Augmented Intelligence: Wie KI menschliche Fähigkeiten erweitert

Augmented Intelligence bezeichnet die gezielte Erweiterung menschlicher Denk- und Entscheidungsfähigkeiten durch Technologie. Verwandte Begriffe sind Intelligence Augmentation und Intelligence Amplification. Hybride Intelligenz betrachtet besonders das kombinierte Zusammenwirken menschlicher und maschineller Intelligenz. Die Begriffe überschneiden sich, setzen aber unterschiedliche Schwerpunkte.

Die historischen Wurzeln reichen in die Kybernetik der 1950er Jahre zurück. William Ross Ashby behandelte die Verstärkung von Intelligenz 1956. Douglas Engelbart entwickelte 1962 einen umfassenden Ansatz zur Erweiterung menschlicher Problemlösungsfähigkeit. [1, 2]

Artificial Intelligence ist der übergeordnete Begriff für künstliche Intelligenz. Augmented Intelligence beschreibt eine bestimmte Zielsetzung ihres Einsatzes: menschliche Fähigkeiten zu erweitern.

KI kann sowohl zur Automatisierung als auch zur Unterstützung menschlicher Arbeit eingesetzt werden. Bei einem augmentierenden Ansatz bereitet sie beispielsweise Informationen auf, erkennt mögliche Muster oder entwickelt Vorschläge.

Menschen definieren Ziele, bewerten Ergebnisse und treffen die ihnen zugewiesenen Entscheidungen. Automatisierung und Augmentierung können innerhalb eines Arbeitsablaufs miteinander verbunden werden.

Komplementarität bedeutet, dass unterschiedliche Fähigkeiten einander sinnvoll ergänzen:

• KI kann große Datenbestände verarbeiten, statistische Zusammenhänge erkennen und Informationen schnell aufbereiten.
• Menschen bringen beispielsweise Erfahrungswissen, situatives Verständnis, Zielvorstellungen und ethische Abwägungen ein.

Diese Zuordnung dient der Orientierung. Sie bildet keine starre Grenze zwischen sämtlichen menschlichen und technischen Fähigkeiten.

Komplementäre Teamleistung, englisch Complementary Team Performance oder CTP, liegt vor, wenn das gemeinsame Ergebnis besser ausfällt als das Ergebnis von Mensch oder KI allein. [3]

Das ist kein Automatismus. Eine Metaanalyse von 106 Experimenten zeigt: Mensch-KI-Kombinationen waren im Durchschnitt besser als Menschen allein, aber nicht besser als das jeweils leistungsfähigere Einzelsystem. Aufgabe und Gestaltung der Zusammenarbeit sind deshalb entscheidend. [4]

In einer Feldstudie mit 758 Beratenden beschrieben Forschende der Harvard Business School und ihrer Partner zwei beobachtete Arbeitsweisen: [5]

• Zentaur-Modell: Mensch und KI übernehmen klar getrennte Teilaufgaben. Beispielsweise erstellt KI eine Voranalyse, die anschließend fachlich bewertet wird.
• Cyborg-Modell: Menschliche Arbeit und KI-Unterstützung wechseln sich eng ab. Ein Text oder Konzept entsteht durch wiederholtes Entwerfen, Prüfen und Überarbeiten.

Die Studie beschreibt eine Jagged Technological Frontier: KI unterstützt manche Aufgaben gut und scheitert an anderen, teilweise ähnlich wirkenden Aufgaben.

Die Ergebnisse beziehen sich auf die untersuchten Aufgaben, Personen und das eingesetzte System. Sie sind keine allgemeine Produktivitätsgarantie. Welche Arbeitsweise passt, hängt von Aufgabe, Kompetenz und Prüfbarkeit der Ergebnisse ab.

Human in the Loop bedeutet, dass Menschen gezielt in die Bearbeitung, Prüfung oder Korrektur eines KI-gestützten Prozesses eingebunden sind.

Sie können Ergebnisse im jeweiligen Kontext bewerten, fehlerhafte Ausgaben erkennen und Vorschläge korrigieren oder zurückweisen. Besonders wichtig ist dies bei ungewöhnlichen Situationen und Entscheidungen mit erheblichen Auswirkungen.

Wirksame Beteiligung erfordert Fachwissen, ausreichende Informationen, Zeit und tatsächliche Eingriffsmöglichkeiten. Eine bloße Bestätigung von KI-Ausgaben genügt dafür nicht. Zuständigkeiten und Verantwortung müssen ausdrücklich geklärt werden.

Rückmeldungen trainieren ein Modell nicht automatisch. Sie können die Zusammenarbeit verbessern oder für ein gesondertes Training genutzt werden. Active Learning und Reinforcement Learning mit menschlichem Feedback sind unterschiedliche Verfahren, die gezielt eingerichtet werden müssen.

Sebastian Raisch und Sebastian Krakowski beschreiben Automatisierung und Augmentierung als miteinander verbundene Entwicklungen. [6]

Die gemeinsame Bearbeitung einer Aufgabe kann dazu beitragen, einzelne Schritte besser zu verstehen und später zu automatisieren. Automatisierte Schritte können wiederum Raum für andere menschliche Aufgaben schaffen.

Das ist eine mögliche Entwicklung, kein zwangsläufiger Kreislauf. Ob freiwerdende Zeit tatsächlich für anspruchsvollere Arbeit und Lernen genutzt wird, hängt auch von organisatorischen Entscheidungen ab.

Unternehmen sollten deshalb Effizienz, Kompetenzentwicklung und Arbeitsgestaltung gemeinsam betrachten.

Eine zentrale Herausforderung ist der bewusste Umgang mit Entlastung und Vertrauen:

• Cognitive Offloading: Denk- und Gedächtnisaufgaben werden an Hilfsmittel ausgelagert. Das kann entlasten. Problematisch wird es, wenn notwendige Prüfung und eigene Auseinandersetzung entfallen.
• Automation Bias: Menschen vertrauen automatisierten Vorschlägen zu stark und übernehmen Fehler oder übersehen widersprechende Informationen.
• Kompetenzerhalt: Werden wichtige Fähigkeiten dauerhaft kaum genutzt, besteht das Risiko, dass Übung und fachliche Selbstständigkeit abnehmen. Ein zwangsläufiger Kompetenzverlust durch KI ist damit nicht belegt.

Hilfreich sind KI-Kompetenz – AI Literacy –, fachliche Urteilskraft und regelmäßige Reflexion. Menschen sollten Grenzen und typische Fehler verstehen, relevante Aussagen überprüfen und Ergebnisse korrigieren können.

Nachvollziehbare Angaben zu Unsicherheiten können dabei unterstützen. Eine plausibel formulierte KI-Erklärung ist allerdings noch kein Nachweis dafür, dass ein Ergebnis richtig ist. Auch erklärbare KI ersetzt keine fachliche Prüfung.