Archives for Juli 2023

Integration von generativen KI-Applikationen in die Berufsausbildung: Thesenpapier BWV

12. Juli 2023 by Christoph Meier Leave a Comment

Eine Arbeitsgruppe des BWV hat acht Thesen für eine gelingende Integration von generativen KI-Applikationen in die Berufsausbildung (Fokus Kaufleute für Versicherungen und Finanzanlagen, KVF) formuliert.

Veränderungen in der Arbeitswelt betreffen unmittelbar die berufliche Bildung. Dies gilt für die Ziele der beruflichen Bildung ebenso wie für Inhalte, Methoden und Medien. Dieser enge Zusammenhang zeigt sich aktuell im Hinblick auf die Entwicklungen im Bereich der Assistenzsysteme auf Basis von generative KI wie etwa ChatGPT.

Die Verfügbarkeit dieser Assistenzsysteme hat Auswirkungen darauf,

wie Artefakte (Texte, Bilder, Computercode, etc.) erzeugt werden,
wie dabei Menschen und „intelligente“ Maschinen zusammenspielen,
welche Kompetenzen es auf Seiten der Beschäftigten braucht und
wie diese Kompetenzen im Rahmen von Aus- und Weiterbildung entwickelt werden können.

Das Berufsbildungswerk der Deutschen Versicherungswirtschaft (BWV) e.V. hat ein Autor:innenteam beauftragt, diesen Fragen nachzugehen. Zu diesem Team war neben Prof. Dr. Sascha Fauler, FOM Hochschule für Ökonomie & Management und Andrea Schanz, Senior Spezialistin Aus- und Weiterbildung, DEVK Versicherungen, Köln, auch ich eingeladen.

Gemeinsam haben wir ein Papier erarbeitet, das acht Thesen für eine gelingende Integration von generativen KI-Applikationen in die Berufsausbildung (Fokus Kaufleute für Versicherungen und Finanzanlagen, KVF) formuliert.

Unser Fazit: „Das größte Risiko besteht darin, die Chancen der neuen Technologie nicht zu nutzen und damit verbundene Herausforderungen nicht anzugehen.“

Hier eine Übersicht zu den von uns formulierten Thesen:

Abb. 1: Die acht Thesen im Überblick (Bildquelle: BWV)

Diese Thesen werden im September 2023 im Rahmen des Bildungskongresses der Deutschen Versicherungswirtschaft mit Branchenvertretern diskutiert.

Das Thesenpapier ist über diese Seite des BWV verfügbar.

Building a skills-based organization – Ein Realitäts-Check (Josh Bersin)

10. Juli 2023 by Christoph Meier Leave a Comment

In einem Blogbeitrag “Building A Skills-Based Organization: The Exciting But Sober Reality” bemüht sich Josh Bersin einen Realitäts-Check zu diesem Thema. Er empfiehlt, bei der Entwicklung von unternehmensweiten Skills-Taxonomien zunächst auf die Bearbeitung von spezifischen Aufgabenbereichen bzw. Problemstellungen zu fokussieren.

Das Konzept der “Skills-based Organization”, das u.a. von den Entwicklungen im Bereich von KI-Tools und Skills-Tech angetrieben wird, ist für viele Unternehmen attraktiv.

Die Vision

Die Vision einer auf Fähigkeiten basierenden Organisation besteht darin, eine globale Fähigkeiten-Datenbank (skills database) zu erstellen, die aufkommende Fähigkeiten identifiziert, Lücken in den verfügbaren Fähigkeiten erkennt und Prozesse der Einstellung, Beförderung, Bezahlung und Führung objektiviert. Die zugrunde liegende Idee ist, dass wir die Fähigkeiten jeder einzelnen Person sehr präzise “taggen” bzw. “bewerten” können. KI-Tools versprechen, dies zu unterstützen, indem sie unsere Berufsbiografie, Leistung, Arbeitsprodukte und andere Quellen betrachten, um abzuleiten, zu modellieren und vorherzusagen, worin wir gut sind und was wir als nächstes lernen sollten.

Die Realität

Bersin weist jedoch darauf hin, dass Fähigkeiten bzw. Skills schon immer ein wichtiges Konzept im Geschäftsleben waren, und der Fokus auf technische Fähigkeiten sowie allgemeine Geschäftsfähigkeiten nicht neu ist. Er argumentiert, dass diese Tools und Systeme, obwohl sie erstaunlich leistungsfähig sind, oft die wichtigsten Fähigkeiten übersehen, nämlich “PowerSkills”. Dazu gehören spezifische Haltungen und Einstellungen (Kultur), Ehrgeiz, Lernagilität und eine übergreifende gemeinsame Ausrichtung. Er betont, dass wir zwar Fähigkeiten bewerten wollen, um Jobs, Rollen und Entwicklung zu definieren, aber auch davon ausgehen müssen, dass jede Person laufend neue Fähigkeiten erlernen kann.

Bersin diskutiert auch die Komplexitäten beim Aufbau einer Fähigkeitstaxonomie (skills taxonomy). Er erklärt, dass Geschäftsfähigkeiten in viele Kategorien fallen, die von verschiedenen Unternehmen auf unterschiedliche Weise bewertet werden. Diese Kategorien umfassen technische Fähigkeiten, betriebliche Fähigkeiten, funktionale Fähigkeiten, branchenspezifische Fähigkeiten und Management- und Führungsfähigkeiten. Jede dieser Kategorien ist mit “Fähigkeiten” gefüllt, so dass Unternehmen dynamische Bibliotheken mit zehntausenden bis hunderttausenden von Fähigkeiten erstellen.

Was ist wirklich neu?

Die zentrale Veränderung im Hinblick auf aktuelle Umsetzungen von Skills-Management besteht laut Bersin darin, dass der Aufbau einer unternehmensweiten Fähigkeitstaxonomie angestrebt wird, einer einzigen, unternehmensweiten “dynamischen Datenbank” für Fähigkeiten. Eine solche Taxonomie ist jedoch enorm umfangreich und jedes Element ist diskussionswürdig. Bersin schlägt daher vor, dass Unternehmen zunächst auf ein spezifisches Problem fokussieren sollten und von diesem Problem aus einen Teil der Taxonomie erstellen, einen Prozess für Design und Governance erstellen und lernen, welche Tools am besten funktionieren.

Zum Abschluss betont Bersin die Bedeutung dieser Arbeiten für den Übergang von starren, auf Jobs basierenden Organisationsformen hin zu auf Arbeit basierenden Organisationsformen. Er nennt dies die Morgendämmerung eines “postindustriellen” Geschäftsmodells. Aus seiner Sicht ist es dabei völlig akzeptabel, sich für eine sorgfältige Umsetzung Zeit zu nehmen, die erforderliche Governance aufzubauen, mit verschiedenen Tools zu experimentieren und sich dabei wirklich auf das zu lösende Problem einzulassen.

Bersin, Josh (2023): Building A Skills-Based Organization: The Exciting But Sober Reality. joshbersin.com, 8. Juli 2023.

Dieser kurze Blogbeitrag ist Teil meiner Exploration von GPT-4 als Schreibhilfe.

Zusammenfassung des ursprünglichen Blogbeitrags von Josh Bersin: GPT-4 mit Plugin “WebPilot”.

Prompting und redaktionelle Überarbeitung: Christoph Meier.

The economic potential of generative AI (McKinsey Report Juni 2023)

10. Juli 2023 by Christoph Meier Leave a Comment

Ein aktueller Bericht von McKinsey fokussiert die Entwicklungen im Bereich der Generativen KI und die damit verbundenen, tiefgreifende Auswirkungen auf Unternehmen und Organisationen, auf Arbeitsproduktivität und auf den Zuschnitt von Arbeitsaufgaben. Die grössten Nutzenpotenziale werden in den Funktionsbereichen Customer operations, Marketing and sales, Software engineering sowie Research and development gesehen. Aber auch für das betriebliche Wissensmangement als funktionsübergreifenden Bereich erwarten die Autor:innen grosse Nutzenpotenziale. Von den Veränderungen und neuen Möglichkeiten der Automatisierung von Arbeit sind insbesondere auch Bildungsverantwortliche betroffen.

Unerwartete Entwicklungsdynamik

Obwohl sich bedeutsame Fortschritte im Bereich der künstlichen Intelligenz in den letzten Jahren angekündigt haben, sind wir doch durch die Entwicklungsdynamik im Bereich der grossen Sprachmodelle und ‘foundational models’ überrascht worden:

Generative AI has stunned and excited the world with its potential for reshaping how
knowledge work gets done in industries and business functions across the entire economy (…)
[Generative AI] is poised to transform roles and boost performance.
Chui et al. (2023): The economic potential of generative AI. McKinsey, S. 50.

Für diesen Bericht haben die Autor:innen von McKinsey 63 Anwendungsszenarien für generative KI in 16 Funktionsbereichen in Unternehmen und Organisationen analysiert. Darüber hinaus haben sie die möglichen Auswirkungen auf die Arbeitsaktivitäten in 850 Berufsfeldern betrachtet.

Die zentralen Thesen des Berichts sind die folgenden (vgl. S. 5):

Generative AI’s impact on productivity could add trillions of dollars in value to the global economy.
About 75 percent of the value that generative AI use cases could deliver falls across four areas: Customer operations, marketing and sales, software engineering, and R&D.
Generative AI will have a significant impact across all industry sectors.
Generative AI has the potential to change the anatomy of work, augmenting the capabilities of individual workers by automating some of their individual activities.
The pace of workforce transformation is likely to accelerate, given increases in the potential for technical automation.
Generative AI can substantially increase labor productivity across the economy, but that will require investments to support workers as they shift work activities or change jobs.
The era of generative AI is just beginning.

Anwendungsfälle mit grossem Nutzenpotenzial

Besonders grosse Potenziale sehen die Autor:innen insbesondere in den folgenden Funktionsbereichen bzw. bei den folgenden Nutzungsszenarien:

Customer operations
- Self-service interactions with chatbots
- Customer-agent interactions supported by AI
- Agent self-improvement
Marketing and sales
- Data analysis and strategy development
- Awareness
- Consideration
- Conversion
- Retention
Software engineering
- Inception and planning
- System design
- Coding
- Testing
- Maintenance
Research and development
- Early research analysis
- Virtual design
- Virtual simulation
- Physical test planning

Unterschiedliche Potenziale je nach Funktionsbereich

Die Autor:innen erwarten deutlich unterschiedliche Nutzenpotenziale je nach Unternehmensfunktionen. Hier schwingen Sales, Marketing, Software Engineering, Customer Operations und Produktentwicklung oben aus. Bis zu 75% des gesamten ökonomischen Nutzens werden in diesen Funktionsbereichen erwartet. Für den Bereich HR, Personal- und Organisationsentwicklung wird dagegen nur ein vergleichsweise geringes Nutzenpotenzial gesehen. Das verwundert mich insofern, als hier ja die personelle und organisationale Befähigung für die erfolgreiche Nutzung von generativer KI vorangetrieben werden muss.

Abb. 1: Ökonomische Nutzenpotenziale nach Funktionsbereichen (Bildquelle: Chui et al. 2023, S. 12)

Auch im Hinblick darauf, in welchen Branchen (links) welche Funktionsbereiche (oben) besonders betroffen sein werden, erwarten die Autor:innen Unterschiede. Für die Branche Bildung (“Education”) sind insbesondere Marketing and sales betroffen (wie in fast allen Branchen) sowie auch Supply chain and operations (also die konkrete Umsetzung der Bildungsarbeit):

Abb. 2: Auswirkungen von generativer KI nach Branchen und Funktionsbereichen (Bildquelle: Chui et al. 2023, S. 25)

Funktionsübergreifende Nutzenaspekte

Neben den funktionsspezifischen Nutzenpotenzialen werfen die Autor:innen auch einen Blick auf übergreifende Nutzenaspekte, insbesondere im Bereich Wissensmanagement:

In addition to the potential value generative AI can deliver in function-specific use cases, the technology could drive value across an entire organization by revolutionizing internal knowledge management systems. Generative AI’s impressive command of natural-language processing can help employees retrieve stored internal knowledge by formulating queries in the same way they might ask a human a question and engage in continuing dialogue. (…) In 2012, the McKinsey Global Institute (MGI) estimated that knowledge workers spent about a fifth of their time, or one day each work week, searching for and gathering information. If generative AI could take on such tasks, increasing the efficiency and effectiveness of the workers doing them, the benefits would be huge.
Chui et al. (2023): The economic potential of generative AI. McKinsey, S. 13.

Beschleunigung der Automatisierung – auch im Bereich der Wissensarbeit

Die Entwicklungen im Bereich der generativen KI beschleunigt die Veränderungen im Bereich der Wissensarbeit. Für viele Aspekte von Wissensarbeit (z.B. Koordination mit anderen, Kreativität, Problemlösen, Sprachverstehen und Spracherzeugung) wird jetzt erwartet, dass Maschinen deutlich früher eine ähnliche Leistungsfähigkeit erreichen als noch vor fünf oder sechs Jahren gedacht. Damit ergeben sich auch weitere Potenziale für Automatisierungen.

Previous generations of automation technology were particularly effective at automating
data management tasks related to collecting and processing data. (…) generative AI is likely to have the biggest impact on knowledge work, particularly activities involving decision making and collaboration, which previously had the lowest potential for automation (…) As a result, many of the work activities that involve communication, supervision, documentation, and interacting with people in general have the potential to be automated by generative AI, accelerating the transformation of work in occupations such as education and technology, for which automation potential was previously expected to emerge
later.
Chui et al. (2023): The economic potential of generative AI. McKinsey, S. 40-41.

Hiervon sind nach Einschätzung der Autor:innen insbesondere auch Bildungsverantwortliche betroffen:

Abb. 3: Neue Automatisierungspotenziale nach Berufsgruppen (Bildquelle: Chui et al. 2023, S. 41)

Auf der Achterbahn: Potenziale und Risiken

Am Ende Ihres Berichts ziehen die Autor:innen unter anderem folgendes Fazit, in dem sie auch die Bedeutung von Bemühungen um Personalentwicklung betonen:

All of us are at the beginning of a journey to understand this technology’s power, reach, and capabilities. If the past eight months are any guide, the next several years will take us on a roller-coaster ride featuring fast-paced innovation and technological breakthroughs that force us to recalibrate our understanding of AI’s impact on our work and our lives. It is important to properly understand this phenomenon and anticipate its impact. Given the speed of generative AI’s deployment so far, the need to accelerate digital transformation and reskill labor forces is great.
These tools have the potential to create enormous value for the global economy (…). At the same
time, they also have the potential to be more destabilizing than previous generations of
artificial intelligence. They are capable of that most human of abilities, language, which is a
fundamental requirement of most work activities linked to expertise and knowledge as well as
a skill that can be used to hurt feelings, create misunderstandings, obscure truth, and incite
violence and even wars.
Chui et al. (2023): The economic potential of generative AI. McKinsey, S. 50.

Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., . . . Zemmel, R. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey&Company.

Nutzung von ChatGPT & Co. im Studium: erste Befragungsergebnisse

9. Juli 2023 by Christoph Meier 1 Comment

Erste Befragungsergebnisse aus Deutschland zeigen, dass Studierende ChatGPT & Co. verbreitet nutzen. Typische Nutzungsszenarien sind: sich Konzepte erklären lassen; Literaturrecherche; Übersetzungen; Textanalyse und Texterstellung; Problemlösung / Entscheidungsfindung. Die Autor:innen beobachten eine Lücke zwischen dem Anspruch an “wissenschaftlichen” Output einerseits und nachvollziehbaren Ausgaben andererseits.

Eine Forschungsgruppe um Jörg von Garrel, Professur für Prozess- und Produktinnovationen mit Schwerpunkt quantitative Sozialforschung, Hochschule Darmstadt, hat Ergebnisse einer Flächenbefragung zur Nutzung von KI-Applikationen wie ChatGPT im Studium publiziert. Das Arbeitspapier (Preprint) wurde am 28.06.2023 freigeschaltet.

Für die Online-Befragung kontaktiert wurden – über mehr als 3’800 Studiengangsverantwortliche an 395 Hochschulen in Deutschland – alle dort immatrikulierten Studierenden kontaktiert. Die Auswertung basiert auf 6’311 vollständigen Rückläufen von Studierenden aus allen 16 Bundesländern.

Im Folgenden sind zentrale Ergebnisse der Studie aufgeführt.

Häufigkeit und Intensität der Nutzung

Nutzung allgemein:

63,2 % der befragten Studierenden geben an, KI-basierte Werkzeuge für das Studium zu nutzen
36,8 % verneinen dies

22,3 % nutzen diese Werkzeuge “sehr häufig”
3 % “häufig”
9,5 % “gelegentlich”
12,5 % “selten”
15,9 % “sehr selten”

Der Anteil der Studierenden, die KI-basierte Werkzeuge für das Studium nutzen, unterscheidet sich nach Fachbereichen. Die höchste Nutzungsquote findet sich im Fachbereich Sport, gefolgt von Ingenieurwissenschaften und Kunst / Kunstwissenschaften:

Sport: 87,5 % (N= 32)
Ingenieurwissenschaften: 75,3 % (N = 1078)
Kunst / Kunstwissenschaften: 73,4 %
Mathematik / Naturwissenschaften: 71,9 %
Geisteswissenschaften: 61,0 %
Rechts- / Wirtschafts- & Sozialwissenschaften: 58,4 %
Humanmedizin & Gesundheitswissenschaften: 52,7 %
Agrar-, Forst- & Ernährungswissenschaften, Veterinärmedizin: 47,6 %

Unterschiede zeigen sich auch zwischen verschiedenen Studienstufen:

Bachelor-Stufe: 65,0 %
Master-Stufe: 71,7 %
Promotion / Doktorat: 51,9 %

Überlegungen dazu, wie die hier festgestellten Unterschiede begründet sein könnten, sind im aktuell vorliegenden Bericht noch nicht enthalten.

Die im Kontext des Studiums verwendeten KI-Applikationen sind insbesondere die Folgenden:

ChatGPT: 77,5 %
DeepL: 19,6 %
DALLE: 5,7 %
Midjourney: 4,1 %
BingAI: 2,9 %

Aufgaben und Erwartungen an die KI

Im Rahmen des Studiums werden KI-Applikationen vor allem für die folgenden Aufgaben genutzt:

sich fachspezifische Konzepte erklären lassen: 56,5 %
Recherche & Literaturstudium: 45,4 %
Übersetzungen: 42,2 %
Textanalyse, Textverarbeitung, Texterstellung: 39,3 %
Problemlösung / Entscheidungsfindung: 35,1 %

Die aus Sicht der befragten Studierenden besonders wichtigen Merkmale von KI-Applikationen sind die folgenden:

Grad der Wissenschaftlichkeit: 75,4 %
Fehlervermeidung bei der Ausgabe: 57,7 %
Logische Argumentation: 47,4 %
Preis: 44, 3 %
Erklärbarkeit der Entscheidung: 32, 4 %
Fehlererkennung und Fehlerkorrektur bei der Eingabe: 25,9 %

Wunsch nach “wissenschaftlichem” Output dominiert

In Ihrem Fazit betonen die Autor:innen die folgenden Punkte:

Die Studie verdeutlicht, dass KI-basierte Tools bei Studierenden aller Studienbereiche in Deutschland ihren Weg gefunden haben und genutzt werden. Fast zwei Drittel der Befragten haben solche Tools genutzt bzw. nutzen diese.
(…)
Weiter zu untersuchen ist in diesem Kontext u.a. auch die „Lücke“ zwischen der Bedeutung der Wissenschaftlichkeit auf der einen Seite, die von fast drei Viertel der Studierenden als relevantestes Kriterium genannt wird und der Bedeutung einer logischen Argumentation (z.B. Antworten sind nachvollziehbar) (ca. 50%) sowie Erklärbarkeit der Entscheidung (z.B. White-Box vs. Black-Box) (ca. 35%) auf der anderen Seite. Eine erste Begründung scheint in dem Umstand zu liegen, dass die Studierenden nur zu interessieren scheint, dass am Ende „wissenschaftlicher Output“ generiert wird, wie dieser aber generiert wurde, scheint zweitrangig zu sein. Und genau hier liegt die Verantwortung einer Hochschule. Denn das Ziel wissenschaftlichen Arbeitens ist nicht nur, “wissenschaftlichen“ Output zu generieren, sondern auch die Relevanz eines nachvollziehbaren, logischen und transparenten und damit auch wissenschaftlichen Prozesses zu verdeutlichen. Dieser Umstand scheint bei den Studierenden im Kontext der KI-Nutzung aktuell noch nicht gereift zu sein. Hochschulen sollten auch an dieser Stelle den Studierenden den Umgang mit KI als Instrument vermitteln sowie deutlich auch die Grenzen der Nutzung aufzeigen.
von Garrel et al. (2023): Künstliche Intelligenz im Studium, S. 37.

Von Garrel, Jörg; Mayer, Julia; Mühlfeld, Markus (2023): Künstliche Intelligenz im Studium Eine quantitative Befragung von Studierenden zur Nutzung von ChatGPT & Co. Professur für Prozess- und Produktinnovationen mit Schwpkt. quantitative Sozialforschung, Hochschule Darmstadt.

Sammlung: “101 creative ideas to use AI in education”

3. Juli 2023 by Christoph Meier Leave a Comment

Eine umfangreiche Sammlung von Anwendungsfällen für ChatGPT bzw. GPT-4 in Bildungskontexten: Text- bzw. Medienproduktion (inkl. Coding), Feedback, Moderation & Interaktion, Tutoring & Mentoring, Förderung von kritischem Denken & Reflexion sowie Quizzes & Assessments.

Chrissi Nerantzi hat zusammen mit Kolleg:innen von den Universitäten Leeds, Calgary und Mazedonien eine Sammlung zu Anwendungsszenarien von generativen KI-Anwendungen wie ChatGPT in Bildungskontexten herausgegeben. Die Sammlung basiert auf Beiträgen von mehr als 80 Autor:innen aus 21 Ländern. Die Herausgeber:innen formulieren die mit der Sammlung verbundene Zielsetzung wie folgt:

Use this open publication and the ideas within it to experiment and play critically and creatively with the possibilities and limitations of using AI in learning, teaching, supporting students learning, assessment, scholarly and research activities. (…) The ideas can be considered for a wide range of educational settings from Kindergarten and Primary School to Further and Higher Education in different disciplines and professional areas.
Nerantzi et al. (2023), S. 8.

Der Sammlung liegt keine erkennbare Struktur bzw. Systematik der Anwendungsfälle zugrunde. Das ist auch nicht ganz einfach, weil die einzelnen Vorschläge häufig unterschiedlich eingeordnet werden können. Etwa, wenn von DALL-E2 erzeugte Visualisierungen als Reflexionshilfen genutzt werden.

Bis auf eine Ausnahme (Spanisch) sind alle Anwendungsfälle in der Sammlung in englischer Sprache formuliert. Die Anwendungsfälle sind wie folgt ausgeführt:

Autor:in
Rolle, Institution & Bildungskontext
Grundidee & Zielsetzung
Verwendete Werkzeuge
Visualisierung
Quellen / Verweise

Abb. 1: Beispiel für die Ausführung eines Anwendungsfalls (Bildquelle: Nerantzi 2023, S. 220)

Mögliche Kategorien, die man auf diese Sammlung anwenden und die Sammlung darüber strukturieren könnte, wären etwa die folgenden (jeweils mit Beispielen aus der Sammlung):

Text- / Medienproduktion allgemein
- 08 – Using GPT to build writing skills
- 53 – AI-generated book summaries
- 17 – Authorship & citation practices
Feedback zu Textproduktionen
- 63 – Using AI chatbot to support revision strategies
Text- / Medienproduktion – Genre-spezifisch
- Unterrichtsmaterialien
  - 58 – Endless case studies: Using ChatGPT for authentic practice scenarios
  - 16 – Problem-based learning (PBL) scenarios
  - 25 – Stylin’ and profilin’ (Imitation und Analyse von Schreibstilen unterschiedlicher Autoren)
- Programmieren / Coden
  - 37 – AI support for novice Java programmers
  - 66 – Using ChatGPT to discover conceptual classes in object-oriented modeling
- Podcasting
  - 73 – The AI Podcast
- Bildproduktion
  - 03 – Using AI art to express visual metaphors
  - 89 – Depicting an emotion
  - 34 – Rewriting with AI image generators (create images based on writing, especially memoirs)
- Genre-spezifische Texte
  - 81 – Reimagining writing styles with AI
  - 94 – Songwriting
- Feedback
  - 01 – Generating Feedback Poetry
  - 97 – AI to generate art-based feedback
Moderation & Interaktion
- 13 – Wolf in sheep’s clothing conversation starter
- 23 – Idea generation: dream up a new creation
- 36 – ChatGPT as debate partner
- 55 – Chat with anyone from the past
- 44 – Understanding international students in an international context
- 85 – Refining interview questions using ChatGPT
Tutoring & Mentoring
- 70 – Artificial intelligence and personalized learning (personal ChatGPT support tutor)
Kritisches Denken & Reflexion
- 05 – AI as conversation buddy (developing critical reading and inquiry skills)
- 30 – Using ChatGPT to encourage critical thinking (critical analysis of texts generated by ChatGPT)
- 40 – Understanding gender bias in AI: A critical reflection exercise
Quizzes & Assessments
- 07 – Using AI to develop variety in scenario-based assessments
- 10 – TV Quizmaster
- 14 – AI-powered rubric generator (Erzeugen von Bewertungsschemata)
- 60 – Enhancing employability with AI-driven authentic assessments (role play on application process)
Arbeitserleichterung / Service
- 09 – Use ChatGPT to transcribe student conversations

Eine nützliche Sammlung. Danke an Jochen Robes und Barbara Geyer für’s Teilen.

Verweis

Nerantzi, C., Abegglen, S., Karatsiori, M., & Martínez-Arboleda, A. (Eds.) (2023). 101 Creative ideas to use AI in education: A collection curated by #creativeHE. Graphic Design by Bushra Hashim. CC-BY-NC-SA 4.0.

Nutzung von ChatGPT am Arbeitsplatz – erste Umfrageergebnisse

1. Juli 2023 by Christoph Meier Leave a Comment

Generative KI-Anwendungen wie ChatGPT haben inzwischen auch den Arbeitsplatz erreicht. Erste Umfrageergebnisse beleuchten die Häufigkeit der Nutzung und ob diese transparent gemacht wird.

Nachdem ChatGPT & Co zunächst von Schüler:innen und Student:innen aufgegriffen wurden und in Bildungsinstitutionen für Unruhe gesorgt haben, haben diese mittlerweile auch den Arbeitsplatz erreicht. Aktuell werden erste Studienergebnisse zur Nutzung von generativen Assistenzwerkzeugen am Arbeitsplatz publiziert. Allerdings fokussieren diese Studien bisher Aspekte der Substitution (Potenzial des Ersetzens von menschlicher Arbeitskraft) während sie Aspekte der Augmentation (Stärkung von Menschen bei der Aufgabenbewältigung) nicht beleuchten.

Im Mai hat Valoir, ein US-amerikanischer Technologie-Analyst, die Ergebnisse einer Umfrage unter mehr als 1’000 Beschäftigten in verschiedenen Branchen publiziert. Aufgezeigt wurde zum einen, für welche Typen von Aufgaben die Beschäftigten wie viel Zeit aufwenden. Eine daraus abgeleitete Schlussfolgerung lautet, dass ca. 40% der täglichen Arbeiten Automatisierungspotenzial aufweisen:

Abb. 1: Arbeitsaufgaben, Anteile am Zeitbudget & Automatisierung (Bildquelle: Valoir 2023, S. 3)

Wird ChatGPT für Arbeitsaufgaben genutzt?

Darüber hinaus wurden die Beschäftigten gefragt, ob sie bereits mit KI-Anwendungen wie ChatGPT am Arbeitsplatz experimentiert haben. Die Antworten deuten auf Unterschiede zwischen Regionen und auch zwischen Berufsgruppen hin. In Europa und im Mittleren Osten (EMEA) ist die Nutzung von ChatGPT vergleichsweise gering ausgeprägt; im Bereich HR ist die Nutzung vergleichsweise hoch ausgeprägt:

Abb. 2: Nutzung von Anwendungen wie ChatGPT am Arbeitsplatz (Bildquelle: Valoir 2023, S. 5 / 6)

Wird die Nutzung von ChatGPT offen gelegt?

Fishbowl.com, ein Online-Karrierenetzwerk, hat Ende Januar 2023 mehr als 11’000 Nutzer:innen der Fishbowl-App gefragt, ob sie ChatGPT nutzen. Ende Januar gaben 43% der befragten Beschäftigten an, dass sie ChatGPT bereits für arbeitsbezogene Aufgaben genutzt haben. Mehr als zwei Drittel davon haben dies aber gegenüber ihren Vorgesetzten nicht transparent gemacht:

Herausforderungen für die verschiedenen Beteiligten

In der Kurz-Studie von Valoir werden am Ende zentrale Herausforderungen für die verschiedenen Beteiligten angeführt. Diese lassen sich so zusammenfassen:

Führungskräfte müssen sich auf herausfordernde Gespräche mit Mitarbeitenden einstellen bzw. vorbereiten, in denen es einerseits um Sorgen um die Arbeitsplatzsicherheit, andererseits um mögliche Entwicklungsstrategien (Augmentationsstrategien) geht.
IT-Verantwortliche müssen neben dem Kompetenzaufbau zu KI auch Aspekte der Governance von KI angehen.
HR-Verantwortliche müssen sich u.a. in die Erarbeitung von Leitlinien zur Nutzung von KI einbringen.
Beschäftigte müssen ihre eigenen Rollen und Kompetenzprofile ebenso reflektieren wie mögliche Entwicklungsstrategien (Augmentationsstrategien).

Verweise

Valoir (May 2023): Assessing the value of AI and automation. A Valoir report. Valoir.com.