Um hohe Leistungen zu erzielen und ihr langfristiges Überleben zu sichern, müssen Organisationen erfolgreich in der sie umgebenden Realität agieren und sich an diese anpassen, was ein effektives Lernen der Organisationen erfordert. Jahrzehntelang haben sich Organisationen dabei ausschließlich auf das Lernen von Menschen verlassen. Mit dem Aufkommen des maschinellen Lernens (ML) als moderne Form der künstlichen Intelligenz (KI) und ihrer Fähigkeit, autonom zu lernen und zu handeln, können ML-Systeme nun auch zu diesem wichtigen Prozess beitragen und Unternehmen eine alternative Möglichkeit des Lernens bieten. Obwohl Unternehmen zunehmend ML-Systeme in einer Vielzahl von Prozessen einsetzen, wissen wir nur erstaunlich wenig darüber, wie sich das Lernen von Menschen und ML-Systemen gegenseitig beeinflusst und wie ihr gemeinsames Lernen die Unternehmensleistung prägt. Obwohl es bereits viel Forschung zu ML gibt, bleibt weitgehend unklar, ob und wann Menschen und ML-Systeme als nützliche Ergänzungen oder als schädliche Hindernisse beim gemeinsamen Lernen wirken. Dies ist insofern problematisch, als der Einsatz von ML-Systemen den zentralen Prozess des Lernens beeinträchtigen und die für das Überleben von Organisationen entscheidende Anpassung erschweren kann.

Um Organisationen dabei zu helfen, nützliche Synergien zwischen Menschen und ML-Systemen zu ermöglichen, erforscht diese Dissertation die Eigenarten von Menschen und ML-Systemen und deren bilaterales Zusammenspiel. Wie die Forschung zum organisationalen Lernen gezeigt hat, liegt der Schlüssel zur Bewältigung derartiger Dynamiken in der effektiven Koordination der beteiligten Lernenden. Die durchgeführten Studien zielen daher darauf ab, vorteilhafte und schädliche Dynamiken von Menschen und ML-Systemen aufzudecken und zu untersuchen, wie diese Dynamiken koordiniert werden können, um die organisationale Leistung zu steigern. Um eine ganzheitliche Perspektive zu fördern, werden drei zentrale Analyseebenen erforscht.

Die erste Ebene der Analyse befasst sich mit Leistungsauswirkungen auf individueller Ebene. Hier konzentriert sich die Analyse auf zwei wesentliche Aspekte. Zunächst erfordert die Verfügbarkeit von ML-Systemen als Alternative zu Menschen, dass Organisationen ihre Delegationsstrategien überdenken. Unternehmen können am meisten von den Stärken von Menschen und ML-Systemen profitieren, wenn sie in der Lage sind, Probleme an diejenigen zu delegieren, deren Fachwissen und Fähigkeiten am geeignetsten für die Lösung des bestehenden Problems sind. Dies setzt voraus, dass Unternehmen ein Verständnis für Problemcharakteristika entwickeln, die auf Probleme hinweisen, die sich besser (oder schlechter) für die Lösung mittels ML-Systemen anstelle von Menschen eignen. Mithilfe einer qualitativen Interviewstudie werden zentrale Kriterien und Verfahrensartefakte identifiziert und zu einer Rahmenstruktur für die Identifizierung und Bewertung von Problemen in ML-Kontexten zusammengefasst. Die Rahmenstruktur bildet eine theoretische Grundlage für die Erforschung von Delegationsentscheidungen zwischen Menschen und ML-Systemen, indem sie die wesentlichen Merkmale von Problemen herausarbeitet, die diese für die Anwendung von ML-Systemen geeignet erscheinen lassen. Aufbauend auf diesen Erkenntnissen wird in einer weiteren qualitativen Analyse untersucht, wie sich die Abhängigkeit zwischen einem Menschen und einem ML-System bei delegierten Problemen auf die erzielte Leistung auswirkt. Es wird ein theoretisches Modell entwickelt, das individuelle Leistungssteigerungen aufgrund des Einsatzes von ML-Systemen als Funktion der Kompatibilität zwischen Aufgaben-, Daten- und Technologiemerkmalen erklärt. Das Modell verdeutlicht, wie die Eigenarten eines ML-Systems die Leistung eines menschlichen Experten bei der Aufgabenausführung beeinflussen können, wenn sie/er ihre/seine Ausführung auf die Beiträge des ML-Systems stützt. Die Studie liefert erste empirische Evidenz für kontrollierbare Einflussfaktoren, um zentrale Abhängigkeiten zu managen und die individuelle Leistung zu steigern.

Die zweite Ebene der Analyse konzentriert sich auf Leistungsauswirkungen auf Gruppenebene. Im Gegensatz zu konventionellen (Nicht-ML-)Informationssystemen können ML-Systeme aufgrund ihrer einzigartigen Lernfähigkeit eigenständig zu Teamvorhaben beitragen und sich Gruppen als aktive Mitglieder anschließen, die durch ihre eigenen Beiträge die Gruppendynamik beeinflussen können. Um die entstehende Dynamik zu erforschen, wird eine Digital-Trace-Analyse eines realen Falles durchgeführt, in welchem eine Gruppe von menschlichen Händlern und ein produktiv handelndes ML-System beim Wertpapierhandel zusammenarbeiten. Der untersuchte Fall zeigt, dass bilaterales Lernen zwischen mehreren Menschen und einem ML-System die Handelsleistung steigern kann, was aus einem sich entwickelnden positiven Kreislauf zwischen den Menschen und dem ML-System zu resultieren scheint. Die Ergebnisse zeigen, dass die Interaktionen zwischen den Menschen und dem ML-System zu einer Gruppenleistung führen können, die die individuelle Leistung der Menschen oder des ML-Systems übertrifft. Dies setzt jedoch voraus, dass Organisationen den Wissenstransfer und die Rollen der beteiligten Menschen und des ML-Systems effektiv koordinieren können.

Schließlich konzentriert sich die dritte Analyseebene auf Leistungsauswirkungen auf Organisationsebene. Da ML-Systeme in zunehmendem Maße zu organisationalen Prozessen in sämtlichen Bereichen einer Organisation beitragen, ist es wahrscheinlich, dass es zu Veränderungen in den grundlegenden Konzepten der Organisation kommt, was sich wiederum auf die Gesamtleistung der Organisation auswirken kann. Durch eine Reihe agentenbasierter Simulationen werden die Dynamiken der organisationsweiten Interaktionen zwischen Menschen und ML-Systemen erforscht. Die Ergebnisse deuten darauf hin, dass ML-Systeme dazu beitragen können, die Verfolgung innovativer Richtungen anzuregen und Menschen von der Erprobung unkonventioneller Ideen zu entlasten. Darüber hinaus wird gezeigt, dass die Verbindung von menschlichem Lernen und ML weitgehend vorteilhaft ist, aber unter bestimmten Bedingungen auch nachteilig für Organisationen sein kann. Die Ergebnisse zeigen, dass eine effektive Koordination von Menschen und ML-Systemen unter Berücksichtigung der Umweltbedingungen die positiven und negativen Auswirkungen von ML-Systemen auf die Leistung von Organisationen maßgeblich beeinflussen kann.

Die enthaltenen Analysen verdeutlichen, dass es gerade die einzigartigen Unterschiede zwischen Menschen und ML-Systemen sind, die dafür sorgen, dass sie einander oft besser ergänzen als ersetzen. Das Geheimnis zur Entfaltung des wahren Potenzials von ML-Systemen mag daher darin liegen, die Unterschiede zwischen Menschen und ML-Systemen innerhalb ihrer bilateralen Beziehung effektiv zu koordinieren, um positive Kreisläufe der gegenseitigen Verbesserung zu erzeugen. Diese Dissertation ist ein erster Schritt zur Entwicklung einer Theorie und Leitlinie für die Koordinierung der Dynamiken zwischen Menschen und ML-Systemen und soll dazu beitragen, Kollaborationstheorie im Zeitalter der KI neu zu überdenken.