Markt

Bildquelle: iStock.com/guvendemir

Künstliche Intelligenz im Change Management
Einsatzpotenziale denkender Maschinen

Es wirkt schon ein bisschen verrückt, was der Regisseur und Drehbuchautor Spike Jonze in seinem 2013 produzierten Film „Her“ zum Thema Künstliche Intelligenz erzählt: Theodore Twombly, der Hauptcharakter des Films, verliebt sich in Samantha, ein Betriebssystem auf seinem Rechner, mit dem er via Headset und Videokamera kommuniziert. Und Samantha „lernt“ durch und über die soziale Interaktion mit Theodore und entwickelt sich immer weiter, sodass ihr Verhalten zunehmend menschlicher wird. Theodore Twombly ist am Ende verliebt in die Künstliche Intelligenz und beginnt eine Beziehung mit Samantha.

Wie weit sind wir im Jahr 2019 – ein halbes Jahr, nachdem in Japan ein Mann ein Hologramm „geheiratet“ hat – von einem solchen Szenario entfernt? Wie intelligent ist heute Künstliche Intelligenz, und inwiefern kann sie mittlerweile mit uns kommunizieren?

Definitionsfrage

Was ist überhaupt Künstliche Intelligenz? KI ist nicht einheitlich definiert. Das hängt auch damit zusammen, dass die KI-Forschung – seit der Begriffsbildung in den 1950er-Jahren – interdisziplinär ist. Für die praktische Anwendung hat sich jedoch als Definition herauskristallisiert, Künstliche Intelligenz sei die Eigenschaft eines IT-Systems, „menschenähnliche“, intelligente Verhaltensweisen zu zeigen. Viele Systeme, die wir für intelligent halten, setzen gar nicht auf Künstliche Intelligenz im eigentlichen Sinne. Diktierfunktionen und Sprachsteuerung sind zwar hilfreich, jedoch nicht Ausdruck eines intelligenten Sprachverständnisses. Sie arbeiten vielmehr bislang mit voreingestellten Stichworten, die bestimmte Funktionen ansteuern, wie beispielsweise „Wecker auf 7 Uhr stellen“ oder „Lampe an“.

Etwas genauer betrachtet, beschreibt Künstliche Intelligenz Informatikanwendungen, die den Beweis intelligenter Verhaltensweisen zum Ziel haben. Diese setzen vier Kernfähigkeiten voraus: Wahrnehmen, Verstehen, Handeln und Lernen. Sie erweitern das Grundprinzip „Eingabe, Verarbeitung, Ausgabe“ aller EDV-Systeme. Künstliche Intelligenz soll Menschen beim Erreichen ihrer Ziele intelligent unterstützen. Sie hat nicht zum Ziel, den Menschen überflüssig zu machen. Um Menschen jedoch optimal unterstützen zu können, sind die genannten Kernfähigkeiten notwendig. Das wirklich neue an heutigen KI-Systemen ist das Lernen und damit verbunden das Verstehen.

Aktuelle Systeme können in der Verarbeitungskomponente trainiert werden, immer bessere Ergebnisse zu erzielen – und zwar in der Regel bessere als mit herkömmlichen Verfahren. Diese basieren nämlich im Wesentlichen auf starren, klar definierten und festprogrammierten Regelwerken („Wenn…, dann…“). Beispiele hierfür gibt es z. B. in der Bild- und Spracherkennung. KI-Systeme erkennen nicht nur Buchstaben, sie wissen auch, was das Wort „Beschwerde“ in einem eingescannten Brief bedeutet und können daraufhin einen definierten Beschwerdevorgang einleiten. Und sie sind oft viel leistungsfähiger als Menschen. Wenn es z. B. darum geht, Millionen von Webseiten zu durchsuchen und alle Bilder zur Verfügung zu stellen, die einen Hund zeigen, wären Menschen damit überfordert.

Moderne KI-Systeme werden aktuell zur Ergänzung einer eindeutigen Systemsteuerung eingesetzt. Das Besondere an den aktuellen Systemen ist, dass sie während der Testphase und im laufenden Betrieb anhand ihrer Fehler bzw. anhand eines Feedbacks lernen.

Maschinen lernen ähnlich wie Menschen

Maschinen lernen im Prinzip ähnlich wie Menschen. So kann auch ein Computerprogramm lernen, bestimmte Objekte zu identifizieren. Dazu wird es zunächst mit Daten gefüllt und trainiert. So wird ihm etwa erklärt, welches Objekt ein Pferd ist und welches nicht. Danach erhält das Programm regelmäßig eine Rückmeldung vom Programmierer, ob es die Unterscheidung „Pferd“ oder „kein Pferd“ richtig getroffen hat. Der Algorithmus nutzt dieses Feedback, um sich selbst wieder und wieder zu verbessern. Das Modell verbessert sich so lange, bis am Ende eine zielsichere Unterscheidung zwischen „Pferd“ und „kein Pferd“ möglich ist. Die Machine-Learning-Systeme bestehen dabei in der Regel aus drei Komponenten:

  • aus einem Modell, das Vorhersagen und Identifikationen trifft,
  • aus Parametern, also Signalen oder Faktoren, die vom System genutzt werden, um Entscheidungen zu treffen, und
  • aus dem lernenden System. Das lernende System passt die Parameter und somit auch das Modell an, indem es sich die Unterschiede zwischen der Vorhersage und dem tatsächlichen Ergebnis anschaut.

Zu Beginn des Modells wird häufig eine Prognose aufgestellt, die für eine bestimmte Situation gilt. Das Machine-Learning-System nutzt diese Prognose zur Entwicklung. Dieses Modell hängt wiederum von den Parametern ab, die für die Berechnung eingesetzt werden. Dabei nutzt das System eine mathematische Gleichung, um eine Prognose auszudrücken und eine Trendlinie dessen, was erwartet wird, abzubilden.

Steht dieses Modell, werden reale Informationen eingespeist. Die Ergebnisse werden anfangs noch oft von der vorher erstellten Prognose und Trendlinie abweichen. Das System muss also lernen. Dazu überprüft es die eingespeisten Daten kontinuierlich und lernt aus ihnen, um ein besseres Modell zu entwickeln. Hierzu werden mithilfe mathematischer Algorithmen die ursprünglichen Annahmen angepasst und so das Modell immer weiter optimiert.

KI bei Banken und Versicherungen

Auch Banken und Versicherungen investieren schon lange große Summen in Künstliche Intelligenz. Sie setzen beispielsweise auf KI-Disziplinen wie Robotic Process Automation (RPA), Knowledge-Management-Software, digitale Assistenten und Predictive Analytics. Dabei sehen sie den künftigen Nutzen von Künstlicher Intelligenz vor allem im Kontakt mit ihren Kunden. Mithilfe der KI sollen die Produkte und die Kundenansprache individueller gestaltet werden. Dabei werden die Kunden bisher jedoch noch meist von Kundenberatern vor Ort oder am Telefon bedient – auch weil es auf viele Menschen befremdlich wirkt, sich an Hotlines mit künstlich klingenden Computerstimmen zu unterhalten.

Google stellte auf der Developer Conference 2018 mit Google Duplex eine Technologie vor, mit der es möglich ist, „natürliche“ Gespräche zu führen und Aufgaben über das Telefon ausführen zu lassen. Die dabei verwendete Computerstimme ist von der Stimme eines echten Menschen nicht zu unterscheiden. Das System versteht echte menschliche Sprache und reagiert intelligent hierauf. Es vereinbart beispielsweise für Menschen einen Friseurtermin oder bestellt einen Tisch im gewünschten Restaurant.

Turing-Test bestanden

Es ist vorstellbar, dass das System in Zukunft auch von Banken und Versicherungen zum Beispiel bei deren Hotlines eingesetzt wird, etwa um telefonisch die Order von Wertpapieren oder Schadensmeldungen aufzunehmen und zu verarbeiten. Dabei lernt das System durch das ständige Feedback, in diesem Fall direkt durch die Anrufer, kontinuierlich hinzu. Der britische Mathematiker und Informatiker Alan Turing formulierte 1950 den Turing-Test. Er hat zum Ziel, festzustellen, ob ein Computer ein dem Menschen gleichwertiges Denkvermögen hat und somit nicht mehr vom Menschen unterscheidbar ist.

Kann ein menschlicher Fragesteller nicht mehr unterscheiden, ob er mit einem Menschen oder einer Maschine kommuniziert, gilt der Turing-Test als bestanden. Der Test ist jedoch umstritten, weil er nur die Funktionalität eines Systems prüft, jedoch nicht, ob die Künstliche Intelligenz auch über ein Bewusstsein und eine Intentionalität verfügt. Außerdem basiert er in seiner Grundform lediglich auf einer Konversation per Tastatur und Bildschirm, er bezieht keinen Sichtkontakt zwischen den Teilnehmern ein. Legt man dieses Kriterium zugrunde, dann hat das auf akustischem Kontakt basierende Google Duplex den Test anscheinend bestanden, denn in der Vorführung merkten die Personen am anderen Ende der Telefonleitung nicht, dass sie mit einer Künstlichen Intelligenz gesprochen haben.

Doch wurde der Turing-Test auch real bestanden? Das bleibt fraglich, denn Google Duplex kann Gespräche nur führen, wenn es im betreffenden Bereich gründlich geschult wurde. Außerdem ist die Kommunikation bislang auf weniger als eine Minute begrenzt, und das System bekäme Probleme, wenn es längere Gespräche führen oder über ein anderes Thema sprechen müsste. Damit gälte der Turing-Test dann als nicht bestanden.

Trotzdem könnte das Annehmen von Schadenmeldungen bei Versicherungen ein künftiges KI-Einsatzfeld sein, sofern das System hierfür trainiert wurde. Und weil dies grundsätzlich auch für andere Themenfelder möglich ist, ergeben sich daraus Einsatzmöglichkeiten im und für das Change Management.

Bedeutung für das Change Management

Dabei kann und sollte die Bedeutung des Themas künstliche Intelligenz für das Change Management von zwei Seiten betrachtet werden: Zum einen ist mit der Einführung und dem Einsatz von Künstlicher Intelligenz im Unternehmenskontext ein Veränderungsprozess verbunden. Dieser muss gestaltet und begleitet werden. Zum anderen muss sich jedoch auch das Beratungsgewerbe selbst dem Einsatz von Künstlicher Intelligenz öffnen. Der Einsatz von KI bedingt zwangsläufig einen Veränderungsprozess, und genau darin sehen einer Erhebung des Research-Unternehmens Forrester aus dem Jahr 2017 zufolge sehr viele Entscheider in den Unternehmen eine große Hürde – zumindest, wenn dadurch Arbeiten, die bislang von Menschen verrichtet wurden, von Maschinen übernommen werden sollen.

Eine solche Veränderung kann in Unternehmen nicht einfach so durchgeführt werden. Und damit einher geht zwangsläufig ein Wandel der Unternehmenskultur. Allein schon deshalb müssen die betroffenen Menschen im Unternehmen an diesem Prozess beteiligt werden. Was dies genau bedeutet, muss im Einzelfall entschieden werden. Es ist deshalb wichtig, sich der Tatsache bewusst zu werden, dass die Einführung von KI zwangsläufig ein zielgerichtetes Change Management erfordert. In einem solchen Wandel steckt die Finanzbranche aktuell – u. a., weil FinTechs die Marktmacht der tradierten Institute infrage stellen und mit ihnen aufgrund ihrer agilen Arbeitsweise und hohen Kundenorientierungen in gewissen Geschäftsfeldern erfolgreich konkurrieren. Deshalb werden auch die etablierten Institute künftig verstärkt auf KI setzen und so versuchen, sich ebenfalls als technologisch moderne Dienstleister zu profilieren.

Berater müssen sich mit KI-Einsatz befassen

Doch dieser Wandel steht nicht nur dem Finanzdienstleistungssektor bevor, auch die Consultingbranche muss sich Gedanken über den Einsatz von KI machen. Auch in ihr spielt die Schnittstelle zum Kunden eine zentrale Rolle.

Ein Beratungsunternehmen, das für einen Veränderungsprozess angefragt wird, muss zunächst das Kundenanliegen verstehen. Dafür sind Telefonate und eine gute Analyse der Situation erforderlich. Bislang werden solche Telefonate entweder von einem Backoffice oder den Beratern selbst geführt, bevor sich diese bei Terminen vor Ort ein konkretes Bild machen.

Diese erste Analyse könnte künftig von KI schon am Telefon vorgenommen werden. Der Anruf des Neukunden wird von einer Künstlichen Intelligenz aufgenommen, die ihm bereits die richtigen Fragen stellt, um nach und nach sein Anliegen zu klären. Danach verbindet das System den Kunden mit einem Experten für genau dieses Thema. Das spart Zeit und Analysekosten. Die bestehenden KI-Systeme können noch keine komplexen (Telefon-)Analysen und Beratungen durchführen. Doch es gibt bereits andere Systeme, die solche Prozesse unterstützen. Ein solches Software-System speichert das individuelle und kollektive Wissen sowie die zuvor gemachten Erfahrungen zum Thema Change, es in seiner aktuellen Version aktiv mit dem Wissen der Berater gefüllt und angepasst. Damit ähnelt es in seiner Funktionsweise der von KI-Systemen. Für den Kunden ist dieses geballte Know-how jedoch nur insoweit interessant, wie es sich mit seinem Bedarf deckt. Würde diese Wissensfülle ungefiltert auf den Kunden einprasseln, womöglich versehen mit dem Hinweis: „Sie müssen uns ‚einfach‘ nur sagen, was Sie brauchen“, wäre dieser vermutlich schnell überfordert.

Deshalb werden dem Kunden stattdessen mithilfe des Change-Management-Systems Schritt für Schritt immer wieder verschiedene (Handlungs-)Alternativen aufgezeigt, aus denen er wählen kann. Und die Berater können viel besser vorinformiert und konkreter ins Gespräch mit den Kunden einsteigen.

Kundenspezifische Lösungen entwerfen

Unabhängig von der Größe eines Projekts hilft dieses System dabei, schnell einen Überblick über das Kunden-Anliegen zu bekommen und rasch kundenspezifische Lösungen zu erarbeiten. Auch die Resonanz der Kunden ist positiv, denn sie sind nur an dem Beraterwissen interessiert, das sie gerade brauchen. Wenn im Verlauf des Beratungsprozesses weitere Optionen gefragt sein sollten, muss lediglich das Softwareprogramm – basierend auf dem dann erweiterten Wissens- und Erkenntnisstand – erneut durchlaufen werden.

Aus den Erfahrungen mit dieser Software lässt sich die Erkenntnis gewinnen, dass der Einsatz von KI auch im Beratungsprozess künftig weiter voranschreiten wird. Sowohl firmeninterne als auch externe Change-Management-Berater müssen sich darauf einstellen. Sie müssen einerseits selbst neue Technologien einsetzen und andererseits beim Kunden den dort zunehmenden Einsatz von KI begleiten können – unabhängig davon, ob diese auf der Ebene der Strategie, der Struktur oder der Kultur eines Unternehmens zum Tragen kommt.

Fazit

Der aktuelle Entwicklungsstand im Bereich KI lässt noch keine abschließenden Anwendungsszenarien zu. Er offenbart jedoch zahlreiche Möglichkeiten, Geschäftsprozesse künftig zu beschleunigen und effizienter zu machen. Sich bereits jetzt mit den Möglichkeiten und Anforderungen eines Einsatzes KI-gestützter Systeme vertraut zu machen, ist jedoch enorm wichtig, um mögliche Einsatzgebiete früh zu identifizieren und deren operativen Einsatz vorzubereiten.
Die strategische Vorbereitung kann künftig darüber entscheiden, welche Player in der immer dynamischer werdenden Unternehmensumwelt zu den Gewinnern zählen und welche aufgrund der technologischen Disruption vom Markt verschwinden werden.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge