Controller Magazin Special 5/2020

Controller Magazin _ Special 15 zur Verfügung gestellten Daten unbewusst eingelernt werden. Neben den Limitationen des menschlichen Gehirns sei auch eine sei- ner wesentlichen Stärken erwähnt. Vom menschlichen Gehirn werden ständig auch nicht gestellte Probleme gelöst. Das Gehirn hat keine statische Struktur, es wird viel- mehr ständig reorganisiert. Dadurch wer- den Probleme spontan neu gesehen. Dies charakterisiert die Kreativität und Innovati- onsfähigkeit des Menschen und ist ein we- sentlicher Unterschied zu Maschinen. Einsatzmöglichkeiten und Aufgabenteilung Mensch-Maschine Die bisherigen Ausführungen haben gezeigt dass ▶ KI-Systeme bzw. maschinelle Forecasts noch wenig verbreitet sind und in den Kinderschuhen stecken, ihnen aber hohe Bedeutung und großes Potenzial für die Zukunft zugesprochen wird ▶ das Ideal exakter Prognosen auch im Zeit- alter der künstlichen Intelligenz ein un­ erreichbares Ideal bleibt, ihr Einsatz aber die menschliche Prognosefähigkeit ver- bessern und den Erstellungsprozess auto- matisieren bzw. unterstützen kann ▶ Menschen jedoch auch kognitive Fähig- keiten besitzen, die Maschinen (noch) nicht haben Es stellt sich damit die Frage, wie maschinel- le Forecasts am besten eingesetzt werden. Sollen sie die menschlichen Forecasts er- setzen oder ergänzen? Es könnten, ähnlich wie beim autonomen Fahren, verschiedene Unterstützungs-Stufen von „Assisted Intelli­ gence, Augmented Intelligence, Autonomous Intelligence“ unterschieden werden. 11 Bei der Assisted Intelligence bleibt der gesamte Fo- recast-Prozess in den Händen des Control- lers. Die KI bzw. der maschinelle Forecast arbeitet nach konkreten Anforderungen des Controllers zu, der Controller entschei- det über das Ergebnis des Forecasts. Bei der Augmented Intelligence laufen der Fo- recast des Controllers und der maschinelle Forecast parallel. Die Unterschiede werden analysiert, der Controller bzw. die Führungs- kraft entscheidet, welches Ergebnis verwen- det wird. Ein Beispiel für Augmented Intel- ligence im Forecast-Prozess ist die SAP AG. Sofern die Abweichung der Forecasts einen Schwellwert übersteigt, müssen die betrof- fenen Bereiche erklären, warum sie glauben, Recht zu haben und nicht das System. In der letzten Stufe der Autonomous Intelli- gence ersetzt der maschinelle Forecast den menschlichen Forecast, Controller und Füh- rungskräfte vertrauen auf das KI-System. Neben dem Unterstützungsgrad ist auch die Frage des Anspruchsniveaus an die KI zu berücksichtigen. In Analogie zu den Ana- lytics-Entwicklungsstufen könnte die Erwar- tungshaltung an das KI-System lediglich die Bereitstellung relevanter Abweichungsinfor- mationen als Basis für die eigentliche Prog- nosesein(descriptive,diagnostic).Indenmeis- ten Fällen geben sich Unternehmen jedoch damit nicht zufrieden und implementieren einen quantitativen Forecast (predictive). Das höchste Anspruchsniveau wird an ein KI-System gestellt, das nicht nur das wahr- scheinliche Ergebnis prognostiziert, sondern auch die dafür notwendigen Maßnahmen (prescriptive). Dies scheint aber aus heutiger Sicht noch eine Zukunftsvision zu sein. ⬛ Abb. 3: Einsatzgebiete und Unterstützungsgradmaschineller Forecasts 1. Feser, D., Hürden für den Einsatz künstlicher Intelligenz, ZfO, 1/2020, S. 17 2. Seufert, A., Treitz R., Künstliche Intelligenz und Controlling, Controller Magazin Special, Mai/Juni, 2019, S. 20 3. IBM (Hrsg.), Global CEO Study – Unternehmensführung in einer komplexenWelt, 2011 4. Bremerman, H.J., Optimization Through Evolution and Recombination, in: Yovits, M.C./Jacobi, O./Goldstein, O. (Hrsg.), Self-Organizing Systems 1962, S. 93-106 5. Malik, F., Strategie des Managements komplexer Systeme, Bern, 1986, S. 199 6. Reeves, M., Levin, S., Fink, T., Levina, A., Taming Complexity, Harvard Business Review, January-February, 2020, S. 115 7. Forrester H., Das intuitionswidrige Verhalten sozialer Systeme, in: Meadows, D.L./Meadows, D.H. (Hrsg.), Das globale Gleichgewicht, Stuttgart 1974 8. Dörner, D., Kreuzig H.W., Reither F., Lohausen: VomUmgang mit Unbestimmtheit und Komplexität, Bern 1983 9. Häfner K., Psychische Mobilität mit Informationstechnik, in: Bäck H. (Hrsg.), Der gut informierte Manager- Erfolg- reiche europäische MIS- und EIS-Lösungen, S. 115-130, Köln 1991 10. Miller, G., The Magical Number Seven, Plus or Minus Two: Some Limits on Our Capacity for Information Processing, in: Alexis, M./Wilson, C., Organizational Decision Making, Englewood Cliffs 1967; 11. Grotenhermen, J.G., Oldeweme, A., Bruckes, M., Uhlending, L., Künstliche Intelligenz im Personalwesen, ZfO, 1/2020, S. 6 Prescriptive Analytics (How can we make it happen?) Assisted Intelligence Foresight Insight Hindsight Augmented Intelligence Autonomous Intelligence Predictive Analytics (What will happen?) Diagnostic Analytics (Why did it happen?) Descriptive Analytics (What happened?) Prioritäres Einsatzgebiet maschineller Forecasts