Gezielte Automatisierung hält menschliches Wissen im System
Industrieunternehmen müssen sich bei automatisierten Entscheidungen nicht zwischen vollständiger Ablösung des Menschen und permanenter manueller Prüfung entscheiden. Kai Hoberg von der Kühne Logistics University, Christina Imdahl von der Eindhoven University of Technology und William Schmidt von der Emory University schlagen einen selektiven Ansatz vor.
Automatisiert werden sollen Fälle, in denen menschliches Eingreifen kaum zusätzlichen Nutzen bringt. Wo Fachwissen dagegen zu besseren Ergebnissen führen kann, bleibt der Mensch eingebunden. Seine Korrekturen liefern zugleich neue Informationen für die Weiterentwicklung des Systems.
Ein Modell mit vier Phasen
Am Anfang steht die Untersuchung, wann menschliche Änderungen an algorithmischen Empfehlungen tatsächlich bessere Entscheidungen hervorbringen. Aus diesen Mustern lernt ein Modell, den erwarteten Nutzen menschlicher Expertise für neue Fälle einzuschätzen.
Entscheidungen mit geringem Zusatznutzen werden automatisiert. In Situationen mit höherem erwarteten Beitrag bleibt die menschliche Prüfung erhalten. Anschließend fließen die Korrekturen zurück in den Algorithmus. So soll sich die Entscheidungsqualität auch bei veränderten Rahmenbedingungen weiterentwickeln.
Praxisdaten aus der Nutzfahrzeugindustrie
Für ihre Analyse werteten die Forschenden mehr als 475.000 auftragsbezogene Entscheidungen aus. Die Daten stammten aus einem Zeitraum von vier Jahren bei einem großen Nutzfahrzeughersteller mit einem Jahresumsatz von mehr als vier Milliarden Euro.
Im Mittelpunkt stand nicht die pauschale Frage, ob Menschen oder KI besser entscheiden. Gesucht wurden die Bedingungen, unter denen Beschäftigte algorithmische Empfehlungen übertrafen. In der untersuchten Anwendung konnten rund 84 % der Entscheidungen automatisiert werden.
Für Unternehmen bedeutet das: Automatisierungsziele sollten auf Messungen des tatsächlichen Werts menschlicher Intervention beruhen. Dadurch lassen sich repetitive Tätigkeiten reduzieren, Fachkräfte gezielter einsetzen und Lernprozesse der KI erhalten. Beteiligt ist die Kühne Logistics University.
