21
03/19 PERSONALquarterly
SUMMARY
Research question:
When do applicants and employees prefer algo-
rithms, HR-experts or managers as decision-makers? Which motives
do employees attribute to the use of machine-based decisions and
how fair do they perceive these decisions?
Methodology:
Presentation of the key findings of a survey and two
experiments
Practical implications:
Employees and applicants mostly prefer
human decision-makers to algorithms. Reasons such as cost savings
rather than increased decision quality are attributed to the use of
machine-based decisions. Moreover, machine-based decisions are
often not perceived as fairer. Consequently, when using algorithms and
AI, companies should always take into account the reactions of appli-
cants and employees and weigh up whether the advantages of using
mechanical decision-makers in all cases outweigh their disadvantages.
LITERATURVERZEICHNIS
Bauer, T. N./Truxillo, D. M./Sanchez, R. J./Craig, J. M./Ferrara, P./Campi-
on, M. A. (2001): Applicant reactions to selection: Development of the selec-
tion procedural justice scale (SPJS). Personnel Psychology, 54(2), S. 387–419
Buchanan, T./Johnson, J. A./Goldberg, L. R. (2005): Implementing a
five-factor personality inventory for use on the internet. European Journal of
Psychological Assessment, 21(2), S. 115-127
Chapman, D. S./Uggerslev, K. L./Carroll, S. A./Piasentin, K. A./Jones, D.
A. (2005): Applicant attraction to organizations and job choice: A meta-
analytic review of the correlates of recruiting outcomes. Journal of Applied
Psychology, 90(5), S. 928–944
Colquitt, J. A. (2001): On the dimensionality of organizational justice: a
construct validation of a measure. Journal of applied psychology, 86(3), S. 386
Fiske, S. T./Taylor, S. E. (1991): Social cognition. Mcgraw-Hill Book Company
Grove, W. M./Zald, D. H./Lebow, B. S./Snitz, B. E./Nelson, C. (2000): Clini-
cal versus mechanical prediction: a meta-analysis. Psychological assessment,
12(1), S. 19
Hausknecht, J. P./Day, D. V./Thomas, S. C. (2004): Applicant reactions to
selection procedures: An updated model and meta-analysis. Personnel psycho-
logy, 57(3), S. 639-683
Highhouse, S./Lievens, F./Sinar, E. F. (2003): Measuring attraction to organi-
zations. Educational and Psychological Measurement, 63(6), S. 986-1001
Kuncel, N. R./Klieger, D. M./Connelly, B. S./Ones, D. S. (2013): Mechanical
versus clinical data combination in selection and admissions decisions: A
meta-analysis. Journal of Applied Psychology, 98(6), S. 1060
Nishii, L. H./Lepak, D. P./Schneider, B. (2008): Employee attributions of the
„why” of HR practices: Their effects on employee attitudes and behaviors, and
customer satisfaction. Personnel psychology, 61(3), S. 503-545
Auswahlprozesses. Dies mag daran liegen, dass ein solcher
Auswahlprozess bereits als sehr konsistent wahrgenommen
wird, wenn es ein Mensch bewertet.
Diskussion der Ergebnisse und Praxisimplikationen
Die Ergebnisse der drei Studien zeigen zum einen, dass Mit-
arbeiter in vielen Bereichen des Employee Life Cycles mensch-
liche Entscheider, insbesondere die eigenen Vorgesetzten,
bevorzugen und eine gewisse Skepsis gegenüber maschinellen
Entscheidern haben. Wenn maschinelle Entscheider wie Algo-
rithmen und KI eingesetzt werden, sollte die finale Entschei-
dung trotz allem bei einem menschlichen Entscheider liegen.
Dies mag daran liegen, dass wir menschliche Entscheider noch
eher gewohnt sind. Vielleicht setzt in Zukunft ein Gewöh-
nungseffekt ein. Nichtsdestotrotz sollten aktuell maschinelle
Entscheider im Personalmanagement eher als Entscheidungs-
hilfe für menschliche Entscheider genutzt werden.
Unter Gesichtspunkten der Arbeitgeberattraktivität stellt
sich ein Einsatz von KI aufgrund der Außenwirkung als ris-
kant dar, da es falsche Signale gerade an Bewerber senden
könnte. Für Unternehmen gilt es also abzuwägen, ob sie sich
einer größeren Herausforderung ausgesetzt sehen, einen talen-
tierten und diversen Talentpool zu rekrutieren oder Bewerber
kosteneffizient auszuwählen. Vor der Implementierung von
HR-Praktiken, bei denen Entscheidungen auf Basis von Algo-
rithmen getroffen werden, empfehlen wir daher ein experimen-
telles Vorgehen. Hierbei könnte im Rahmen eines Pilotprojekts
besser abgeschätzt werden, welche Auswirkungen maschinelle
Entscheider auf die Entscheidungsqualität und -effizienz, aber
eben auch auf die Reputation und Motivation haben können. Es
bleibt anzumerken, dass dies als Momentaufnahme betrachtet
werden sollte, da in Zukunft durch die Weiterentwicklung von
KI und Algorithmen auch Veränderungen in deren Wahrneh-
mung zu erwarten sind.
CHRIS KAIBEL, M.SC.
Wissenschaftlicher Mitarbeiter
Lehrstuhl für Personalmanagement und Führung
Universität Mannheim
E-Mail:
MAX MÜHLENBOCK, M.SC.
Wissenschaftlicher Mitarbeiter
Lehrstuhl für Personalmanagement und Führung
Universität Mannheim
E-Mail: max.muehlenbock@ bwl.uni-mannheim.de
DR. IRMELA KOCH-BAYRAM
Wissenschaftliche Mitarbeiterin
Lehrstuhl für Personalmanagement und Führung
Universität Mannheim
E-Mail:
PROF. DR. TORSTEN BIEMANN
Professur für Personalmanagement und Führung
Universität Mannheim
E-Mail:
