GenerAiting the Future

KI x HR — eine Einführung zu Künstlicher Intelligenz (KI)
sowie Gedanken zu Möglichkeiten und Grenzen von KI im HR-Umfeld

Andy Weeger

Neu-Ulm University of Applied Sciences

Donnerstag, 14. November 2024

Künstliche
Intelligenz

Der Anfang vom Ende oder der Weg in ein Utopia?

Bildrechte: Warner Bros./Photofest, Skydance, Walt Disney Company, Timon/AdobeStock.com

Apropos Love …

Love Letters¹ by Christopher Strachey 1953

1. Christopher Strachey entwickelte bereits im Jahr 1952 ein Programm für den Manchester Mark 1 Computer, das in der Lage war, Liebesbriefe zu generieren. Das Programm “Love Letters” kann als eine frühe Form von künstlicher Intelligenz betrachtet werden, obwohl es nicht die gleiche Komplexität wie moderne KI-Systeme aufweist.

Definition

Ein KI-System ist ein maschinengestütztes System, das so konzipiert ist, dass es mit unterschiedlichem Grad an Autonomie betrieben werden kann, das nach der Einführung Anpassungsfähigkeit zeigen kann und das für explizite oder implizite Ziele aus den Eingaben, die es erhält, ableitet wie es Ergebnisse wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugen kann, die physische oder virtuelle Umgebungen beeinflussen können (European Commission, 2024).

‘Ai system’ means a machine-based systems designed to operate with varying levels of autonomy and that may exhibit adaptiveness after deployment and that, for explicit or implicit objectives, infers, from the input it received, how to generate output such as content, predictions, recommendations, or decisions, that can influence physical or virtual environment (European Commission, 2024).

Systeme, die ähnlich autonom wie wir wahrnehmen, lernen, denken und handeln.

Ebenen der KI

Schichten intelligenter Systeme (Zhuhadar, 2023)

 

 

 

 

Künstliche Intelligenz

KI umfasst Techniken, die Computer in die Lage versetzen, menschliches Verhalten zu emulieren, so dass sie lernen, Entscheidungen treffen, Muster erkennen und komplexe Probleme auf eine Weise lösen können, die der menschlichen Intelligenz ähnelt.

Maschinelles Lernen

ML ist ein Teilbereich der KI und verwendet fortschrittliche Algorithmen, um Muster in großen Datensätzen zu erkennen, damit Maschinen lernen und sich anpassen können. ML-Algorithmen verwenden überwachte oder nicht überwachte Lernmethoden.

Deepl Learning

DL ist eine Untergruppe von ML, die neuronale Netze für tiefgreifende Datenverarbeitung und analytische Aufgaben einsetzt. DL nutzt mehrere Schichten künstlicher neuronaler Netze, um aus rohen Eingabedaten High-Level-Merkmale zu extrahieren und so die Art und Weise zu simulieren, wie menschliche Gehirne die Welt wahrnehmen und verstehen.

Generative KI

Generative KI ist eine Untergruppe von DL-Modellen, die auf der Grundlage von Eingaben Inhalte wie Text, Bilder oder Code generiert. Diese Modelle werden auf umfangreichen Datensätzen trainiert, erkennen Muster und erstellen Ausgaben ohne explizite Anweisungen, wobei eine Mischung aus überwachtem und nicht überwachtem Lernen zum Einsatz kommt.

Fähigkeiten Generativer KI

Erstellt mit udio

Source: SWR

Erstellt mit einem speziell trainierten FLUX model

Source: OpenAI Sora¹

6. Prompt: The camera directly faces colorful buildings in burano italy. An adorable dalmation looks through a window on a building on the ground floor. Many people are walking and cycling along the canal streets in front of the buildings.

Vom Wort zur Tat

KI-Agenten kombinieren unterschiedliche Fähigkeiten und ermöglichen so nahezu unbegrenzte Anwendungsmöglichkeiten.

Broadly speaking, agentic systems refer to digital systems that can independently act in a dynamic world.

Agenten können mit Vielfalt umgehen (in Kontrast zu Regel-basierten Systemen) Agentensysteme können mit natürlicher Sprache gesteuert werden Agenten können mit bestehenden Softwarewerkzeugen und Plattformen arbeiten

Im Gegensatz zu GenAI-Tools, die auf menschliche Eingaben reagieren, um einzelne Aufgaben zu automatisieren, können KI-Agenten ganze Arbeitsabläufe oder Prozesse automatisieren. Sie sind in der Lage, mehrstufige Pläne zu erstellen und auszuführen, um ein vom Benutzer vorgegebenes Ziel zu erreichen, wobei sie ihre Aktionen auf der Grundlage von Echtzeit-Feedback anpassen.

Auswirkungen auf die Wirtschaft

KI hat das Potenzial auf unterschiedlichen Ebenen zu verändern.

Produktivität¹
Kreativität und Innovation
Produkte und Dienstleistungen
Arbeitsmarkt

Singla & Chui (2024)

Ai — in particular generative Ai — is the electricity of our era, increasingly ubiquitous and spawning countless complementary innovations. Erik Brynjolfsson, Professor am Stanford Institute for Human-Centered AI

For many jobs, Ai will only automate or augment 20-30% of tasks. So, there’s a huge productivity boost, but people are still required for the remaining 70% of the role. Andrew Ng, chinesisch-US-amerikanischer Informatiker, KI Experte

Produktivitätssteigerung: Generative KI kann dazu beitragen, Produktionsprozesse zu optimieren und die Effizienz zu steigern. Durch die Automatisierung von Aufgaben, die früher menschliche Intervention erforderten, können Unternehmen Zeit und Ressourcen einsparen.

Innovation: Generative KI kann neue Möglichkeiten für Kreativität und Innovation eröffnen, indem sie bei der Generierung neuer Ideen, Designs und Inhalte unterstützt. Dies kann dazu beitragen, dass Unternehmen wettbewerbsfähiger werden und neue Produkte und Dienstleistungen schneller auf den Markt bringen.

Personalisierung von Produkten und Dienstleistungen: Durch den Einsatz von Generative KI können Unternehmen personalisierte Produkte und Dienstleistungen anbieten, die den individuellen Bedürfnissen und Vorlieben der Kunden entsprechen. Dies kann die Kundenbindung stärken und die Kundenzufriedenheit verbessern.

Veränderung des Arbeitsmarktes: Der Einsatz von Generativer KI wird den Arbeitsmarkt fundamental verändern. Während einige Aufgaben automatisiert werden, entstehen neue Arbeitsplätze, die spezialisierte Fähigkeiten im Umgang mit KI erfordern. Dies kann zu einem Produktivitätswachstum von bis zu drei Prozent pro Jahr führen.

Ethik und Datenschutz: Die Nutzung von Generative KI wirft jedoch auch ethische und Datenschutzfragen auf, insbesondere im Hinblick auf den Einsatz von KI zur Manipulation von Inhalten, die Privatsphäre und den Schutz persönlicher Daten.

7. Noy & Zhang (2023) zeigen in einer aktuellen Studie am MIT mit 405 Akademikern, dass KI sowohl Produktivität als auch Qualität und Arbeitszufriedenheit erhöhen.

Auswirkungen auf HR

Doppelt
gefordert

Sie müssen einerseits die Transformationsprozesse in Ihrer Kammer unterstützen
und gleichzeitig sich selbst neu erfinden.

HR gestaltet die KI-Transformation

Um ihre volle Wirkung zu entfalten, erfordert die KI noch stärker als andere digitale Technologien erhebliche Veränderungen in vielen Unternehmen. Insbesondere in Bezug auf die

Kultur, Organisation und Qualifikation der Arbeitskräfte.

HR kann und sollte eine Vorreiterrolle bei der KI-Transformation im Unternehmen einnehmen, Mitarbeiter unterstützen, die Akzeptanz von KI fördern und den Wandel verantwortlich und erfolgreich gestalten ("verantwortliches Normalisieren").

Aktive Gestaltung!

Kultur

• Offene Kommunikation über die Ziele, Chancen und Risiken des KI-Einsatzes fördert das Vertrauen und die Akzeptanz der Technologie. Beispiel Entwickler
• Eine Kultur, die Fehler als Lernchance begreift und Experimente mit KI-Systemen ermöglicht, fördert Innovationen. Lebenslanges Lernen
• Agile — Embrace Change (notwendig angesichts der Veränderungsgeschwindigkeit und der Änderungsamplituden)

Organisation

• Agile und flexible Strukturen
• Weg von Hierarchien, hin zu Netzwerken
  
• Automatisierung
• Datenbasierte Entscheidungen

Qualifikation

• Datenmanagement: Die Organisation muss in der Lage sein, große Datenmengen zu verwalten und zu analysieren. Dazu gehört auch die Sicherstellung von Datenschutz und Datensicherheit.
• Critical Thinking: Ein grundlegendes Verständnis von KI und die Fähigkeit, KI-Systeme kritisch zu hinterfragen, sollten in der gesamten Organisation gefördert werden
• Technologische Fähigkeiten (Grundverständnis über die Technologie –> Schulfach) und Wissen um die verfügbaren Plattformen und Systeme
• Fusion Thinking: die Verschmelzung von menschlichen und maschinellen Talenten und umfassen Kompetenzen wie Prompting, verantwortungsvolles Normalisieren, Integration von Entscheidungsprozessen,

Der Begriff “verantwortungsvolles Normalisieren” beschreibt einen sogenannten “Fusion Skill”, der für die erfolgreiche Zusammenarbeit von Mensch und KI notwendig ist. Dieser Skill zielt darauf ab, die Interaktion zwischen Mensch und KI verantwortungsvoll zu gestalten und die Akzeptanz für KI in der Organisation und der Gesellschaft zu fördern.

Die Kernidee des verantwortungsvollen Normalisierens besteht darin, KI als ein Werkzeug zu betrachten, das den Menschen unterstützen und entlasten soll, anstatt ihn zu ersetzen. Es geht darum, die Angst vor Jobverlust und die Skepsis gegenüber KI abzubauen und stattdessen die Vorteile der Technologie hervorzuheben.

• Transparenz: Die Funktionsweise von KI-Systemen, ihre Entscheidungsfindung und die zugrunde liegenden Daten müssen transparent und nachvollziehbar sein.
• Kommunikation: Offene und ehrliche Kommunikation über die Ziele, Chancen und Risiken des KI-Einsatzes ist entscheidend, um Vertrauen aufzubauen.
• Partizipation: Mitarbeiter sollten in den Prozess der KI-Einführung eingebunden werden, um ihre Bedenken zu äußern und die Gestaltung der Mensch-KI-Interaktion mitzugestalten.
• Ethik: Ethische Grundsätze wie Fairness, Diskriminierungsfreiheit, Datenschutz und die Wahrung der menschlichen Autonomie müssen bei der Entwicklung und dem Einsatz von KI-Systemen berücksichtigt werden.
• Bildung: Die Förderung von “AI Literacy” in der gesamten Organisation und der Gesellschaft ist notwendig, um ein grundlegendes Verständnis von KI und die Fähigkeit, KI-Systeme kritisch zu hinterfragen, zu entwickeln.

KI transformiert HR

KI wird HR in vielen Bereichen grundlegend verändern, viele Leistungen werden individualisierter und HR-Profis gewinnen Zeit für strategische Aufgaben.
KI verändert insbesondere …

Routineaufgaben
Entscheidungsfindung
Rekrutierung
Personalentwicklung

Source: paraox.ai

Source: Personio

Source: growify

Die JobTeaser (2024) Studie zeigt, dass die Candidate Experience entscheidend ist — Transparenz, Schnelligkeit und klare Kommunikation sind die wichtigsten Faktoren.

1. Automatisierung von Routineaufgaben: KI kann HR-Profis von Routineaufgaben entlasten, indem sie Prozesse wie die Analyse von Bewerbungsunterlagen, die Vorauswahl von Kandidaten, die Planung von Vorstellungsgesprächen und die Beantwortung einfacher Mitarbeiteranfragen automatisiert. HR-Profis haben mehr Zeit für strategische Aufgaben.
2. Verbesserung der Entscheidungsfindung: KI kann HR-Experten mit datengestützten Erkenntnissen versorgen, die ihnen helfen, bessere Entscheidungen zu treffen. Beispielsweise können KI-gestützte People-Analytics-Systeme Muster in Mitarbeiterdaten erkennen, um die Fluktuationsrate zu prognostizieren, die Mitarbeiterbindung zu verbessern und die Personalplanung zu optimieren.
3. Verbesserung des Rekrutierungsprozesses: KI kann HR-Teams dabei unterstützen, ihre Zielgruppen besser zu erreichen und Stellenanzeigen zu optimieren. KI-basiertes Programmatic Job-Advertising kann Stellenanzeigen automatisch auf verschiedenen Plattformen platzieren und die Zielgruppenansprache verbessern. KI-gestützte Tools können Lebensläufe analysieren, Kandidaten anhand von Fähigkeiten und Erfahrung bewerten und sogar erste Vorstellungsgespräche über KI-gestützte Avatare führen.
4. Unterstützung der Personalentwicklung: KI kann personalisierte Lernpfade erstellen, den Fortschritt der Mitarbeiter verfolgen und Feedback geben. KI-gestützte Lernplattformen können Lerninhalte auf die individuellen Bedürfnisse der Mitarbeiter zuschneiden und adaptives Lernen ermöglichen.

Beispiele für den Einsatz von KI in HR:

• Digitale Lernassistenten: KI-gestützte Chatbots können Mitarbeitern rund um die Uhr Informationen zu Qualifizierungsangeboten, Coaching-Sitzungen und anderen Personalentwicklungsthemen bereitstellen.
• Recruiting-Bots: Chatbots können den ersten Kontakt mit Bewerbern automatisieren, Fragen beantworten und Termine für Vorstellungsgespräche vereinbaren.
• KI-gestützte Videointerviews: KI kann die Analyse von Videointerviews automatisieren, indem sie Mimik, Gestik und Sprache analysiert, um Rückschlüsse auf die Persönlichkeit und die Eignung der Kandidaten zu ziehen.

Herausforderungen

Der Einsatz von KI im HR-Bereich bietet viele Chancen,
birgt aber auch einige Herausforderungen. Insbesondere hinsichtlich …

Regulierung
Datenqualität
Transparenz
Akzeptanz
Komplexität

• Verantwortung und Haftung: Der Einsatz von KI im HR-Bereich wirft ethische Fragen auf, die sorgfältig berücksichtigt werden müssen. Zum Beispiel müssen Entscheidungen von KI-Systemen im Einklang mit den Werten und Normen des Unternehmens stehen und die Rechte der Mitarbeiter wahren. Der EU AI Act klassifiziert Systme, die im Personalumfeld automatisierte Entscheidungen treffen als Hochrisiko-Systeme, die nur unter strengen Auflagen betrieben werden dürfen.
• Datenschutz & Datenqualität: KI-Systeme sind datengetrieben und die Qualität der Ergebnisse hängt maßgeblich von der Qualität der Daten ab. Unvollständige, fehlerhafte oder irrelevante Daten können zu verzerrten Ergebnissen und falschen Entscheidungen führen. Besonders wichtig ist die Einhaltung von Datenschutzbestimmungen wie der DSGVO, um die Privatsphäre der Mitarbeiter zu schützen und Diskriminierung zu vermeiden.
• Transparenz und Erklärbarkeit: KI-Systeme, insbesondere solche, die auf Deep Learning basieren, sind oft Black Boxes, deren Entscheidungsfindungsprozesse schwer nachvollziehbar sind. Im HR-Kontext ist es aber wichtig, die Entscheidungen von KI-Systemen transparent und erklärbar zu machen, um die Akzeptanz bei Mitarbeitern und Führungskräften zu fördern und ethische Bedenken auszuräumen. KI-Systeme können bestehende Vorurteile und Diskriminierungsmuster aus den Daten lernen und verstärken. Dies kann zu ungerechten Entscheidungen bei der Personalauswahl, -entwicklung und -beurteilung führen. Es ist wichtig, KI-Systeme auf Fairness und Diskriminierungsfreiheit zu prüfen und Mechanismen zu implementieren, die Bias minimieren.
• Akzeptanz & Nutzung: Die Einführung von KI im HR-Bereich verändert die Arbeitskultur und kann zu Unsicherheiten und Ängsten bei den Mitarbeitern führen. Ein effektives Change-Management ist notwendig, um die Mitarbeiter in den Transformationsprozess einzubeziehen, ihre Bedenken ernst zu nehmen und die Vorteile von KI transparent zu kommunizieren. Der Einsatz von KI erfordert neue Kompetenzen bei HR-Mitarbeitern. Sie müssen die Funktionsweise von KI-Systemen verstehen, diese bedienen und die Ergebnisse interpretieren können. Unternehmen müssen in die Schulung und Weiterbildung ihrer HR-Mitarbeiter investieren, um sie für die Arbeit mit KI zu qualifizieren.
• Kosten und Komplexität: Die Implementierung von KI-Systemen im HR-Bereich kann mit hohen Kosten und komplexen technischen Herausforderungen verbunden sein. Unternehmen müssen die Kosten und den Nutzen sorgfältig abwägen und sicherstellen, dass die KI-Systeme in ihre bestehende IT-Infrastruktur integriert werden können

People Analytics DSGVO

Folgende Aspekte sind nach der DSGVO zu beachten:

1. Rechtsgrundlage: Für die Verarbeitung personenbezogener Daten benötigen Unternehmen eine Rechtsgrundlage. I. d. R. wird dies entweder die Einwilligung des Betroffenen oder das berechtigte Interesse des Unternehmens sein.
2. Zweckbindung und Speicherbegrenzung: Es ist wichtig, dass personenbezogene Daten nur für den vereinbarten Zweck verwendet werden. Sollen die Daten für einen anderen/weiteren Zweck genutzt werden, ist i. d. R. eine erneute Einwilligung erforderlich. Außerdem müssen Daten nach Zweckentfall gelöscht werden.
3. Transparenz: Die Betroffenen müssen über die Verarbeitung ihrer Daten informiert werden. Zudem sollen Daten möglichst nachvollziehbar verarbeitet werden.
4. Datenminimierung: Es sollen nur die Daten erhoben werden, die für die Analyse notwendig sind. Eine umfassende Datensammlung ist nicht zulässig.
5. Richtigkeit: Die erhobenen Daten müssen korrekt und aktuell sein. Dies schließt eine kontinuierliche Korrektur mit ein.
6. Vertraulichkeit: Es ist wichtig, dass die personenbezogenen Daten angemessen vor unbefugtem Zugriff geschützt werden. Dazu gehört auch, dass die Daten verschlüsselt und vor Verlust oder Diebstahl geschützt werden.
7. Betroffenenrechte: Betroffene haben das Recht auf Auskunft, Berichtigung, Löschung und Einschränkung der Verarbeitung ihrer personenbezogenen Daten. Unternehmen müssen sicherstellen, dass sie diese Anforderungen erfüllen und die Rechte der Betroffenen respektieren.

Zu beachten ist, dass im Kontext von HR Analytics-Prozessen häufig keine personenbezogenen Daten benötigt werden, die Rückschlüsse auf Einzelpersonen zulassen.

Mein KI-Imperativ

Intelligent agent-driven automation remains an exciting proposition, with the potential to revolutionize whole industries, bringing a new speed of action to work. Singla & Chui (2024), McKinsey Quarterly Report #4 (2024)

Diejenigen, die mit Hilfe von KI ihr eigenes Potenzial steigern, werden denjenigen überlegen sein, die das nicht tun.

Empfehlungen

Beschäftigen Sie sich mit der Technologie, definieren Sie Ziele und Leitlinien, identifizieren Sie Use-Cases, analysieren Sie Ihre Kompetenz- und Kultur-Lücke und entwickeln Sie Ihre Organisation.

Eine Liste möglicher Use Cases finden sie hier und hier. Eine Shortlist empfohlener Online-Resourcen finden sie hier.

Schlusswort

KI hat das Potenzial,
[die Welt] erheblich zu verbessern.

Unternehmen, die diese Potenziale realisieren, setzen auf transparente Kommunikation, Innovationsgeist und Mitarbeiterbefähigung, investieren in die technologische Infrastruktur und übernehmen Verantwortung für die Auswirkungen der Technologie.

Vielen Dank
für Ihre Aufmerksamkeit

Andy Weeger (andy.weeger@hnu.de)

Die Präsentation als PDF herunterladen.

Literatur

European Commission. (2024). Artificial Intelligence in the European Commission — A Strategic Vision to Foster the Development and Use of Lawful, Safe and Trustworthy Artificial Intelligence Systems in the European Commission. C(2024) 380.

Gartner. (2023). How to Evaluate Use Cases for Generative AI in HRg.

JobTeaser. (2024). Candidate Experience: Gen Z & HR in der Gegenüberstellung.

Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Available at SSRN 4375283.

Singla, S., A., & Chui, M. (2024). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value.

Zhuhadar, L. P. (2023). Unraveling AI Complexity - A Comparative View of AI, Machine Learning, Deep Learning, and Generative AI.

Appendix

Ai Use Cases

Ai Use-Cases in HR (Gartner, 2023)

Ai Use Case Prism

Ai Use Case Prism for Human Capital Management (Gartner, 2023)

Online-Resourcen

Folgende kostenlose Ressourcen können wir empfehlen, um mehr über künstliche Intelligenz inklusive Prompting zu lernen:

• Elements of Ai — Grundlagen der KI
• LearnPrompting — Prompt Engineering Guide
• LearnPrompting — Kurse, teilweise kostenlos
• OpenAI — Prompting Guide
• PromptingGuide — Prompt Engineering Guide
• Microsoft — Erste Schritte mit Copilot
• Microsoft — Copilot Szenarien Library für HR

Eigenschaften von KI-Agenten

	Typische GenAI Werkzeuge	KI Agenten
Umfang des Anwendungsfalls	Automatisierung von Aufgaben (jede Aufgabe erfordert in der Regel menschliche Eingaben)	Können Aufgaben ausführen, die für einzelne Sprachmodelle zu komplex sind, indem sie die Interaktion mit verschiedenen Tools automatisieren
Integration	Üblicherweise nicht mit anderen Werkzeugen integriert	Tiefe Integration mit anderen Werkzeugen zur Erfüllung von komplexen Aufgaben
Selbstlernfähigkeit	Kein (Langzeit-)Gedächtnis und begrenzte Möglichkeiten zur Feinabstimmung	Durch den Zugriff auf Kurz- und Langzeitgedächtnisressourcen, die in vortrainierten Sprachmodellen oft nicht verfügbar sind, können KI-Agenten die Qualität ihrer Ergebnisse im Laufe der Zeit schnell verbessern
Anpassungsfähigkeit	Die probabilistischen Ergebnisse sind größtenteils durch die Trainingsdaten beschränkt	Können schnell auf neue und Echtzeit-Datenquellen zugreifen und mit anderen Agenten zusammenarbeiten, um Ergebnisse zu koordinieren und auszuführen