GoITSystems by Dr. M. Gottlieb

Algorithmic Management und die Zukunft der Wissensarbeit: Perspektiven der Gestaltung

Algorithmische Führung bruach menschliche Verantwortung (KI-generiert)
Algorithmische Führung bruach menschliche Verantwortung (KI-generiert)

Einleitung: Algorithmische Steuerung von Arbeit und Führung

Algorithmic Management bezeichnet den Einsatz datenbasierter, regel- oder lernbasierter Systeme zur Unterstützung, Vorbereitung oder teilweisen Automatisierung von Managementaufgaben. Dazu zählen insbesondere die Zuweisung und Priorisierung von Aufgaben, Leistungsbewertung, Koordination, Überwachung sowie die Ausgestaltung von Anreiz- und Kontrollmechanismen. Algorithmisches Management ist damit nicht auf Plattformarbeit beschränkt, sondern gewinnt auch in wissensintensiven Organisationen, in der Personalsteuerung und in datengetriebenen Entscheidungsprozessen an Bedeutung. ()

Von generativer künstlicher Intelligenz ist Algorithmic Management analytisch abzugrenzen: Generative KI dient primär der Erzeugung oder Transformation von Inhalten, während algorithmische Managementsysteme Arbeitsprozesse strukturieren, Entscheidungen vorbereiten oder Verhalten beeinflussen können. In der Praxis können beide Systemtypen jedoch zusammenwirken, etwa wenn generative KI bei der Aufgabenformulierung eingesetzt wird und algorithmische Systeme zugleich Arbeitsaufträge priorisieren oder Leistungsmuster auswerten.

Für die Wirtschaftsinformatik ist das Themenfeld besonders relevant, weil es die Gestaltung von Organisation, Technologie und Arbeit miteinander verbindet. Im Mittelpunkt stehen Fragen nach der Verteilung von Entscheidungskompetenzen, nach der Erhaltung menschlicher Handlungsspielräume sowie nach der Rechenschaftspflicht für Entscheidungen, die durch algorithmische Systeme vorbereitet oder beeinflusst werden. Algorithmic Management sollte daher als soziotechnisches Phänomen verstanden werden, bei dem technische Funktionen, organisationale Regeln und menschliche Interpretationsleistungen wechselseitig aufeinander einwirken.

Theoretische Einbettung und Konzepte

Eine tragfähige theoretische Einbettung kann über die Soziomaterialität erfolgen. Dieser Ansatz betont, dass soziale Praktiken und technische Artefakte nicht unabhängig voneinander betrachtet werden sollten, sondern in der organisationalen Praxis miteinander verschränkt entstehen. Für Algorithmic Management bedeutet dies: Die Wirkungen eines Systems ergeben sich nicht allein aus seinem Modell, seinen Daten oder seinen Optimierungszielen. Sie entstehen ebenso durch Regeln der Nutzung, Deutungen von Führungskräften und Beschäftigten, Eskalationswege sowie die konkrete Möglichkeit, algorithmische Empfehlungen zu prüfen, zu korrigieren oder zurückzuweisen ().

Ergänzend eignet sich die Perspektive der Technology Affordances. Affordanzen beschreiben Handlungsmöglichkeiten, die aus dem Zusammenspiel technischer Eigenschaften und der Fähigkeiten, Ziele und Interpretationen von Akteur:innen hervorgehen. Algorithmische Systeme können beispielsweise Affordanzen zur Skalierung von Koordination, zur frühzeitigen Erkennung von Mustern oder zur konsistenten Dokumentation eröffnen. Gleichzeitig können sie Kontrollintensität erhöhen, einseitige Zieloptimierungen verstärken oder Beschäftigte zu strategischer Anpassung an messbare Kennzahlen veranlassen ().

Die Forschung zu hybrider Intelligenz richtet den Blick auf die komplementäre Zusammenarbeit von Menschen und KI-Systemen. Im Kontext algorithmischer Führung ist entscheidend, welche Aufgaben an das System delegiert werden, welche Entscheidungen bei Führungskräften oder Beschäftigten verbleiben und wie begründete Abweichungen von algorithmischen Empfehlungen möglich sind. Eine menschengerechte Gestaltung setzt daher nicht lediglich „Human-in-the-Loop“ voraus, sondern klare Zuständigkeiten, ausreichende Kompetenz, angemessene Entscheidungsrechte und wirksame Interventionsmöglichkeiten ().

Forschungsfragen und Methoden

Algorithmic Management eignet sich besonders für Mixed-Methods-Forschung, weil technische Eigenschaften, organisationale Gestaltungsentscheidungen und subjektive Erfahrungen gemeinsam untersucht werden müssen. Quantitative Erhebungen können beispielsweise Zusammenhänge zwischen wahrgenommener algorithmischer Kontrolle, Transparenz, Vertrauen, Leistung, Belastung oder organisationaler Gerechtigkeit analysieren. Qualitative Methoden wie Interviews, Fallstudien, digitale Ethnographien oder Grounded-Theory-Ansätze ermöglichen es hingegen, Aneignungspraktiken, Umgehungsstrategien, Aushandlungsprozesse und Deutungsmuster von Beschäftigten und Führungskräften zu rekonstruieren.

Ein sequenzielles exploratives Mixed-Methods-Design könnte zunächst anhand qualitativer Fallstudien relevante Wahrnehmungs- und Gestaltungskategorien identifizieren. Darauf aufbauend ließen sich diese Kategorien in einer quantitativen Befragung oder einem Feldexperiment prüfen. Ein konvergentes Design wäre sinnvoll, wenn Logdaten, Befragungsdaten und Interviewmaterial parallel erhoben und anschließend integriert werden sollen. Dabei sollte die Untersuchungseinheit klar bestimmt werden: Einzelne Beschäftigte, Teams, Führungskräfte, konkrete algorithmische Entscheidungen oder organisationale Governance-Arrangements.

Mögliche Fragestellungen für Promotionsvorhaben

  • Wie beeinflussen Transparenz, Erklärbarkeit und Übersteuerbarkeit algorithmischer Empfehlungen die intrinsische Motivation und das Vertrauen von Beschäftigten in wissensintensiven Organisationen?
  • Welche soziotechnischen Designprinzipien ermöglichen eine nachvollziehbare und als fair wahrgenommene automatisierte Zuweisung von Aufgaben?
  • Wie verändern algorithmisch vorbereitete Leistungsbewertungen die wahrgenommene organisationale Gerechtigkeit, insbesondere Verfahrens-, Interaktions- und Ergebnisgerechtigkeit?
  • Unter welchen Bedingungen erweitern algorithmische Systeme die Handlungsmöglichkeiten von Führungskräften und Beschäftigten, und unter welchen Bedingungen reduzieren sie deren Handlungsspielräume?
  • Wie können Auditierbarkeit, Dokumentation und Eskalationsmechanismen gestaltet werden, damit Verantwortlichkeit bei KI-gestützten Managemententscheidungen nicht diffuser wird?

Herausforderungen und Governance

Ein zentrales Spannungsfeld besteht zwischen Effizienzgewinnen durch Standardisierung und dem Erhalt professioneller Urteilskraft. Wenn Systeme Aufgaben zuteilen, Arbeitsleistung bewerten oder Prioritäten festlegen, besteht das Risiko, dass formalisierbare Kennzahlen gegenüber schwer messbaren, aber für die Organisationsleistung relevanten Tätigkeiten übergewichtet werden. Zugleich können Beschäftigte die algorithmische Bewertung als intransparent oder nicht anfechtbar erleben. Die Forschung zu Algorithmic Management verweist deshalb auf Konflikte zwischen Kontrolle und Autonomie, zwischen organisationaler Effizienz und individueller Würde sowie zwischen technischen Optimierungszielen und pluralen Wertvorstellungen ().

Besondere Bedeutung kommt der Accountability zu. Rechenschaftspflicht setzt voraus, dass Verantwortlichkeiten nicht hinter technischen Systemen verschwinden. Organisationen benötigen nachvollziehbare Entscheidungswege, dokumentierte Daten- und Modellannahmen, klar benannte Entscheidungsträger:innen sowie wirksame Verfahren zur Prüfung und Korrektur problematischer Ergebnisse. Für KI-gestützte Entscheidungen im Beschäftigungskontext gewinnen diese Anforderungen auch regulatorisch an Gewicht. Der europäische AI Act enthält für Hochrisiko-KI-Systeme unter anderem Vorgaben zu Transparenz, menschlicher Aufsicht, Monitoring und der Information betroffener Beschäftigter ().

Algorithmische Verzerrungen dürfen dabei nicht allein als technisches Datenqualitätsproblem verstanden werden. Verzerrungen können durch historische Daten, fehlerhafte oder unvollständige Zielgrößen, ungleiche Sichtbarkeit von Leistungen, organisatorische Routinen und diskriminierende Interpretationen entstehen. Eine verantwortungsvolle Gestaltung verlangt daher ein Zusammenspiel aus Daten-Governance, Fairness-Prüfungen, fortlaufendem Monitoring, fachlicher Prüfung und Beteiligung der von den Systemen betroffenen Akteuren ()

Implikationen für Forschung und Praxis

Algorithmic Management ist nicht bloß die Einführung einer weiteren Softwarekomponente, sondern ein soziotechnisches Gestaltungsfeld mit Auswirkungen auf Führung, Arbeitsorganisation, Machtverhältnisse und Verantwortungsstrukturen. Für die Wirtschaftsinformatik folgt daraus, dass Wirkungsanalysen durch gestaltungsorientierte Forschung ergänzt werden sollten. Ziel ist nicht nur zu erklären, welche Folgen algorithmische Steuerung hat, sondern auch Artefakte, Prinzipien und Governance-Mechanismen zu entwickeln und zu evaluieren, die Transparenz, Anfechtbarkeit, Fairness und menschliche Entscheidungshoheit sichern ().

Für Promovierende eröffnet das Feld vielfältige Forschungsperspektiven an der Schnittstelle von Responsible AI, digitaler Transformation und Arbeitsforschung. Besonders aussichtsreich sind Untersuchungen, die technische Systemgestaltung mit organisationalen Governance-Mechanismen verbinden und dabei sowohl die Perspektive der Systementwickler:innen als auch die Erfahrungen von Führungskräften, Beschäftigten und Interessenvertretungen berücksichtigen. So kann die Forschung zu Algorithmic Management einen Beitrag dazu leisten, KI-gestützte Arbeits- und Führungspraktiken nicht nur effizienter, sondern auch nachvollziehbarer, verantwortbarer und menschenzentriert zu gestalten.

Literaturverzeichnis

  • European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence and amending Regulations (EC) No 300/2008, (EU) No 167/2013, (EU) No 168/2013, (EU) 2018/858, (EU) 2018/1139 and (EU) 2019/2144 and Directives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828 (Artificial Intelligence Act). Official Journal of the European Union, L 2024/1689.
  • Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105.
  • Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366–410.
  • Leonardi, P. M. (2011). When flexible routines meet flexible technologies: Affordance, constraint, and the imbrication of human and material agencies. MIS Quarterly, 35(1), 147–167.
  • Orlikowski, W. J. (2007). Sociomaterial practices: Exploring technology at work. Organization Studies, 28(9), 1435–1448.
  • Raji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., Smith-Loud, J., & Theron, D. (2020). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 33–44). Association for Computing Machinery.
  • Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4), 66–83.

Publikationen

Soziale Netzwerke

Newsletter - Anmeldung