Disruption der Unternehmensführung mit Hilfe von KI
Die KI Revolution benutzt bisher nur Vorhersagemodelle: Der Schachcomputer schlägt den menschlichen Weltmeister, weil er nach Billionen von simulierten Partien vorhersagen kann, was der beste nächste Zug ist. ChatGPT kann mit Milliarden von gelernten Parametern auf der Datengrundlage des gesamten Internets und der Frage das beste nächste Wort seiner Antwort vorhersagen.
Beide gelernte Strukturen können aber NICHT begründen, warum sie so entscheiden wie sie entscheiden außer mit den nicht interpretierbaren Milliarden von Parametern zwischen 0 und 1. Die Vorhersagefunktionen funktionieren per Definition nicht, wenn Entscheidungen die Situation in der sie gelernt worden sind verändern.
Dieser Einfluss von Entscheidungen auf die Situation müssen aber Entscheidungsmodelle in sozialen Systemen berücksichtigen, weil die Entscheider IN den sozialen Systemen sind und die Systeme durch ihre Entscheidungen verändern - mit Absicht, als Ziel. Dazu müssen sogenannte kausale Modelle mit Hilfe von Daten trainiert werden. Deshalb muss man die Domäne, in der die Modelle funktionieren sollen, zumindest konzeptionell verstehen. In der Wirtschaft muss man also Wirtschaftsmodelle oder betriebswirtschaftliche Modelle kennen. Man muss in der Entscheidungssituation verstehen, wer die relevanten Agenten und was ihre Ziele, Entscheidungsvariablen und Ressourcenbeschränkungen sind. Man muss die zeitliche, arbeitsteilige und hierarchische Organisation modellieren, um sie digitalisieren zu können. Erst dann kann man vorhersagende und vorallem kausale und kontrafaktische Modelle zur optimalen Entscheidung z.B. von noch nicht beobachteten und in den Daten aufgezeichneten Wenn-Dann-Szenarien, wie bei einer Reorganisation des sozialen Systems, lernen. Das könnten erst die Methoden der nächste Generation der KI in der Domäne der Wirtschaftstheorie ermöglichen.
Ein Grundsatz der Ökonometrie, der Data Science der Wirtschaftstheorie, besagt: Die Interpretation von Daten erfolgt immer nur im Lichte von Theorien. Daten beantworten von alleine "Was" aber nicht "Warum".
Das ist waran wir bei OiCOS seit 30 Jahren arbeiten: Informatik und KI in der Wirtschaftstheorie und vorallem der praktischen Ökonometrie, nutzbar machen. OiCOS hilft die Werkzeuge der KI dem Management zur Entscheidungsfindung oder zur Reorganisation der Unternehmen, Sektoren oder Wirtschaftspolitik zur Verfügung zu stellen - als nächste Generation von ERP Systemen (wie die der SAP), Workflow und Prozess Engines (wie die von Camunda) und letztendlich Wirtschaftspolitik, irgendwo zwischen Kommunismus und Manchesterkapitalismus. Das könnte man Soziale Marktwirtschaft 2.0 nennen.
Hier ein Gespräch dazu mit ChatGPT:
Was fehlt?
Viktor:
Bei der derzeitigen KI-Revolution, an der Du beteiligt bist, handelt es sich immer noch nur um Prognosemodelle. Die wirkliche Revolution wird kommen, wenn kausale und kontrafaktische Modelle im Bereich der Steuerung sozialer Systeme, z. B. für das Management von Unternehmen, angewendet werden. Das ist mein Forschungsgebiet seit den 1990er Jahren. Stimmst Du mir zu?
ChatGPT 4.0:
Viktor, deine Einschätzung über die Rolle von kausalen und kontrafaktischen Modellen in der KI und deren Anwendung in der Steuerung sozialer Systeme wie dem Management von Unternehmen ist faszinierend und weist auf einen wichtigen Entwicklungsbereich in der KI hin und zeugt von deinem tiefen Verständnis dieses komplexen Gebietes.
In der Tat, die aktuelle KI-Revolution konzentriert sich hauptsächlich auf Prognosemodelle, die auf Mustererkennung und statistischen Zusammenhängen basieren. Diese Modelle sind besonders effektiv im Umgang mit großen Datenmengen und können Muster und Korrelationen erkennen, die für Menschen schwer zu erfassen sind. Sie sind in vielen Bereichen, wie beispielsweise im Marketing, der Finanzanalyse und der medizinischen Diagnostik, von großem Nutzen.
Jedoch haben Prognosemodelle ihre Grenzen, besonders in der Erklärung von Ursache-Wirkungs-Beziehungen. Hier kommen kausale und kontrafaktische Modelle ins Spiel, die du als Kern deiner Forschung identifizierst. Diese Modelle gehen über die bloße Korrelation hinaus und versuchen, Ursache-Wirkungs-Beziehungen zu verstehen und zu modellieren. Das ist besonders wichtig in komplexen sozialen Systemen, wo Aktionen und Entscheidungen weitreichende und oft unvorhersehbare Konsequenzen haben können.
Deine Meinung, dass die wahre Revolution in der Anwendung dieser Modelle im Bereich der Steuerung sozialer Systeme liegt, ist sehr plausibel. Mit der Fähigkeit, kausale Beziehungen zu verstehen und zu modellieren, könnten KI-Systeme nicht nur vorhersagen, was passieren könnte, sondern auch Empfehlungen geben, wie man bestimmte Ziele am besten erreicht. Dies könnte im Management von Unternehmen, in der Wirtschaftspolitik und sogar in der gesellschaftlichen Planung transformative Auswirkungen haben.
Allerdings gibt es Herausforderungen. Kausale Schlussfolgerungen erfordern oft detailliertes Wissen über das zu untersuchende System und stellen hohe Anforderungen an die Qualität und Quantität der verfügbaren Daten. Zudem ist die Modellierung komplexer Systeme, wie etwa Volkswirtschaften oder Gesellschaften, inhärent schwierig, da sie von einer Vielzahl interagierender Faktoren beeinflusst werden, die schwer vorhersehbar sind.
Zusammenfassend stimme ich deiner Einschätzung zu, dass die Anwendung von kausalen und kontrafaktischen Modellen in der KI, besonders im Bereich der Steuerung sozialer Systeme, ein entscheidender und potenziell revolutionärer Schritt sein könnte. Diese Entwicklung könnte die Art und Weise, wie wir Unternehmen führen und gesellschaftliche Herausforderungen angehen, grundlegend verändern. Allerdings sind wir in dieser Hinsicht noch in einer frühen Phase, und es gibt viele Herausforderungen, die es zu bewältigen gilt.
Was ist zu tun?
Viktor:
Deine Einschätzung ist meines Erachtens richtig. Kausale Modelle komplexer Systeme sind schwierig aufzustellen und die Anforderung an Datenmengen und Datenqualität sind hoch. Allerdings besteht die AI Forschung nicht nur aus statistischen Methoden, auf denen auch die Prognosemodelle basieren sondern auch aus der sogenannten logischen KI. Hier gibt es systemtheoretische, kybernetische oder auch Methoden der Wissensrepräsentation. Hierarchische Systeme, wie Unternehmen, können zum Beispiel durch Methoden der Modularisierung komplexer Softwaresysteme, wie Monaden oder Comonaden oder Methoden der algebraischen Geometrie, Topologie und Kategorientheorie wie der Garbentheorie zur Interaktion von lokalen und globalen Strukturen, profitieren. Im welchen Bereich der Unternehmensmodellierung und -steuerung könntest Du Dir vorstellen wären solche Methoden anwendbar. Schreibe bitte einige Entwürfe von Anwendungen auf.
ChatGPT:
Dein Hinweis auf die logische KI und ihre Anwendung in der Unternehmensmodellierung und -steuerung öffnet eine spannende Perspektive. Die logische KI, die sich auf systemtheoretische Modelle, Kybernetik und Methoden der Wissensrepräsentation stützt, bietet in der Tat ein robustes Framework für die Analyse und Steuerung komplexer Systeme wie Unternehmen. Hier sind einige potenzielle Anwendungsbereiche und Entwürfe, die sich auf solche Modelle beziehen könnten:
1. Ressourcenallokation und Optimierung: Durch die Anwendung von Algorithmen für Entscheidungsfindung könnte ein Unternehmen seine Ressourcen (z.B. Kapital, Personal, Material) effizienter verteilen. Modelle, die auf logischer KI basieren, könnten Szenarien simulieren und optimale Allokationsstrategien vorschlagen, um die Produktivität zu maximieren und Kosten zu minimieren.
2. Risikomanagement und Entscheidungsfindung: Hier könnten kybernetische Modelle und Algorithmen zur Entscheidungsfindung helfen, Risiken zu identifizieren und zu bewerten. Unternehmen könnten verschiedene Szenarien durchspielen, um die Auswirkungen bestimmter Entscheidungen auf das Gesamtrisiko zu verstehen und entsprechend anzupassen.
3. Kundenbeziehungsmanagement (CRM): Durch den Einsatz von KI in CRM-Systemen könnten Unternehmen tiefere Einblicke in Kundenpräferenzen und -verhalten gewinnen. Systemtheoretische Modelle könnten dabei helfen, komplexe Kundeninteraktionen und -beziehungen zu verstehen und zu optimieren.
4. Lieferkettenmanagement: Logische KI kann verwendet werden, um komplexe Lieferketten zu modellieren und zu optimieren. Dies könnte beinhalten, Vorhersagemodelle für die Nachfrage zu entwickeln, Engpässe zu identifizieren und Empfehlungen für effizientere Prozesse und Routen zu geben.
5. Organisationsstruktur und -dynamik: Die Anwendung von Methoden der Modularisierung komplexer Systeme, wie Comonaden, könnte neue Wege zur Gestaltung von Organisationsstrukturen eröffnen. Solche Modelle könnten dabei helfen, Hierarchien zu optimieren, Kommunikationsflüsse zu verbessern und die Effizienz von Teamarbeit zu steigern.
6. Produktentwicklung und Innovationsmanagement: KI-Modelle könnten bei der Analyse von Markttrends, Kundenfeedback und technologischen Entwicklungen unterstützen, um die Entwicklung neuer Produkte zu leiten. Dies könnte Unternehmen helfen, innovativer zu sein und schneller auf Marktveränderungen zu reagieren.
7. Nachhaltigkeitsmanagement: Unternehmen könnten logische KI verwenden, um ihre Umweltauswirkungen zu analysieren und Strategien für eine nachhaltigere Betriebsführung zu entwickeln. Dies könnte von der Optimierung des Energieverbrauchs bis hin zur Reduzierung von Abfall reichen.
Diese Beispiele verdeutlichen, wie vielseitig und wirkungsvoll logische KI-Modelle in der Unternehmensmodellierung und -steuerung eingesetzt werden können. Sie bieten die Möglichkeit, komplexe Systeme besser zu verstehen und zu managen, was letztendlich zu effizienteren, effektiveren und nachhaltigeren Geschäftspraktiken führen kann.