Mit KI werden Hierarchien künftig immer wichtiger

Es geschieht leise, systematisch und mit einer Konsequenz, die erst bei genauerem Hinsehen sichtbar wird: Nach der Einführung von Generativer KI optimieren Unternehmen mit fortschreitender Leistungsfähigkeit oder Zuverlässigkeit dieser Technologie ihre Belegschaft, indem sie die Wissensanforderungen an die Mitarbeiter reduzieren und gleichzeitig die operative Effektivität durch den Einsatz Generativer KI aufrechterhalten. Es ist ein Phänomen, das einen Namen trägt, der so nüchtern klingt wie das Konzept selbst verstörend ist: Deskilling. Und als wäre das nicht bereits bemerkenswert genug, zeigt die Forschung etwas, das unsere Intuition geradezu auf den Kopf stellt. Überraschenderweise kann eine verbesserte Leistungsfähigkeit oder Zuverlässigkeit Generativer KI tatsächlich die Führungsspanne verengen und damit die Anforderungen an Führungskräfte erhöhen, anstatt organisatorische Hierarchien zu glätten, wie viele erwartet hatten. Um Risiken durch Halluzinationen wirksam zu mindern, implementieren viele Unternehmen eine menschliche Validierung im Prozess, bei der Führungskräfte die durch Generative KI verbesserten Ergebnisse vor der Umsetzung überprüfen. Und schließlich führen Produktivitätssteigerungen durch Generative KI zu charakteristischen organisatorischen Veränderungen: Mit steigender Produktivität neigen Unternehmen dazu, weniger, aber wissendere Mitarbeiter zu beschäftigen und dabei schrittweise die Führungsspanne zu erweitern.

Um zu verstehen, was hier wirklich geschieht, lohnt ein Blick auf die klassische Form der wissensbasierten Hierarchie in Unternehmen. Sie sah bisher folgendermaßen aus: Das Wissen über Lösungen für häufige oder einfachere Probleme ist auf der unteren Ebene angesiedelt, während das Wissen über komplexere Probleme in den höheren Hierarchieebenen liegt. Eine Pyramide des Wissens, die sich nach oben hin verdichtet und spezialisiert. Das ändert sich jetzt fundamental. Denn Lösungen werden zunehmend und in immer mehr Bereichen von KI gefunden. Dieses Wissen muss nicht mehr in der menschlichen Workforce gegeben sein – die Maschine hat es übernommen, schneller und oft präziser als jeder Einsteiger es je könnte. Komplexe Probleme aber, und hier liegt der entscheidende Unterschied, müssen von erfahrenen Fachleuten verstanden und bewältigt werden. Denn hier gibt es nicht die eine Lösung oder einen oder mehrere Case Studies aus der Historie, auf die man zurückgreifen könnte. Hier kommt es auf die Erfahrung und das Wissen der Menschen an, nicht die rechnerisch optimale, sondern die passende Lösung zu finden – jene Lösung, die den Kontext versteht, die Nuancen erfasst, die zwischen den Zeilen liest.

Doch Generative KI führt bei allen vorgeschlagenen und berechneten Lösungen eine kritische Herausforderung ein, die ihr wie ein Schatten folgt: Halluzinationen. Das sind plausible, aber falsche Ergebnisse, die täuschend echt wirken. Halluzinationen, die fehlerhafte Referenzen, Inhalte und Aussagen umfassen können, treten oft zusammen mit korrekten Informationen auf und werden überzeugend und selbstbewusst präsentiert, was ihre Identifikation ohne gründliche Prüfung und sorgfältige Faktenüberprüfung erschwert. Die KI zweifelt nicht, sie zögert nicht – sie präsentiert Fiktion mit derselben Überzeugung wie Fakten. Das kann teure und gefährliche Konsequenzen haben, von Fehlentscheidungen bis hin zu existenziellen Krisen für Unternehmen. Es ist also extrem wichtig, Ergebnisse der KI mit Erfahrung und Wissen abzugleichen. Und das können Fachleute mit Berufs- und Lebenserfahrung am besten. Nicht die Algorithmen, sondern die Menschen mit Jahrzehnten an praktischem Wissen sind es, die zwischen richtig und plausibel unterscheiden können.

Mit fortschreitender Entwicklung Generativer KI durch verbesserte Fähigkeiten oder reduzierte Halluzinationsraten senken Unternehmen gleichzeitig strategisch die Wissensanforderungen an Mitarbeiter, und sie tun dies aus zwei präzisen Gründen: Erweiterte Fähigkeiten ermöglichen es Arbeitnehmern, komplexere Probleme jenseits ihrer Expertise zu bewältigen, während reduzierte Halluzinationsraten die Risiken KI-unterstützter Problemlösung verringern. Diese Kombination erlaubt es Unternehmen, Lohnkosten zu reduzieren, indem sie weniger qualifizierte Arbeitskräfte einstellen und gleichzeitig die operative Effektivität durch KI-Verstärkung aufrechterhalten, was zu einem Deskilling-Effekt in der Belegschaft führt. Die Rechnung ist simpel, ihre Auswirkungen sind es nicht: Warum sollte man einen teuren Experten bezahlen, wenn ein günstiger Mitarbeiter mit KI-Unterstützung ähnliche Ergebnisse liefern kann?

Die Studie zeigt hier ein höchst interessantes Ergebnis, das unsere Vorstellungen von der demokratisierenden Kraft der Technologie fundamental in Frage stellt: Verbesserte KI-Fähigkeiten oder reduzierte Halluzinationsraten können tatsächlich die Führungsspanne verengen, aufgrund des Deskilling-Effekts und der erhöhten Nachfrage nach Führungsunterstützung. Diese Erkenntnisse stellen gängige Annahmen über die Rolle von KI bei der Glättung organisatorischer Hierarchien in Frage. Denn es bedeutet Folgendes, und man sollte einen Moment innehalten, um die Tragweite dieser Aussage zu erfassen: Hierarchien werden in Zukunft an Bedeutung gewinnen. Auf der unteren Seite die billig bezahlten Mitarbeiterinnen und Mitarbeiter mit geringen Skills, austauschbare Ressourcen in einem System, das ihre Expertise nicht mehr braucht. Auf der oberen Seite die erfahrenen und viel wissenden – und mächtigen, denn Wissen ist Macht – Führungskräfte, die KI und Menschen gleichermaßen kontrollieren. Eine neue Aristokratie des Wissens, abgesichert durch algorithmische Macht.

Generative KI wird mit ihren Produktivitätssteigerungen die Organisationsstruktur von Unternehmen grundlegend umgestalten, indem sie sowohl Wissensanforderungen als auch Führungsspanne verändert. Dieser Unterschied entsteht durch die einzigartige Fähigkeit Generativer KI, die Expertise der Mitarbeiter zu erweitern und gleichzeitig das Risiko von Halluzinationen immer mit in die Organisation zu tragen. Es sind Eigenschaften, die bei traditionellen produktivitätssteigernden Technologien bisher so nicht vorhanden waren. Eine Maschine konnte falsch funktionieren, aber sie konnte nicht überzeugend lügen. Eine Software konnte abstürzen, aber sie konnte nicht mit Selbstvertrauen Unsinn präsentieren. Neue Anforderungen und Risiken verlangen neue Skills und verändern die Hierarchie und das Machtgefüge in einer Weise, die wir erst beginnen zu begreifen.