JOCAT (Job Change Acceptance Toolbox) |
Ein Change-Management-Ansatz für die ethische und nachhaltige Implementierung von KI-Systemen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 1, Seite 80-91 |
| Open Access | https://doi.org/10.30844/I4SD.26.1.80 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Künstliche Intelligenz (KI) verändert die Arbeitswelt grundlegend. Als Überbegriff für Technologien, die menschliche Kognition nachahmen, automatisiert KI Routineaufgaben und unterstützt Entscheidungsfindung, logisches Denken sowie die Generierung von Inhalten [1]. KI-Systeme zeichnen sich durch Autonomie, Selbstlernfähigkeit und Undurchsichtigkeit aus und unterscheiden sich so grundlegend von früheren Technologien [2]. Bei einer Integration in Organisationen ziehen sie daher tiefgreifende und umfassende Veränderungen von Strukturen, Prozessen und kulturellen Dynamiken nach sich [3]. Infolgedessen führt die Implementierung von KI-Systemen häufig zu erhöhter Unsicherheit und Widerstand, die vor allem mit ethischen und psychologischen Bedenken einhergehen, wie der Angst vor Substitution [3, 4].
Während diese Herausforderungen durch die Komplexität von KI-Systemen noch verstärkt werden, spiegeln viele beobachtete Reaktionen bereits bekannte Muster organisationaler Veränderungen wider. Eine Betrachtung grundlegender Change-Management-Modelle kann daher einen ersten sinnvollen Schritt darstellen, um zu verstehen unter welchen Bedingungen spezifisch KI-induzierte organisationale Transformationen erfolgreich sind.
In den letzten Jahrzehnten sind zahlreiche Konzepte entstanden (z. B. von Lewin, Kübler-Ross, Leavitt, Prosci, Bridges, Kotter), die jeweils unterschiedliche, aber wichtige Aspekte organisationaler Veränderungen hervorheben (Bild 1). Umfassendere Ansätze wie Organisationsentwicklung (OD) und Aktionsforschung (AR) ergänzen diese Konzepte, indem sie zusätzlich iteratives Lernen, die Einbindung von verschiedenen Stakeholdern und kulturelle Anpassung hervorheben – Elemente, die für eine nachhaltige organisationale Transformation ebenfalls unerlässlich sind [5, 6].
Eine zentrale Erkenntnis, die allen diesen Modellen gemeinsam ist, ist, dass erfolgreiche organisationale Veränderungen von Menschen und ihrer Bereitschaft zur Mitwirkung abhängen [13, 14]. Trotz dieses übergreifenden Elements bleiben die meisten Modelle dennoch fragmentiert und konzentrieren sich auf isolierte Aspekte, anstatt eine integrierte Perspektive zu bieten [15, 16].
So werden etwa Partizipation und Engagement in den Modellen ADKAR [10] und OID [9] besonders betont, während Kommunikation im Mittelpunkt des Modells von Kotter [12] und der emotionalen Kurve von Kübler-Ross [8] steht. Führung wird vor allem im Modell von Kotter [12] als wichtiger Hebel angesehen, während sich OD-Ansätze [6] insbesondere auf die kulturelle Ausrichtung sowohl als Treiber als auch als Hindernis für Veränderungen fokussieren. Angesichts dieser Fragmentierung unterstreichen aktuelle Übersichtsarbeiten [13–17] die Notwendigkeit integrierter, anpassungsfähiger Ansätze, die diese Faktoren gemeinsam berücksichtigen und ganzheitlichere sowie ethisch und psychologisch verantwortungsvolle Ansätze für zeitgemäße Transformationsprozesse ermöglichen.
Aufgrund ihres Ursprungs in früheren technologischen Paradigmen ist jedoch anzunehmen, dass selbst in einer integrierten Form die meisten Change-Management-Modelle die volatilen, adaptiven und datenintensiven Eigenschaften von KI-Systemen nicht vollständig und zufriedenstellend adressieren [3]. Um den heutigen Transformationsanforderungen angemessen gerecht zu werden, müssen Change-Management-Modelle vielmehr die dynamische Wechselwirkung zwischen Mensch und KI, die Undurchsichtigkeit algorithmischer Prozesse und ethische Herausforderungen im Zusammenhang mit Datennutzung und -erweiterung berücksichtigen [3, 18] – Aspekte, die von etablierten Modellen bislang keine Betrachtung gefunden haben.
Diese Lücke führt unmittelbar zur Leitfrage dieses Beitrags: Wie können Change-Management-Ansätze so gestaltet werden, dass sie den besonderen psychologischen, ethischen und strukturellen Anforderungen der Implementierung von KI-Systemen gerecht werden? Um diese Frage zu beantworten, wird ein Mixed-Method-Ansatz in zwei Schritten verfolgt. Im ersten Schritt wird eine ganzheitliche Sichtweise auf organisationale Veränderungen entwickelt, indem klassische Modelle integriert und auf einen Anwendungsfall der FraAlliance (einem Joint Venture zwischen Fraport AG und Lufthansa) angewendet werden. Der Anwendungsfall macht konzeptionelle Lücken bei der Erfüllung KI-spezifischer Anforderungen deutlich, die trotz der integrierten Change-Management-Perspektive weiterhin bestehen. Diese werden durch Erkenntnisse aus der Literatur zu KI-bezogenen Transformationsprozessen zusätzlich untermauert.
Im zweiten Schritt werden dann anhand von sechs Interviews mit Expertinnen und Experten die Auswirkungen dieser Lücken in der Praxis untersucht und Erfolgsfaktoren für die Gestaltung von KI-induzierten organisationalen Veränderungen abgeleitet. Die gesammelten theoretischen und praktischen Erkenntnisse fließen daraufhin in die Entwicklung der Job Change Acceptance Toolbox (JOCAT) ein, einem humanzentrierten, praxisorientierten Rahmenwerk für KI-bezogene Veränderungen.
Teil I: Integration von Change-Management-Modellen und Identifizierung KI-spezifischer Lücken
Der erste Teil zielt darauf ab, einen integrierten Change-Management-Ansatz zu entwickeln, der eine ganzheitliche Sicht auf Veränderungsprozesse bietet, was für eine nachhaltige Transformation unerlässlich ist. Dieser Ansatz wurde durch die Integration der in Bild 1 zusammengefassten etablierten Change-Management-Modelle abgeleitet und basiert zudem auf den Ergebnissen aktueller Literaturrecherchen [13–17, 19, 20]. Der integrierte Ansatz wird anschließend auf einen realen Veränderungsfall (FraAlliance) angewendet, bei dem es um die KI-basierte Gepäckerkennung geht, und durch Erkenntnisse aus der Literatur zu KI-bezogenen Veränderungsprozessen [21–25] ergänzt, um Lücken bei der Bewältigung KI-spezifischer Veränderungsanforderungen aufzudecken.
Ableitung eines integrierten Change-Management-Modells aus der Literatur
Ein geeigneter Ausgangspunkt für einen integrierten Change-Management-Ansatz aus organisationspsychologischer Sicht ist nach wie vor Lewins [7] dreistufiges Modell, das eine dauerhafte prozessuale Klarheit bietet und viele nachfolgende Ansätze geprägt hat [13, 14]. Eine nachhaltige Transformation erfordert jedoch mehr als nur prozessuale Klarheit; sie erfordert eine Fokussierung auf inhaltliche Treiber sowie voneinander abhängige Erfolgsfaktoren, die einen effektiven Wandel ermöglichen [16].
Zu diesem Zweck wurden sieben übergreifende Faktoren identifiziert, darunter Kommunikation und Partizipation, Führung, Prozesse, Strategie und Innovation, Training und Entwicklung, Kultur und Verantwortlichkeit sowie Menschen und Teams [14, 20] (siehe Bild 2). In Übereinstimmung mit dem OID-Modell [9] müssen diese Faktoren als miteinander verbundene Systemelemente verstanden werden, die den Wandel sowohl beeinflussen als auch von ihm beeinflusst werden. Alle sieben Faktoren sind demnach in allen Phasen von Lewins [7] Modell relevant. Allerdings variiert ihr Einfluss je nach Phase, wobei bestimmte Faktoren in bestimmten Phasen an Bedeutung gewinnen, ohne andere auszuschließen:
- In der Vorbereitungsphase (Auftauen) sind Kommunikation und Partizipation, Führung sowie Menschen und Teams von zentraler Bedeutung für die Schaffung von Dringlichkeit, Vertrauen und psychologischer Bereitschaft.
- Während der Übergangsphase (Veränderungsphase) spielen Prozesse, Strategie und Innovation sowie Training und Entwicklung eine wichtige Rolle, um Veränderungen umzusetzen, sie an strategischen Zielen auszurichten und Anpassungsfähigkeit unter den Mitarbeitenden aufzubauen. Kommunikation, Partizipation und Führung bleiben unerlässlich, um Unsicherheiten zu bewältigen.
- In der Stabilisierungsphase (Einfrieren) werden Kultur und Verantwortlichkeit sowie Menschen und Teams entscheidend für die Verankerung neuer Verhaltensweisen und die Aufrechterhaltung der Ergebnisse [13–17, 19, 20].
Dabei steht die Berücksichtigung von emotionalen Dynamiken, die Möglichkeit zur Beteiligung und eine Ausrichtung der einzuführenden Veränderungen an organisationalen und kulturellen Gegebenheiten in allen Phasen im Vordergrund [siehe 14], womit der integrierte Change-Management-Ansatz humanzentriert ausgerichtet ist und anerkennt, dass eine erfolgreiche Transformation letztlich von den Bedürfnissen, Wahrnehmungen und dem Engagement der Mitarbeitenden abhängt. Zusätzlich zu diesen strukturellen Erfolgsfaktoren plädieren Macedo et al. [14] für einen kontingenzbasierten Ansatz und betonen, dass es kein „Einheitsmodell” gibt, das der Vielfalt der Veränderungskontexte gerecht wird.
Veränderungen müssen daher flexibel an organisationale Faktoren wie Größe, Kultur, Volatilität und Zusammensetzung der Stakeholder angepasst werden. Die zugrunde liegende Idee besteht darin, im integrierten Change-Management-Modell die wirksamsten Elemente aus bestehenden Ansätzen zu bündeln und sie so aufzubereiten, dass sie in der Praxis modular und kontextabhängig eingesetzt werden können – jeweils abgestimmt auf die spezifischen Gegebenheiten und Herausforderungen der Organisation.
Aufbauend auf den Prinzipien von AR [5] und OD [6] und wie von Mosadeghrad und Ansarian [17] betont, sollte organisationale Veränderung als iterativer Prozess verstanden werden. Anstatt von einer linearen Entwicklung auszugehen, sollte das integrierte Change-Management-Modell auch Rückkopplungsschleifen, Double-Loop-Lernen und kontinuierliche Anpassung als zentrale Elemente einbeziehen. Dementsprechend ist der vorgeschlagene integrative Change-Management-Ansatz nicht als verbindlicher Fahrplan konzipiert, sondern als multidimensionales, humanzentriertes und kontextsensitives Rahmenwerk mit integrierten iterativen Anpassungsmechanismen (Bild 2).
Zusammenfassend kombiniert das integrierte Change-Management-Modell prozessuale, strukturelle und psychologische Dimensionen und nutzt die Stärken etablierter Modelle. Die jeweiligen Limitationen der einzelnen Modelle werden so ausgeglichen, wie z. B. die Einfachheit von Lewin [7], die Rigidität von Kotter [12] oder der Fokus auf die individuelle Ebene von ADKAR [10], und bietet so eine umfassendere Grundlage für die Bewältigung komplexer Veränderungen.
Untersuchung von KI-spezifischen Lücken im integrierten Change-Management-Ansatz
Um die Anwendbarkeit und Grenzen des integrierten Change-Management-Ansatzes im Zusammenhang mit der Implementierung von KI-Systemen zu untersuchen, werden in diesem Abschnitt praktische Erkenntnisse aus einem realen Anwendungsfall der FraAlliance mit theoretischen Perspektiven aus der KI-spezifischen Veränderungsliteratur kombiniert. Im Fall von FraAlliance betrifft eine zentrale operative Herausforderung den Umgang mit Handgepäck beim Boarding. Passagiere bringen häufig Gegenstände mit, die ihre Freigepäckmenge überschreiten, was zu Verspätungen, Konflikten mit dem Personal und nachgelagerten Störungen bei der Lastverteilung oder den Abflügen führt.
Um dieses Problem zu lösen, wird ein KI-basiertes Computer-Vision-System eingesetzt, das Handgepäckstücke in Echtzeit erkennt und klassifiziert, wenn Passagiere bestimmte Boarding-Zonen betreten. Ziel ist es, dem Flughafenpersonal zeitnahe und zuverlässige Daten zur Verfügung zu stellen, um übergroßes Gepäck besser handhaben zu können und die Effizienz beim Boarding sowie die Pünktlichkeit der Flüge zu verbessern.
Gemäß des integrierten Change-Management-Ansatzes (Bild 2) bedarf die Integration eines solchen Systems in der Vorbereitungsphase vor allem die Unterstützung durch die Führungskräfte sowohl des Flughafens als auch der Fluggesellschaft, eine klare Kommunikation über den Zweck des Systems und die aktive Einbindung des Flughafenpersonals, um ihre Bereitschaft zur Annahme der damit einhergehenden Veränderungen zu fördern. Während der Übergangsphase können Feedback-Formate und KI-Schulungen helfen, um Kompetenzen und das Vertrauen des Flughafenpersonals in die Veränderung zu fördern. Zur Stabilisierung der eingeführten Maßnahmen können langfristige Mechanismen wie Feedback-Schleifen zwischen IT und Betrieb oder entsprechende Anpassungen beim Onboarding dazu beitragen, die neuen Routinen im Zusammenhang mit dem KI-basierten System langfristig zu verankern.
Obwohl die ersten Pilotversuche entsprechend dieser Einführungslogik vielversprechend verliefen, zeigten sich mehrere Herausforderungen in der Umsetzung. Technisch gesehen erfordert das KI-System Umgebungen, in denen Gepäckstücke eindeutig einzelnen Passagieren und Tarifklassen zugeordnet werden können, was in der Realität nicht immer gegeben ist. Die Mitarbeitenden äußerten zudem Bedenken hinsichtlich der Genauigkeit der KI-Empfehlungen und der daraus resultierenden Auswirkungen auf die Entscheidungsautonomie und Klarheit der Rollenverteilung. Aufgrund der Überwachungsfunktionen des Systems wurden auch ethische Bedenken geäußert, und es zeichneten sich Schwierigkeiten bei der Anpassung der KI-Ergebnisse an bestehende Arbeitsabläufe ab.
Diese Beobachtungen deuten darauf hin, dass der integrierte Change-Management-Ansatz trotz seiner ganzheitlichen Struktur bestimmte Herausforderungen dennoch nicht ausreichend berücksichtigen kann. KI-spezifische Herausforderungen wie Autonomieverlust, Datenschutz und Systemundurchsichtigkeit gehen über den Rahmen des integrativen Modells hinaus [siehe 3]. Ein ganzheitlicher Veränderungsrahmen ist zwar notwendig, reicht somit aber nicht aus, um KI-spezifische Transformationen langfristig erfolgreich zu steuern. Es sind spezielle Anpassungen erforderlich, die auf die besonderen Herausforderungen von KI-Systemen abgestimmt sind.
Um konkrete KI-spezifische Anforderungen adäquat in organisationalen Veränderungsprozessen berücksichtigen zu können, werden zudem nachfolgend neben den Erfahrungen aus dem Praxisfall literaturbasiert zentrale KI-spezifische Herausforderungen und ihre Auswirkungen auf Veränderungsmodelle identifiziert:
- Die Implementierung von KI ist ein nie endender Prozess. KI-Systeme entwickeln sich durch Nutzung und Interaktion ständig weiter und erfordern somit eine kontinuierliche Neukalibrierung, Wartung und Überwachung [21-24]. Daher müssen Change-Management-Modelle über die iterative Logik hinausgehen und agile, zyklische Anpassungsprozesse zu unterstützen.
- KI-Systeme verändern die Arbeit, indem sie mit menschlichen Entscheidungsprozessen verschmelzen. KI-Systeme unterstützen nicht nur Aufgaben, sondern beeinflussen auch Urteile, Rollen und Prozesse und können damit die wahrgenommene Kontrolle, die Rollenklarheit und die berufliche Identität in Frage stellen [21, 24]. Veränderungsstrategien müssen somit ausdrücklich auf die Dynamik der Mensch-KI-Interaktion und die damit verbundenen Herausforderungen eingehen.
- KI-Systeme stellen komplexe Anforderungen an die Datenverwaltung. Die Wirksamkeit von KI-Systemen hängt vom Zugang zu strukturierten, hochwertigen Daten über Systeme und Abteilungen hinweg ab, was Bedenken hinsichtlich Eigentumsrechten, Datenschutz, Voreingenommenheit und Standardisierung aufwirft [24, 25]. Dementsprechend müssen Change-Management-Modelle funktionsübergreifende Koordination, ethische Datenverwaltung und Qualitätskontrollmechanismen beinhalten.
- KI-Systeme verstärken Widerstand und Unsicherheit. Die Angst vor Dequalifizierung, Arbeitsplatzverlust und Kontrollverlust wird durch den Einsatz von KI-Systemen verstärkt. Um KI-Systemen zu vertrauen, muss möglicherweise gegen die eigene persönliche Intuition gehandelt werden [23-25]. Daher müssen Veränderungsbemühungen die psychologische Sicherheit stärken, die Vertrauensbildung fördern und in den Aufbau breit angelegter Kompetenzen investieren.
- KI-Systeme verstärken ethische, rechtliche und Reputationsrisiken. Dazu gehören Fairness, Transparenz, Regulierung und Rechenschaftspflicht, die über die mit traditionellen Technologien verbundenen Risiken hinausgehen [21, 23-25]. Ethische Reflexion und strukturierte Einbindung der Stakeholder müssen in Veränderungsprozesse eingebettet werden.
- Generative KI (GAI) bringt zusätzliche Herausforderungen mit sich. Zwar kann GAI eine Vielzahl von Aufgaben unterstützen, darunter auch im Managementbereich, doch erschweren Probleme wie halluzinierte Inhalte und undurchsichtige Quellgenerierung das Vertrauen und die Regulierung [23]. Veränderungsmodelle müssen zwischen verschiedenen KI-Typen mit unterschiedlichen Kompetenzen (und Limitationen) unterscheiden und spezifische Schutzmaßnahmen für generative Funktionen definieren.
Zusammengenommen verdeutlichen diese Erkenntnisse eine grundlegende Lücke: Der integrierte Change-Management-Ansatz bietet zwar eine solide Grundlage, es fehlen jedoch Mechanismen, um der dynamischen, relationalen und ethisch sensiblen Natur von KI-Systemen gerecht zu werden. Diese Lücke unterstreicht die Notwendigkeit einer gezielten Erweiterung des integrativen Change-Modells.
Teil II: Einblicke von Expert:innen aus der Praxis zu KI-spezifischen Erfolgsfaktoren in organisationalen Veränderungsprozessen
Um die oben identifizierten KI-spezifischen Lücken zu validieren und potenzielle Mechanismen zu ihrer Bewältigung zu identifizieren, wurden halbstrukturierte Interviews mit Experten aus der Praxis durchgeführt, die an digitalen und KI-bezogenen Veränderungsprozessen beteiligt sind oder waren. Die Interviews konzentrierten sich so vor allem auf wahrgenommene Hindernisse und Erfolgsfaktoren spezifisch bei der Implementierung von KI-Systemen, wobei sich die vorliegende Analyse lediglich auf die offene Fragen zu den Erfolgsfaktoren beschränkt (z. B. „Was sind Ihrer Meinung nach die wichtigsten Erfolgsfaktoren bei der Implementierung von KI-Systemen in Organisationen?“).
Die lokale Ethikkommission der Fakultät für Psychologie an der Ruhr-Universität Bochum hat die Studie genehmigt (Nr. 997), die gemäß der Richtlinien der Deutschen Forschungsgemeinschaft [26] konzipiert wurde. Alle Interviewfragen und das gesamte Verfahren wurden vorab registriert und sind unter https://doi.org/10.17605/OSF.IO/W6Y2U einsehbar.
Stichprobe und Vorgehen
Die Stichprobe umfasst sechs (von acht geplanten) Interviews, die seit Mai 2025 in fünf Organisationen durchgeführt wurden. Die Interviews dauerten durchschnittlich 31,8 Minuten (SD = 4,2), wobei die Teilnehmenden zwischen 28 und 56 Jahre alt waren. Bild 3 fasst den Sektor, die Aufgabenbereiche und die Erfahrung der Teilnehmenden zusammen.
Die Datenanalyse folgte einem kombinierten deduktiven und induktiven Ansatz unter Verwendung der strukturierten Inhaltsanalyse [27], um Erfolgsfaktoren in Veränderungsprozessen zu identifizieren. Aufgrund von Überschneidungen in den Nennungen zwischen allgemeinen und KI-spezifischen Erfolgsfaktoren und unterschiedlichen KI-Kenntnissen der Teilnehmenden wurde das Kategoriensystem um diese beiden übergeordneten Kategorien herum strukturiert. Allgemeine Erfolgsfaktoren wurden deduktiv aus den sieben Erfolgsfaktoren des integrierten Change-Management-Ansatzes (siehe Bild 2) abgeleitet, standen aber auch induktiven Ergänzungen offen. KI-spezifische Erfolgsfaktoren wurden rein induktiv identifiziert.
Ergebnisse bezüglich (KI-spezifischer) Erfolgsfaktoren
In Bezug auf allgemeine Erfolgsfaktoren wurden vier der sieben Faktoren aus dem integrierten Change-Management-Ansatz von den Teilnehmenden genannt: Kommunikation und Partizipation, Führung, Kultur und Verantwortlichkeit sowie Menschen und Teams (Bild 4). Innerhalb der letztgenannten Kategorie ergaben sich induktiv zwei Unterkategorien, die die Anforderungen auf individueller Ebene für eine erfolgreiche Veränderung weiter spezifizieren: die Berücksichtigung individueller Bedürfnisse und der Abbau von Widerständen. Somit bestätigen die Interviews die identifizierten allgemeinen Erfolgsfaktoren des integrierten Change-Management-Ansatzes weitgehend und erweitern diese zusätzlich.
Unter den Nennungen zu KI-spezifischen Erfolgsfaktoren wurden insgesamt fünf Kategorien identifiziert: Datenethik und Datenschutz, Zielklarheit, KI-Kompetenz, Angst vor Arbeitsplatzverlust und Unsicherheit sowie Klarheit über die Vorteile von KI (Bild 4). Diese Ergebnisse stimmen teilweise mit den zuvor identifizierten literaturbasierten beschriebenen Herausforderungen im Zusammenhang mit KI-Systemen überein, insbesondere in Bezug auf verstärkten Widerstand und Unsicherheit sowie ethische, rechtliche und Reputationsrisiken.
Einige wichtige Aspekte, die in Teil 1 theoretisch identifiziert wurden, wie z. B. der fortlaufende, nie endende Charakter der KI-Implementierung, ihre Integration in menschliche Entscheidungsprozesse, die Komplexität der Datenverwaltung und die Besonderheiten von GAI, wurden von den Teilnehmenden jedoch nicht erwähnt. Dies könnte auf das noch frühe Stadium der praktischen KI-Einführung zurückzuführen sein und unterstreicht, die Wichtigkeit einer gezielten Integration von theoretischen und empirischen Erkenntnissen in ein KI-spezifisches Change-Management-Modell..
Zusammenführung der Ergebnisse in der Job Change Acceptance Toolbox (JOCAT)
Um die zentrale Frage des Beitrags zu beantworten, wie Change-Management-Ansätze gestaltet werden können, um den spezifischen psychologischen, ethischen und strukturellen Anforderungen der Implementierung von KI-Systemen gerecht zu werden, wurden die Erkenntnisse aus der Change- und KI-spezifischen Literatur, dem Praxisfall der FraAlliance und den Expert:innen-Interviews aus der Praxis in einem Ansatz integriert: der Job Change Acceptance Toolbox (JOCAT).
Die JOCAT baut auf der Grundidee des integrierten Change-Management-Ansatz auf (Bild 2) und behält dabei die Humanzentrierung als Kernprinzip bei, basierend auf dem Verständnis, dass eine nachhaltige organisationale Veränderung die Bedürfnisse, Anforderungen und Wahrnehmungen der durch die Veränderungen beeinflussten Mitarbeitenden berücksichtigen muss [8, 10, 11, 6]. Die Grundlage bilden die vier allgemeinen Erfolgsfaktoren, die sowohl in der Literatur als auch in den Interviews identifiziert wurden (Kommunikation und Partizipation, Führung, Kultur und Verantwortlichkeit, Menschen und Teams)und nachfolgend verfeinert werden, um sie an die spezifischen Herausforderungen von KI-Systemen anzupassen.
Anstatt den Erfolgsfaktor Menschen und Teams als eigenständigen Faktor zu behandeln, bindet die JOCAT sie durch ihre menschenzentrierte Logik in alle Komponenten als übergreifenden Aspekt ein. Obwohl Kommunikation und Partizipation konzeptionell miteinander verflochten sind, und so in bisherigen Change-Management-Modellen als ein Faktor verstanden wurden, werden sie durch ihre jeweils hohe Relevanz vor allem im Kontext von KI-bedingten Veränderungen in der praktischen Umsetzung in der JOCAT als zwei getrennte Faktoren behandelt [22]. So kann zudem der in den Interviews hervorgehobene KI-spezifische Erfolgsfaktor Klarheit des KI-Nutzens in den Faktor der Kommunikation integriert werden.
Darüber hinaus sollte der Erfolgsfaktor Kommunikation auch beinhalten, wie KI-Systeme menschliches Urteilsvermögen und Entscheidungsfindungsprozesse beeinflussen. Dies soll den Mitarbeitenden helfen, neue Mensch-KI-Interaktionen zu verstehen und so gezielt KI-spezifische Herausforderungen zu adressieren [21, 24].
Der Faktor Führung wird zu ethischer Führung erweitert, wobei nicht nur Mobilisierung [12], sondern auch ethische Entscheidungsfindung [21, 24] betont wird. Diese Anpassung spiegelt die in den Interviews und in der Literatur [23-25] identifizierten verstärkten Unsicherheiten und Arbeitsplatzängste wider und trägt dazu bei, eine verantwortungsvolle, auf den Menschen ausgerichtete Führung und Entscheidungsfindung in Organisationen zu fördern.
Der identifizierte allgemeine Erfolgsfaktor Kultur und Verantwortlichkeit wird für eine bessere Anwendbarkeit aufgeteilt: Der Kultur-Aspekt wird dabei in den neuen Faktor Nachhaltigkeit integriert, insofern als dass sich die langfristige Verankerung von Veränderungen in den Werten der Organisation widerspiegeln und mit der Organisationskultur einhergehen sollte [13, 15, 22]; der Aspekt der Verantwortlichkeit wird wiederum in den neuen Faktor der Steuerung integriert, der zum einen aus der Literatur abgeleitet die Klärung der datenbezogenen Verantwortlichkeiten beinhaltet [24] und zum anderen ein klares, zur Organisation passendes Ziel aufweisen sollte, wie sich in den Interviews herauskristallisiert hat. Dementsprechend stellt der Faktor der Steuerung auch einen nützlichen Einstiegspunkt in (KI-bedingte) Veränderungsprozess dar.
Darüber hinaus wird KI-Kompetenz auf Seiten der Mitarbeitenden, was in den Interviews als zentral identifiziert wurde, unter dem ergänzten Faktor der Unterstützung in die JOCAT integriert. Dieser Erfolgsfaktor erweitert traditionelle Schulungsmaßnahmen, indem sie Mitarbeitende darauf vorbereitet, KI-Systeme zu verstehen, Kompetenzen aufzubauen und ihr Vertrauen in diese KI-Systeme zu stärken [21, 25]. Dazu gehört es auch ein Bewusstsein zu schaffen für auch generative KI-spezifische Risiken [23], die eine Unterscheidung zwischen Systemtypen und einen informierten Umgang gewährleisten.
Weiterhin zeigen die Erkenntnisse aus der Literatur, dass die disruptive, sich ständig weiterentwickelnde Natur von KI-Systemen Veränderungsprozesse bedarf, die über eine lineare oder iterative Logik hinausgehen [21-24]. Die JOCAT adressiert diesen Aspekt auf zwei Arten: (1) strukturell und somit als ein weiterer Erfolgsfaktor des Modells, in Form der gezielten Gestaltung einer positiven Arbeitsumgebung, in denen Veränderungen als fortlaufend und anpassungsfähig angesehen werden, und (2) prozedural, durch die zyklische Logik des Modells, in dem alle beschriebenen Erfolgsfaktoren als modulare Bausteine fungieren, die sich im Laufe der Zeit wiederholen und weiterentwickeln können, anstatt einer starren Abfolge zu folgen. Insgesamt bietet die JOCAT einen flexiblen, humanzentrierten und kontextsensitiven Ansatz für das Management von KI-bezogenen Veränderungen auf der Grundlage von sieben identifizierten Erfolgsfaktoren.
In Bild 5 sind die JOCAT und ihre identifizierten Erfolgsfaktoren visualisiert, wobei eine beispielhafte Anwendung auf den Praxisfall der FraAlliance kursiv dargestellt sind. Die JOCAT schlägt damit eine Brücke zwischen theoretischen und empirischen Erkenntnissen und der KI-spezifischen Praxis.
JOCAT als Ausgangspunkt für KI-bezogene Veränderungen
Als Antwort auf organisationale Herausforderungen durch die Integration von KI-Systemen bietet das vorgeschlagene Rahmenwerk der JOCAT einen wertvollen Ausgangspunkt für die Bewältigung KI-bezogener Veränderungen. Es baut auf klassischen Modellen, aktueller Literatur und Praxiserfahrungen auf. Die vorläufigen Ergebnisse heben zentrale Erfolgsfaktoren hervor und bieten übertragbare Leitlinien für eine humanzentrierte, ethisch fundierte organisationale Veränderung. Zukünftig ist eine weitere Verfeinerung erforderlich, um spezifische Implikationen für verschiedene Arten von KI-Systemen ableiten zu können und so die theoretische und empirische Granularität zu erhöhen.
Diese Arbeit wird vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) im Rahmen des Kompetenzzentrums HUMAINE innerhalb des Programms „Die Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistungen und Arbeit“ unter der Leitung der Projektmanagementagentur Karlsruhe (PTKA) gefördert (Förderkennzeichen: 02L19C200).
Literatur
[1] Dellermann, D.; Calma, A.; Lipusch, N.; Weber, T.; Weigel, S.; Ebel, P.: Die Zukunft der Zusammenarbeit zwischen Mensch und KI: Eine Taxonomie des Designwissens für hybride Intelligenzsysteme.[2] Berente, N.; Gu, B.; Recker, J.; Santhanam, R.: Managing artificial intelligence. In: MIS Quarterly, 45 (2021) 3, S. 1433-1450.
[3] Ulfert, A.-S.; Le Blanc, P.; González-Romá, V.; Grote, G.; Langer, M: Sind wir dem Trend voraus oder folgen wir ihm nur? Die Rolle der Arbeits- und Organisationspsychologie bei der Gestaltung neuer Technologien am Arbeitsplatz. In: European Journal of Work and Organizational Psychology, 33 (2024) 2, S. 120-129.
[4] Ameye, N.; Bughin, J.; van Zeebroek, N.: Wie Unsicherheit das Herdenverhalten bei der Nutzung künstlicher Intelligenz in Unternehmen beeinflusst. In: Technovation 129 (2023), S. 1–20.
[5] Coghlan, D.: Aktionsforschung in der eigenen Organisation. 4. Auflage. Kalifornien 2014.
[6] French, W. L.; Bell, C. H.; Zawacki, R. A.: Organisationsentwicklung und -transformation: Effektives Veränderungsmanagement. 6. Auflage. New York 2005.
[7] Lewin, L.: Gruppenentscheidungen und sozialer Wandel. In: Readings in Social Psychology 3 (1947), S. 459-473.
[8] Kübler-Ross, E.: Über den Tod und das Sterben: Was Sterbende Ärzten, Krankenschwestern, Geistlichen und ihren eigenen Familien lehren können. New York 1969.
[9] Leavitt, H. J.; Bahrami, H.: Managerial Psychology: Managing Behavior in Organization. 5. Auflage. Chicago 1988.
[10] Hiatt, J.: ADKAR: Ein Modell für Veränderungen in Wirtschaft, Regierung und unserer Gemeinschaft. 2006, S. 43-62.
[11] Bridges, W.: Übergänge managen. Massachusetts 1991.
[12] Kotter, J. P.: Leading Change. Massachusetts 1996.
[13] Rosenbaum, D.; More, E.; Steane, P.: Geplantes Management von Organisationsveränderungen: Vorwärts in die Vergangenheit? Eine explorative Literaturübersicht. In: Journal of Organizational Change Management 31 (2018) 2, S. 286–303.
[14] Macedo, M. I.; Ferreira, F. A.; Dabić, M.; Ferreira, N. C.: Strukturierung und Analyse von Initiativen, die organisatorische Transformationsprozesse erleichtern: Ein soziotechnischer Ansatz. In: Technological Forecasting and Social Change 209 (2024) 3.
[15] Brisson‐Banks, C. V.: Management von Veränderungen und Übergängen: Ein Vergleich verschiedener Modelle und ihrer Gemeinsamkeiten. In: Library Management 31 (2010) 4/5, S. 241-252.
[16] Galli, B. J.: Vergleich von Change-Management-Modellen: Gemeinsamkeiten, Unterschiede und welches ist am effektivsten? In: Daim, T.; Dabić, M.; Başoğlu, N.; Lavoie, J.R.; Galli, B.J. (Hrsg.): F&E-Management im Wissenszeitalter. Innovation, Technologie und Wissensmanagement. 2019.
[17] Mosadeghrad, A. M.; Ansarian, M.: Warum scheitern Programme zur organisatorischen Veränderung? In: International Journal of Strategic Change Management 5 (2014) 3, S. 189–218.
[18] Birkstedt, T.; Minkkinen, M.; Tandon, A.; Mäntymäki, M.: KI-Governance: Themen, Wissenslücken und zukünftige Forschungsagenden. In: Internet Research 33 (2023) 7, S. 133-167.
[19] Rousseau, D. M.; ten Have, S.: Evidenzbasiertes Veränderungsmanagement. In: Organizational Dynamics 51 (2022) 3.
[20] Stouten, J.; Rousseau, D. M.; De Cremer, D.: Erfolgreicher organisatorischer Wandel: Integration von Managementpraxis und wissenschaftlicher Literatur.
[21] Ångström, R. C.; Björn, M.; Dahlander, L.; Mähring, M.; Wallin, M. W.: Die richtige Umsetzung von KI: Erkenntnisse aus einer globalen Umfrage. In: California Management Review 66 (2023) 1, S. 5-22.
[22] Smith, T. G.; Norasi, H.; Herbst, K. M.; Kendrick, M. L.; Curry, T. B. et al.: Schaffung eines praktischen Modells für transformatives Veränderungsmanagement zur Implementierung neuartiger KI-gestützter Technologien im Operationssaal. In: Mayo Clinic Proceedings: Innovations, Quality & Outcomes 6 (2022) 6, S. 584–596.
[23] Kanitz, R.; Gonzalez, K.; Briker, R.; Straatmann, T.: Augmenting organizational change and strategy activities: Leveraging generative artificial intelligence. In: The Journal of Applied Behavioral Science 59 (2023) 3, S. 345-363.
[24] Lee, M. C.; Scheepers, H.; Lui, A. K.; Ngai, E. W.: Die Implementierung künstlicher Intelligenz in Organisationen: Eine systematische Literaturrecherche. In: Information & Management 60 (2023) 5, S. 1-19.
[25] Merhi, M. I.: Eine Bewertung der kritischen Erfolgsfaktoren, die sich auf die Implementierung künstlicher Intelligenz auswirken. In: International Journal of Information Management 69 (2023), S. 1-12.
[26] Schönbrodt, F.; Gollwitzer, M.; Abele-Brehm, A: Der Umgang mit Forschungsdaten im Fach Psychologie: Konkretisierung der DFG-Leitlinien. In: Psychologische Rundschau 68 (2017) 1, S. 20-35.
[27] Kuckartz, U.: Qualitative Inhaltsanalyse. Methoden, Praxis, Computerunterstützung, 4. Auflage. Weinheim/Basel 2018.
Ihre Downloads
Das könnte Sie auch interessieren
