Wie lassen sich die Auswirkungen von KI auf die Arbeitswelt dort untersuchen, wo sie sichtbar und spürbar werden – in der betrieblichen Praxis?

Dazu braucht es enge Zusammenarbeit zwischen Forschung und Praxis. Im Lessons-Learned-Dokument teilen Wissenschaftler:innen, die im Rahmen des ai:conomics-Projekts über drei Jahre hinweg mit und in Unternehmen geforscht haben, ihre Erkenntnisse zur ko-kreativen Gestaltung von Forschungsprojekten.

Im Projekt ai:conomics arbeiteten Forschende, Arbeitgeber:innen, Beschäftigte, Technologieexpert:innen, Betriebsrät:innen und politische Entscheidungsträger:innen transdisziplinär zusammen. Ziel war es, neues Wissen über die Effekte von KI auf die Arbeitswelt zu generieren und dieses sowohl mit den beteiligten Interessengruppen als auch der breiten Öffentlichkeit zu teilen.

Der ko-kreative Forschungsprozess verspricht viele Vorteile, bringt in der Praxis jedoch auch Herausforderungen auf unterschiedlichen Ebenen mit sich. Dieses Kurzdossier beleuchtet diese Herausforderungen und zeigt auf, welche Strategien entwickelt wurden, um diese zu adressieren.

Es bietet Orientierung für Forschende, die ähnliche Vorhaben planen, indem:

• Es bei der Integration randomisierter Experimente in den Prozess der Einführung neuer KI-Tools unterstützt.
• Die Erkenntnisse disziplinübergreifend bei der Bewertung von Interventionen in komplexen Kontexten helfen, da vergleichbare Herausforderungen auch in anderen Bereichen wie Bildung, Gesundheit oder Verwaltung auftreten.

Die Lehren, die aus den Erfahrungen der ai:conomics-Fallstudien gezogen wurden, lassen sich in vier Cluster einteilen, die spezifische Herausforderungen auf unterschiedlichen Ebenen adressieren:

1. Ebene: Komplexität der KI-Implementierung

Der Prozess der KI-Implementierung in Unternehmen ist selten linear oder klar strukturiert, was die Bildung von Experiment- und Kontrollgruppen sowie die Identifikation eindeutiger Effekte erschwert.

Das Dossier zeigt, wie Forschungsstrategien flexibel auf diese Komplexität abgestimmt werden können. Forschende müssen:

• flexibel sein bei der Anpassung der Forschungsstrategie, falls erforderlich.
• einen gemeinsamen Gestaltungsprozess mit den Unternehmen einladen, um das erforderliche umfassende Wissen über die Vorgänge in den einzelnen Phasen zu entwickeln.
• feinkörnige Maßnahmen zur Bewertung kleinerer Veränderungen entwickeln.

2. Ebene: Komplexität der Ko-Kreation

Die Untersuchung der Auswirkungen von KI auf die Arbeitswelt erfordert den Zugang zu sensiblen betrieblichen Daten und Informationen. Eine erfolgreiche Zusammenarbeit zwischen Forschenden und betrieblichen Akteuren basiert auf Vertrauen und einem bewusst gestalteten Rahmen für kokreative Zusammenarbeit.

Das Dossier beleuchtet Schlüsselprinzipien, die sich in mehr als drei Jahren Praxis als besonders wirkungsvoll erwiesen haben, um eine ko-kreative Gestaltung und Umsetzung auf Augenhöhe zu ermöglichen. Genannt werden:

• Schaffung eines grundlegenden Vertrauensverhältnisses zwischen allen beteiligten Parteien.
• eine kontinuierliche Zusammenarbeit, um ausreichende Informationen und Unterstützung zu erhalten.
• eine:n sehr engagierte Verbindungsmann:frau auf der Führungsebene des Unternehmens sowie Zugang zur höheren Führungsebene.
• im besten Fall „diagonale“ Kommunikationsstrukturen, die auf allen Ebenen von Management bis Beschäftigten und in allen relevanten Gremien und Ausschüssen andocken können und gehört werden.
• Anerkennung und Ausgleich von Interessensunterschieden durch Offenheit und Schaffung einer Atmosphäre des Vertrauens.
• Investitionen in eine gute Kommunikation, um Fehlinterpretationen, Unstimmigkeiten im Informationsfluss oder falsche Erwartungen zu vermeiden.
• Die Einbeziehung des Fördermittelgeber in den gesamten Prozess hilft allen Seiten bei der Zielerreichung.

3. Ebene: Methodische Komplexität

Die Messung der Auswirkungen von KI-Implementierungen ist herausfordernd. Unternehmen gestalten die Einführung neuer Technologien so reibungslos wie möglich, wodurch „Schocks“ – ein wichtiger Faktor für viele experimentelle Untersuchungsdesigns – oft abgeschwächt werden. Gleichzeitig sind Veränderungen bei Aufgaben schwer messbar, und verfügbare KPIs fokussieren meist auf technische oder wirtschaftliche Aspekte (z. B. Produktqualität) anstatt auf die Auswirkungen auf Beschäftigte. Hinzu kommen Spill-Over-Effekte, bei denen die Auswirkungen der KI-Implementierung über die direkt betroffenen Arbeitnehmer:innen hinaus andere Bereiche beeinflussen.

Das Dossier erläutert, wie diesen methodischen Herausforderungen im Projekt begegnet wurde, und teilt die daraus gewonnenen allgemeinen Learnings. Demnach braucht es:

• ganzheitliche Ansätze, die verschiedene Datenquellen und Methoden erfolgreich kombinieren, insbesondere Ansätze, die modernste quantitative ökonometrische Instrumente mit qualitativen Ansätzen verbinden.

• eingehende Analysen der Aufgaben der spezifischen Arbeitsplätze der von der AI betroffenen Arbeitnehmer:innen.

• Einsatz von Instrumenten des maschinellen Lernens zur Analyse von Veränderungen bei Online-Stellenangeboten.

• Zusammenarbeit mit Expert:innen im Unternehmen, um relevante KPIs für die Ergebnisse oder Ebenen zu entwickeln, an denen Interesse besteht.

• die Untersuchung von Spillover-Effekten in anderen Bereichen des Unternehmens oder der Wirtschaft.

• **4. Ebene: Komplexität des rechtlichen und ethischen Rahmens
  Die Erhebung wissenschaftlicher Daten in Unternehmen oder die Auswertung bestehender Unternehmensdaten bringt für Forschende komplexe rechtliche und ethische Rahmenbedingungen mit sich.
  Um diese Herausforderungen navigieren zu können braucht es:

• Umfassendes juristischen Fachwissen

• Ethikkentnisse

Ausführlichere Beschreibungen der Empfehlungen finden Sie im Paper!