…

Zum Thema Geschwindigkeit ist ein Fall von J. P. Morgan Chase interessant. Das Unternehmen führte ein System für die Prüfung kommerzieller Kreditverträge ein. Die Arbeit, mit der Kreditsachbearbeiter früher 360.000 Stunden beschäftigt waren, kann heute innerhalb weniger Sekunden erledigt werden.

Durch die Kombination ihrer Fähigkeiten können Menschen und künstliche Intelligenz ihre jeweiligen Stärken gezielt ausbauen und gemeinsam das Ergebnis erheblich verbessern. Das betrifft auf der Seite des Menschen die Kompetenz in Führung, Teamarbeit, Kreativität und sozialen Fähigkeiten. Auf der Seite der Maschinen liegen die Stärken in der Schnelligkeit, Skalierbarkeit und quantitativen Möglichkeit. Einen Witz zu machen, ist für Menschen eine normale Sache, für Maschinen überaus schwierig umzusetzen. Für Maschinen ist die Analyse von großen Datenmengen unproblematisch, für Menschen jedoch eine unüberwindbare Hausforderung. Beide Arten von Kompetenzen sind die ideale Kombination. Und jeder hat seine Aufgaben. Der Mensch hilft der Maschine und die Maschine hilft dem Menschen.

Konkret ist der Mensch für die Entwicklung der künstlichen Intelligenz zuständig. Der Mensch schafft die Voraussetzung, dass die künstliche Intelligenz richtig lernen kann. Zum Beispiel muss der Mensch der Maschine beibringen, Redewendungen richtig zu interpretieren. Bei Cortana, dem Assistenten von Microsoft, hat es lange gedauert, bis der Chatbot die richtige Persönlichkeit für seine Aufgaben erhielt. Ein Team von Lyrikern, Schriftstellern und Dramatikern flößten in unzähligen Arbeitsstunden der Maschine die sprachlichen Eigenschaften für Souveränität, Fürsorge und Hilfsbereitschaft ein, ohne dass das System dabei rechthaberisch zu sein scheint. Ähnlich erfolgte dies bei Alexa und Siri. Siri hat beispielsweise genau die richtige Prise Überheblichkeit, die Kunden in der Regel mit Apple verbinden. Aktuell sollen Assistenten lernen, komplexere und subtilere menschliche Eigenschaften in ihr Repertoire aufzunehmen, wie etwa Mitgefühl. Das Start-up Koko, ein Ableger des MIT-Media-Labs, hat eine Technologie entwickelt, die KI-Assistenten mitfühlend erscheinen lässt. Wenn ein Nutzer einen schlechten Tag hat, antwortet Koko nicht mit einer Floskel wie „Das tut mir sehr leid“. Stattdessen fragt das System nach zusätzlichen Informationen und hilft dem Nutzer, die Dinge in einem anderen Licht zu betrachten. Bei Stress könnte Koko vorschlagen, die Anspannung als positiven emotionalen Zustand zu betrachten, aus dem Veränderungen hervorgehen können.

Eine große Aufgabe für den Menschen liegt in der Erklärung von Entscheidungen durch die künstliche Intelligenz. Wir sprechen hier vom sogenannten Blackbox-Problem. Dazu sollte der Mensch erkennen können, wie und durch welchen Input die künstliche Intelligenz zu ihrer Entscheidung gekommen ist. Versicherungsunternehmen und die Justiz brauchen diese Experten, um zu erklären, aus welchen Gründen ein autonom fahrendes Auto eine Route eingeschlagen hat, die zu einem Unfall geführt hat, oder warum ein Zusammenstoß nicht vermieden werden konnte. Vor allem dann, wenn mit maschineller Unterstützung erzielte Ergebnisse als unfair, nicht den rechtlichen Vorschriften entsprechend oder als falsch angesehen werden könnten. Zudem geben die neuen Vorschriften der Europäischen Union zum Datenschutz den Verbrauchern das Recht, Erklärungen zu verlangen, die aufgrund von Algorithmen getroffen wurden.

Der Mensch muss natürlich auch die künstliche Intelligenz laufend überwachen, sodass das System reibungslos und sicher arbeitet und darüber hinaus verantwortungsbewusst eingesetzt wird, vor allem in Bezug auf Sicherheitslücken und externe Angriffe. Auch die Ethik spielt eine große Rolle. Es sollte zu keinen Diskriminierungen von bestimmten Menschen führen und alle Rechtsvorschriften müssen eingehalten werden.

Umgekehrt hilft die Maschine den Menschen. Die künstliche Intelligenz kann die analytischen Fähigkeiten und unsere Entscheidungsfindung verbessern. Aber sie kann auch die Kreativität erhöhen. Das System Dreamcatcher fasziniert selbst erfahrene Designer. Eine Designerin füttert Dreamcatcher mit den Kriterien, die ihr Produkt erfüllen soll. Ihr Stuhl soll 140 Kilogramm tragen, die Sitzfläche muss sich 46 Zentimeter über dem Boden befinden, das Material dafür darf nicht mehr als 75 US-Dollar kosten und vieles mehr. Sie kann auch Informationen über Stühle einspeisen, die ihr besonders gut gefallen. Dreamcatcher wirft daraufhin Tausende von Entwürfen aus, die die Kriterien erfüllen. Oft sind sie Anstoß für Ideen, die der Designerin anfänglich gar nicht in den Sinn gekommen wären. In einem weiteren Schritt lässt sie die Software wissen, welche Entwürfe sie mag und welche nicht. Daraufhin schlägt Dreamcatcher eine neue Auswahl von Designs vor. Während dieses sich wiederholenden Prozesses führt Dreamcatcher unzählige Berechnungen durch, um sicherzustellen, dass die Designvorschläge alle gewünschten Kriterien erfüllen. So kann die Designerin sich auf das konzentrieren, was zu den einzigartigen Stärken des Menschen gehört: Urteilsvermögen und ästhetisches Gespür.

Auch im Bereich der Kommunikation können uns Maschinen helfen. Cortana kann bei Besprechungen transkribieren und den teilnehmenden Personen unmittelbar im Anschluss ein Protokoll zukommen lassen. SEB, eine große schwedische Bank, setzt ihre virtuelle Assistentin Aida ein, um mit Millionen von Kunden in Kontakt zu treten. Weil Aida Unterhaltungen in natürlicher Sprache führen kann und Zugriff auf riesige Datenmengen hat, kann sie viele der häufig gestellten Fragen beantworten. Zudem analysiert sie die Tonlage des Anrufers, erfasst seine Stimmung oder erkennt beispielsweise, ob der Gesprächspartner frustriert oder zugewandt ist. Sie nutzt diese Information, um den nachfolgenden Service zu verbessern. Kann das System ein Problem nicht lösen, was in 30 Prozent der Fälle vorkommt, verbindet es den Anrufer mit einem Kundenberater. Aida verfolgt das Gespräch weiter, um ähnliche Probleme künftig ohne menschliche Hilfe in den Griff zu bekommen. Aida übernimmt einfache Anfragen, somit können Kundenberater komplexere Fragestellungen und Probleme bearbeiten, vor allem wenn unzufriedene Anrufer Einfühlungsvermögen erfordern.

Auch im Bereich Robotik unterstützen Maschinen den Mensch zuverlässig und arbeiten Seite an Seite mit Menschen in Fabriken, Lagerhäusern und Labors. Der Arm der sogenannten Cobots kann wiederkehrende Aufgaben wie das Heben von schweren Lasten erledigen. Der Mensch übernimmt ergänzende Aufgaben, die Geschicklichkeit und menschliches Urteilsvermögen erfordern, wie etwa den Zusammenbau eines Getriebemotors. Hyundai baut das Cobot-Konzept um Exoskelette aus. Die tragbaren Roboterapparaturen, die sich ihrem Nutzer und ihrer Umgebung in Echtzeit anpassen, werden Mitarbeitern in der Fertigung ermöglichen, ihre Aufgaben mit übermenschlicher Ausdauer und Kraft zu erfüllen.

In sämtlichen Bereichen arbeiten Unternehmen an der Kooperation von Mensch und Maschine. Dazu möchte ich praktische Beispiele und die Art und Form der Anwendung zeigen. Die Herausforderungen umfassen:

• Flexibilität
• Geschwindigkeit
• Skalierbarkeit
• Entscheidungen
• Personalisierung

Fallbeispiele für Flexibilität

Im Bereich Flexibilität arbeitet Mercedes Benz zuverlässig und sicher mit Robotern, Seite an Seite von Mensch und Maschine. Autos können in Echtzeit an die Wünsche der Kunden angepasst werden. Die starren Prozesse wurden in der Vergangenheit immer mehr zu einem Problem, da anspruchsvolle Kunden nach immer stärkerer Individualisierung verlangten. Die Fertigungsstraßen waren darauf jedoch nicht ausgelegt. Diese neue Flexibilität ermöglicht dem Automobilhersteller eine bislang beispiellose Individualisierung. Mercedes Benz ist jetzt in der Lage, die Fertigung in Echtzeit an die Wünsche der Kunden in den Autohäusern anzupassen, von den Komponenten des Armaturenbretts über die Qualität des Sitzleders bis hin zu den Ventilkappen der Reifen. Die Folge: Kein Auto, das die Werkshalle verlässt, gleicht dem anderen.

Die Software Autodesk ermöglicht Designern Veränderungen von Produktparametern, wie Material, Kosten und Leistungsbeschreibung. Die Software schlägt neue Designkonzepte vor, die diese Anforderungen erfüllen. In der Softwareentwicklung bietet Gigster eine künstliche Intelligenz an, die sämtliche Softwareprojekte unabhängig von ihrer Größe und Komplexität analysiert. Sie hilft Mitarbeitern, den erforderlichen Arbeitsaufwand einzuschätzen und passt den Arbeitsfluss in Echtzeit an.

Fallbeispiele für Geschwindigkeit

Im Bereich Geschwindigkeit arbeiten bei HSBC (International agierende britische Großbank) Mensch und Maschinen zusammen, um rechtzeitig Betrügereien aufzudecken. Die Maschine verfolgt permanent Kreditkartentransaktionen, um rechtmäßige Vorgänge sofort zu genehmigen und fragwürdige hingegen zur Überprüfung an den Menschen weiterzuleiten. Kreditkartenunternehmen haben für die Genehmigung von Transaktionen nur wenige Sekunden Zeit. Im Betrugsfall tragen sie mit hoher Wahrscheinlichkeit den Schaden. Handelt es sich jedoch um eine legale Transaktion, verlieren sie die Provision auf den Einkauf und verärgern ihre Kunden. Der Kampf gegen Finanzbetrug gleicht dem Wettrüsten. Eine bessere Erkennung lässt Betrüger einfallsreicher werden und erfordert wiederum ausgefeiltere Überwachungsmethoden. Deshalb haben Algorithmen und Bewertungsmodelle im Kampf gegen betrügerische Machenschaften eine sehr kurze Halbwertzeit und müssen laufend nachgebessert werden. Zudem verwenden verschiedene Länder unterschiedliche Modelle. Nicht zuletzt deshalb werden ganze Legionen von Datenanalysten, IT-Fachleuten und Experten auf dem Gebiet der Finanzkriminalität an der Schnittstelle von Mensch und Maschine gebraucht, um zu gewährleisten, dass die Software den Betrügern immer einen Schritt voraus ist.

In der Krebsbehandlung nutzt die Firma Roche künstliche Intelligenz für die Sammlung von Patientendaten aus unterschiedlichsten IT-Systemen mit dem Ziel, eine schnellere Zusammenarbeit von Spezialisten zu ermöglichen.

Die Regierung von Singapur analysiert Videos von öffentlichen Veranstaltungen zur besseren Vorhersage des Verhaltens von Menschengruppen und für den raschen Einsatz von Sicherheitskräften.

Fallbeispiele für Skalierbarkeit

Die Skalierbarkeit ist ein großes Problem bei Tätigkeiten, die durch zeitraubende menschliche Arbeit und geringe maschinelle Unterstützung geprägt sind. Der Konsumgütergigant Unilever suchte nach einer Lösung, um mehr Vielfalt in seine 170.000 Mitarbeiter zählende Belegschaft zu bekommen. Unilever automatisierte den Bewerbungsprozess nach folgender Vorgangsweise, um qualifizierte Kandidaten herauszufiltern: In der ersten Runde des Prozesses lädt das Unternehmen seine Bewerber zu einem Onlinespiel zur Feststellung von deren Charaktereigenschaften, wie die Einstellung zu Risiken, ein. In diesen Spielen gibt es weder richtige noch falsche Antworten, aber sie helfen bei der Einschätzung der Eignung für eine bestimmte Position. In der zweiten Runde werden die Kandidaten gebeten, ein Video von sich zu drehen. Hier werden Fragen zur ausgeschriebenen Position beantwortet und vom System ausgewertet. Dabei wird sowohl auf den Inhalt des Gesagten, als auch auf Körpersprache und Tonlage geachtet. Die laut System besten Bewerber werden zu persönlichen Gesprächen eingeladen. Eine Beurteilung, ob das neue Einstellungsverfahren die besseren Mitarbeiter auswählt, wäre aufgrund nicht ausreichender Datenmengen verfrüht. Allerdings steht jetzt schon fest, dass das neue Verfahren die Skalierbarkeit des Bewerbungsprozesses erheblich verbessert hat. Die Zahl der Bewerber hat sich innerhalb eines Jahres auf 30.000 erhöht, zum Teil auch darin begründet, weil Jobsuchende über ihr Smartphone teilnehmen können. Die Zahl der Universitäten, die durch den Bewerberpool repräsentiert werden, stieg von 840 auf 2.600. Auch die Vielfalt der neuen Mitarbeiter nahm zu. Zudem hat sich die durchschnittliche Zeit zwischen Bewerbung und Einstellungsentscheidung von vier Monaten auf vier Wochen verkürzt. Gleichzeitig verbringen Personaleinsteller nun 75 Prozent weniger Zeit damit, Bewerbungen zu sichten.

Ein Bot übernimmt bei Virgin Trains (britische Eisenbahngesellschaft) die Standardanfragen von Kunden. Dadurch hat sich das Volumen der bearbeiteten Anfragen verdoppelt und Mitarbeiter haben mehr Zeit für komplexe Aufgaben. Bei GGH Morowitz (eine Beratungsfirma für Casinos mit Sitz in Las Vegas) unterstützt ein System die Mitarbeitern bei der Überwachung sämtlicher Spieltische im Casino.

Fallbeispiele für Entscheidungen

Im Bereich Entscheidungen werden Mechaniker bei General Electrics durch digitale Zwillinge und ein durch künstliche Intelligenz unterstütztes Diagnoseverfahren mit punktgenauen Empfehlungen zur Wartung von Maschinen versorgt. Die von GE verwendete Software Predix wird fortlaufend mit Daten versorgt, die sich aus dem Betrieb ergeben. Durch die ständige Sammlung großer Datenmengen aus dem Einsatz in der realen Welt verfügt das Unternehmen mittlerweile über einen ungeheuren Fundus von Informationen, sowohl aus dem störungsfreien Betrieb als auch aus abweichender Leistung. Das System, deren Algorithmus auf maschinellem Lernen basiert, kann inzwischen voraussagen, wann ein bestimmtes Teil in einer bestimmten Maschine ausfallen könnte. Die Technologie hat den entscheidungsintensiven Prozess der Wartung und Instandhaltung von industrieller Ausrüstung grundlegend verändert.

Morgan Stanley hat für seine Kunden einen Robo-Berater, der den Kunden bei Investmentoptionen Empfehlungen basierend auf Marktentwicklungen in Echtzeit gibt, entwickelt. Die Universitätsklinik von Icahn School of Medicine at Mount Sinai in New York City verfügt über ein tiefgreifendes Patientensystem und hilft Ärzten bei der Risikoeinschätzung für eine bestimmte Krankheit und empfiehlt geeignete Vorsorgemaßnahmen.

Fallbeispiele für Personalisierung

Den Kunden ein maßgeschneidertes Markenerlebnis zu bescheren, ist wie der Heilige Gral des Marketings. Dank künstlicher Intelligenz kann eine Personalisierung in bislang unvorstellbarer Präzision und Größenordnung erreicht werden.

Die Carnival Corporation (britisch-US-amerikanisches Kreuzfahrtunternehmen) setzt künstliche Intelligenz dazu ein, das Kreuzfahrterlebnis von Millionen Reisenden auf ihre individuellen Vorlieben zuzuschneiden.

Mit dem Ocean Medallion (ein tragbares Gerät) und ihren Smartphones können sich Passagiere mit einem Netzwerk auf den Schiffen verbinden. Über das Medallion sowie über Sensoren und Systeme werden Daten am gesamten Schiff gesammelt. Diese werden durch Maschinelles Lernen ständig verarbeitet mit dem Ziel, dass Gäste stets das Beste aus ihrem Urlaub machen. Der Anhänger erleichtert das Boarding und Verlassen des Schiffs, verfolgt Aktivitäten der Reisenden, assistiert durch die Verbindung mit der Kreditkarte beim Einkaufen und ist gleichzeitig Schlüssel für die Kabinen. Zusätzlich ist er mit einem weiteren System verbunden, das die Wünsche der Gäste antizipiert und dem Personal hilft, individuellen Service anzubieten. So kann die Mannschaft jedem Gast auf ihn zugeschnittene Vorschläge zu Aktivitäten oder besonderen Abendveranstaltungen unterbreiten.

Bei Pfizer (amerikanischer Pharmakonzern) überwachen tragbare Sensoren Krankheitssymptome bei Parkinson-Patienten rund um die Uhr und ermöglichen so eine individuelle medizinische Versorgung.

Stitch Fix nutzt die künstliche Intelligenz, um Kundendaten zu analysieren und unterbreitet Stylisten Vorschläge für individuelle Beratung in Sachen Kleidung und Styling.

Das Fazit aus der gesamten Situation lautet: Die meisten Tätigkeiten an der Schnittstelle von Mensch und Maschine erfordern, dass Mitarbeiter neue und veränderte Aufgaben lösen, wie zum Beispiel das Trainieren eines Chatbots. Sie erfordern aber auch neue Lösungsansätze für bestehende Aufgaben, etwa den Einsatz eines Chatbots, um den Kundenservice zu verbessern. Bislang haben sich nur wenige Unternehmen darangemacht, ihre Abläufe mit dem Ziel zu überdenken, die Zusammenarbeit von menschlicher und maschineller Intelligenz zu optimieren. Die Schlussfolgerung ist jedoch eindeutig. Wer künstliche Intelligenz in erster Linie zu Personalabbau nutzt, verschenkt große Teile des Potenzials. Eine solche Strategie ist von Beginn an falsch gedacht. Unternehmen und Organisationen, die durch kluge Kombination aus Intelligenz von Mensch und Maschine ihre operativen Bereiche, Märkte sowie Branchen transformieren, werden künftig zu den erfolgreichen zählen. Und nicht weniger wichtig: Die Einbeziehung der Belegschaft ist dabei ein Muss.

…