Klare Fragestellungen sind wie komplizierte Fragestellungen, nur dass die Lösung für alle auch ohne Analyse offensichtlich ist.
Komplexe Fragestellungen entziehen sich der Analyse, weil keine Kausalitätsketten nach vorne sichtbar sind, viel Dynamik und Unsicherheit vorhanden sind und die Möglichkeiten, wie sich die Zukunft entwickeln kann, weit die Analysier- und Planbarkeit übersteigen. Die Kausalität wird erst retrospektiv sichtbar. Beispiel: eine organisatorische Maßnahme, von der wir im Vorfeld nicht wissen, wie das soziale System, die Menschen darauf reagieren werden.
Die Verwendung komplizierter Methoden in einer komplexen Domäne führt oftmals nicht zu den gewünschten Ergebnissen. In diesem Artikel werden wir differenzierter darauf blicken, um nicht Gefahr zu laufen, ein Schwarz-Weiß-Bild zu malen oder eine moralisierende Diskussion darüber zu führen, ob komplex besser als kompliziert ist.
KI wirkt im Komplizierten. Die Einführung von KI ist komplex
In vielen Organisationen gibt es neben komplexen Fragestellungen genug komplizierte, bei denen das Potenzial zur Automatisierung und Standardisierung nicht voll ausgeschöpft wird. Viele Prozesse können bei genauerer Analyse an Maschinen ausgelagert werden. Oftmals geht das nicht nur mit einer Entlastung der Menschen einher, sondern auch mit einer Steigerung der Qualität. Maschinen haben keine schlechten Tage, Kopfweh oder Hunger.
Das gilt für klassische, regelbasierte Automatisierung. KI kann uns in der komplizierten und klaren Domäne ebenfalls Ressourcen freispielen, die wir gut in der komplexen Domäne einsetzen könnten, sofern sie nicht abgebaut werden oder in der Organisation versickern. KI ist, wie wir wissen, probabilistisch und liefert keine deterministische Qualität. Deswegen braucht es auch je nach Kritikalität einen menschlichen Verifikationsschritt im Prozess.
Grundsätzlich lohnt es sich bei der Einführung von KI, zwei Dinge auseinanderzuhalten: die Domäne, in der KI wirkt, und die Domäne, in der ihre Einführung stattfindet.
Die Implementierung im gesamten soziotechnischen System hat erheblich komplexe Anteile, weil es nicht nur um Technik geht, sondern vor allem um das soziale System, in das diese eingebettet wird. Wie nimmt das soziale System die neue Technologie an? Wie ist die grundsätzliche Einstellung dazu? Wo gibt es bereits Energie, die in die passende Richtung fließt? Wo gibt es Widerstände? Wie gestalten wir also in Summe den Veränderungsprozess, der immer als Ausgangspunkt die aktuell vorherrschende Ist-Situation hat?
Das unterscheidet sich von der auf LinkedIn oft aufgestellten Behauptung, dass alles bei den Daten startet. Schöner Gedanke. Daten sind wichtig. Daten sind notwendig. Daten sind aber nicht hinreichend.
Dieser grundsätzliche Leitgedanke gilt nicht nur für KI-Einführungen, sondern findet sich mit großer Wahrscheinlichkeit in vielen vordergründig rein techniklastigen Veränderungsprozessen.
Wenn die Expertise fehlt: kein neuer Begriff nötig
Ein anderer Gedanke hat mich die letzten Tage beschäftigt: Wie gehen wir damit um, wenn eine Fragestellung theoretisch in der komplizierten Domäne liegt, die nötige Expertise in der Organisation aber grundsätzlich fehlt oder gerade nicht verfügbar ist? Aus der Perspektive des konkreten Systems, was Dave Snowden als das Substrat bezeichnet, bestehend aus Menschen, Fähigkeiten, Ressourcen, Prozessen, Regeln, mit dem wir tatsächlich arbeiten, existiert diese Expertise dann schlicht nicht.
Mein erster Impuls war, das als „pseudo-komplexes“ Problem zu bezeichnen. Nach einem Mailverkehr mit Dave bin ich davon wieder abgekommen. Wozu einen neuen Begriff einführen, wenn das Framework die Antwort schon enthält? In dem Fall ordnen wir nicht das Problem „an sich“ ein. Ohne epistemischen Zugang zur Kausalität ist die Fragestellung für uns zu diesem Zeitpunkt komplex und so sollten wir sie auch behandeln.
Daraus folgen zwei Wege: Wir kaufen die fehlende Expertise ein und holen die Fragestellung damit direkt ins Komplizierte zurück. Oder wir arbeiten mit safe-to-fail Probes, um das notwendige Know-how selbst aufzubauen und die Fragestellung über die Zeit von der komplexen in die komplizierte Domäne zu überführen. Welcher Weg der richtige ist, hängt davon ab, ob und wie oft wir die Fähigkeit brauchen und ob sie somit nachhaltig Teil unserer Substanz werden soll.
Wenn Analyse möglich wäre: die energetische Frage
Anders gelagert ist der Fall, in dem wir grundsätzlich alle Fähigkeiten und Ressourcen zur Analyse hätten, aber einige gezielte Experimente genügend Klarheit brächten, um zu entscheiden, wo wir unsere Ressourcen tatsächlich investieren wollen. Hier sind wir sauber in der komplizierten Domäne und wählen lediglich die Methode. Deshalb sprechen wir hier bewusst von Experimenten: hypothesengetrieben, mit einer überprüfbaren Erwartung und nicht von Probes, wie sie in der komplexen Domäne zum Einsatz kommen.
Die Frage ist also: Was ist energetisch günstiger, ausprobieren und schnell lernen, oder tatsächlich durchanalysieren? Wie schnell brauchen wir die neuen Erkenntnisse? Wie belastbar müssen diese sein?
Als Physiker vergleiche ich das mit der Wahl zwischen einer numerischen Näherungslösung, sofern sie ausreicht, und einer aufwändigen exakten, analytischen Lösung. Die Analogie gilt wohlgemerkt nur innerhalb der geordneten Welt: Beide Lösungswege setzen voraus, dass es eine richtige Antwort gibt. Komplexität ist nicht „näherungsweise lösbar“. Sie ist eine andere Kategorie.
Innerhalb des Komplizierten aber ist es am Ende eine Ermessensfrage des Managements, die bewusst getroffen werden sollte. Möglich ist beides. Entscheidend ist, dass die Wahl eine Entscheidung ist und kein Zufall.
