Ermöglichung menschenzentrierter Wertschöpfung auf Basis von Daten: Zum Potenzial künstlicher Intelligenz im Personalmanagement

Wenn wir sinnvoll über Technologie zwischen Innovation und Komplexität sprechen wollen, müssen wir immer noch und zunehmend menschenzentriert denken, insbesondere in einem Bereich wie Human Resources. Wie kann KI HR-Teams unterstützen?

Von

4. August 2022

Als Medienwissenschaftler lehre ich an mehreren internationalen Universitäten. Als Komplexitätsforscher vertrete ich vor allem den konstruktivistischen Ansatz, konzentriere mich auf menschenzentrierte Konzepte und bin neugierig auf die Diskrepanz zwischen der Aktualität der Technik und dem menschlichen Potenzial. Ich forsche in den Bereichen kybernetische Erkenntnistheorie, systemische Anthropologie und verfolge weitere Interessen in verschiedenen Disziplinen. Ich bin Autor wissenschaftlicher Bücher in den Bereichen konstruktivistische Philosophie, begriffliche Lexikologie, strategische Orientierung sowie erkenntnistheoretische, ethische, pädagogische und wirtschaftliche Aspekte der künstlichen Intelligenz. In diesem Zusammenhang beantworte ich gelegentlich spannende Studierenden-Fragen oder nehme insbesondere gerne etwa an unstrukturierten, narrativen oder problemzentrierten Befragungen teil, um meine Ansichten und Findungen oft mit einer aufklärenden Intention zusammenzufassen. Auf eine knappe Auswahl besonders oft vorkommender Fragestellungen gehe ich im Folgenden kurz ein.

Unter welchen Bedingungen ist der Einsatz von Künstlicher Intelligenz im Bewerbungsprozess sinnvoll? Welche Voraussetzungen müssen erfüllt sein, damit KI in der Personalmanagement-Branche sinnvoll ist?

In einem zukunftsträchtigen, technologisch anspruchsvollen Praxisfeld, in dem der Innovationsbedarf auf eine zunehmende Komplexität trifft, ist es meines Erachtens wichtig, zwischen Potenzial und Aktualität der zu erfüllenden Anforderung an die Wertschöpfung zu differenzieren. Wenn Sie vor fast 200 Jahren fragen würden, ob zum Beispiel Prototypen von Verbrennungsmotoren – die damals noch ineffizient, schwerfällig und gefährlich waren – sinnvoll wären, würde ein „realistischer“ – also aktueller, kurzsichtiger und pragmatischer – denkender Praktiker Ihre Frage vehement verneinen. Ein der Komplexität offener Visionär würde sicher anders urteilen – im Beispiel mit dem Verbrennungsmotor haben sich diese auch in der Industriegeschichte durchgesetzt. Da ich mit der zweiten Perspektive sympathisiere, möchte ich weniger über die derzeit als „schwach“ einzustufende KI und mehr über die potenziell denkbare KI der nahen Zukunft sprechen; denn unter günstigen Bedingungen verläuft die Entwicklung schneller als beim Verbrennungsmotor. Auch hier sollte der richtige Blick nicht auf die Vergangenheit oder Zukunft des Motors selbst gerichtet sein, sondern auf das technologische Potenzial der Mobilität. Denn wenn wir sinnvoll über Technologie zwischen Innovation und Komplexität sprechen wollen, müssen wir immer noch und zunehmend menschenzentriert denken, insbesondere in einem Bereich wie Human Resources.

Wie bereits in Publikationen und Interviews betont, aus der von mir bevorzugten kybernetischen Perspektive ist „Künstliche Intelligenz“ ein legitimer Oberbegriff, der in erster Näherung – also technologieübergreifend – mit einer datengetriebenen Automatisierung von Selbstregulierungsprozessen in Verbindung gebracht wird, die „programmierte“ Statistik oder Mathematik mit der Entwicklung entsprechender Modelle voraussetzt. Auch fortschrittliche Praktiker betonen inzwischen, dass Unternehmen grundsätzlich „datenzentriert“ werden sollten, um wirklich sinnvolle KI-Potenziale verwirklichen zu können; sie sprechen über Data-Centric AI.

Also, um nun auf konkret Ihre Frage zu kommen: Die sinnvolle Funktionalität von KI hängt maßgeblich von Datenqualität. Also gehen Sie in Ihrer Frage richtig auf Voraussetzungen ein, und eine davon wäre eben die Datenqualität – eine mit Sicherheit mittel- bis langfristige Angelegenheit, denn unter aktuellen technologischen und gesellschaftlichen – also ethischen, gesetzlichen und Gegebenheiten – kann diese nicht vorausgesetzt werden.

Zweite Voraussetzung ist auch nicht rein technologisch, wie es oft bei KI der Fall ist, sondern mindestens ethisch, aber auch der zu automatisierenden Verfahren zugrunde liegende Wertschöpfungsmodelle spielen eine erhebliche Rolle. Denn KI ist grundsätzlich weniger für Prozessoptimierung durch Teilautomatisierung sinnvoll, sondern überwiegend bis ausschließlich – und darin besteht ihre eigentliche echte Potenzialität – in innovativen Wertschöpfungen auf. Die neuen Wertschöpfungen krempeln die ursprünglichen Anwendungsbereiche mit ihren Verfahren aber radikal auf, also disruptiv. Auch etwa autonomes Fahren (als medial wohl bekannteste Beispiel) scheitert aktuell weniger an der KI-Technologie selbst, sondern an der Datenqualität, die aninfrastrukturelle Gegebenheiten (z.B. flächendeckende Netzqualität des 5G-Netzes) gekoppelt ist.Also damit Wissensmanagement im Personalmanagement innovationsgerecht – insbesondere unter Verwendung datenbasierter Verfahren – skaliert werden kann, muss aus dem klassischen Personalmanagement mit ihren Bewerbungsverfahren und Interviews, eine auf innovativerWertschöpfung basierende Kultur emergieren, deren zentrale Aufgabe darin besteht, die verwertbare menschliche Qualität eines potenziellen Mitarbeiters datenbasiert mit der marktgerechtenAnforderung des jeweiligen Aufgabengebiets dynamisch und skalierbar abgleicht, was auch in die jeweiligen Berufsbildungssysteme eingreift. Wenn das der Fall ist, geht datenbasiertes Wissensmanagement – u.a. mit schrittweiser Implementierung von KI-Expertensystemen – in Bewerbungsverfahren sinnvoll auf.

Bis dahin wird wohl bereichsspezifisch für jeden Teilprozess ein eigenes Expertensystem implementiert. Selbstverständlich wird das Verfahrensdesign so konzipiert sein müssen, dass Anonymität von Daten im Sinn des aktuellen Datenschutzes gewährleistet werden kann. Im Einklang mit dem aktuellen noch sicherlich weiter zu justierenden Datenschutzverständnis werden Bewerber, den von datenbasierten Expertensystemen automatisiertes Verfahren weitgehend verstehen, es annehmen und juristisch konform akzeptieren müssen, sonst drohen Klagen. Unter anderem müssen algorithmisch gestützte Verfahren verständlich gemacht werden, was die entsprechende Medienkompetenz von allen Beteiligten und Betroffenen werden. Dabei soll Diskriminierungsgefahr weitgehend ausgeschlossen werden, was weniger mit KI als solcher zu tun hat, sondern mehr mit dem ggf. überlieferten Prozessdesign selbst. Damit die in der Personalwirtschaft eingesetzten datenbasierten Verfahren gerechter werden, müssen sie transparent oder zumindest objektivierbar sein, was schwierig ist, weil Diskretion in Bewerbungsprozessen mit dem Missbrauchspotential der beteiligten Personen oder Organisationsinteressen korreliert.

Wichtig ist Transparenz von Auswahlprozessen vor allem aus Gründen, die mit (a) der Akzeptanz von KI-Lösungen in der Übergangsphase der Umsetzung und (b) ethischer Vertretbarkeit zu tun haben, die in der eigentlichen Unternehmenspraxis aber neben dem üblichen Gefahrpotenzial für die Reputation des Unternehmens vor allem mit rechtlicher Schadensbegrenzung einhergeht. Denn ohne Vertrauen in die „Fairness“ von Algorithmen/Ermessensroutinen und dem darauf beruhenden Ermessensspielraum werden die mit ihrer Hilfe getroffenen Personalentscheidungen eher angefochten, und obwohl die Entscheidungen ohnehin dem unternehmerischen Ermessen des Betroffenen unterliegen, müssen verantwortlichen Personalentscheider mindestens die rechtlich relevanten Tatsachen einer denkbaren Diskriminierung „sauber“ ausschließen können. Aber auch nachdem Verfahren etwa für die datengestützte Automatisierung optimiert sind, sollen qualitativ hochwertige Trainingsdaten von implementierten KIs erlernbar vorliegen.

Damit datenbasierte Ermessens-Entscheidungen für Bewerber und Personaler in den aktuellen praktizierten Personalmanagement-Verfahren an Unternehmen nachvollziehbar sind, sollen grundsätzlich vor allem Prozesse fokussiert werden, deren Automatisierung den Bewerbern und dem Unternehmen einen erkennbaren oder messbaren Mehrwert bringt. Selbstverständlich werden auch Mitarbeiter in der Lage sein müssen, auch ohne IT-Kenntnisse mit KI umgehen zu können.

Solange Verfahren nicht im Sinn menschenzentrierter und somit auch konsequent ethischer Wertschöpfung an datenbasierte Effizienz-Infrastrukturen von vernetzten Experten-Systemen angepasst sind, bleiben auch KI-Systeme schwach skalierbar; bis dahin müssen konkrete Ziele permanent neu definiert und justiert werden. Unternehmen entscheiden so lange gemeinsam mit KI-Entwicklern nach Möglichkeit mit, welche KI-Systeme zu ihren Besonderheiten oder speziellen Wünschen passen. Solange sich die entsprechende Kultur, die ich mit meinem Governance-Konzept „Mensch-KI-Intersubjektivität“ verbinde (erklärt u.a. in meinem letzten Buch „Infosomatische Wende“ 2021) noch nicht etabliert hat, wird sich der Mensch auf beiden Seiten (aber vor allem Bewerber) bemühen müssen, sich vor der Maschine im Sinn der aktuell geltenden Paradigmen wie Mensch-Maschine-Kommunikation vor allem in Vorstellungsinterviews nicht zu verstellen, denn diverse Ehrlichkeits-Überprüfungs-Routinen, die mehr oder weniger sämtlichen psychologisch fundierten Interview-Verfahren bis auf weiteres eigen sind, werden es sicher zu checken versuchen, und – z.B. als die auf Machine Learning basierte Expertensysteme – dabei auch lernen, nicht ausgetrickst zu werden, was zu einer gewissen Eskalation führen wird.

Aber auch wenn diese Praxis meines Erachtens auf dem überholten Menschenbild basiert, wird sie mittelfristig kaum aufgehoben. Denn im aktuellen Diskurs, meist an repräsentative Modelle menschlicher Intelligenz angelehnt, bedeutet KI im Wesentlichen adaptive und skalierbare Hilfsintelligenz, der die Expertenfunktion zugeordnet wird. Abstrahiert von der aktuellen Pragmatik bedeutet KI im zivilisatorischen Sinne – und das ist meine eigene Definition aus „AI-Thinking“ (2019) – vor allem Entzerrung von Medialität – also jener Redundanz, die dem gegenseitigen Verständnis agierender Menschen im Wege steht; es würde allerdings zu weit führen, hier ins Detail zu gehen, aber ich möchte auf meine Buchveröffentlichungen verweisen. In dem späteren Buch „Infosomatische Wende“ (2021) begründe ich
Befürworten Sie eine vollständige Automatisierung von Bewerbungsprozessen durch KI, sind Sie dagegen oder würden Sie nur bestimmte Bereiche des Bewerbungsprozesses automatisieren und wenn ja, welche wären das?

Sie haben es sicher bereits erkannt, dass ich aus vielerlei Gründen skeptisch gegenüber dem üblicherweise praktizierten Bewerbungsverständnis bin, und wesentlich deshalb, weil die meisten Bewerbungsprozesse in der Praxis vor allem Verfahrenskenntnis überprüfen und die Motivation von Kandidaten, sich mit den letzteren auseinanderzusetzen. Angefangen von dem „richtigen“ Bewerbungsschreiben, über die stringent geregelte und auch diversen Trends und Moden unterworfene, also sehr aktualitätsbewusste, Lebenslaufgestaltung bis hin zum Gesprächsablauf, sind Rituale, unlaute Regeln und ein gewisses Ausmaß an Spielerei ihre wichtigen Bestandteile. Das entspricht der Praxis, dass wenn ein per Bildungshintergrund und Erfahrung grundsätzlich qualifizierter Bewerber sich unter Voraussetzung eines erheblichen Aufwands, die Mühe gibt, sind seine Chancen recht hoch, eingestellt zu werden, wobei so überwiegend seine Motivation überprüft wird, und faktisch die spezifische Bewerbungsverfahren-Kompetenz. Das tückische ist dabei, dass Motivation, die oft mehr monetär als inhaltlich (also Überlebensnotwendigkeit anstelle von echter Berufung oder Inspiration) begründet ist, nicht unbedingt dazu beiträgt, dass wirklich effektive – also inspirierte, vielseitige, strategisch intelligente und kreative – Mitarbeiter gewonnen werden, sondern bestenfalls der Effizienz verpflichteten hoch arbeitsteiligen Teams gebildet werden. Aber in einer nahen Zukunft mit KI wird gerade inspirierte, kreative und innovative Effektivität von menschlichen Mitarbeitern als Fähigkeit, richtige Dinge zu tun, pendent zu meinem Verständnis von strategischerIntelligenz, aufgewertet, und nicht ausschließlich jene Effizienz, die tendenziell von KIs übernommen wird.

Wie alle arbeitsteiligen Prozesse kann prinzipiell jedes Bewerbungsverfahren automatisiert werden, aber ob das sinnvoll ist, wage ich zu bezweifeln. Denn es kann schnell kommen, dass man mit einem Atomreaktor einen Handventilator antreibt. In einem Interview auf „Intelligente Welt“ habe ich meine Vision für datenbasierte Automatisierung von Bewerbungsverfahren bereits beschrieben, die darin besteht, dass wenn KI lebensbegleitend die wichtigsten Bildungsdaten einer Person in Echtzeit sammelt, gewichtet und repräsentierbar macht, diese dann samt datengestützter Potenzialanalyse echten Mehrwert haben, und zwar auf der Orientierungs-, Bildungs- und Berufsberatungsebene für die „betroffene“ Person selbst als auch für die HR als Schnittstelle zu Unternehmen. Ich diesem Sinn bin ich dafür, dass Bewerbungsprozesse vollständig automatisiert werden, aber nur unter genannten Voraussetzungen innerhalb des soeben kurz skizzierten ganzheitlichen und menschenzentrierten Ansatzes.

Da diese Entwicklung aus der aktuellen Praxis heraus jedoch erst sukzessive implementiert werden kann, schweben mir Bereiche wie datenbasierte – und somit ggf. konsequent individualisierte und bedarfsentsprechend visualisierte – CV-Generierung oder automatisiertes Interview mit einem erweiterten „mitdenkenden“ (Chatbot oder einem ggf. anthropomorphen Sprachassistenten) vor, aber auch mehr – Innovationen, die notwendig sind, um an die aktuelle Bewerbungskultur anzudocken und somit eine Kontinuität bei der Umstellung auf das konsequent datenbasierte Personalmanagement als qualitativ emergente Wertschöpfung zu ermöglichen.

Dr. Leon Tsvasman lehrt an mehreren staatlichen und privaten Universitäten weltweit, insbesondere in Deutschland und den USA. Seine interdisziplinär fundierte Forschung bezieht sich auf Innovation, Kybernetik, künstliche Intelligenz, Medienethik, Informationsökonomie etc. Er ist Autor von mehreren philosophischen, populären und fachwissenschaftlichen Werken.

Um einen Kommentar zu hinterlassen müssen sie Autor sein, oder mit Ihrem LinkedIn Account eingeloggt sein.

29725

share

Artikel teilen

Top Artikel

Ähnliche Artikel