New Hampshire, in den Vereinigten Staaten von Amerika aus dem Jahr 1955, heißt es unter anderem: „Probably a truly intelligent machine will carry out activities which may best be described as self-improvement. “¹²

In diesem Zitat wird bereits die Vorstellung einer Maschine deutlich, die selbstständig ihre Fähigkeiten verbessert. Der Begriff der Intelligenz wird hier mit dem beobachtbaren Output der selbständigen Entwicklung gleichgesetzt.

Ein Beispiel für eine neuzeitliche Definition wurde 2018von Georg Lange, Kiran Joseph und Thomas Faust vorgenommen: „Kl ist ein Zweig der Wissenschaft, der sich mit der Simulation und Ausübung eines intelligenten Verhaltens- beziehungsweise Handelns- von Maschinen und deren softwarebasierten Steuerungen beschäftigt."¹³ Hier wird der Bereich der künstlichen Intelligenz als gesamtheitlicher Themenkomplex dargestellt.

Die Fähigkeit einer Software, intelligentes und menschlich anmutendes Verhalten nachahmen zu können, stellt hier eine Grundvoraussetzung für die Einordnung als künstliche Intelligenz dar. Die Software muss befähigt sein, aus dem Input der jeweiligen Umgebung heraus Analysen, Entscheidungen und Empfehlungen erzeugen. Das System soll dabei selbstständig vorgehen. Ein dieser Lernfähigkeit zu Grunde liegender Algorithmus agiert dabei auf der Analyseseite wie kognitive Fähigkeiten einer natürlichen Intelligenz und wie ein Roboter auf der daraus resultierenden Handlungsseite. Im Laufe der durchgeführten Handlungen werden fortlaufend Daten gesammelt, welche die Analyseseite und in der Konsequenz auch die Handlungsseite verbessern.¹⁴ Auch andere Quellen definieren die künstliche Intelligenz als Simulation menschlicher Denk- sowie Verhaltensmuster. Da bereits die Definition der menschlichen Intelligenz unscharf ist, stellt dieser Ansatz in der Folge eine schwierige Annäherung an die Definition der künstlichen Intelligenz dar. Die menschliche Intelligenz als Maßstab des Intelligenzbegriffes im Allgemeinen kann weiterhin stark von unserem subjektiven Empfinden geprägt sein. Die menschliche Intelligenz als Maßstab für die Beurteilung der künstlichen Intelligenz darf daher als Diskussionsgegenstand angesehen werden. Als alternativer Maßstab für das Vorhandensein, beziehungsweise den Grad der künstlichen Intelligenz, kann die Fähigkeit zur selbstständigen und größtmöglich effizienten Problemlösung sowie der Komplexitätsgrad der vorliegenden Problemfälle angesehen werden. Die messbaren Größen sind in dieser Betrachtungsweise demnach Komplexität und Effizienz.¹⁵

Eine nach diesen Gesichtspunkten von Klaus Mainzer vorgenommene Definition lautet: „Ein System heißt intelligent, wenn es selbstständig und effizient Probleme lösen kann. Der Grad der Intelligenz hängt vom Grad der Selbständigkeit, dem Grad der Komplexität des Problems und dem Grad der Effizienz des Problemlösungsverfahrens ab.“¹⁶

Daraus ergibt sich eine Betrachtungsweise, in der eine künstliche Intelligenz nicht zwingend einer Vorlage aus der Natur entsprechen muss. Die Imitation einer natürlichen Intelligenz ist hier demnach keine Voraussetzung für die Einstufung als künstliche Intelligenz, von dem Feld der sogenannten Neuroinformatik abgesehen. In der Regel arbeiten Ingenieure bei der Entwicklung künstlicher Intelligenz problemlösungsorientiert, das Ziel ist also nicht die Imitation einer natürlichen Intelligenz. Angestrebt wird eine Problemlösung. Dies erstreckt sich ebenso auf unter Umständen zur Problemlösung notwendigen kognitiven Fähigkeiten wie Sinneswahrnehmung oder eine simulierte Gefühls- und Gedankenwelt im modernen Software Engineering.¹⁷ Demnach kann die Betrachtung einer künstlichen Intelligenz als Spiegelbild der natürlichen oder menschlichen Intelligenz als nicht Lösungsorientiert angesehen werden, da diese Imitation nicht zielführend ist.

Der Versuch einer Abgrenzung des Begriffes der künstlichen Intelligenz über den akademischen Forschungsbereich spricht von einem Bereich der Informatik, der sich mit dem Erwerb kognitiver Fähigkeiten beschäftigt, die in der Regel der menschlichen Intelligenz zugeordnet werden können.¹⁸

Eine mögliche Ursache für das Fehlen einer allgemein anerkannten Definition für den Begriff der künstlichen Intelligenz findet sich in dem fehlenden Konsens über den Begriff der Intelligenz an sich. In der Regel wird dieser Begriff als die Fähigkeit zu abstraktem und vernünftigem Denken sowie der Fähigkeit zum Ableiten sinnvoller Handlungen aus den Ergebnissen dieses Denkprozesses angesehen.¹⁹ Die Frage über das grundsätzliche Wesen der Intelligenz ist dabei älter als die Thematik der künstlichen Intelligenz.²⁰

Auch hier werden jedoch Unterschiede zwischen der Vorstellung von einer natürlichen und jener von einer künstlichen Intelligenz deutlich.

Sind Menschen zwar durchaus zum rationalen Handeln fähig, unterliegen sie doch einer großen Anzahl im Laufe der Evolution entstandener kognitiver Vorurteile. Eine künstliche Intelligenz verwendet strikt nur die gesammelten objektiven Informationen. Diese werden auf der analytischen Ebene verarbeitet und durch eine entsprechende Handlung auf der Handlungsebene abgebildet. Grundsätzlich gleichen diese Schritte der menschlichen Intelligenz, jedoch sind die zu Grunde liegenden Informationen durch das kognitiv geprägte Denkmuster des Menschen verzerrt. Ein anderes Individuum würde mit identischen Informationen zu einer anderen Entscheidung kommen, die Ergebnisse sind demnach nicht reproduzierbar.²¹

Der Unterschied wird erneut deutlich, wenn die Möglichkeiten zur Messung einer natürlichen beziehungsweise künstlichen Intelligenz betrachtet werden. Menschliche Intelligenz lässt sich mit einem Test des sogenannten Intelligenzquotienten ausdrücken, auch wenn Art und Umfang der Aussagekraft hier strittig sind.²² Zur Messung der Fähigkeiten einer künstlichen Intelligenz wird der bereits 1950 von dem britischen Mathematiker Alan Turing vorgestellten Turing-Test als geeignet betrachtet.²³ In der ursprünglichen Version des Tests kommen die Rollen eines Mannes, einer Frau und die eines Vernehmers vor, der beliebigen Geschlechts sein kann. Die Parameter Mann und Frau sind hier beispielsweise A und B, die Personen sind dem Vernehmer als X und Y bekannt. Nun muss er X und Y durch Fragestellungen jeweils einem der Parameter zuordnen. X und Y müssen die Fragen beantworten, haben aber die Aufgabe, den Vernehmer durch ihre Antworten möglichst zu täuschen. Zur Messung maschineller Intelligenz werden jedoch nicht ein Mann und eine Frau vernommen, sondern Mensch und Maschine. Die Schwierigkeit für den Vernehmer zur Unterscheidung zwischen Mensch und Maschine gilt als Indikator für den Grad der Denkfähigkeit der Maschine.²⁴ Demnach ergibt sich eine mögliche Betrachtungsweise, nach welcher dieser Test die künstliche Intelligenz anhand ihrer Fähigkeit misst, die natürliche zu imitieren.

Ebenfalls diesen Vergleich stellt die Meinung her, dass keine aktuell existierende Software eine Definition einer künstlichen Intelligenz erfüllen könnte. Gemäß dieser Sichtweise ist die Bezeichnung künstliche Intelligenz grundsätzlich für jede existierende Software unzutreffend. Eine Software kann beispielsweise selbstständig lernen, Hunde von Katzen zu unterscheiden. Das Verständnis, was einen Hund oder eine Katze ausmacht, fehlt dem Algorithmus jedoch. Dieses fehlende Verständnis wird nicht als Wissensdefizit wahrgenommen, ein ergänzender Lernprozess wird nicht selbstständig angestoßen. Für einen Menschen hingegen ist es ab einer gewissen Entwicklungsstufe selbstverständlich, einen Hund und eine Katze nicht lediglich unterscheiden zu können, sondern ein Verständnis zu besitzen, was einen Hund beziehungsweise eine Katze spezifisch ausmacht und worin sie sich unterscheiden. Diese Fähigkeit kann einen Teil der Definition von Intelligenz darstellen. Da keine derzeit existierende Software diese Zusammenhänge begreift, erfüllt dieser Sichtweise zu Folge keiner der aktuell existierenden Algorithmen die notwendigen Kriterien, um intelligent genannt werden zu dürfen.²⁵

Luc Julia, Mitentwickler des Sprachassistenten Siri, ist ein populäres Beispiel für einen Vertreter dieser Meinung. Er bezog zu dem Thema folgendermaßen Stellung: „The exact reason why AI doesn’t exist is because it doesn’t think...“²⁶ Dieser Satz kann als Aussage darüber interpretiert werden, dass eine künstliche Intelligenz nicht existiert, weil diese nicht tatsächlich in der Weise einer natürlichen Intelligenz Denkprozesse durchführt. Eine echte künstliche Intelligenz würde sich hiernach also nicht nur durch ergebnisorientiertes intelligentes Handeln, sondern auch durch einen tatsächlichen Denkprozess auszeichnen.

Alle Definitionsansätze der künstlichen Intelligenz haben gemeinsam, dass sie von einem grundlegenden Lernprozess der Software ausgehen.²⁷ Der Begriff des Lernens lässt sich wie folgt definieren: „Durch Erfahrung entstandene, relativ überdauernde Verhaltensänderung bzw. Möglichkeiten.“²⁸

Die in diesem Abschnitt untersuchten Quellen lassen jedoch die Aussage zu, dass dies nicht zur Formulierung einer allgemeingültigen Definition der künstlichen Intelligenz genügt. Die Komplexität der Frage, was eine künstliche Intelligenz ausmacht und woran die Fähigkeiten dieser gemessen werden, wird deutlich. Wie einleitend beschrieben, sollte der fachlichen Diskussion über die künstliche Intelligenz also ein Konsens über den Umfang der Begrifflichkeit vorausgehen. Für die Zwecke der vorliegenden Arbeit werden unter dem Begriff der künstlichen Intelligenz alle Algorithmen mit einer der im folgenden Abschnitt 2.2. beschriebenen Befähigungen zusammengefasst.

2.2. Machine Learning

Künstliche Intelligenzen können grundsätzlich auf drei Arten lernen: Supervised Learning, Unsupervised Learning und Reinforcement Learning.²⁹ Bei dem maschinellen Lernen handelt es sich um eine „automatische Verarbeitung von Feedback auch der Umwelt.“³⁰ Diese Verarbeitung zielt auf eine Verhaltensoptimierung als Anpassung an zu lösende Aufgaben oder die Umwelt dar. Die Einteilung der Lerntypen erfolgt nach der Art und Weise des Feedbacks.³¹

Machine Learning ersetzt die Notwendigkeit einer kompletten Programmierung durch den Menschen, indem es der Software erlaubt, vorhandene Daten auszuwerten und Rückschlüsse zu ziehen.³²

Supervised Learning stellt eine Form des maschinellen Lernens dar, bei dem die Kl auf Grundlage vorhandener Daten lernt. Die Antworten auf die Problemstellung sind dem Supervisor des Lernprozesses bereits im Vorfeld bekannt.³³

Die Kl, die aus dem Trainingsdatenset gelernt hat, wird nun mit einem Testdatenset konfrontiert. Dieses Set enthält Beispiele, die von dem Trainingsdatenset abweichen. Hierdurch kann ein Lerneffekt nachgewiesen oder widerlegt werden. Hat die Kl aus den Trainingsdaten gelernt, so ist sie in der Lage, die neuen Problematiken zu lösen. Hat sie sich lediglich an die Lösungen erinnert, so scheitert sie an den unbekannten Problemstellungen.³⁴

Bei diesem Lernverfahren existiert also eine Eingabe sowie Vorgabe für das richtige Ergebnis, ein Sollwert. Zu Beginn des Trainings wird der Output der Software nicht mit diesem Sollwert übereinstimmen. Die künstliche Intelligenz passt während dem Lernvorgang ihren Output immer weiter an den Sollwert an, bis diese übereinstimmen. Das dabei erlernte Muster wendet die künstliche Intelligenz auf künftige Eingangsdaten an, sodass die Fehlerquote des Outputs immer weiter reduziert wird. So wird die Kl anhand dieser Trainingsdaten zur Problemlösung befähigt. Ob und wie erfolgreich das Training war, wird mit einem Testdatenset überprüft, das der Software zuvor nicht vorlag.³⁵

Eine weitere Form des maschinellen Lernens stellt das sogenannte Unsupervised Learning dar. Eine künstliche Intelligenz, die nach dieser Methode lernt, erkennt während dem Lernprozess selbstständig Regelmäßigkeiten. In diesem Fall werden weder ein Trainings- noch ein Testdatenset eingespeist.³⁶

Bei dieser Form des maschinellen Lernens steht lediglich ein Input an Daten zur Verfügung. Die künstliche Intelligenz erkennt eventuell existierende Muster selbständig und ordnet die Daten, indem sie Zusammenhänge im Datenstrom erkennt. Beispielsweise erkennt eine solche Software, wenn bestimmte Artikel in einem Onlineshop häufig zusammen gekauft werden. Ist beispielsweise ein Zusammenhang zwischen dem Kauf von Stiefeln und Schnürsenkeln vorhanden, aber nicht bekannt, so liegt die Aufgabe der künstlichen Intelligenz darin, diesen Zusammenhang selbstständig aufzudecken. Das System kann jedoch nicht vollkommen ohne Vorgabe lernen, es benötigt eine Vorgabe bezüglich der Einteilung und Unterscheidung von Daten. Bäume und Sträuchersind identisch, wenn zwischen Pflanzen und Tieren unterschieden werden soll, gehören jedoch in zwei unterschiedliche Kategorien, wenn es um die Erkennung unterschiedlicher Wuchsformen von Gehölzen geht. Ohne diese Einteilung stößt ein solcher Algorithmus an seine Grenzen.³⁷

Im Vergleich zum Supervised Learning ist ein besonderer Mehrwert darin gegeben, dass wir das Ergebnis unabhängig von dem vor Projektbeginn vorhandenen Kenntnisstand über dieses Ergebnis erhalten. Der Umfang des tatsächlichen Lerneffektes seitens der Software lässt sich bei dieser Form des Lernens nur schwer erfassen.³⁸ Unsupervised Learning kann demnach an der Plausibilität seiner Ergebnisse gemessen werden.

Eine komplexere Form des Machine Learning stellt das Reinforcement Learning dar. Diese Lernform basiert auf dem Lernen durch Anreize. Jedes Entscheidungsergebnis der Kl generiert eine entsprechende Rückmeldung in Form eines sogenannten Rewards. War eine Entscheidung erfolgreich, wird also ein als positiv definiertes Echo aus der Umwelt erzielt so erhält die Kl einen positiven Punktewert. War eine Entscheidung nicht erfolgreich: fällt ein Glas beispielsweise auf den Boden und zerbricht, weil eine mechanische Hand in zu großer Höhe geöffnet wurde, so ist der Reward negativ. Da der Algorithmus so programmiert ist, dass er auf eine Maximierung seines Rewards ausgerichtet ist, kann er lernen, sich in einer vollkommen fremden Situation zurecht zu finden.³⁹

Diese Lernform entspricht dem Lernen durch Verstärkung bei natürlichen Intelligenzen. Durch Versuch und Irrtum werden Daten gesammelt und passende Verhaltensweisen abgeleitet. Der sogenannte Reward entspricht beispielsweise einem erfolgreichen Gehversuch bei einem Kleinkind- das schmerzhafte Fallen, welches die natürliche Intelligenz durch Schmerz negativ bewertet, wird hier durch den negativen Reward ersetzt.⁴⁰

Diese Lernform verfügt also über einen Input an Daten aus der Umwelt, eine Situation, eine Ausgabe und ein durch die Ausgabe ausgelöstes Feedback, also einen erneuten Input aus der Umwelt. Der Output als Reaktion auf die Eingangsdaten wird in Richtung eines maximalen Rewards als Feedback auf den Output verschoben. Das bedeutet, das Verhalten wird so lange optimiert, bis der Reward maximal wird.⁴¹

Eine Betrachtungsweise, unter welche eine künstliche Intelligenz mit der Fähigkeit zum Reinforcement Learning fallen kann, findet sich unter dem Begriff des autonomen Agenten. Dieser Begriff stellt eine Verbindung zur natürlichen Intelligenz dar, da er auch einen biologischen Organismus bezeichnen kann. Der autonome Agent definiert sich dadurch, dass er sich in einer Umgebung befindet, Bestandteil derselben ist und diese wahrnimmt. Durch sein Handeln hat er eine Wirkung auf seine Umwelt. Er verfolgt bestimmte Ziele und beeinflusst fortlaufend seine selektive Wahrnehmung. Er verfügt über eine Anzahl möglicher Handlungen als Reaktion auf die Problemstellungen, mit denen die Umwelt des autonomen Agenten diesen konfrontiert. Als Konsequenz auf die Entscheidung für eine bestimmte Handlung verändert sich die präsentierte Situation und erfordert eine weitere Entscheidung des Agenten. Voraussetzung ist, dass die Intelligenz Zugriff auf ein sensorisches System hat, welches die Aufnahme von Daten aus der Umwelt ermöglicht.⁴²

In Zukunft könnten weitaus komplexere und leistungsfähigere Typen der künstlichen Intelligenz entstehen, diese werden unter anderem als Artificial General Intelligence oder Artificial Super Intelligence bezeichnet. Die Artificial General Intelligence ist dabei nicht mehr auf eine spezifische Domäne, wie beispielsweise Auto fahren, beschränkt. Dieser Typus verhält sich über alle Bereiche, Kontexte und Probleme hinweg intelligent und imitiert die natürliche Intelligenz damit wesentlich genauer als die aktuellen Lerntypen. Artificial Super Intelligence bezeichnet eine theoretische Form der künstlichen Intelligenz, die auf einer deutlich höheren Intelligenzstufe als die natürliche Intelligenz steht.⁴³

Eine mögliche Hürde bei der Entwicklung solch universell ersetzbarer Superintelligenzen ist die subjektive Konstruktion der Realität.⁴⁴ Diese subjektive Konstruktion aus Symbolen und Kategorien, in denen eine natürliche Intelligenz denkt, sind in keiner Weise zufällig entstanden. Sie sind im Entwicklungsverlauf unserer Kultur selektiv danach entstanden, welche Art von kognitiver Einteilung der Realität sinnvoll und von positiver Konsequenz für uns ist. Die Repräsentationen, die dieser Einteilung zu Grunde liegen, sind nicht objektiv richtig. Im Laufe unsere Kultur hat sich herauskristallisiert, dass es eine positive Konsequenz beziehungsweise die Vermeidung einer negativen Konsequenz nach sich zieht, sie als zutreffend einzustufen.⁴⁵ Die Wahrscheinlichkeit der zukünftigen Existenz eines in dieser Weise lernfähigen Algorithmus kann demnach als strittig betrachtet werden.

Bei der Betrachtung der notwendigen Hardware muss zunächst zwischen dem Bereich des Trainings der künstlichen Intelligenz und dem Bereich der späteren Anwendung unterschieden werden. Der Trainingsprozess ist im erheblichen Maße rechenaufwendiger. Hier ist auf der Hardwareebene ein Künstliches Neuronales Netz, kurz KNN, notwendig. Dieses stellt eine Abbildung eines biologischen Nervensystems dar. Ist dieses Netzwerk mehrschichtig, so unterscheidet man zwischen der Ausgabe- und der Eingabeschicht. Liegen zwischen diesen beiden Schichten weitere Schichten, sogenannte Hidden Neurons, wird das Netzwerk deutlich leistungsfähiger.⁴⁶

Die gängigste Hardware-Lösung unserer Zeit ist die Central Processing Unit, kurz CPU. Diese ist auch als von-Neumann-Architektur bekannt. Die ist in der Berechnung aufeinander aufbauender, komplexer Problemstellungen sehr effizient. Gleichzeitig sind sie ungeeignet für parallel laufende Prozesse, welche aus wenig komplexen Einzelschritten bestehen. Für diese ist die Graphics Processing Unit, die GPU, geeignet, die bei größeren Datenmengen um das zehnfache schneller ist. Weiterhin gibt es die Möglichkeit anwendungsspezifischer integrierter Schaltkreise.⁴⁷ Für die Anwendung von künstlicher Intelligenz ist vor allem Hardware mit Spezialisierung auf Matrixorganisationen geeignet. Hierzu liegen aktuell vor allem zusätzliche Rechenkerne auf Prozessoren zur Beschleunigung der Software oder vollkommen darauf spezialisierte Prozessoren vor.⁴⁸

Merkmal einer Matrixoperation ist die hohe Parallelisierbarkeit und der niedrige Schwierigkeitsgrad der einzelnen Rechenschritte. Die von einer künstlichen Intelligenz durchgeführten Matrixmultiplikationen profitieren nicht von der steigenden Leistungsfähigkeit moderner Central Processing Units. Die ursprünglich für Grafikanwendungen entwickelte Graphics Processing Unit führt zu leistungsstärkeren Ergebnissen. Auch die ASIC ist hier geeignet. Aktuell befindet sich eine von Google speziell für künstliche Intelligenz entwickelte sogenannte Tensor Processing Unit, die TPU, auf dem Markt. Gegenüber einer Central Processing Unit kann diese eine um den Faktor 80 verbesserte Rechenleistung einer installierten künstlichen Intelligenz aufweisen.⁴⁹

Der Markt an verfügbarer Hardware für den Bereich der künstlichen Intelligenz wächst schnell. Zu den führenden Anbietern gehört das Unternehmen Nvidia. Wichtiger Partner dieses Unternehmens ist das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) in Saarbrücken. 2016 brachte das Unternehmen Chips auf den Markt, die auch in der Cloud als Rechencluster für künstliche Intelligenz genutzt werden können. Der Konzern Google hat hier seine eigene Hardware entwickelt. Diese Hardware unter dem Namen TPU (Tensor Processing Unit)⁵⁰ eignet sich ebenfalls in besonderem Maße für Matrixoperationen. Diese aktuellen Entwicklungsansätze zur Hardware für künstliche Intelligenz sind vor allem für den stationären Einsatz, beispielsweise in Supercomputern, entwickelt.⁵¹

Nvidia bietet hier sowohl Graphic Provessing Units als auch Lösungen für künstliche neuronale Netze zum Training der künstlichen Intelligenz an.⁵²

Künstliche Intelligenz wird zunehmend mit Hardware ausgestattet, welche es ihr ermöglicht, auch andere menschliche Fähigkeiten, wie etwa die Sinneswahrnehmung, zu imitieren. So sind uns die durch künstliche Intelligenz gesteuerten Maschinen bereits im Sehen überlegen und können Bilder schneller und effizienter erkennen als Menschen. Den Bereich Hören und Sprechen kann man im Alltag an Sprachassistenten wie Google Home, Siri und Alexa ablesen. Diese Systeme sind in der Lage, Sprache zu hören, den Kontext zu analysieren, in angeschlossenen Systemen nach sinnvollen Antworten zu suchen und diese in gesprochener Sprache wieder auszugeben. Diese künstlichen Intelligenzen sind im Bereich Hören und Sprechen noch nicht auf dem Stand des Menschen. So kann Alexa zwar einen Witz vorlesen, ist jedoch außerstande, die Pointe auszumachen und beispielsweise eine stilistische Pause einzubauen. Mit dem Sprachassistenten Duplex von Google wurde eine künstliche Intelligenz vorgestellt, die von einem menschlichen Sprecher nur schwer unterschieden werden kann. Das wurde dadurch erreicht, dass der Sprachassistent beim Sprechen menschliches Verhalten imitiert, zum Beispiel ein leichtes Zögern im Sprachfluss, dass im Grunde genommen nicht notwendig wäre, aber ein Nachdenken der künstlichen Intelligenz suggeriert, welches faktisch nicht stattfindet.⁵³

2.4.1. Die gesellschaftliche Akzeptanz

Die Gesamtakzeptanz einer Innovation ergibt sich aus einer Kette von Zwischenakzeptanzen, so auch die Innovation der künstlichen Intelligenz. Sie erwächst beispielsweise aus dem sozialen Druck zur Akzeptanz. Dieser Druck besteht in der gesellschaftlichen Erwartungshaltung, eine künstliche Intelligenz, beispielsweise in Form eines Chatbots, zu bedienen. Dieser soziale Druck besteht aktuell nicht. Als eine mögliche Ursache kann angenommen werden, dass Chatbots in aller Regel von mobilen Endgeräten aus bedient werden. Damit verfügt die Bedienung des Chatbots über einen hohen Intimitätsgrad. Die Handlung ist in der Regel nicht beobachtbar. So ist der Aufbau eines sozialen Drucks unwahrscheinlich. Zwischen Nutzer und künstlicher Intelligenz besteht hier demnach ein hoher Intimitätsgrad.⁵⁴

Neben dem fehlenden sozialen Druck ist die mangelhafte Bekanntheit ein Hindernis beim Aufbau der gesellschaftlichen Akzeptanz der künstlichen Intelligenz. So sind gemäß einer Studie aus dem Jahr 2018 nur etwa 12% der Deutschen schon einmal bewusst mit einem Chatbot in Kontakt geraten. Jeder fünfte gab an, darüber Kenntnis zu besitzen, dass einem solchen Chatbot eine künstliche Intelligenz zu Grunde liegen kann. Nur jeder zehnte gab an, sich bewusst auf eine tatsächliche Kommunikation mit einem intelligenten Chatbot eingelassen zu haben. Unter Berücksichtigung des Altersdurchschnitts nimmt diese Rate ab einem Alter von 32 Jahren rapide ab. Unter den tatsächlichen Nutzern ist die Akzeptanz aber relativ hoch: Etwa ein Drittel der Nutzer werten die Erfahrung als positiv, über die Hälfte schildern ein neutrales Erlebnis. Damit bewerten nur wenige Nutzer die Erfahrung als negativ. Das häufigste Motiv für die Nutzung von Chatbots stellt die Anfrage an ein Kundencenter dar, etwa die Hälfte der tatsächlichen Nutzer kam aus diesem Motiv mit einem Chatbot in Kontakt. Die zweite Hälfte hat diese Kommunikation aus Gründen der Unterhaltung oder Neugier gesucht.⁵⁵

Wie bereits angeschnitten, ist bei der Akzeptanz von künstlicher Intelligenz in Gestalt von Chatbots ein Unterschied zwischen den Generationen beobachtbar. Eine Studie der AO Kaspersky kam im Jahre 2020 zu dem Schluss, dass die Generation der ab 1990 geborenen Personen gegenüber der Thematik der künstlichen Intelligenz wesentlich aufgeschlossener ist als die vorhergehenden Jahrgänge.⁵⁶ Die ältere Generation sorgt sich in Folge dessen neben den Schwierigkeiten bei der Bedienung um den Erhalt ihrer Beschäftigungsfähigkeit, beides stellt einen Negativindikator Akzeptanz dar. Analog dazu zeigt sich im Zusammenhang mit der demographischen Entwicklung eine relative Zunahme dieses Akzeptanzproblems, damit einhergehend ein steigender Mangel an kompetenten beziehungsweise ausgeschlossenen Arbeitskräften. Das Bewusstsein über den drohenden Verlust der eigenen Relevanz für den Arbeitsmarkt macht eine Akzeptanz durch die betroffenen Jahrgänge schwierig.⁵⁷

Die künstliche Intelligenz als Teil der Arbeitswelt 4.0 hat Auswirkungen auf Lebensbereiche, die unsere Identität definieren. Dazu gehört unser Sozialleben, unsere Arbeitsumgebung, unser Verständnis von Körperlichkeit, die Frage des Besitzes und letzten Endes auch unser Verständnis von Glaube und Sinnhaftigkeit.⁵⁸ Für die Zwecke der vorliegenden Arbeit ist vor allem die Säule Beruf und Arbeit relevant. Der durch Digitalisierung und künstliche Intelligenz angestoßene Wandel setzt Flexibilität seitens aller Akteure der Arbeitswelt voraus, um den Änderungen angemessen begegnen zu können. Aus dieser Notwendigkeit zur Identität des Opportunisten, der sich jedem neuen Wandel der Arbeitswelt anpasst, ergibt sich ein Anpassungsdruck. Grundsätzlich muss der Angestellte dieser Arbeitswelt wie ein Unternehmer handeln, sich aber gleichzeitig dem Vorgesetzten unterordnen. Diese Anforderung ist Anstoß für einen bedeutenden Wandel in der Arbeitskultur: die Führung wird nicht mehr ausschließlich über die Führungskraft selbst gestaltet, sondern auch von den Angestellten.⁵⁹ Diese Veränderungen können je nach persönlicher Einstellung einen positiven oder negativen Indikator darstellen.

Die sogenannte wahrgenommene Kompatibilität, also die subjektive Einschätzung darüber, ob die künstliche Intelligenz in der Gesellschaft der Zukunft tatsächlich im Alltag präsent und allgemein zugänglich sein wird, stellt einen weiteren Bestandteil des Akzeptanzprozesses dar. Das Selbstkonzept der Nutzer, die Bedienerfreundlichkeit der künstlichen Intelligenz, der wahrgenommene Mehrwert für den Nutzer und ein eventueller Unterhaltungswert der künstlichen Intelligenz haben ebenfalls einen hohen Effekt auf die Gesamtakzeptanz. Sind diese Kriterien positiv erfüllt, steigt die intrinsische Motivation zur Nutzung der künstlichen Intelligenz und damit die gesamtgesellschaftliche Akzeptanz. Unter Umständen wird die Software ab einem bestimmten Punkt ohne konkrete Zielvorgabe zum Zweck des Vergnügens genutzt. Die Akzeptanz der Nutzung künstlicher Intelligenz kann also langfristig sowohl einen utilitaristischen als auch einen hedonistischen Motivationshintergrund haben, also einer Akzeptanz, die sich sowohl aus der Funktionalität als auch aus dem Unterhaltungswert ergibt. Eine entsprechende emotionale Komponente in der Nutzung neuer Medien kann bereits heute im Kontext mit den sozialen Medien nachgewiesen werden.⁶⁰

Allgemein sind Konsumentenpräferenzen im Bereich neuer Medien schwer zu prognostizieren. Hiervon ist auch die künstliche Intelligenz betroffen, deren Nutzung speziell im Personalmanagement letztlich auf die Akzeptanz von Führungskräften und Mitarbeitern angewiesen ist.⁶¹ Hier erwartet der Konsument eine Problemlösung von dem Produkt. Der Grad der tatsächlichen Problemlösung stellt den Wert des Produkterwerbs dar. Positive Nutzenarten steigern diesen Grundnutzen. Auch betrachtet wird die relative Vorteilhaftigkeit der Nutzung künstlicher Intelligenz gegenüber einer Alternative.⁶²

Die Notwendigkeit und Lenkbarkeit der Aufrechterhaltung der menschlichen Kontrolle ist eine Frage, welche die Thematik der künstlichen Intelligenz sowohl reizvoll als auch bedrohlich macht.⁶³

Unter Beachtung der in Abschnitt 2.2. aufgeführten Punkte ist es denkbar, dass eine künstliche Intelligenz ohne den Mensch im Zentrum ihres Handelns zu agieren. Als extreme Folge dessen ist ein Szenario vorstellbar, in dem es keine menschliche Kontrolle mehr über die Welt gibt. Die künstliche Intelligenz wäre hier nicht länger der menschlichen Kontrolle unterworfen.⁶⁴

Auf Grund dieser Aussage kann angenommen werden, dass die subjektive Erwartungshaltung über die Wahrscheinlichkeit eines solchen Szenarios die Akzeptanz gegenüber Neuerungen aus dem Bereich der künstlichen Intelligenz beeinflusst. Subjektiv beunruhigend wirken kann ebenfalls der Umstand, dass die genaue Art und der Umfang des Lerneffekts, wie unter Punkt 2.2. dargestellt, bei bestimmten Formen des Machine Learning nicht eindeutig beobachtbar ist. Es ist nicht möglich, eine Aussage darüber zu treffen, was genau in diesem Prozess geschieht und worin sein Ergebnis besteht. Ursache und Wirkung sind nicht vollständig erklärbar. Um ethische und rechtliche Fragen in diesem Zusammenhang beantworten zu können und damit auch das gesellschaftliche Vertrauen in die künstliche Intelligenz zu steigern, wäre eine weitestgehend vollständige Erklärung dieser Prozesse notwendig.⁶⁵ Dies ist jedoch, wie in Abschnitt 2.2. dargestellt, nicht uneingeschränkt möglich.

[...]

---

¹ Vgl. Eubanks (2019), S. 2

² Vgl. Grohmann (2019), Onlinequelle

³ Vgl. Rönisch (2017), Onlinequelle

⁴ Vgl. Koelwel (2020), Onlinequelle

⁵ Vgl. Kroher, Rudschies (2021), Onlinequelle

⁶ Vgl. Heinrich (2021), Onlinequelle

⁷ Anmerkung: Soweit ausschließlich eine maskuline Bezeichnung, wie z. B. Endkunde, verwendet wird, gilt diese Bezeichnung für alle Geschlechter, es sei denn, die Bezeichnung bezieht sich auf eine bestimmte Person.

⁸ Vgl. Manteuffel (2019), Onlinequelle

⁹ Vgl. Culotta, Hartmann, Ten-Cate (2020), S. 3

¹⁰ Vgl. Bünte, C. (2020),S. 53f

¹¹ Vgl. Ertel (2016), S. 1

¹² Vgl. McCarthy, Minsky, Rochester, Shannon (1955), S. 2

¹³ Lange, Joseph, Faust (2018), S. 237

¹⁴ Vgl. Lange, Joseph, Faust (2018), S. 237f

¹⁵ Vgl. Mainzer (2019), S. 3

¹⁶ Mainzer, K. (2019), S. 3

¹⁷ Vgl. Mainzer (2019), S. 3

¹⁸ Vgl. Bünte (2020),S. 54

¹⁹ Vgl. Bünte (2020),S. 54

²⁰ Vgl. Moore (2019), S. 12f

²¹ Vgl. Lange, Joseph, Faust (2019), S. 238

²² Vgl. Könnecker (2017), S. 206

²³ Vgl. Moorstedt (2013), Onlinequelle

²⁴ Vgl. Turing (1950), S.433-435

²⁵ Vgl. Reddin, G. (2020), Onlinequelle

²⁶ Vgl. Julia (o. J.), Onlinequelle.

²⁷ Vgl. Bünte (2020),S. 54

²⁸ Frochte, J. (2020), S.13

²⁹ Vgl. Wein (2018), S. 9

³⁰ Lorenz (2020), S. 2

³¹ Vgl. Lorenz (2020), S. 3

³² Vgl. Reddin, G. (2020), Onlinequelle

³³ Vgl. Wein (2018), S. 9

³⁴ Vgl. Wein (2018), S. 11

³⁵ Vgl. Lorenz (2020), S.4

³⁶ Vgl. Wein (2018), S. 12

³⁷ Vgl. Lorenz (2020), S. 5

³⁸ Vgl. Wein (2018), S. 12

³⁹ Vgl. Wein (2018), S. 13

⁴⁰ Vgl. Ertel (2016), S. 313

⁴¹ Vgl. Lorenz (2020), S. 4

⁴² Vgl. Lorenz (2020), S. 14

⁴³ Vgl. Boucher (2019), S. 8

⁴⁴ Vgl. Lorenz (2020), S.6

⁴⁵ Vgl. Lorenz (2020), S. 5

⁴⁶ Vgl. Schürholz, Spritzner (2019), S. 36

⁴⁷ Vgl. Schürholz, Spritzner (2019), S. 39

⁴⁸ Vgl. Schürholz, Spritzner (2019), S. 39

⁴⁹ Vgl. Schürholz, Spritzner (2019), S. 40

⁵⁰ Vgl. Schürholz, Spritzner (2019), S. 41

⁵¹ Vgl. Schürholz, Spritzner (2019), S. 42

⁵² Vgl. Nvidia (2021), Onlinequelle

⁵³ Vgl. Bünte (2020), S. 198f

⁵⁴ Vgl. Diers (2020), S. 95f

⁵⁵ Vgl. Weiand (2018), Onlinequelle

⁵⁶ Vgl. AO Kaspersky (2020), S. 2

⁵⁷ Vgl. Ahrens, Schulte (2019), S. 48

⁵⁸ Vgl. Negri (2019), S. 101

⁵⁹ Vgl. Negri (2019), S. 105f

⁶⁰ Vgl. Diers, T. (2020), S. 96f

⁶¹ Vgl. Schlohmann, K. (2012), S. 1

⁶² Vgl. Schlohmann (2012), S. 97

⁶³ Vgl. Bryson, Theodorou (2019) , S. 305

⁶⁴ Vgl. Bryson, Theodorou (2019) , S. 308

⁶⁵ Vgl. Mainzer, K. (2019), S. 245