Da Menschen und KI zunehmend gemeinsam in Organisationen arbeiten, wie können sie Aufgaben und Rollen dynamisch an sich entwickelnde Anforderungen anpassen? Menschen und KI repräsentieren die Welt auf unterschiedliche, aber sich ergänzende Weise, was sowohl Leistungschancen als auch Koordinationsherausforderungen für die Mensch-KI-Zusammenarbeit (HAIC) schafft. Zur Bewältigung dieses Problems entwickeln wir eine neuartige Theorie der „hybriden kognitiven Ausrichtung“ (HCA) als emergenten Koordinationsmechanismus, der Mikroprozesse beschreibt, die zu einer funktionalen Kompatibilität zwischen Mensch und KI führen und beiden Parteien ermöglichen, einander vorherzusehen und sich anzupassen. Wir wenden den Taskwork-Teamwork-Rahmen an, um zu erklären, was ausgerichtet werden muss, und erstellen eine KI-Typologie, die erläutert, wie HCA erreicht werden kann. Wir beschreiben, wie Menschen mit „werkzeugartigen“, „assistentenartigen“, „starr-teampartnerartigen“ und „teampartnerartigen“ KI durch vier unterschiedliche Pfade zusammenarbeiten, um instrumentelle, kontextualisierte, vorgeschriebene und reziproke Ausrichtungen zu entwickeln. Unsere Theorie ergänzt den aktuellen Top-Down-Ansatz im Organisationsdesign um eine Bottom-Up-Perspektive des Entstehens. Wir heben die materiellen Eigenschaften der KI als charakteristischen Treiber emergenter Koordination in HAIC hervor, parallel zu den iterativen Austauschprozessen zwischen Mensch und KI. Unsere Arbeit eröffnet eine neue theoretische Grenze für die Koordinationsliteratur, hilft, gemischte Befunde zur Wirksamkeit von HAIC zu synthetisieren, und generiert Implikationen für die Gestaltung und den Einsatz von KI als Kollaborateur.
Building similarity graph...
Analyzing shared references across papers
Loading...
Li Lu
Bei Yan
Academy of Management Review
University of Delaware
Stevens Institute of Technology
Building similarity graph...
Analyzing shared references across papers
Loading...
Lu et al. (Wed,) haben diese Fragestellung untersucht.
www.synapsesocial.com/papers/69be37dd6e48c4981c677cf6 — DOI: https://doi.org/10.5465/amr.2024.0546