In der öffentlichen Debatte über die Einführung von KI-Systemen mischen sich Faszination und Bedenken. In aktuellen Umfragen zeigt sich, dass vierzig Prozent der Befragten aus Deutschland der Meinung sind, dass KI in den nächsten zehn Jahren negative Auswirkungen haben wird, wiederum vierzig Prozent erwarten gemischte Auswirkungen und nur vierzehn Prozent glauben an eine positive Entwicklung [1].

Liest man genauer in die aktuelle Studienlage hinein, wird deutlich, dass sich die Besorgnis nicht nur auf die KI-Technologien selber beziehen, sondern auch auf den Einfluss von KI auf politische Meinungsbildung, sowie die strukturellen Veränderungen, die mit ihnen einhergehen. Anders als bei früheren technischen Innovationen geht es nicht nur um die Herausforderung, technikbezogene Kompetenzen zu entwickeln, sondern mit einem weiter gefassten strukturellen (Um-)Denken konfrontiert zu sein.

Gesellschaftlich, institutionell und unternehmerisch stehen diese Transformationsprozesse noch ganz am Anfang. Immer mehr Unternehmen planen den Einsatz von KI-Technologien, sind aber zugleich mit Skepsis und Misstrauen konfrontiert. Im Folgenden werden zwei Prozess-Modelle vorgestellt, die auf verschiedenen Ebenen die Einführung von Innovationen beschreibbar machen. Daran anschließend wird das Prinzip der Selbstwirksamkeit erläutert und auf die Schnittstellen der beiden Prozessmodelle angewendet.

Sowohl auf der Unternehmensebene, als auch auf der individuellen Ebene, durchläuft die Implementierung von KI-Systemen einen Prozess mit mehreren Phasen. Im Rahmen eines Change-Managements in einem Unternehmen, können diese Phasen folgendermaßen ablaufen [2]:

1. Zielsetzung und Folgenabschätzung: Um Mitarbeiter:innen für die Akzeptanz von KI-Systemen zu gewinnen, ist die klare Kommunikation über den Zweck ihrer Implementierung unabdingbar. Auch die Folgen für die individuellen Anforderungen und Arbeitsprozesse sollten, soweit möglich, schon von Beginn an kommuniziert werden.
2. Planung und Gestaltung: In dieser Phase geht es um das konkrete Design der KI-Systeme, die sich möglichst effektiv in die Mensch-Maschine-Interaktion einfügen sollten. Transparenz und Erklärbarkeit der konkreten Umsetzungen stehen hierbei im Fokus.
3. Vorbereitung und Implementierung: Die KI-Systeme werden in diesem Schritt in bestehende oder angepasste Arbeitsprozesse und Organisationsstrukturen eingeführt. Es bieten sich Test- und Experimentierphasen an, um ggf. kompetenzbildende Maßnahmen zu ergreifen oder arbeitsstrukturelle Änderungen vorzunehmen.
4. Evaluation und Anpassung: Nach der Einführung der KI-Systeme sollten immer wieder Überprüfungen der Maßnahmen erfolgen. Mitarbeiter:innen sind idealerweise in diese Evaluationsprozesse eingebunden, sodass sie ihre Erfahrungen teilen, eventuelle Verbesserungen vorschlagen und Kompetenzlücken kommunizieren können.

Ein solches Phasen-Modell macht deutlich, dass die Implementierung von KI-Systemen Zeit braucht. Außerdem ist der ständige Austausch mit den Mitarbeiter:innen vonnöten, um eine Mitgestaltung des Prozesses zu fördern. In der Entzerrung von Veränderungen durch klar strukturierte Schritte, wie sie das Phasenmodell vorschlägt, ergibt sich außerdem Raum zur Diskussion und zum Austausch über die konkreten Umsetzungen.

Nicht nur auf der strukturellen Ebene fordern KI-Implementierungen einen Veränderungsprozess heraus, sondern auch auf der individuellen Ebene werden mehrere Schritte durchlaufen, wenn es um die Akzeptanz einer Neuerung und Veränderung geht. Dazu lässt sich der Adoptionsprozess nach Rogers aus dem Jahr 1983 hinzuziehen [3]. Dieser unterteilt sich in folgende fünf Phasen (Ebd.):

1. Wissen: In dieser Phase wird sich das Individuum über die Innovation bewusst und erlangt Wissen über die spezifischen Neuerungen. Hierbei spielen sozioökonomische Faktoren wie Bildung eine Rolle, aber auch individuelle Persönlichkeitsmerkmale und das Kommunikationsverhalten.
2. Persuasion: Diese Phase gilt als besonderes relevant. Es ist die Phase, in der das Individuum sich eine Meinung bildet und eine Haltung zur Innovation entwickelt. Es nehmen wiederum fünf Faktoren Einfluss auf die Wahrscheinlichkeit zur Akzeptanz der Innovation: Der relative Vorteil, der sich aus der Differenz zum bereits Bekannten ableitet, die Kompatibilität mit bestehenden Wertesystemen und Bedürfnissen, die Unsicherheit mit der Komplexität der Innovation umgehen zu können, die Möglichkeiten des Erprobens in Form von Testphasen, sowie die Kommunizierbarkeit gegenüber Dritten.
3. Entscheidung: Ableitend aus der vorherigen Phase wird entweder eine ablehnende oder eine befürwortende Haltung entwickelt. Die getroffene Entscheidung kann sich immer wieder ändern, da alle Phasen einer prozessualen Logik folgen.
4. Implementierung: Dieser Schritt beschreibt den Einsatz einer Innovation in einem konkreten Kontext und auch die Erfahrungen, die mit der Implementierung gemacht werden.
5. Bestätigung: Sobald eine Entscheidung getroffen ist, wird nach Faktoren gesucht, die diese stützen, um mögliche Spannungen (in der Psychologie auch kognitive Dissonanzen genannt) zu vermeiden.

Rogers Modell gilt auch heute noch als Bezugsmodell, wenn es um die Erforschung von Technologieakzeptanz geht. Als Erweiterungen des Modells gelten die wahrgenommene Nützlichkeit der Innovation, sowie das Vertrauen der Nutzer:innen [4]. Das Vertrauen bezieht sich dabei nicht nur auf die Technologie selbst, sondern auch auf den Kontext, in dem das neue System eingeführt wird. Ist das Vertrauen in das Unternehmen nicht gegeben, wird es deutlich schwerer, einen Veränderungsprozess auf struktureller und individueller Ebene zu initiieren. Die Nützlichkeit einer Innovation kann sich wiederum nur erweisen, wenn die Offenheit zur Erprobung gegeben ist. Und diese ist wiederum mit dem Vertrauen in das Unternehmen oder die übergeordnete Struktur gekoppelt.

Aber noch eine weitere Ebene von Vertrauen ist in diese Zusammenhänge eingebettet: Das Selbstvertrauen, mit der Komplexität der Innovation umgehen zu können.

Insbesondere in der Phase zwei des Akzeptanzmodells nach Rogers wird diese Komponente mit aufgenommen, jedoch nicht vertiefend beleuchtet. Auch für das Change Management in Unternehmen ist es wichtig, dass Mitarbeiter:innen in Zeiten des Wandels Vertrauen in die eigenen Fähigkeiten und den Umgang mit Innovationen entwickeln. An diesem Punkt lässt sich die Kompetenz der Selbstwirksamkeit ins Feld führen, die großen Einfluss auf den Umgang mit Veränderung und Komplexität nimmt.

Das Konzept der Selbstwirksamkeit geht zurück auf die sozial-kognitive Lerntheorie von Bandura [5]. Er definiert den Begriff mit den Worten: „It is concerned not with the skills one has, but with the judgements of what one can do with whatever skills one possesses [6].” Die Selbstwirksamkeitserwartung geht also nicht aus den konkreten Fähigkeiten einer Person hervor, sondern aus ihrer individuellen Bewertung dieser Fähigkeiten mit Blick auf die zu bewältigende Aufgabe. Ist eine hohe Selbstwirksamkeit gegeben, nimmt diese maßgeblichen Einfluss auf die Haltung, Lösungsfokussierung und Zuversicht in Bezug auf die bestehenden Herausforderungen.

Je höher die Selbstwirksamkeitserwartung ausfällt, desto wahrscheinlicher ist das Bewältigen von Aufgaben, was die Selbstwirksamkeitserwartung erneut steigert und damit einen positiven Verstärkungsmechanismus fördert. Andersherum ist die Entwicklung ebenfalls möglich, sodass eine geringe Selbstwirksamkeitserwartung zum frühzeitigen Abbrechen oder Aufgeben führen kann, was das Gefühl ebenfalls verstärkt und Einfluss auf den zukünftigen Umgang mit Herausforderungen nehmen kann.

Auch andere Personen haben Einfluss auf diese Mechanismen, indem sie die subjektiven Beurteilungen der eigenen Fähigkeiten entweder bestätigen oder verneinen können. Dies kann sowohl positiv als auch negativ auf die Selbstwirksamkeit einwirken.

Bezieht man diese Erkenntnisse auf die Phasen eines Change Management Prozesses, kann die Reflexion über die individuellen Selbstwirksamkeitserwartungen in Bezug auf die Implementierung von Innovationen sehr hilfreich sein. Auch die gruppendynamischen Prozesse sind dabei relevant. Ohne in übersteigerte Euphorie abzudriften und unrealistische Ziele anzustreben, können Momente der Bestärkung und Reflexion auch auf der Team-Ebene helfen, um die individuellen Selbstwirksamkeitserwartungen zu steigern. Um einem vermeintlichen Druck des Gelingens entgegenzuwirken, können die in beiden Modellen genannten Testphasen sehr hilfreich sein. Ist noch nicht klar zu entscheiden, ob die individuellen Fähigkeiten ausreichen, um die zu bewältigende Aufgabe zu meistern, bietet beispielsweise ein Pilotprojekt einen sanktionsfreien Rahmen, um spielerisch mit den Grenzen der Selbstwirksamkeitserwartung umzugehen.

Mit Blick auf die Implementierung von KI-Systemen spielt die Selbstwirksamkeitserwartung eine entscheidende Rolle. Schon für die erste Phase nach Rogers, die das Sammeln von Wissen über die Innovation impliziert, ist die Erwartung vonnöten, dass die eigenen Fähigkeiten ausreichen, um zu verstehen, was die Innovation mit sich bringt und wie sie funktioniert. Das bedeutet auch, emotionale, mentale und physische Kapazitäten für die Beschäftigung mit dem Neuen zu haben.

In Phase zwei wird die Selbstwirksamkeitserwartung ganz konkret in die Entscheidung integriert, ob eine ablehnende oder befürwortende Haltung eingenommen wird. Hier wird die Unsicherheit mit Blick auf die Komplexität der Innovation benannt. Insbesondere bei der Beschäftigung mit KI kommen diese Unsicherheiten auf, da der Erfahrungshorizont auf den ersten Blick wenige Bezugspunkte bietet. Wie soll man sich, ganz einfach gesagt, selbstwirksam in Bezug auf das völlig Unbekannte fühlen? Erst wenn der erste Schritt getan ist, zeigt sich oft, dass Verbindungen zum bereits Bekannten gezogen werden können und auch die Implementierung von KI sich in einen bestehenden Verstehenshorizont integrieren kann. Vor allem in der ganz konkreten Anwendung von Tools zeigen sich diese möglichen Bezüge. Auf einer Metaebene des Diskurses und in Fragen nach den gesellschaftlichen und individuellen Transformationen durch die KI-Entwicklung, sind viele Fragen offen und mit ihnen schwingt die Unsicherheit.

In einem jüngst erschienen Artikel schlagen die Autor:innen vor, eine Messmethode für die Selbstwirksamkeit in Bezug auf den Umgang mit KI zu entwickeln [7]. Insbesondere für Unternehmen, die KI zum Einsatz bringen wollen, aber auch für die Entwicklung von KI-Technologien könne eine Skalierung der AISE (AI-Self-Efficiacy) hilfreich sein. Die Ermittlung der Faktoren, auf denen die Messbarkeit der AISE beruht, ist noch in den Anfängen. Im Artikel zeigt sich außerdem, dass die Selbstwirksamkeit vor allem in Bezug auf den konkreten Umgang mit KI untersucht wird.

Jenseits der Anwendungsfrage eröffnet KI derzeit ein ganzes Feld an Diskursen, die weit über die konkrete Implementierung von KI-basierten Tools hinausreichen. So ist vermehrt von der sogenannten VUCA-Welt oder VUCA-Zeit die Rede. Das Akronym VUCA setzt sich dabei zusammen aus „Volatility“, „Uncertainty“, „Complexity“ und „Ambiguity“ [8]. VUCA steht für ein Gefühl, das sich aus verschiedensten Krisen und Umbrüchen ergibt, die diese Zeit prägen. Der technologische Wandel ist eine Komponente, die zu VUCA beiträgt und Überforderung und Unsicherheit hervorrufen kann. Das Gefühl der Beschleunigung, das unter anderem mit der digitalen Transformation in Verbindung gebracht wird, bekommt mit dem verstärkten Einsatz von KI einen weiteren Anstoß.

Auf dieser Metaebene betrachtet, stößt die gefühlte Selbstwirksamkeit bei vielen an ihre Grenzen. Dann steht die Implementierung eines KI-Tools vielleicht nicht mehr für vermeintlich kleine Veränderungen von Arbeitsprozessen, sondern gefühlt für große transformative und überfordernde gesellschaftliche Umwälzungen. Modelle wie die beiden angeführten können dabei helfen, den Blick für diese Zusammenhänge und Bedenken zu stärken, die Akzeptanz von Innovationen als Prozess zu verstehen und damit die notwendige Zeit für die Entwicklung einer Haltung einzuräumen.

Zusammenfassend lässt sich festhalten, dass ein vertiefender Blick auf die Zusammenhänge von Selbstwirksamkeit und KI-Akzeptanz lohnenswert ist. Sowohl auf individueller, unternehmerischer, als auch systemischer Ebene kann eine Reflexion der individuellen und gemeinschaftlichen Selbstwirksamkeitserwartung – sowie ihrer Grenzen – in Zeiten des Wandels hilfreich sein.

Quellen:

[1] Von Lindern, Jakob: Zeit Online, 14.04.2023, Risiken von KI – Mehr als die Hälfte der Deutschen hat Angst vor KI, https://www.zeit.de/digital/2023-04/ki-risiken-angst-umfrage-forschung-kira/komplettansicht, zuletzt aufgerufen: 19.07.2023.

[2] Sascha Stowasser/ Oliver Suchy et al. (2020): Einführung von KI-Systemen in Unternehmen, Gestaltungsansätze für das Change- Management, Whitepaper aus der Plattform Lernende Systeme, München.

[3] Jung, M., & Garrel, J. v. (2021). Mitarbeiterfreundliche Implementierung von KI #Systemen im Hinblick auf Akzeptanz und Vertrauen: Erarbeitung eines Forschungsmodells auf Basis einer qualitativen Analyse. TATuP – Zeitschrift für Technikfolgenabschätzung in Theorie und Praxis / Journal for Technology Assessment in Theory and Practice, 30(3), 37-43, https://doi.org/10.14512/tatup.30.3.37, zuletzt aufgerufen: 19.07.2023.

[4] Pavlou 2003: Pavlou, Paul (2003): Consumer acceptance of electronic commerce. Integrating trust and risk with the technology acceptance model. In: International Jour‐ nal of Electronic Commerce 7 (3), S. 101–134, https://doi.org/10.1080/10864415 .2003.11044275, zuletzt aufgerufen: 19.07.2023.

[5] Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review 84 (2), 191–215, zitiert nach: Jung, M., & Garrel, J. v. (2021). Mitarbeiterfreundliche Implementierung von KI #Systemen im Hinblick auf Akzeptanz und Vertrauen: Erarbeitung eines Forschungsmodells auf Basis einer qualitativen Analyse. TATuP – Zeitschrift für Technikfolgenabschätzung in Theorie und Praxis / Journal for Technology Assessment in Theory and Practice, 30(3), 37-43, https://doi.org/10.14512/tatup.30.3.37, zuletzt aufgerufen: 19.07.2023.

[6] Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Englewood Cliffs, NJ: Prentice Hall, zitiert nach: Jung, M., & Garrel, J. v. (2021). Mitarbeiterfreundliche Implementierung von KI #Systemen im Hinblick auf Akzeptanz und Vertrauen: Erarbeitung eines Forschungsmodells auf Basis einer qualitativen Analyse. TATuP – Zeitschrift für Technikfolgenabschätzung in Theorie und Praxis / Journal for Technology Assessment in Theory and Practice, 30(3), 37-43, https://doi.org/10.14512/tatup.30.3.37, zuletzt aufgerufen: 19.07.2023.

[7] Wang, Yu-Yin/Chaung, Yu-Wei (2023): Artificial intelligence self‐efficacy: Scale development and validation, Education and Information Technologies, https://doi.org/10.1007/s10639-023-12015-w, zuletzt aufgerufen: 19.07.2023.

[8] Lenz, Uwe: Coaching im Kontext der VUCA Welt: Der Umbruch steht bevor, in: Heller, Jutta (Hrsg.): Resilienz für die VUCA-Welt. Individuelle und organisationale Resilienz entwickeln, Wiesbaden 2019, S. 49-68.