Die Erwartungen an Künstliche Intelligenz (KI) sind derzeit immens. Wir stehen an der Schwelle zu einer Ära, in der Computer zu Gesprächspartnern werden, Drohnen Lieferungen übernehmen, Autos autonom fahren und viele Angestellte Maschinen überwachen. Doch wie viel von diesem Hype ist Realität und was können wir tatsächlich erwarten? Als Branchenanalyst und Ingenieur mit jahrzehntelanger Erfahrung in der Technologiebranche befinde ich mich in einer faszinierenden Phase: Einerseits eilt der Hype der tatsächlichen Entwicklung voraus, andererseits könnten die Potenziale weitaus größer sein, als wir heute annehmen. Insbesondere im Personalwesen (HR) liegt ein enormes Wertschöpfungspotenzial.
Obwohl nahezu jeder HR-Anbieter inzwischen ein KI-Team aufbaut und wir uns alle intelligentere und nützlichere Systeme wünschen, ist dieser Markt meiner Meinung nach noch sehr jung. Daher möchte ich einige wichtige Überlegungen hervorheben.
Auf einer Konferenz zur Rekrutierungsautomatisierung hörte ich letzte Woche Billy Beane, General Manager der Oakland A’s, über “Moneyball” sprechen. Nach einer beeindruckenden Darstellung der Geschichte der Sabermetrie und wie Daten das Baseballspiel verändert haben, erzählte er, dass er nun sechs promovierte Machine-Learning-Ingenieure in seinem Kader habe und “das Team mit den meisten Doktortiteln wirklich schwer zu schlagen ist”. Genau das geschieht derzeit in der Geschäftswelt.
Die Rolle von KI im Personalwesen und Management
Es ist wichtig zu verstehen, dass KI keine magische computergesteuerte Persönlichkeit ist. Vielmehr handelt es sich um eine breite Palette von Algorithmen und maschinellen Lernwerkzeugen, die in der Lage sind, Daten schnell zu verarbeiten, Muster zu erkennen sowie Trends zu optimieren und vorherzusagen. Diese Systeme können Sprache verstehen, Fotos identifizieren und mittels Mustererkennung Signale über Stimmung, Ehrlichkeit und sogar Persönlichkeit aufnehmen. Diese Algorithmen sind zwar nicht “intuitiv” wie menschliche Wesen, aber sie sind schnell. Sie können Millionen von Informationen in Sekunden analysieren und schnell mit Mustern korrelieren.
Statistisch gesehen können KI-Systeme “vorhersagen” und “lernen”, indem sie Kurven möglicher Ergebnisse plotten und dann Entscheidungen auf Basis vieler Kriterien optimieren. Man könnte sich also ein KI-System vorstellen, das alle möglichen demografischen Daten, die Berufserfahrung und die Interviewfragen eines Kandidaten analysiert und dann “vorhersagt”, wie gut er oder sie die Stelle ausfüllen wird. (Unternehmen wie HiredScore, Pymetrics, HireVue, IBM und andere arbeiten daran.)
Obwohl dies komplizierter ist, als es klingt, ist es eine wichtige und edle Anstrengung. Als ich vor ein paar Wochen danach gefragt wurde, antwortete ich: “Die meisten Managemententscheidungen, die wir heute treffen, werden aus dem Bauch heraus getroffen. Wenn diese Systeme uns ein wenig schlauer machen, können wir unsere Abläufe potenziell enorm verbessern.”
Ja, es gibt viele Risiken und Hindernisse zu bewältigen, aber das Potenzial ist sehr groß.
Welche “Killer-Apps” können wir erwarten?
Ich möchte nur einige der vielen Bereiche aufzählen, in denen wir Durchbrüche erleben könnten.
Im Recruiting
Bei der Personalauswahl treffen wir viele Entscheidungen aus dem Bauch heraus. Eine Studie zeigte, dass die meisten Personalmanager innerhalb der ersten 60 Sekunden eines Gesprächs mit einem Kandidaten eine Entscheidung treffen, oft basierend auf Aussehen, Händedruck, Kleidung oder Sprache. Wissen wir wirklich, welche Eigenschaften, Erfahrungen, Bildungsabschlüsse und Persönlichkeitsmerkmale für eine bestimmte Rolle erfolgreich sind? Nein, das tun wir nicht. Manager und HR-Fachleute setzen Milliarden von Dollar für Assessments, Tests, Simulationen und Spiele ein, um Leute einzustellen – und doch sagen mir viele, dass sie immer noch 30-40% ihrer Kandidaten falsch einschätzen.
KI-basierte Algorithmen können Lebensläufe durchforsten, gute interne Kandidaten finden, Leistungsträger profilieren und sogar Videointerviews entschlüsseln, um uns Hinweise darauf zu geben, wer wahrscheinlich erfolgreich sein wird. Einer unserer Kunden nutzt heute die KI-gestützte spielerische Bewertung von Pymetrics, um Kandidaten für Marketing- und Vertriebsrollen zu screenen. Ihre Erfolgsquote ist um über 30% gestiegen, während alle “Interview-Bias” und “Bildungspräferenzen”, die im aktuellen Prozess inhärent sind, eliminiert wurden. KI im Recruiting wird riesig sein.
Übrigens, während wir uns alle Sorgen um berufliche Fähigkeiten machen (Softwarekenntnisse, Verkaufskenntnisse, mathematische Kenntnisse usw.), zeigen die meisten Forschungsergebnisse, dass technische Fähigkeiten nur einen kleinen Teil des Erfolgs einer Person ausmachen. In unserer jüngsten Forschung zu “High-Impact Talent Acquisition” stellten wir fest, dass Unternehmen mit Reifegrad 4, also jene mit der höchsten finanziellen Rendite aus Einstellungen, fast 40% ihrer Einstellungsgrundsätze auf emotionale und psychologische Merkmale wie Ehrgeiz, Lernagilität, Leidenschaft und Zielstrebigkeit aufwenden. Wird KI auch dies aufdecken? Vielleicht.
(Anbieter in diesem Markt sind unter anderem LinkedIn, Pymetrics, Entelo, HiredScore, IBM, Textio, Talview, Unitive, PredictiveHire.)
In der Mitarbeiterentwicklung und im Lernen
Wir wissen wirklich nicht, wie man Menschen “perfekt” trainiert. Die globale L&D-Industrie (Learning & Development) hat ein Volumen von über 200 Milliarden US-Dollar, und die meisten Lernprofis sagen uns, dass mindestens die Hälfte davon verschwendet ist (vergessen, unangemessen angewendet oder einfach nur Zeitverschwendung). Aber wir wissen nicht, welche Hälfte das ist!
Wissen Sie als Einzelperson, was Sie lernen “müssen”, um in Ihrem Job besser zu werden? Wir alle haben eine ziemlich gute Vorstellung, aber was wäre, wenn wir Algorithmen hätten, die die Fähigkeiten, Verhaltensweisen und Aktivitäten der Leistungsträger in unseren Teams überwachen und studieren und uns dann einfach sagen würden, wie wir ihnen ähnlicher werden können? Diese Art von “Netflix-ähnlichen” Algorithmen hält Einzug in die Welt der Lernplattformen und macht das Lernen so nützlich und unterhaltsam wie das Ansehen von Kabelfernsehen. Auch hier ist der Markt jung, aber die Chance ist riesig. Unsere Forschung zeigt, dass der durchschnittliche Mitarbeiter weniger als 25 Minuten pro Woche für Training und Lernen hat; wenn wir diese Zeit relevanter gestalten, werden alle besser abschneiden.
(Anbieter in diesem Markt sind unter anderem Degreed, EdCast, Filtered, Volley, Axonify, BetterUp, Clustree, Workday.)
Im Management und in der Führung
Wir agieren wie Zen-Meister. Wir lesen Bücher, besuchen Workshops, kopieren die Chefs, die wir bewundern, und glorifizieren die erfolgreichen Führungskräfte von heute. Kennen wir wirklich die Wissenschaft der Führung? Ich würde vorschlagen, dass dies ein flüchtiges Thema ist. Dieses Jahr konzentrieren wir uns auf Zweck, Mission und Gefolgschaft. Nur wenige Jahre zuvor ging es um “dienende Führung” und als ich jung war, ging es um “Ausführung und finanzielle Kompetenz”. Die meisten Studien stellen fest, dass es Dutzende von Management- und Führungsmerkmalen gibt, die Erfolg definieren, und jeder von uns bringt eine leicht unterschiedliche und einzigartige Kombination davon mit.
KI kann dies nun helfen zu entschlüsseln. Ich kenne drei Anbieter, die “KI-basierte” Coaching-Tools entwickelt haben – Systeme, die Feedback anfordern, Kommentare lesen und die Stimmung von Mitarbeitern und Teams erfassen. Sie nutzen diese Daten, um die Probleme einzelner Personen und Teams mit denen von Leistungsträger-Teams abzugleichen, und nutzen diese Daten, um Managern und Vorgesetzten “Anstöße” zu geben, wie sie sich verbessern können. Ein Kunde erzählte mir, dass innerhalb von nur 3 Monaten nach der Nutzung dieses Tools seine Führungsteams eine Verbesserung von 25% bei den Unternehmenswerten zeigten, nur basierend auf kleinen Verhaltensänderungen.
(Anbieter in diesem Bereich sind unter anderem Reflektiv, BetterWorks, Ultimate Software, Zugata, Humanyze, ADP, Impraise.)
In Betrugsprävention und Compliance
Die Möglichkeiten sind hier enorm. Eine Studie ergab, dass Mitarbeiter, die stehlen oder Verbrechen begehen, “ansteckend” auf ihre Kollegen wirken (Menschen, die mit ihnen arbeiten, übernehmen schlechte Gewohnheiten). KI kann organisatorische Netzwerkdaten (E-Mail-Verkehr, Stimmung von Kommentaren) analysieren und Bereiche mit Stress, potenzielle ethische Verfehlungen und viele andere Formen von Compliance-Risiken identifizieren und dann die “roten Bereiche” der Personal- oder Compliance-Beauftragten aufzeigen, damit diese eingreifen können, bevor schlechtes Verhalten auftritt.
(Anbieter in diesem Bereich sind unter anderem TrustSphere, Keencorp, Volley, Cornerstone.)
Im Wohlbefinden und der Mitarbeiterbindung
KI wird nun eingesetzt, um Verhaltensweisen zu identifizieren, die zu schlechter Arbeitsleistung führen. Im Bereich Sicherheit kann KI Verhaltensweisen und Erfahrungen identifizieren, die zu Unfällen führen. Eine neue Generation von Umfragetools kann Muster von Stress und schlechtem Verhalten erkennen und HR oder Linienmanager alarmieren.
(Anbieter in diesem Bereich sind unter anderem Limeaid, VirginPulse, Glint, Ultimate Software, CultureAmp, TinyPulse, Peakon.)
Im Self-Service für Mitarbeiter und im Kandidatenmanagement
Eine neue Generation intelligenter Chatbots kann Interaktionen intelligent und einfach gestalten.
(Anbieter in diesem Bereich sind unter anderem IBM, ServiceNow, Xor, Mya, Ideal, Paradox.)
Die Liste ließe sich fortsetzen.
Gibt es Risiken? Was passiert mit People Analytics?
All diese Anwendungen sind neu, und so spannend sie auch erscheinen mögen, gibt es viele Risiken, über die man sich Sorgen machen muss. Das größte ist, dass KI ohne “Trainingsdaten” nicht funktionieren kann. Mit anderen Worten: Die Algorithmen lernen aus der Vergangenheit. Wenn Ihre aktuellen Managementpraktiken voreingenommen, diskriminierend, strafend oder übermäßig hierarchisch sind, könnten Sie gerade all die Dinge institutionalisieren, die Sie hassen. Wir brauchen KI, die transparent und “einstellbar” ist, damit wir die Algorithmen überprüfen können, um sicherzustellen, dass sie das Richtige tun. So wie frühe Automobile nicht immer geradeaus fuhren, werden unsere frühen Algorithmen “Stoßfänger” und “Einstellknöpfe” benötigen, damit wir lernen, sie genauer zu machen.
Die Systeme können Voreingenommenheit institutionalisieren. Angenommen, Ihr Unternehmen hat noch nie Frauen im Ingenieurwesen eingestellt und hat sehr wenige afroamerikanische Ingenieure. Das KI-Rekrutierungssystem würde natürlich zu dem Schluss kommen, dass Frauen und schwarze Ingenieure unwahrscheinlicher in Führungspositionen aufsteigen. Diese Art von Voreingenommenheit muss sorgfältig aus den Algorithmen entfernt werden, und es wird Zeit brauchen, dies gut zu tun.
Es besteht auch die Gefahr von Datenlecks und unbeabsichtigter Fehlverwendung. Betrachten Sie einen gängigen Anwendungsfall von Analysen, bei dem wir versuchen, die Wahrscheinlichkeit vorherzusagen, dass ein Leistungsträger das Unternehmen verlässt. Wenn wir Managern sagen: “Diese Person hat eine hohe Wahrscheinlichkeit zu gehen”, könnten wir tatsächlich das falsche Verhalten hervorrufen – der Manager könnte diese Person ignorieren oder sie anders behandeln. Wir müssen lernen, Verhaltensökonomie sorgfältig anzuwenden, damit wir nicht versehentlich aus KI “HAL” (aus dem Film 2001) machen. KI ist ein “Werkzeug” für Vorschläge und Verbesserungen – keine eigenständige Entscheidungsfindungssystem heute.
Ich habe diese Woche mit einem der KI-Führer bei Entelo gesprochen, und wir diskutierten die Notwendigkeit, “interpretierbare” und “transparente” KI-Systeme zu schaffen. Mit anderen Worten: Wann immer das System eine Entscheidung trifft, sollte es uns sagen, warum es diese Entscheidung getroffen hat, damit wir als Menschen entscheiden können, ob die von ihm verwendeten Kriterien noch korrekt sind. Er sagte mir, dass dies eines ihrer wichtigsten Kriterien für neue Werkzeuge sei, und leider seien heute die meisten KI-Systeme eine vollständige Black Box.
Überlegen Sie, was passiert, wenn ein autonomes Fahrzeug einen Unfall hat. Wir verbringen viel Zeit damit, zu diagnostizieren, wie es dazu kam, welche visuellen oder algorithmischen Systeme versagten und unter welchen Bedingungen der Unfall hätte passieren können. Was, wenn KI die falsche Empfehlung für einen Kandidaten, eine Gehaltsanpassung oder eine Managementintervention gibt? Werden wir es herausfinden? Werden wir es diagnostizieren? Werden wir es überhaupt bemerken, bis es zu spät ist? Wir haben noch viel Arbeit vor uns, um unsere Management-basierten KI-Systeme zu instrumentieren und zu lernen, wie man sie “trainiert”, damit sie gut funktionieren.
Wird KI ein Differenzierungsmerkmal in HR-Lösungen sein?
Derzeit ist der Hype um KI auf einem Allzeithoch. Jeder HR-Softwareanbieter möchte Ihnen glauben machen, dass er ein Machine-Learning-Team und eine erstklassige KI-Lösung hat. Ja, diese Fähigkeiten sind für diese Branche immens wichtig, aber glauben Sie nicht dem Hype.
Der Erfolg eines HR-Tools wird von vielen Dingen abhängen: der Genauigkeit und Vollständigkeit seiner Algorithmen, der Benutzerfreundlichkeit seiner Systeme, aber wichtiger als alles andere ist seine Fähigkeit, sogenannte “Narrow AI” bereitzustellen – also sehr spezifische Lösungen, die Ihre Probleme lösen. Dies kann nur geschehen, wenn der Anbieter über riesige Datenmengen verfügt (um sein System zu trainieren) und er viel Feedback darüber erhält, wie gut es funktioniert. Daher glaube ich, dass die Eintrittsbarrieren Fokus, Geschäftsstrategie und Kundennähe sein werden, nicht nur großartige Ingenieure.
Und kaufen Sie kein System, das eine Black Box ist, es sei denn, Sie können es in Ihrem Unternehmen wirklich beweisen. Die Management- und Personalentscheidungen jedes Unternehmens sind oft kulturbedingt, daher müssen wir uns Zeit nehmen, diese Systeme in der realen Welt auszuprobieren und sie für die beste Nutzung abzustimmen. IBM zum Beispiel hat jahrelang seine KI-basierten Vergütungs- und Karriere-Lösungen für sein Unternehmen, seine Kultur und sein Geschäftsmodell optimiert. Nun bringt es diese Werkzeuge zu Unternehmenskunden und stellt fest, dass jede Implementierung IBM neue Erkenntnisse über die Algorithmen lehrt, um sie für diese Branche, Kultur oder den organisatorischen Bedarf besser zu machen.
Trotz dieser Probleme ist das Potenzial enorm
Trotz dieser Herausforderungen und Risiken ist das Potenzial enorm. Unternehmen geben 40-60% ihres Umsatzes für Lohn- und Gehaltszahlungen aus, und ein Großteil dieser enormen Ausgaben wird durch Managemententscheidungen getrieben, die wir aus dem Bauch heraus treffen. Da KI-Systeme im HR-Bereich intelligenter, bewährter und auf spezifische Probleme fokussierter werden, glaube ich, dass wir dramatische Verbesserungen in Produktivität, Leistung und Mitarbeiterwohlbefinden sehen werden. Wir müssen nur geduldig, wachsam und bereit sein zu investieren.