Kontinuierliches Leistungsfeedback klingt transformativ – bis man sieht, wie Unternehmen es umsetzen
KI-Vorteil: KI-gesteuertes Feedback kann Echtzeiteinblicke liefern und Verzerrungen traditioneller Beurteilungen reduzieren.
Datenqualität: Viele Organisationen kämpfen mit unzureichenden, veralteten oder inkonsistenten Daten, was die Feedback-Qualität beeinträchtigt.
Vertrauensprobleme: Transparenz bei KI-generierten Rückmeldungen ist entscheidend; Offenlegung beeinflusst Vertrauen und Wirksamkeit des Feedbacks.
Umsetzungslücke: Die Diskrepanz zwischen dem Potenzial von KI und ihrer praktischen Anwendung in Organisationen wächst.
Feedback-Schleifen: Ineffiziente Feedback-Schleifen verkürzen zwar die Bewertungszyklen, lösen aber die Probleme jährlicher Evaluationen nicht.
Kontinuierliches Leistungsfeedback, unterstützt durch KI, hat den Sprung von der Wunschliste auf Konferenzen zur Einführung in Unternehmen schneller geschafft als die meisten anderen Praktiken im Personalmanagement der letzten Zeit.
Das Verkaufsargument ist bei allen Anbietern gleich: Echtzeit-Feedback, weniger Verzerrung durch aktuelle Ereignisse, Rückmeldungen, die nicht davon abhängen, wie sich eine Führungskraft an einem bestimmten Nachmittag gerade fühlt.
Beschäftigte fordern seit langem häufigeres und spezifischeres Feedback als jährliche Beurteilungen bieten. KI-gestützte Systeme sind genau dafür konzipiert, aber die Lücke zwischen Versprechen und Umsetzung lässt sich immer schwerer ignorieren.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Das Problem mit der Abnicker-Rolle der Führungskraft
Führungskräfte genehmigen KI-generierte Zusammenfassungen, ohne die zugrunde liegenden Modelle zu prüfen, die sie erstellt haben.
Andrew Whyatt-Sames, Arbeitspsychologe und Mitgründer von UptakeAI, das mit Organisationen arbeitet, die KI in Personal- und Leistungsprozessen einführen, hat dies immer wieder beobachtet.
Wenn KI eine Leistungszusammenfassung erstellt, betrachten die meisten Führungskräfte sie als einen Entwurf zur Genehmigung und nicht als einen Ausgangspunkt für Nachfragen.
Ein Teamleiter, drei Monate nach der Einführung in einem Unternehmen mit 2000 Mitarbeitenden, sagte ihm: „Es stand da ‚starke:r Kommunikator:in‘ und ich habe zugestimmt – die Daten sind ja alle vorhanden, oder?“
Das zugrunde liegende Modell wertete die Teilnahme an Meetings als Maß für Kommunikationsfähigkeit. Niemand hatte das den Führungskräften erklärt.
Ein Teil des Problems ist grundlegend: Systeme für kontinuierliches Feedback benötigen fortlaufend qualitativ hochwertige Daten. Die meisten Organisationen haben diese nicht.
„Es hat nur den Kontext, den du ihm gibst“, sagte Matt Poepsel, VP für Talentoptimierung bei The Predictive Index, als wir auf der Transform-Konferenz im März sprachen. „Es ist, als ob du einen Freund um Rat zu deinem Chef bittest und er sagt: ‚Ich kenne deinen Chef eigentlich gar nicht – du müsstest mir mehr erzählen.‘“
Personaldaten, so betont er, waren schon vor dem Einsatz von KI uneinheitlich. Stellenbeschreibungen, die von veralteten Ausschreibungen übernommen wurden, Kompetenzbewertungen, die noch an veränderte Anforderungen gekoppelt sind, Verhaltensprofile, die nie erstellt wurden, weil niemand die Führungskräfte darauf vorbereitet hat.
Wir haben Unmengen an Daten. Die Frage ist, ob es die richtigen Daten sind.
Wenn die zugrunde liegenden Daten schwach sind, korrigiert kontinuierliches Feedback nicht automatisch. Im Gegenteil, das Problem verschärft sich durch die höhere Frequenz sogar noch.
Offenlegung bleibt in jedem Fall problematisch
Es gibt eine Vertrauensdynamik, die die Einführung zusätzlich erschwert. Wie wir bereits berichtet haben, zeigte eine 2021 im Strategic Management Journal veröffentlichte Studie, dass KI-generiertes Feedback in messbaren Ergebnissen das von menschlichen Führungskräften übertrifft – allerdings nur, wenn die Beschäftigten nicht wissen, dass es von einer Maschine stammt. Sobald das offenbart wird, verschwinden diese Leistungsgewinne.
Kamaria Scott, Gründerin und CEO von Enetic, hat das Problem der Offenlegung direkt erlebt.
„Sag einfach nie die Unwahrheit darüber“, sagte sie. „Man muss transparent sein.“
Führungskräfte, die KI-generiertes Feedback offenlegen, riskieren, dass Mitarbeitende es abtun. Wer es nicht tut, sitzt auf einem Offenlegungsproblem, das in der Regel irgendwann offenbar wird.
Worauf es laut Scott ankommt, ist, ob diese Systeme als Ausgangspunkt oder als Endpunkt genutzt werden.
Die Beurteilung ist nicht das Endziel. Die Beurteilung ist der Gesprächsbeginn.
Nach ihrer Ansicht ist der wohl vertretbarste Einsatz von KI im Leistungsmanagement der, als Datenbasis eine Diskussion anzustoßen – nicht als Zusammenfassung, die für sich allein steht. "Etwas, das sagt: 'Das ist unser neutraler Ausgangspunkt' – das ist nützlich. Aber man muss aufeinander zugehen."
Mitarbeitende wissen, was gemessen wird
Laut Whyatt-Sames tritt das Gaming-Problem typischerweise etwa sechs Monate nach Einführung auf.
Mitarbeitende finden heraus, was das System verfolgt – meist über inoffizielle Kanäle statt offizielle – und passen sich entsprechend an. Mehr Check-in-Kommentare, mehr markierte Ziele, Ergebnisse, die für das System lesbar sind statt für irgendwen wirklich nützlich. Eine L&D-Leitung, mit der er arbeitete, nannte es "das Dashboard bespielen".
Das Volumenproblem folgt einem ähnlichen Muster. Organisationen messen die Akzeptanz anhand von Aktivitätszahlen – das dreifache Feedback-Volumen sieht wie ein Erfolg aus.
Wenn man das Feedback selbst prüft, nimmt die Umsetzbarkeit rapide ab", sagte Whyatt-Sames. "Es wird kürzer, formelhafter und konzentriert sich auf das, was das System belohnt."
Das Verhältnis von Signal zu Rauschen kehrt sich oft erst dann um, wenn jemand eine Retrospektive macht – zu diesem Zeitpunkt ist das Muster schon fest etabliert.
Wenn die Arbeit selbst mit einem Agenten geteilt wird
Scott stellte im März eine Frage, auf die es noch keine klare Antwort gibt: "Wie sieht Leistung aus, wenn Menschen die Arbeit selbst nicht (mehr) machen oder Agenten die halbe Arbeit übernehmen? Wie wollen Sie meine individuelle Leistung beurteilen, wenn ich die Arbeit gar nicht mehr vollumfänglich selbst erledige?"
Eine Frage, für die die meisten derzeitigen Lösungen nicht ausgelegt sind. Sie messen noch immer individuelle Ergebnisse in einem Kontext, in dem die Grenzen individueller Beiträge immer unschärfer werden.
Whyatt-Sames' Diagnose, warum diese Probleme bestehen bleiben, verbindet die einzelnen Fehlerquellen.
Organisationen behandeln die KI-Schicht als Lösung und vergessen die Veränderungsarchitektur", sagte er. "Das System erzeugt das Feedback; niemand fragt, ob das Feedback das Verhalten verändert. Das ist ein Gestaltungsproblem im Rollout – und bei den meisten Einführungen gibt es niemanden, dessen Aufgabe es ist, das zu schließen."
Was die grundlegenden Risiken betrifft, brachte Poepsel es auf den Punkt.
"Jede Personalentscheidung ist eine Entscheidung mit hoher Tragweite. Wir müssen dabei umsichtig vorgehen, damit wir die Geschwindigkeit erreichen können, die wir uns vorstellen."
Das Argument für von KI unterstütztes kontinuierliches Feedback bleibt weiterhin bestehen. Die Annahme jedoch, dass der Einsatz von Technologie das Führungsproblem, für das sie entwickelt wurde, tatsächlich löst, bleibt unzutreffend.