Entsperren Sie den Editor’s Digest kostenlos
Roula Khalaf, Chefredakteurin der FT, wählt ihre Lieblingsgeschichten in diesem wöchentlichen Newsletter aus.
Generative KI ist eine transformative Technologie, die das Potenzial hat, die Art der Arbeit neu zu definieren. Das Verständnis seiner Rolle am Arbeitsplatz und was es von früherer Automatisierung unterscheidet, erfordert einen Wechsel von dem, was KI tun kann, zu dem, was sie tun sollte.
Typische Analysen der Auswirkungen von GenAI auf Mitarbeiter konzentrieren sich darauf, ob die Technologie bestimmte Aufgaben ausführen kann. Solche Studien zerlegen oft eine Aufgabe und bewerten den Anteil der Bestandteilaufgaben, die die Technologie ausführen kann. Beispielsweise umfassen gängige Aufgaben für einen Kundendienstmitarbeiter in einem Callcenter die Interaktion mit Kunden, das Aufzeichnen von Interaktionen und das Beheben oder Eskalieren von Problemen. GenAI kann diese Aufgaben bewältigen, was darauf hindeutet, dass sie solche Mitarbeiter verdrängen könnte.
Betrachten Sie jedoch eine Berufsbezeichnung, die zunächst äquivalent erscheinen könnte: ein Notrufbetreiber. Die beiden Berufe haben viele ähnliche Aufgaben gemeinsam. Sollten wir erwarten, dass sie gleich hohe Risiken der Automatisierung ausgesetzt sind? Die Antwort ist nuancierter als allein die technische Fähigkeit. Jenseits ethischer Überlegungen führt die Automatisierung solcher Rollen komplexe Trade-offs ein, die Wirtschaft, Aufgabengestaltung und operationale Interdependenz umfassen.
Die Autoren
Laurence Ales ist Dekan für Bildung und Professor für Wirtschaftswissenschaften an der Tepper School of Business der Carnegie Mellon University
Christophe Combemale ist Assistenzforschungsprofessor für Ingenieurwesen und öffentliche Politik an der Carnegie Mellon University und CEO von Valdos Consulting
Wir glauben, dass Unternehmen vier entscheidende Fragen in Betracht ziehen sollten, wenn sie Automatisierung erwägen.
Erstens, wie komplex ist die Aufgabe? Komplexität ist ein wesentlicher Treiber sowohl für menschliche Arbeitskosten als auch für KI-Kosten. Notrufdisponenten lösen eine Vielzahl von Problemen, die einen Komplexitätsgrad aufweisen, der die wiederholten Interaktionen eines Kundendienstmitarbeiters übertrifft. Im Allgemeinen ist es unwahrscheinlicher, dass komplexere Aufgaben automatisiert werden, da Menschen – vorerst – besser als Maschinen darin sind, erhöhte Komplexität zu bewältigen.
Zweitens, wie häufig ist die Aufgabe? Je häufiger die Aufgabe, desto wahrscheinlicher ist ihre Automatisierung. Maschinen haben einen klaren Vorteil bei der Aufrechterhaltung von Geschwindigkeit über längere Zeiträume. Häufig wiederholte Interaktionen mit Kunden stärken den wirtschaftlichen Fall für die KI-Ersetzung von Kundendienstmitarbeitern.
Financial Times Global MBA Ranking © Getty Images
Dieser Artikel stammt aus dem MBA-Bericht und -Ranking von 2025
Drittens, wie miteinander verbunden sind die Aufgaben? Bei der Erbringung eines Dienstes oder der Herstellung eines Produkts sind viele Aufgaben in einer Kette miteinander verbunden, die oft von verschiedenen Arbeitnehmern und Maschinen ausgeführt werden. Was bei der Übergabe zwischen Aufgaben geschieht, wird oft übersehen. Fragmentierungskosten entstehen durch Ineffizienzen und Fehler im Übergabeprozess.
Die anfängliche Aufgabe eines Kundendienstmitarbeiters besteht darin, mit dem Kunden zu sprechen, während die endgültige Aufgabe darin besteht, sein Problem zu lösen. Wenn verschiedene Arbeitnehmer oder Maschinen beteiligt sind, kann die Übergabe zwischen diesen Aufgaben teuer sein. Wenn der Mitarbeiter, der die endgültige Lösung bearbeitet, nicht zu Beginn mit dem Kunden interagiert hat, wäre zusätzliche Zeit erforderlich, um alle zuvor gesammelten Informationen zu überprüfen.
Hohe Fragmentierungskosten sollten Unternehmen davon abhalten, Aufgaben zwischen Menschen und generativer KI aufzuteilen, selbst wenn dies technisch machbar ist. Die Automatisierung des initialen Triage-Anrufs bei Notrufdiensten mag kosteneffizient erscheinen, aber wichtige Informationen könnten beim Übergang von KI zu einem menschlichen Disponenten verloren gehen.
Viertens, was sind die Kosten eines Fehlers bei der Ausführung einer Aufgabe? Fehler von Notrufdisponenten bergen erhebliche Risiken, insbesondere in lebensbedrohlichen Situationen. Und GenAI kann weniger präzise sein als einige frühere Formen der Automatisierung.
Video: KI verändert die Arbeitswelt, sind wir bereit dafür? | FT Working It
Diese Fragen sollten Unternehmen bei der Automatisierungsüberlegung leiten und erklären, warum GenAI bestimmte Berufe stärker als andere betrifft. Betrachten Sie beispielsweise Computerprogrammierer. Umfangreiche, gut dokumentierte Codierungsbeispiele ermöglichen es GenAI, auch für komplexe Aufgaben effektive Lösungen bereitzustellen. Die hohe Häufigkeit und Wiederholung vieler Codieraufgaben passen gut zu GenAI.
Schon lange vor GenAI teilten Programmierer große Codierungsprojekte auf, und Innovationen wie verteilte Entwicklungsumgebungen und modulares Design haben Fragmentierungskosten reduziert. Sichere Testumgebungen halten die Kosten für Fehler gering, da viele Fehler in von GenAI erstelltem Code kostengünstig erkannt werden können. Innerhalb unseres Rahmens helfen diese Merkmale zu erklären, warum Programmierer, traditionell Nutznießer von Automatisierung, zunehmend von GenAI gestört werden.
Weiterführende Literatur
Generative KI, Adoption und Aufgabenaufbau, von L Ales, C Combemale & K Ramayya (2024, SSRN 4786671).
Wie es gemacht wird: Eine allgemeine Theorie der Arbeitsimplikationen von Technologieänderungen, von L Ales, C Combemale, ER Fuchs und K Whitefoot (2024, SSRN 4615324).
Die vier obigen Fragen verdeutlichen, was GenAI als Automatisierungstechnologie einzigartig macht. Mit ihrer Entwicklung zeigt GenAI ihre Fähigkeit, komplexe Aufgaben mit hoher Geschwindigkeit zu bewältigen, was sie vielseitiger als herkömmliche Automatisierung macht. Durch die Bereitstellung einer nahtlosen Benutzeroberfläche und natürlicher Sprachverarbeitungsfähigkeiten senkt GenAI schrittweise die Fragmentierungskosten im Vergleich zur herkömmlichen Automatisierung. Die Unsicherheit hinsichtlich der Ausgabe von GenAI erhöht jedoch potenziell das Risiko eines Fehlers bei einer Aufgabe.
Generative KI ist eine transformative Technologie mit dem Potenzial, Arbeitsmärkte neu zu gestalten. Ihr letztendlicher Einfluss und ihre Wahrscheinlichkeit der Annahme werden durch die Struktur von Aufgaben in einer bestimmten Berufsbezeichnung geformt. Die Komplexität der Aufgaben, ihre Häufigkeit, Fragmentierungskosten und die Kosten eines Fehlers beeinflussen zusammen das Gleichgewicht zwischen offensichtlichen Kosteneinsparungen und versteckten Kosten.