Wenn es um Künstliche Intelligenz geht, wird meistens über die technologischen Möglichkeiten gesprochen und geschrieben. Es geht um Leistungsvergleiche zwischen KI-Modellen, und um KI-Agenten mit ihrem Verbrauch an Tokens – um nur einige wenige Aspekte zu nennen.
Auf der anderen Seite geht es immer mehr Leuten auch darum zu analysieren, welchen Einfluss Künstliche Intelligenz auf die Gesellschaft, also auf soziale Systeme hat. Es geht hier um Regulierungen, Recht, Moral, Ethik usw.
In dem Beitrag Künstliche Intelligenz ist untrennbar in die Gesellschaft eingebettet – oder umgekehrt? habe ich die Wechselwirkungen der beiden Pole Technik und Gesellschaft thematisiert. Zwischen den beiden Dimensionen gibt es – wie immer – ein Kontinuum an Möglichkeiten der Gestaltung. Dabei geht es also nicht alleine um die Gestaltung der Technologie, sondern gleichzeitig auch um die Gestaltung des sozialen Raums, in dem KI eingebettet ist.
Es liegt daher auf der Hand, in die Gesellschaft eingebettete Künstliche Intelligenz als soziotechnisches System zu betrachten. Genau das haben Glöckner et al. in einem frei verfügbaren Paper gemacht.
„Der vorliegende Beitrag betrachtet Künstliche Intelligenz (KI) als ein soziotechnisches System, das verschiedene Auswirkungen auf soziale Interaktionen und die Gesellschaft als Ganzes hat. Auf Basis aktueller empirischer Befunde werden verschiedene mögliche Auswirkungen von KI in den Bereichen (1) soziale Wahrnehmung, (2) soziales Urteilen und Entscheiden sowie (3) Gruppenprozesse, gesellschaftlicher Zusammenhalt und Macht diskutiert.“ A. Glöckner et al., “Künstliche Intelligenz als soziotechnisches System: Eine Perspektive der Fachgruppe Sozialpsychologie,” Psychologische Rundschau, vol. 77, no. 4, pp. 216–224, Oct. 2026, doi: 10.1026/0033-3042/a000780.
Wenn es irgendwo nicht so läuft, wie man sich das vorstellt, kommt immer wieder die gleiche Antwort: Das System benötigt eben mehr Geld. Vergleichen wir unsere Systeme europaweit oder weltweit, so stellen wir oft fest, dass genügend Geld im System sein sollte – manchmal sogar zu viel Geld im System ist. Schauen wir uns einfach einmal an, warum wir immer wieder den Fokus auf Teilsysteme und nicht auf das Gesamtsystem richten.
Wenn wir uns die Medienlandschaft ansehen, geht es im Tagesgeschäft häufig darum, die Menschen aufzuscheuchen (Emotional zu packen) um Aufmerksamkeit und damit Klickraten zu generieren. Da beschweren sich beispielsweise die Landwirte, weil es regnet oder eben nicht, die Autofahrer, dass Benzin und Diesel teurer werden, dass die Lebensmittel schlechter und teurer werden, das Bildungssystem seit den 60er Jahren immer schlechter wird, das Sozialsystem und das Gesundheitssystem seit Jahrzehnten ausufern, unsere Energie- und Kommunikationssysteme zu sehr abhängig sind von anderen, unser Finanzsystem …. usw. usw.
Wie Sie der kleinen Auflistung entnehmen können, kommt häufig der Begriff „System“ vor. Im klassischen Problemlösungsansatz der Industriegesellschaft, ist es ganz einfach: Durch das Optimieren einzelner Bauteile wird das gesamte Produkt (System) optimiert. Das ist allerdings bei genauerer Betrachtung von Systemen ein gravierender Trugschluss.
Die isolierte Optimierung einzelner Teile führt oft zu einer Verschlechterung des Gesamtsystems. Ineffizienz entsteht somit aus Schnittstellenproblemen und mangelnder Kommunikation im Gesamtsystem.
Einige (kleine) Beispiele: (1) Eine Optimierung in einem isolierten landwirtschaftlichen System, in dem es fast ausschließlich um die Wirtschaftlichkeit geht, führt zu erhöhten Kosten im Gesundheitssystem. Industriell hergestellte Lebensmittel machen viele Menschen krank, und das seit Jahrzehnten. (2) Eine betriebswirtschaftliche Optimierung des Bildungssystems anhand industrieller Kennzahlen, führt zu erhöhten Kosten im Sozialsystem und dort wiederum zu einem Lock-in ganzer Familiengenerationen, die dann von sozialer Unterstützung abhängig werden. (3) Überall kritiklos Künstliche Intelligenz einzusetzen, führt zu erheblichen Vorteilen in manchen Bereichen, kann allerdings eine Gesellschaft insgesamt auf Grund der Schnelligkeit von Veränderungen überfordern – usw. usw.
Sicher sehen Sie in Ihrem Umfeld auch, wie alles mit allem zusammenhängt. Diese Vernetzungen sind über die Jahrzehnte immer mehr geworden, sodass die Komplexität in vielen Bereichen im Vergleich „zu früher“ erhöht ist. Komplexes Problemlösen unterscheidet sich allerdings fundmental von einfachem Problemlösungen.
Viele Menschen sind es nicht gewohnt in Systemzusammenhängen zu denken und zu handeln, da sie die einfachen Ursache-Wirkungs-Zusammenhänge aus der industriell geprägten Ära verinnerlicht haben. Dabei vertrauen Sie gerne einfachen Problemlösungen – auch gerne Stammtischparolen – weil diese vorgaukeln, dass die Lösung an einer bestimmten Stelle zu finden ist. Das möchte ich an dieser Stelle nicht weiter ausführen.
Neue Fragen werden mit alten Lösungen angegangen. Es werden beispielsweise keine Systemanpassungen vorgenommen, sondern es wird erwartet, dass sich der Mensch an die neuen Herausforderungen anpasst. Wie Matthiesen et al, es formulieren: Eine Aufgabe, an der man nur scheitern kann:
„Zu den Missverständnissen, die das Dasein in Unternehmen, Universitäten, Behörden, NGOs, Theatern, Schulen und anderen Organisationen unnötig schwer machen, gehört die Annahme, Kern und Kernproblem einer Organisation seien die Menschen, die in ihr arbeiten. Diese Unterstellung macht den Einzelnen zum Puffer, der genötigt wird, jedes Organisationsversagen aufzufangen – eine Aufgabe, an der man nur scheitern kann. Statt das Verhalten des Einzelnen heroisch zu glorifizieren oder therapeutisch zu problematisieren, interessieren uns die Verhältnisse, in denen sich dieses Verhalten abspielt.“ (Matthiesen, K., Muster, J., Laudenbach, P. (2022). Die Humanisierung der Organisation. München: Vahlen).
Eine Systembetrachtung, die das Wohl der Menschen und der Umwelt zum Ziel hat, führt zu ganz anderen Herausforderungen (Systemsteuerungen) als einfach nur das Platte „wir brauchen mehr Geld“.
Solche technologischen Aspekte überlagern dabei die Kosten, die in der Organisation und bei den Mitarbeitern entstehen. In einem GesamtsystemMensch, Organisation und Technologie (MOT-Modell) ist es wichtig, einzelne Elemente sinnvoll auf das eigene Geschäftsmodell und die dazu erforderlichen Geschäftsprozesse abzustimmen.
Gerade Kleine und Mittelständische Unternehmen (KMU) mit ihren begrenzten Ressourcen sollten darauf achten, das gesamte KI-System auf ihre Organisation abzustimmen und nicht immer nur dem nächsten technologischen Hype hinterherzujagen. In einem lesenswerten Artikel stellt M. Kramer ausführlich dar, dass dieser rein Tech-getriebene Ansatz nicht wirtschaftlich ist.
„None of this lessens the technology. Models will keep improving, and that progress matters. But the next wave of AI value will come less from models becoming more capable and more from organisations becoming more capable of using them. Capability sets what is possible. The operating model decides how much of that possibility the business ever sees“ Kramer, M. (2026) Analyst Insights: The AI ROI Problem Is Rarely the Model.
In der aktuellen Diskussion um Künstliche Intelligenz kann man den Eindruck gewinnen, dass es fast täglich um neue, technische Möglichkeiten geht. Diese Neuerungen bei den Anwendungen sind allerdings so schnell, dass sie kaum noch in die Organisationsprozesse eingebunden, und von Mitarbeitern aufgenommen werden können.
Die Priorisierung von Technologie (T) im Vergleich zur Organisation (O) oder auch zu den Menschen (M) kann als TOM-Modell bezeichnet werden, in dem es zu einer asymmetrischen Beschleunigungssituation kommt, die gerade für Kleine und Mittlere Unternehmen (KMU), mit traditionell relativ wenig Ressourcen, gefährlich werden kann. KMU werden in diesem Modell zu getriebenen der Technologie und der KI-Modelle der Marktführer.
Eine ähnliche Entwicklung hatten wir schon einmal im Wissensmanagement, das auch zunächst vom TOM-Modell ausgegangen war. Mit dem besseren Verständnis von „Wissen“ – insbesondere die wichtige Rolle des impliziten Wissen – veränderte sich der Blick auf den Umgang mit Wissen. Das TOM-Modell wurde zum MOT-Modell mit dem Menschen (M) am Beginn von Überlegungen, der Organisation (O) und der Technologie (T). Allerdings war das nicht unbedingt als Reihenfolge zu verstehen, da ja alles mit allem zusammenhängt.
Letztendlich führten die Überlegungen zu der Erkenntnis, dass es sich beim Wissensmanagement eher um ein Wissenssystem handelt, in dem alles miteinander verbunden ist, und somit ein komplexes Wirkungsnetz entsteht. Darin gibt es Elemente, die sich gegenseitig selbst verstärken und auf den Erfolg der Organisation wirken (Generatoren).
Prinzipieller Aufbau eines Wirkungsnetzes ( In Anlehnung an Schels/Seidel, 2020)
Übertragen auf die Entwicklungen bei Künstlicher Intelligenz sollte ein Kleines und Mittleres Unternehmen (KMU) wie folgt vorgehen, um sein eigenes KI-System sinnvoll zu entwicklen:
Geschäftsprozesse beschreiben (max. 3)
Mensch: Kompetenzen in Bezug auf Künstliche Intelligenz definieren (3-5)
Organisation: Rahmenbedingungen beschreiben (3-5)
Technik: In Bezug auf Künstliche Intelligenz festlegen (3-5)
Stellen Sie nun alle 12 (mindestens) Einflussfaktoren miteinander in Beziehung und bewerten Sie möglichst im Team, wie stark der eine Einflussfaktor auf einen anderen Einflussfaktor wirkt (0, 1, 2, 3). Abschließend addieren Sie die Werte je Zeile (Aktivsumme) und in den Spalten (Passivsumme). Ein hoher Wert bei der Aktivsumme bedeutet, dass dieser Einflussfaktor stark auf das gesamte KI-System wirkt. Ein hoher Wert bei der Passivsumme bedeutet, dass das KI-System stark auf diesen Einflussfaktor wirkt. Abschließend wäre es noch möglich, Generatoren im System aufzuspüren, um sich mit den abzuleitenden Maßnahmen darauf zu konzentrieren.
Die Entscheidung für den Einsatz von KI und die Auswahl geeigneter Anwendungen sind für jedes einzelne KMU höchst individuell (Mittelstand Digital Focus Mensch, 2026).
Auf der internationalen Konferenz MCP 2026 (16.-19.09.2026, Balatonfüred, Ungarn) gehe ich auf diese Zusammenhänge in einem Paper ein.
Complex Problem Solving (CPS) unterscheidet sich erheblich von Simple Problem Solving (SPS). Beim einfachen Problemlösen (SPS) sind Ist- und Soll-Zustand gut beschreibbar. Durch planbares Vorgehen ist der Soll-Zustand dann mehr oder weniger gut erreichbar. Für CPS ist bei einem Menschen ein komplexes System von informationsverarbeitenden Prozessen erforderlich, denn komplexes Problemlösen (CPS) ist anders. Die Ausgangszustände sind nicht so eindeutig beschreibbar, der Weg zum Ziel ist vielfältig und das Ziel selbst ist unscharf (fuzzy). Bamberger und Wrona (2000:6) formulieren das so:
„Sie stellen Entscheidungen unter Unsicherheit dar und werden auch als sogenannte Multi-Kontext-Probleme derart bezeichnet, dass sie in unterschiedlichen, jeweils aktorspezifischen Kontexten definiert bzw. expliziert werden.“
Das theoretische Konstrukt Multiple Intelligenzen erfasst hier die wesentlichen Dimensionen dieses zugrundeliegenden (komplexen) Systems beim Menschen und geht damit über die biologischen Einschränkungen hinaus.
„This theoretical construct of multiple intelligences represents a framework that not only connects the biological constraints of human information processing to the world of culturally valued capabilities. In addition, it represents a particular compromise, balancing the need to deal with the richness and complexity of the underlying system against theoretical tractability, while still capturing the most important dimensions of the complex system“ (Cornell, Shearer and Gardner, 2003).
In der heute stark vernetzten Welt, kommt es immer mehr zu komplexen (nicht nur komplizierten) Problemstellungen. Insofern hat die Multiple Intelligenzen Theorie eine gute Passung zu dieser Entwicklung. Siehe dazu auch
Die Frage in meiner Blogüberschrift erscheint auf den ersten Blick etwas seltsam. Immerhin kommunizieren wir als Menschen doch permanent, oder? Schauen wir uns Kommunikation noch etwas genauer an, so ist die Frage gar nicht so leicht zu beantworten.
Bei Kommunikation geht es um den“ Austausch oder die Übertragung von Informationen“(Wikipedia). Dabei gibt es viele Facetten. die vom einfachen Sender-Empfänger-Modell, über die verschiedenen Ebenen von menschlicher und digitaler Kommunikation, bis hin zur Einordnung von Kommunikation in komplexen sozialen Systemen reichen.
Bei der Systembetrachtung gibt es Ansichten (z.B. von Luhmann), die der allgemeinen Auffassung von Kommunikation widersprechen. Die Systemtheorie von Niklas Luhmann geht zunächst einmal von der Kommunikation (nicht von Handlungen) aus und davon, dass „die Strukturen der Kommunikation in weitgehend allen sozialen Systemen vergleichbare Formen aufweisen“ (ebd.). Kommunikation ist also, so Luhmann, kein Ergebnis menschlichen Handelns, sondern ein Produkt sozialer Systeme (vgl. Dewe 2010).
Das gipfelt in der Aussage: „Der Mensch kann nicht kommunizieren, nur die Kommunikation kann kommunizieren“ (Krieger / Nassehi 1993:56).
Soziale Systeme tauschen also Informationen selbstreferentiell aus – sie kommunizieren, ohne dass der Mensch dafür erforderlich ist.
Der Mensch ist nach Luhmann konsequenterweise kein Bestandteil der sozialen Systeme, sondern Bestandteil der Umwelt. Die System-Umwelt-Kopplung macht die Kommunikation möglich. Wie am Anfang schon angedeutet, sind die Zusammenhänge nicht so einfach zu verstehen. Siehe dazu auch Künstliche Intelligenz: System – Umwelt – Mensch.
Top view of multiracial young creative people in modern office. Group of young business people are working together with laptop, tablet, smart phone, notebook. Successful hipster team in coworking. Freelancers.
KI-Modelle sind auch Systeme, die selbstorganisiert, autopoietisch agieren. Es wundert daher nicht, dass bei der Beschreibung von KI-Systemen die üblichen Begriffe aus der Systemtheorie verwendet werden. Doch schauen wir uns einmal an, was beispielsweise mit dem Begriff Autopoiesis ursprünglich gemeint war.
„Das Kunstwort Autopoiesis, das sich aus den griechischen Worten autos (selbst) und poiein (=machen) zusammensetzt, wurde übrigens von Maturana selbst geprägt und meint so viel wie Selbsterzeugung, Selbstherstellung. Maturana und Varela haben den Begriff benutzt, um die Eigenart der Organisation von Lebewesen zu beschreiben. Es geht ihnen um die Definition bzw. Theorie des Lebendigen“ (Maturana / Varela 1992:50f.), zitiert in Dewe 2010).
Es wundert nicht, dass Maturana und Varela als Biologen damit etwas Lebendiges im Sinn hatten.
Weiterhin sind autopoietische Systeme nicht nur selbstbezogen, und selbstherstellend, sondern auch selbstbegrenzend (vgl. dazu W. Krohn und G. Küppers (Hrsg.): Emergenz: Der Entstehung von Ordnung, Organisation und Bedeutung. Frankfurt am Main 1992, S. 394).
Damit ist man bei der Beziehung System – Umwelt. „Das System bezieht jedoch nichts Vorgefertigtes aus der Umwelt, sondern es schafft sich durch interne Unterscheidungen seine bestimmte Umweltsensibilität. (…) Das System verändert sich, indem es seine Strukturen verändert – es lernt. Es verändert sich, wie bereits beschrieben, nicht unendlich, sondern nur so lange, wie es die eigene Autopoiesis nicht gefährdet“ (Dewe 2010).
Ein KI-System lernt somit nur so lange, wie die eigene Autopoiese nicht gefährdet ist.
Welche Rolle spielt der Mensch in Bezug auf System und Umwelt?
Wenn sich alles selbstorganisiert und selbstbegrenzend entwickelt, stellt sich die Frage, ob der Mensch Bestandteil des (sozialen) Systems ist, oder eher zur Umwelt zählt.
„Das Herauslagern des Menschen aus dem sozialen System in die Umwelt des Systems (in Form des psychischen Systems) verringert nicht die Bedeutung des Menschen, sondern verstärkt und unterstreicht ihn, denn wäre der Mensch mit Haut und Haaren Bestandteil des Systems dann handelte es sich um ein totalitäres System. Wird der Mensch aber herausgenommen, so schützt gerade dies seine Autonomie und Eigenständigkeit“ (Dewe 2010).
Wenn wir uns die KI-Modelle ansehen, so ist deren Ziel, den Menschen mit seinen Daten und Profilen im System abzubilden. Der Mensch wird somit immer mehr zum Bestandteil des KI-Systems.
Das bedeutet wiederum, ein KI-System kann in diesem Sinne immer mehr zu einem totalitäres System werden.
Organisationen fragen sich immer mehr, wie sie sich auf dem Weg zu einer Agilen Organisation entwickeln sollten. In dem Beitrag Organisationelle Agilität mit der Agile Management Maturity Map (AM³), veröffentlicht am 13.10.2025 auf der Website der GPM (Gesellschaft für Projektmanagement e.V.), wird erläutert, dass Agilität in Organisationen systemisch verstanden werden sollte, wobei Agilität aus den verschiedenen Wechselwirkungen (emergent) entsteht. Das ist zunächst der theoretische Unterbau, der auf der genannten Seite noch weiter erläutert wird.
Konkreter können Organisationen analysieren und bewerten, inwiefern sie schon auf diesem Weg sind. Dazu bietet sich eine Art Reifegradmodell (Maturity Model) an, das auch der vorgeschlagenen AM³: Agile Management Maturity Map zugrunde liegt. Wie der Abbildung zu entnehmen ist, können Sie in 10-15 Minuten anhand verschiedener Fragen klären, wo möglicherweise Handlungsbedarf besteht.
Der Umgang mit Wissen wird heutzutage stark mit den neuen technologischen Möglichkeiten, wie der Künstlichen Intelligenz in Verbindung gebracht. Dabei spielen wissensbasierte Systeme als Teilgebiet der Künstlichen Intelligenz eine zentrale Rolle. Doch was macht so ein wissensbasiertes System aus? Dazu habe ich in einem aktuellen Glossar folgendes gefunden:
„Der Wesenskern wissensbasierter Systeme ist, dass sie eine explizite Repräsentation von Wissen besitzen, und dieses Wissen maßgeblich für das Verhalten des Systems ist. Dies wurde etwa im Jahr 1982 als sogenannte KR Hypothese (engl. knowlegde representation hypothesis) von Brian Smith formuliert (Smith 1982). Demnach beinhaltet ein (intelligentes) wissensbasiertes System eine Komponente, die das Wissen des Systems repräsentiert und Komponenten, in denen dieses Wissen das Verhalten des Systems maßgeblich beeinflusst. Wissensbasierte Systeme stellen ein Teilgebiet der Künstlichen Intelligenz dar. Eine frühe, aber gute Darstellung von wissensbasierten Systemen findet sich in (Davis 1986). Eine aktuelle Übersicht über Methoden und Systeme geben (Beierle und Kern-Isberner 2019). Einer der Vorzüge wissensbasierter Systeme ist, dass eine einfache Übertragung eines Systems auf einen neuen Anwendungsfall oder eine neue Domäne möglich ist. Dazu muss lediglich das Wissen im alten System durch das Wissen der neuen Domäne ausgetauscht werden. Die restlichen Systemkomponenten können unverändert bleiben. Außerdem kann durch die explizite Repräsentation des Wissens oft einfacher eine Form der Erklärbarkeit hergestellt werden (Meske et al. 2022). Die ist auch angesichts der Datenschutzgrundverordnung (Goodman und Flaxman 2017) und der KI-Regulierung der EU von zunehmender Bedeutung“ (Richter et al. (2024): Glossar Künstliche Intelligenz für die interdisziplinär vernetzte Arbeitsforschung).
Etwas stutzig macht mich hier, dass es bei wissensbasierten Systemen so einfach möglich sein soll, Wissen auf eine andere Domäne (auf einen anderen Kontext) zu übertragen. Wenn man allerdings Wissen auf explizites Wissen reduziert, wird dieser Umstand klarer, denn in diesem Fall sind wissensbasierte Systeme im Kern Softwaresysteme, die mit expliziten Wissen umgehen (Quelle).
Wenn es um Probleme und deren Lösung geht, wünschen wir uns oft eine Art „endgültige“ Lösung. Immerhin haben wir ja genug Probleme zu lösen und möchte, dass eines dann wenigstens erledigt ist. Doch in einer auf vielen Ebenen vernetzten Welt ist es nicht mehr so einfach in Ursache und Wirkung aufzuteilen, denn die Wirkung ist nicht abgeschlossen, sondern wiederum Ursache für den nächsten Problemlösungsprozess unter Unsicherheit.
„Da wir – wie uns die Systemforschung lehrt – die Wirkungen einer Intervention grundsätzlich nicht auf gewünschte Wirkungen eingrenzen können, ist jede erreichte ´Problemlösung´ meist der Startschuss für das Aufkommen neuer Probleme. Die mühevoll erreichte Wirkung ist zugleich Ursache für neuartige systemische Störungen und neue Prozesse des Sich-Einpendelns und -Einschwingens der Gesamtlage. Ein Denken in endgültigen Lösungen ist deshalb unrealistisch, weil unsystemisch“ (Arnold 2017).
Das ist für viele nicht einfach zu verarbeiten, und deshalb sind manche Menschen auch durch einfache Regeln oder auch Stammtischparolen beeinflussbar. Diese einfachen Parolen bieten allerdings nur vordergründig eine Art „Lösung“ an, da dabei die Vernetzung mit anderen Problembereichen ignoriert wird – was nicht der Lebenswirklichkeit entspricht. Siehe dazu auch Ambiguität/Ambivalenz: Bewältigung von Unbestimmtheit und Mehrdeutigkeit.
Solche Zusammenhänge thematisieren wir auch in den von uns entwickelten Blended Learning Lehrgängen Projektmanager/in (IHK) und Projektmanager/in AGIL (IHK). Informationen dazu, und zu aktuellen Terminen, finden Sie auf unserer Lernplattform.
Diese Website benutzt Cookies. Wenn du die Website weiter nutzt, gehen wir von deinem Einverständnis aus.
