Weiterbildung Führen im Zeitalter der künstlichen Intelligenz in Genf · Kanton Genève"Die Maschine hat sich geirrt": Algorithmische Ablehnung und Wertschätzung

Eine automatisierte Prognose schlägt bei einem Fall fehl, den alle kennen. Einige Manager möchten dann zur menschlichen Beurteilung zurückkehren; andere bevorzugen weiterhin das Werkzeug, weil es objektiver erscheint. Die Forschung dokumentiert beide Reaktionen, ohne festzustellen, dass eine in allen Situationen dominiert. Für das Management geht es nicht darum, maximales Vertrauen zu fördern, sondern zu untersuchen, welche Vergleiche der Entscheidung zugrunde liegen, einer Empfehlung zu folgen oder sie zu verwerfen.
1. Was die Literatur zeigt
Berkeley J. Dietvorst, Joseph P. Simmons und Cade Massey (2015, Journal of Experimental Psychology: General) untersuchen die Wahl zwischen menschlichen und algorithmischen Prognosen. In ihren Experimenten kann die Beobachtung eines Fehlers des Algorithmus zu seiner geringeren Nutzung führen, selbst wenn seine beobachtete Leistung die des menschlichen Prognostikers übersteigt. Teilnehmer verlieren schneller das Vertrauen in den Algorithmus nach seinen Fehlern. Das Ergebnis betrifft die untersuchten Aufgaben und Vergleiche, nicht eine universelle Unfähigkeit, eine unvollkommene Maschine zu akzeptieren. Dietvorst, Simmons & Massey, 2015 — Algorithm aversion: People erroneously avoid algorithms after seeing them err
2. Die vernachlässigte Unterscheidung: Ablehnung nach Fehler und Wertschätzung von Beratung
Jennifer M. Logg, Julia A. Minson und Don A. Moore (2019, Organizational Behavior and Human Decision Processes) zeigen in Schätzungsexperimenten, dass Teilnehmer einer als algorithmisch dargestellten Beratung mehr Gewicht beimessen können als einer als menschlich dargestellten Beratung. Diese Wertschätzung widerspricht der Ablehnung nicht mechanisch: das Gewichten einer nach ihrer Quelle identifizierten Beratung ist nicht dieselbe Situation wie die Wahl eines Prognostikers nach Beobachtung seiner Fehler. Die beiden Artikel isolieren zusammen nicht alle Ursachen ihrer Unterschiede. Logg, Minson & Moore, 2019 — Algorithm appreciation: People prefer algorithmic to human judgment

3. Warum Details keinen Schutz bieten
Ein Fall mit vielen technischen Indikatoren garantiert kein gut kalibriertes Vertrauen. Ein auffälliger Fehler kann den Leistungsvergleich überlagern; umgekehrt kann das Label "algorithmisch" eine Beratung attraktiv machen, ohne ihre lokale Qualität zu beweisen. Die sinnvolle Frage betrifft vergleichbare Fälle, ein explizites Qualitätskriterium und die Folgen von Fehlern. Diese praktische Lesart stellt keine durch die beiden Artikel validierte Intervention dar.
4. Die Grenzen der Daten
Experimente ermöglichen eine kausale Interpretation bestimmter Manipulationen in ihren Protokollen, aber keine Vorhersage des Verhaltens jeder Organisation. Sie betreffen begrenzte Aufgaben der Vorhersage oder Schätzung, nicht die gesamte Nutzung generativer KI. Das Gewicht einer Beratung und die Wahl eines Prognostikers sind unterschiedliche Messungen. Die Studien bestimmen auch nicht, ob eine Empfehlung rechtlich zulässig, gerecht oder sicher genug für eine sensible Verwendung ist. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)
5. Vertretbare Bedingungen für die Praxis
Ein vertretbarer Ansatz vergleicht das Werkzeug und eine menschliche Referenz an denselben Fällen, unterscheidet Fehlertypen und dokumentiert Gründe für das Ignorieren einer Empfehlung. Ein schwerwiegender Fehler kann eine Aussetzung rechtfertigen, selbst wenn die durchschnittliche Leistung günstig erscheint. Das Ziel ist weder systematische Adoption noch Ablehnung nach jedem Fehler, sondern eine Entscheidung, die der Qualität und dem Risiko angemessen ist. Dieses Rahmenwerk ist ein Praxisvorschlag, kein durch diese Studien etabliertes Effektivitätsergebnis.
6. Ein bescheidener Test in Genf
Ein Team in Genf könnte anonymisierte historische Fälle untersuchen, ohne Auswirkungen auf reale Entscheidungen. Bevor es die Ergebnisse kennt, legt es ein Qualitätskriterium fest und dokumentiert separat eine menschliche Schätzung und die eines genehmigten Werkzeugs. Es vergleicht dann die Fehler und notiert, ob ein auffälliger Fall sein Urteil über das Ganze verändert. Diese beschreibende Übung misst keine kausale Wirkung und validiert keine Umsetzung. Sie kann in der SHR-Schulung für Manager im Zeitalter der KI diskutiert werden Weiterführend: entdecken Sie die Führen im Zeitalter der künstlichen Intelligenz-Weiterbildung in Genf im Kanton Genf, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz. KI-Weiterbildung im Kanton Genf.
In Bildern: Führen im Zeitalter der künstlichen Intelligenz in Genf



- führen im zeitalter der künstlichen intelligenz
- Genf
- forschung
- Weiterbildung genf
Unsere Weiterbildungen nach Kanton
- GenfFühren im Zeitalter der KI
- WaadtFühren im Zeitalter der KI
- ZürichFühren im Zeitalter der KI
- BernFühren im Zeitalter der KI
- Basel-StadtFühren im Zeitalter der KI
- TessinFühren im Zeitalter der KI
- FreiburgFühren im Zeitalter der KI
- NeuenburgFühren im Zeitalter der KI
- LuzernFühren im Zeitalter der KI
- St. GallenFühren im Zeitalter der KI
- WallisFühren im Zeitalter der KI
- JuraFühren im Zeitalter der KI
- ZugFühren im Zeitalter der KI
