Controlling des Controllings

Autopoiesis als selbstreferenzielle Verarbeitung

Autopoiesis (nach Maturana und Varela) bedeutet, dass ein System seine eigenen Elemente produziert und erhält, indem es permanent auf seine Umwelt reagiert und zugleich seine interne Struktur fortlaufend reproduziert und transformiert. In Unternehmen findet sich dieser Gedanke wieder: Durch neue Informationen (etwa Kundenfeedback, Innovationsimpulse, Marktveränderungen) und interne Lernprozesse (organisationales Wissen, Best Practices, Dokumentationen) passen sich Organisationen an, ohne dabei ihren Grundcharakter (ihre Identität) vollständig zu verlieren.

In einem Transformer-Netzwerk (oder einem neuronalen Netz allgemein) bestimmen bereits gelernte Gewichte (Parameter) und Netzwerkstrukturen, wie neue Eingaben verarbeitet werden. Die Autopoiesis zeigt sich insofern, als dass das Netz seine Struktur bewahrt, aber durch Training (Fine-Tuning, Backpropagation) laufend an neue Aufgaben angepasst wird[1]. In beiden Fällen – Unternehmen wie neuronales Netz – formen bestehende interne Konfigurationen maßgeblich die Art und Weise, wie neue Reize oder Informationen verarbeitet werden.

[1] Die selbstadaptiven Eigenschaften von LLMs, insbesondere durch Mechanismen wie Self-Attention und neuere Entwicklungen wie Transformer², zeigen Ähnlichkeiten zu autopoietischen Prozessen. Sie ermöglichen es den Modellen, ihre internen Strukturen dynamisch anzupassen und zu reorganisieren, basierend auf den eingehenden Informationen und der zu bewältigenden Aufgabe. Diese Fähigkeit zur Selbstanpassung ist ein Schlüsselfaktor für die Leistungsfähigkeit und Flexibilität moderner LLMs. Weitere Details befinden sich in der Recherche im Anhang Self-Attention Mechanismus von Large Language Modellen.

Netzwerkarchitektur und „Attention“-Mechanismen

Transformer-Modellen (z. B. BERT, GPT) nutzen Multi-Head-Attention-Mechanismen, um kontextabhängig zu entscheiden, welchen Teilen einer Eingabesequenz wie viel Aufmerksamkeit geschenkt wird. Dieses Prinzip ermöglicht gleichzeitiges Betrachten aller Eingabeelemente, wobei unterschiedliche „Attention Heads“ jeweils andere Aspekte (z. B. semantische, syntaktische, kontextuelle) gewichten.

Auch Unternehmen „verteilen“ Aufmerksamkeit an verschiedene Reize: Manche Abteilungen fokussieren auf Kundenanforderungen (Marketing), andere auf technische Machbarkeit (Forschung & Entwicklung), wieder andere auf finanzielle oder rechtliche Aspekte. Innerhalb eines Unternehmens existieren deshalb mehrere parallele „Sichten“, die eingehende Informationen unterschiedlich gewichten (ähnlich wie „Attention Heads“). Anschließend werden diese Sichtweisen zusammengeführt (z. B. in Projektmeetings, Vorstandsentscheidungen, internen Plattformen), um ein Gesamtbild zu erhalten.

Diese Parallele zwischen Attention-Mechanismen in Transformers und den organisationalen Mechanismen in Unternehmen verdeutlicht, wie ein Netzwerk aus Teilsystemen (Abteilungen, Teams) durch parallele Fokussierung eine kollektive Verarbeitung leistet.

Dynamische Gewichtung von Inputs und Feedback

In jedem Schritt aktualisiert ein Transformer-Netzwerk seine internen Repräsentationen, indem es den Input im Kontext der bereits verarbeiteten Teile neu gewichtet. Während des Trainings (z. B. mittels Backpropagation) wird gelernt, welche Features für die korrekte Vorhersage oder Klassifikation besonders wichtig sind.

Unternehmen lernen durch Rückkopplung (Markterfolge/-misserfolge, interne Fehleranalysen, Qualitätsberichte). In jedem Zyklus (z. B. Quartal, Projektphase) werden Ressourcen neu verteilt: Manche Projekte werden eingestellt, andere erhalten mehr Budget, zusätzliche Teams oder Aufmerksamkeit. Diese Reallokation von Ressourcen ähnelt dem dynamischen Anpassen von Gewichten in einem neuronalen Netz – nur dass hier „Gewichte“ metaphorisch für Budget, Management-Fokus oder Personalkapazität stehen.

So entstehen iterative Rückkopplungsprozesse, bei denen Unternehmen – ähnlich wie neuronale Netze – durch äußeres Feedback ihre „Gewichte“ (Ressourcen, Kompetenzen, Prioritäten) neu justieren.

Kontextsensitive Verarbeitung und Emergenz

Durch „Attention“ kann ein Transformer Wortbedeutungen (oder andere Merkmale) kontextsensitiv entschlüsseln und im Kontext einer ganzen Sequenz interpretieren. Das „Verständnis“ des Modells über komplexe Zusammenhänge ist emergent: Es lässt sich nicht mehr auf einzelne Gewichte zurückführen, sondern entsteht durch das Zusammenspiel aller Schichten und Attention Heads.

In Unternehmen gibt es zahlreiche Kontextfaktoren: Marktbedingungen, regulatorische Vorgaben, technische Machbarkeit, Kundentrends, interne Ziele. Die resultierenden Entscheidungen oder Produkte sind ein emergentes Ergebnis, das aus dem Zusammenspiel unterschiedlichster Faktoren und Akteure hervorgeht. Keine einzelne Abteilung allein „entscheidet“ über den Erfolg, sondern das Wechselspiel aller involvierten Stakeholder, Tools, Datenquellen und Prozesse.

Dieses emergente Gesamtverhalten ist ebenfalls kennzeichnend für ein intelligentes System: Weder ein einzelner Mensch noch ein einzelner Algorithmus erzeugt das „Big Picture“, sondern erst das Netzwerk in seiner Gesamtheit.

Lernfähigkeit als Zeichen von „Intelligenz“

Ein zentraler Maßstab für Intelligenz ist die Fähigkeit zu lernen und sich an neue Bedingungen anzupassen. Sowohl in neuronalen Netzen als auch in Unternehmen finden wir Lern- und Anpassungsprozesse:

Neuronale Netze trainieren auf Datensätzen, generalisieren auf neue Inputs, passen ihre Parameter mithilfe von Optimierungsverfahren, z.B. Gradient Descent, an. Bei Fehlern bzw. einem hohen Verlust aus der Verlustfunktion der Optimierung werden die Parameter iterativ korrigiert.

Unternehmen erproben neu Produkte oder Strategien (Versuchsobjekte, Pilotmärkte). Bei Erfolg werden Projekte ausgedehnt, bei Misserfolg andere Wege eingeschlagen. Dabei sammeln Unternehmen implizites Wissen (Erfahrung, kulturelle Prägung) und explizites Wissen (Prozessdokumentation, Patente, Forschungsberichte). Durch stete Rückkopplung und Neuausrichtung bildet sich eine adaptive Organisation.

Daraus lässt sich ableiten, dass Unternehmen – in Analogie zu neuronalen Netzen – „intelligent“ sein können, insoweit sie lernfähig, kontextsensitiv und selbstregulierend agieren.

Unternehmen und Wirtschaft als kollektives „Transformer-Netzwerk“

Betrachten wir nicht nur ein einzelnes Unternehmen, sondern das ganze ökonomische Geflecht aus Lieferanten, Partnern, Kunden und Wettbewerbern, so entsteht ein gigantisches Netzwerk. Einzelne Unternehmen fungieren darin als „Knoten“, die wiederum selbst vielschichtige innere Netze darstellen. Durch ständige Kommunikation (Vertragsabschlüsse, Preissignale, Marketing, Kooperationen) tauschen diese Knoten fortlaufend Informationen aus und passen ihr internes „Gewicht“ (Budget, Produkt-Portfolio, Ressourcen) an.

Wenn man dieses komplexe System als Ganzes betrachtet, bekommt man etwas, das man durchaus mit einem verteilten, globalen neuronalen Netz vergleichen könnte. Es existieren signifikante Feedbackschleifen. Es wird Wissen kodiert und dekodiert (z.B. in Patenten, Marktplattformen, digitalen Ökosystemen). Ständig erfolgt eine Anpassung an neue Umstände (Technologie, Gesetze, Kundenwünsche).

Ist das „intelligent“? Eine systemische Perspektive

Ob man ein solches Geflecht als „intelligent“ bezeichnet, hängt davon ab, welchen Begriff von Intelligenz man anlegt. Aus systemtheoretischer Sicht kann man sagen:

• Intelligenz zeigt sich dann, wenn ein System über ein angemessenes internes Modell seiner Umwelt verfügt, das es ihm erlaubt, Zielfunktionen (z. B. Überleben, Wachstum, Gewinn, Nachhaltigkeit) erfolgreich zu erfüllen.
• Unternehmen (und Wirtschaftsnetzwerke) demonstrieren diese Fähigkeit, da sie aus der Vergangenheit lernen, auf Veränderungen reagieren und teils bemerkenswert kreative Lösungen finden, um mit Engpässen, Krisen oder Kundenbedürfnissen umzugehen.

Damit könnte man argumentieren, dass das wirtschaftliche Netzwerk eine emergente Intelligenz besitzt – vergleichbar mit dem, was wir in großen KI-Modellen als „intelligentes Verhalten“ wahrnehmen.

Fazit zur Intelligenz des Netzwerks der Wirtschaft

Die Struktur und Funktionsweise von Unternehmen und ganzen Wirtschaftssystemen ähneln in vielerlei Hinsicht den Mechanismen, die in (Transformer-)Netzwerken der künstlichen Intelligenz zu beobachten sind:

1. Autopoietische Verarbeitung: Bestehende Strukturen (Wissen, Organisation) formen, wie neue Inputs verarbeitet werden.
2. Multi-Head Attention im Unternehmen: Unterschiedliche Abteilungen (bzw. „Attention Heads“) gewichten Informationsströme unterschiedlich und führen sie zusammen.
3. Feedback und Lernprozesse: Durch ständige Rückkopplung justieren Unternehmen ebenso wie neuronale Netze ihre „internen Parameter“.
4. Emergente Intelligenz: Das Zusammenspiel vieler Teilakteure erzeugt ein Gesamtverhalten, das weder auf eine einzelne Komponente reduziert noch linear vorhersehbar ist.

Daraus lässt sich die These ableiten, dass wirtschaftliche Informationsverarbeitung – im Sinne eines vernetzten, adaptiven Systems – durchaus als Form von Intelligenz betrachtet werden kann. Das Netzwerk aus Unternehmen, Kunden, Zulieferern und Technologien agiert in gewisser Weise wie ein globales, selbstlernendes System, das auf komplexe Umweltanforderungen reagiert, Ressourcen organisiert und neue Ideen hervorbringt – analog zu einem großen, verteilten (Transformer-)Netzwerk, das über Feedback und Kontextinformationen lernt.

Integration von künstlicher Intelligenz und wirtschaftlicher Intelligenz

Die Vorstellung, dass das weltweite wirtschaftliche Netzwerk selbst eine Art neuronales oder intelligentes System bildet, legt nahe, dass künstliche Intelligenz (KI) in dieses bestehende Gefüge integriert werden sollte, anstatt es zu ersetzen. KI kann Unternehmen und Märkten dabei helfen, noch effizienter und lernfähiger zu werden – jedoch nur, wenn sie die emergente Intelligenz des „großen Netzwerks“ verstärkt, statt sie zu unterdrücken oder zu verzerren. Im Folgenden einige Leitgedanken, wie dies gelingen kann:

KI als Ergänzung und Verstärker, nicht als Ersatz

In erfolgreichen Unternehmen ist das Wissen über die Bedeutung von Informationen und ihre Verarbeitung meist tief verankert. Der Austausch mit Kunden und die Besonderheiten der Produkte prägen die Kultur des Unternehmens. Genauso entstehen eingespielte Arbeitsabläufe, die sich an den Details der Zusammenarbeit mit anderen Abteilungen entwickeln. Sie sind darauf ausgelegt Störungen zu erkennen und sich bei Bedarf schnell anzupassen. KI-Systeme sollten diese gewachsenen Netzwerke nicht ohne guten Grund verändern.

Es gibt deshalb zwei Möglichkeiten für den Einsatz von künstlicher Intelligenz. Sie kann dafür genutzt werden, die Struktur der vorhandenen Netzwerke zu analysieren. Dabei unterstützt sie mit ihrem allgemeinen Wissen und macht implizites Wissen zugänglich. Im zweiten Fall werden Aufgaben identifiziert, die sich in diese Strukturen einfügen, aber unabhängig bearbeitet werden können. Eine Voraussetzung dafür ist es, dass die Anforderungen an das Ergebnis klar formuliert werden. Beispiele sind die datenintensiven Arbeiten der Mustererkennung.

Für die erfolgreiche Integration dieser Arbeiten in die von Menschen gesteuerten Netzwerke ist ein gut strukturierter Austausch notwendig: Anforderungen und Ergebnisse müssen laufend überprüft werden, um eine Rückkopplung zwischen den Akteuren herzustellen. Diese geht in beide Richtungen. Ergebnisse der KI-Systeme beeinflussen die Arbeit menschlicher Akteure. Und die Anforderungen der menschlichen Akteure führen zur Anpassung der Arbeitsweise künstlicher Systeme. Diese hybriden Netzwerke müssen grundsätzlich so gepflegt werden, wie die Abstimmungen zwischen Menschen.

Integration in bestehende Informationsflüsse

Die Forderung, die Abstimmung mit den KI-Systemen zu pflegen, verlangt nach ihrer sorgfältigen Integration in die Informationsflüsse. Dabei geht es nicht nur um die Prozesse der Produktion, sondern auch um ihre Beobachtung und Anpassung.

Im besten Fall kann das KI-System wie jeder andere Akteur behandelt werden. Es geht dann darum, die Schnittstellen so zu gestalten, dass alle Akteure ihre Informationen leicht austauschen können. Das bedeutet, die KI-Systeme beziehen die Informationen, die sie für ihre Arbeit brauchen. Sie liefern diejenigen Informationen, die andere Akteure von ihnen erwarten und die es erlauben, ihre Arbeit nachzuvollziehen. 

Transparenz über Informationen und ihre Verarbeitung ermöglicht Rückkopplungen, aus denen das Unternehmen lernen kann. Sie ist außerdem eine Voraussetzung dafür, dass Akteure die Kommunikation untereinander anpassen können, wenn dies notwendig ist. 

Erhaltung und Nutzung der „sozio-kulturellen Intelligenz“

In der menschlichen Interaktion steckt viel unsichtbares Wissen. Es ist als Beziehungen, Vertrauen oder soziale Normen in den Solitonen und der Semiosphäre vorhanden, die das Netzwerk anwendet. Es hat sich in gemeinsamer Arbeit entwickelt, funktioniert meist und übersteht Krisen. KI-Systeme sollten diese Strukturen nicht zerstören, sondern darin eingebettet sein. Sie erreichen das, wenn sie eine Rolle übernehmen, die im Netzwerk akzeptiert wird.

Jeder Akteur arbeitet im Netzwerk zu einem Teil als eine Black-Box. Das lässt sich nicht vermeiden. Es gilt für (menschliche) Kollegen genauso wie für die klassische, algorithmische Datenverarbeitung. Für KI-Systeme wird diese Eigenschaft schnell problematisch, denn wir verzeihen ihr meist weniger Fehler als einem Menschen. KI-Systeme sollten deshalb so gut wie möglich in der Lage sein, darzustellen, wie sie zu Entscheidungen kommen. Das ist eine Anforderung an das System selbst.

Als Akteur im Netzwerk müssen sie sich darüber hinaus in die Beziehungen und sozialen Normen des Unternehmens einzufügen. Für ihren Einsatz müssen deshalb die Anforderungen und die Kriterien für die korrekte Erfüllung ihrer Aufgaben klar sein. Nicht-menschliche Akteure finden im Unternehmen immer ihre Sprecher, weil sie selbst nicht für sich sprechen können. Diese Sprecher, die das System gleichzeitig einsetzen, müssen den Rahmen der Arbeit des Systems klar kommunizieren.

KI-Modelle passend wählen und trainieren

Wenn sich KI-Systeme in die Beziehungen und Normen des Unternehmens einfügen sollen, dann müssen sie passend gewählt und trainiert werden. Diese Anforderung hat wieder zwei Aspekte. Erstens müssen sie ihre Rolle ausfüllen und somit die damit verbundene Arbeit erledigen. Zur Rolle gehören auch Anforderungen an die Qualität und die mit der Erledigung verbundenen Risiken. 

Der zweite Aspekt ist komplizierter. Die KI-Modelle sollen sich in die Solitonen des Unternehmens und ihre Semiosphären einfügen. Mit anderen Worten, es geht um kompatibles Verhalten und Kommunikation im Rahmen von Bedeutungen, die im Unternehmen gelten. Konkret geht es um Sprache, Vorschriften und Fachbegriffe, auf die Modelle trainiert werden. Und es geht um die Bedeutung von Daten, die das System mit anderen Akteuren austauscht. 

Damit sind wir beim Thema Datenkultur. Es ist ein Gemeinplatz, dass dieses Thema im Zusammenhang mit KI-Systemen steht. Und das ist auch nicht falsch. Je stärker die Datenbasis, desto besser kann die KI arbeiten. Wir sollten aber nicht vergessen, dass sich die Bedeutung von Daten aus ihrer Verwendung ergibt. Und diese Verwendung ist in jedem Unternehmen individuell und unterschiedlich. Den Aufwand für ein fine-tuning sollte niemand unterschätzen, der KI-Systeme einführen will. 

Kontinuierliche Feedbackschleifen mit Menschen und Organisationen

Über Rückkopplungen und Feedbackschleifen in den Prozessen haben wir schon gesprochen. Wir können aber auch den Prozess der Einführung eines Systems unter diesem Aspekt betrachten und kommen so auf ein iteratives Vorgehen. Es bewährt sich, mit einem kleinen Pilotprojekt zu starten, zeitnah Feedback einzuholen und bei Bedarf Anpassungen vorzunehmen. 

Das gleiche gilt für alle Situationen, die Änderungen erforderlich machen. Wirtschaftsnetzwerke passen sich ständig an äußere Einflüsse an: Kundenfeedback, Wettbewerbsdruck, Regulierungen. KI-Systeme sollten so eingebettet sein, dass sie Rückkopplungen mit ihren Daten und Prognosen verstärken. Dazu müssen sich die Systeme selbst überwachen und zum Beispiel informieren, wenn sich ihre Beobachtungen von Marktdaten verändern. So lassen sich die Systeme zeitnah anpassen. 

Risikomanagement: Vermeidung von Monokulturen und Fehlsteuerungen

Ein neuronales Netz arbeitet unter anderem deshalb robust, weil es viele Knoten und verteilte Gewichte hat. Auch für Wirtschaftsnetzwerke ist bekannt, dass verteiltes Arbeiten widerstandsfähig und schnell macht. Wenn wir das Netzwerk durch KI-Systeme erweitern, dann ändert sich an dieser Feststellung nichts. Es gilt dementsprechend, dass nicht ein einzelnes KI-System alle Entscheidungen treffen soll. 

Mit der Anzahl der Akteure im Netzwerk steigt natürlich der Koordinierungsaufwand. Dem gegenüber stehen aber der Aufwand, einheitliche Begriffe durchzusetzen, und die Gefahr von Fehleinschätzungen. KI-Systeme können Fehler und Verzerrungen haben. Die verteilte Anwendung von KI-Systemen kann diese Gefahr verringern. Das Training kann spezifischer sein und die Auswirkungen von Fehlern bleiben lokal begrenzt. Eine lokale Anwendung erlaubt zudem eher eine menschliche Begleitung und sorgt so für Resilienz.

KI als Beschleuniger für globale, kollektive Intelligenz

Ein letzter Aspekt ist der Einsatz künstlicher Intelligenz zur Unterstützung der Kommunikation zwischen Unternehmen. So wie innerhalb eines Unternehmens können KI-Systeme Aufgaben als eigenständige Akteure übernehmen. Prinzipiell macht es keinen Unterschied, ob KI-Systeme innerhalb eines Unternehmens oder außerhalb arbeiten. Selbstverständlich spielen rechtliche Fragen und die Absicherung von Risiken eine Rolle. 

Einige Innovationen und Geschäftsmodelle sind schon bekannt. Sie können mit KI erweitert werden: Plattformen für Datenaustausch und Kollaboration, Blockchain-basierte Ökosysteme. KI kann beim Betrieb dieser Modell helfen, oder bei der Verwendung von Schnittstellen. 

Je mehr KI-Systeme bei der Kommunikation zwischen Unternehmen helfen können, desto leistungsfähiger werden solche Netzwerke. Die Minderung der Kosten von Transaktionen schafft neue Möglichkeiten.

Fazit für die Integration von künstlicher und wirtschaftlicher Intelligenz

Text