Es ist der vielleicht größte Irrtum der digitalen Transformation: Künstliche Intelligenz wird zunehmend eingesetzt, um menschliche Arbeitskraft zu ersetzen. Dabei ist das Gegenteil der Fall. Neue Technologien wie Künstliche Intelligenz (KI) nehmen den Menschen (oft ungeliebte) Routinen ab und werden in Form von Mensch-Maschine-Teams zu effektiven Problemlösern.

Arbeitswelt im Rechnungswesen der Zukunft

Eine moderne Arbeitswelt ohne Arbeitnehmende? Die beschwören Digitalisierungskritiker gerne herauf, wenn von Künstlicher Intelligenz und anderen neuen Technologien die Rede ist. Dabei sollen und können Maschinen die menschliche Arbeitskraft gar nicht ersetzen. Es geht vielmehr darum, repetitive und ermüdende Aufgaben zu übernehmen, damit den menschlichen Kolleginnen und Kollegen mehr Zeit für die komplexen strategischen Aufgaben bleibt. In Zeiten enger werdender Budgets profitieren Unternehmen zunehmend davon, wenn sie den Mitarbeitenden durch den Einsatz von KI neue Frei- und Zeiträume für komplexere Tätigkeiten schaffen.

Human in the loop: So lernt die KI

Das Hand-in-Hand-Arbeiten von Mensch und Maschine in einer modernen Arbeitswelt kann jedoch noch ganz andere Dimensionen annehmen. Dafür muss man allerdings zunächst verstehen, dass eine Künstliche Intelligenz auch nur so klug ist, wie der Input, mit dem sie gefüttert wird und aus dem sie lernt.

Wie wird eine Maschine intelligent

Die gängige Art, eine Maschine „intelligent“ zu machen, ist das sogenannte „supervised training“, ein überwachtes Lernen. Soll eine KI beispielsweise das Rechnungswesen unterstützen, müssen zunächst Trainingsdokumente manuell den verschiedenen Kategorien wie Frachtkosten oder Dienstleistungen zugeordnet werden. Im Rahmen dieses Trainings erkennt die KI schnell Charakteristika für die Zuordnung der Dokumente zu den Kategorien. Je mehr Daten zu Verfügung stehen, aus denen die KI lernen kann, desto besser kann sie anschließend eingeständig unbekannte Daten korrekt zuordnen. Demgegenüber steht das „unsupervised training“, wo die KI ohne Vorhersagen von Expert*innen versucht, Strukturen wie zum Beispiel Gruppierungen aus den gelieferten Daten zu extrahieren.

Solche Lernmethoden funktionieren immer dann gut, wenn es sich um die bereits beschriebenen repetitiven Aufgaben handelt, sodass die KI relativ schnell Gesetzmäßigkeiten ableiten kann. Und es müssen natürlich auch genügend Daten für das Training vorhanden sein. Ein Nachteil ist, dass die KI bei Veränderungen der Datenlage auch wieder neu trainiert werden muss. Eine eigenständige Anpassung funktioniert mit beiden Methoden nicht.

Human in the loop im Rechnungswesen

Auch deswegen hat sich die Forschung mittlerweile in Richtung einer Mensch-Maschine-Interaktion weiterbewegt und erste Erkenntnisse zeigen: Teams aus Mensch und Maschine sind sehr erfolgreich – erfolgreicher als reine Mensch-Mensch- oder Maschine-Maschine-Teams. Der Fachbegriff für diese Art der Zusammenarbeit nennt sich Human-in-the-Loop, kurz HITL, und meint im Grunde nichts anderes als klassisches Teamwork.

Ein aktuelles Beispiel für diese besondere Art der Zusammenarbeit kommt von Forschern des MIT, der Harvard Medical School und des Beth Israel Deaconess Medical Center. Sie haben ein sogenanntes Deep-Learning-Modell eingesetzt, um Scans von Brustkrebs-Mikroskopie-Proben auf metastatischen Brustkrebs zu klassifizieren. Dabei erreichte das Deep-Learning-Modell eine Erkennungsrate von 92 Prozent, während „echte“ Mediziner eine Erkennungsrate von 96 Prozent hatten. Für die betroffenen Patientinnen und Patienten ist es selbstredend fatal, dass vier von 100 Tumoren nicht entsprechend kategorisiert werden können. Also haben sich die Forscher angeschaut, was passiert, wenn die Ergebnisse des künstlichen neuronalen Netzwerks von Pathologen kontrolliert werden. Und tatsächlich konnte durch diese Interaktion zwischen der KI und den Menschen die Erkennungsrate auf 99 Prozent gesteigert und gleichzeitig die menschliche Fehlerquote um 85 Prozent gesenkt werden.

In diesem Beispiel war lediglich den menschlichen Medizinern die „Teamarbeit“ bewusst. Es gibt jedoch neuere Studien, unter anderem eine aus dem Jahr 2020, die zeigen, dass Teams aus Menschen und KI-Modellen in der Lage sind, sich zu koordinieren, indem die jeweiligen Teammitglieder die Handlungen des jeweils anderen beobachten und daraus lernen.

Die Zukunft der Arbeit im kaufmännischen Bereich?

Die genannten Erkenntnisse aus Forschung und Wissenschaft verdeutlichen, dass wir noch relativ weit am Anfang einer Entwicklung stehen, die jedoch einiges an Potenzial mit sich bringt. Sie wird allerdings auch die Art und Weise grundlegend verändern, wie Zusammenarbeit im Arbeitsumfeld künftig gestaltet wird. Denn Mensch-Maschine-Teams können mit ihrer kollektiven Intelligenz und ihren ganz unterschiedlichen Fähigkeiten große Herausforderungen meistern, das kristallisiert sich bereits heraus. Jedoch sind die Faktoren, die über den Team-Erfolg entscheiden, ganz andere als in der rein menschlichen Kooperation.

In der Praxis, dass die Mensch-Maschine-Kollaboration, zumindest was die aktuelle Studienlage angeht, sich vor allem für Vorhersagen von Marktbewegungen eignet. Auch ist der HITL-Ansatz denkbar, wenn es darum geht, die Einflüsse von wirtschaftlichen Kenngrößen auf eine bestimmte Kenngröße abzuschätzen und vorherzusagen. Dabei profitieren speziell diese Fälle von einem übergeordneten KI-Entscheidungsmodell, welches die einzelnen Erkenntnisse der jeweiligen Teammitglieder zu aggregieren weiß, um dann zu einem gemeinsamen Ergebnis zu kommen. Es ist also nicht zwangsläufig so, dass der Mensch als kontrollierende Instanz immer ein Garant für ein optimales Ergebnis ist. Speziell in Fällen kollektiver Intelligenz und in Vorhersagemärkten kann es hilfreich sein, ein KI-Modell einzusetzen.

Wie genau Mensch-Maschine-Tandems in Zukunft Erfolge erzielen und schwierige Fragestellungen lösen, werden die Zeit und neue wissenschaftliche Erkenntnisse zeigen. Im Kontext des Rechnungswesens und Controllings sind zahlreiche Konstellationen denkbar – und erste Erfolge sichtbar.

Mehr zu KI im Rechnungswesen

Marco Maritschnigg
Neue Herausforderungen durch Automatisierung, KI, Big Data und die neue Arbeitswelt wecken das Interesse des studierten Linguisten. Marco teilt seine Erfahrungen im Diamant Blog und schreibt zu aktuellen Trends.

Ihnen hat der Artikel gefallen?