Warum KI wenig Zukunft kann

Ein neues Thema verzückt die Kommunikationswelt: Predictive Communications. Die Idee: Mithilfe großer Datenmengen, zum Beispiel aus Medienbeobachtung und Social Listening, sowie künstlicher Intelligenz werden aufkeimende Themen erkannt und Entwicklungen antizipiert. Damit soll es möglich sein, kommunikative Chancen sowie Risiken frühzeitig zu erkennen und Szenarien für eine vorausschauende und aktive Kommunikation zu entwickeln. Das klingt höchst spannend, doch stellt sich die Frage: Lässt sich Zukunft überhaupt vorhersagen?

Übertriebene Marketingversprechen

Wir Menschen waren schon immer daran interessiert, mehr über unser Schicksal zu erfahren: Früher waren es Gelehrte oder Erleuchtete, die behaupteten, die Zukunft aus der Konstellation der Sterne, dem Kaffeesatz oder den Linien der Handfläche herauslesen zu können. Heute hoffen wir, dass leistungsfähige Computer mithilfe von Algorithmen in der Lage sind, in den Daten über zurückliegende Ereignisse Muster zu erkennen und damit Aussagen über unsere Zukunft zu treffen.

Diese Idee ist nicht neu: Bereits in den 1950er-Jahren wurde am Massachusetts Insitute of Technology (MIT) das Konzept der „System Dynamics“ entwickelt. Inspiriert von den immer zuverlässiger funktionierenden Wettersimulationen sollte ein Computermodell zur Simulation einer ganzen Stadt entwickelt werden, um dort Ereignisse vorherzusagen. Das Projekt scheiterte jedoch, da sich die komplexen Zusammenhänge und Wechselwirkungen innerhalb eines sozialen Systems nicht auf wenige Regeln reduzieren lassen. Heute kommen „System Dynamics“ vor allem in Bereichen wie dem Supply-Chain-Management zum Einsatz, nämlich dort, wo es klar messbare Zusammenhänge zwischen Ursache und Wirkung gibt.

Dank der neue Rechenleistung von Computern eröffnet sich seit einigen Jahren eine andere Möglichkeit: Machine Learning. Anders als bei Simulationen mit vereinfachten Modellen wird dabei versucht, in riesigen Datenmengen Muster und Zusammenhänge zu erkennen. Dabei ist es weder notwendig, Regeln zu kennen, noch Komplexität zu reduzieren. Dieses Verfahren funktioniert hervorragend, etwa für Berechnungen von Versicherungsrisiken oder Filmempfehlungen auf Netflix. Doch lässt sich damit auch die Zukunft vorhersagen?

In ihrem lesenswerten Buch „AI Snakeoil“ listen die beiden Autoren Arvind Narayanan und Sayash Kapoor, beide Wissenschaftler an der US-Universität Princeton, zahlreiche Beispiele auf, bei denen die Vorhersage mittels Machine Learning kläglich versagt hat – etwa bei der Vorhersage von Straftaten. Das Fazit der Forscher ist ernüchternd: „Meist wäre es genauso hilfreich gewesen, eine Münze zu werfen.“ Sie schlussfolgern, dass KI in einigen Bereichen wie der medizinischen Bilddiagnostik zwar sehr wertvolle Dienste leistet, aber gerade bei sozialen Anwendungen häufig weit hinter den Marketingversprechen der Anbieter zurückbleibt.

„Black Swan“-Ereignisse ändern den Lauf der Geschichte

Vorhersagesysteme beschäftigen zahlreiche Institutionen, darunter auch die Geheimdienste. In einem breit angelegten Forschungsprojekt untersuchte der amerikanische Psychologieprofessor Philip Tetlock zwischen 2011 und 2015, warum manche Menschen viel bessere Prognosen anstellen als die Vorhersagesysteme der CIA. Er fand eine Reihe besonderer Persönlichkeitsmerkmale, die sogenannte Superforecaster auszeichnen, unter anderem eine hohe intellektuelle Offenheit, die Fähigkeit, Wahrscheinlichkeiten richtig einzuschätzen, sowie eine ständige Bereitschaft, aus Fehlern zu lernen.

All das sind Eigenschaften, die sich einer KI hervorragend antrainieren lassen. Warum also nicht eine Superforecaster-KI entwickeln? Tatsächlich liegt darin ein spannender Ansatz. In einem internationalen Forschungsprojekt unter der Leitung von Philipp Schoenegger von der London School of Economics konnte gezeigt werden, dass Menschen mit Unterstützung einer auf Superforecasting trainierten KI noch einmal um bis zu 41 Prozent bessere Vorhersagen treffen konnten.

Doch Geschichte verläuft nicht linear, und schon gar nicht nach festen Regeln. Oft sind es singuläre, nicht vorhersagbare Ereignisse, die den Lauf der Geschichte verändern. So hätte wohl kein Superforecaster und kein KI-Vorhersagesystem bis unmittelbar vor der Katastrophe in Fukushima voraussagen können, wie sich die deutsche Energiepolitik in den darauffolgenden Jahren entwickeln würde.

Lesen Sie auch:

• Intelligent durch die Krise
• Drei Viertel vertrauen KI-generierten Antworten
• So unterschiedlich nutzen Unternehmen das Newsroom-Modell

Der Statistiker und Zufallsforscher Nassim Nicholas Taleb spricht in diesem Zusammenhang von „Black Swan“-Ereignissen. Anstatt Prognosen zu stellen, empfiehlt er, Strategien zu entwickeln, die in jedem denkbaren und undenkbaren Zukunftsszenario funktionieren. Er verdeutlicht das anhand einer Anlagestrategie: Lieber 80 Prozent seines Geldes absolut sicher und 20 Prozent hochspekulativ anlegen als den Großteil mit mittlerem Risiko, um es dann im Fall eines „Black Swan“-Ereignisses zu verlieren.

Den Worst Case im Blick zu behalten, ist sicher richtig, aber im Fall von Kommunikationsszenarien kann dies nicht der einzige Referenzpunkt sein. Viel wichtiger ist es, unterschiedliche Szenarien zu definieren und deren Eintrittswahrscheinlichkeit kontinuierlich zu bewerten. Genau hierbei können die beschriebenen Systeme mit einer Mischung aus maschineller Datenanalyse und menschlichem Urteil helfen.

Strategien testen statt Vorhersagen treffen

Talebs Erkenntnis zur Antifragilität mündet in einen Ansatz, der ganz ohne Prognosen auskommt: „Robust Decision Making (RDM)“, entwickelt in den neunziger Jahren an der US-amerikanischen Denkfabrik RAND Corporation. Das Ziel von RDM besteht darin, Entscheidungen unter Bedingungen großer Unsicherheit zu verbessern, indem Strategien auf ihre Widerstandsfähigkeit gegenüber vielen möglichen Zukünften getestet werden. Anstatt Vorhersagen über die Zukunft zu treffen oder nach einer optimalen Lösung zu suchen, soll RDM „robuste“ Strategien identifizieren, die unter vielfältigen Zukunftsszenarien akzeptable Ergebnisse liefern.

Dieser Ansatz ist insbesondere für die strategische Kommunikationsplanung und das Issues Management interessant, da die Verläufe in diesem Bereich selten linear sind und sehr stark von einzelnen Ereignissen beeinflusst werden.

Auch hierbei kann KI wertvolle Dienste leisten: Sie lässt sich einsetzen, um Ziele, Handlungsoptionen und Unsicherheiten zu identifizieren. Darauf aufbauend können Szenarien entwickelt und mithilfe unterschiedlicher Strategien durchgespielt werden. So ist es möglich, Schwächen zu identifizieren sowie Frühwarnsignale („Signposts“), die anzeigen, wann eine Strategie angepasst werden muss.

Grundsätzlich gilt aber auch hier: Die wahre Erkenntnis liefert niemals die Maschine allein, sondern sie entsteht aus dem Zusammenspiel von Mensch und KI.

Predictive Intelligence in der Praxis

Es gibt also nicht den einen Weg, um mithilfe von künstlicher Intelligenz zu einer besseren Kommunikationsplanung zu kommen. Falls Sie überlegen, Predictive Intelligence in der Kommunikation einzusetzen, sollten Sie folgende Punkte bedenken:

1. Meiden Sie alle „Lösungen“, die Ihnen versprechen, mithilfe von KI die Zukunft vorherzusagen. Die einzig verlässliche Prognose, die Sie in so einem Fall anstellen können, lautet: Sie werfen eine Menge Geld zum Fenster raus.
2. Prüfen Sie alle Systeme, die Sie einkaufen möchten oder entwickeln, auf ihre Zuverlässigkeit und Robustheit. Liefern sie brauchbare Ergebnisse? Messen sie überhaupt das Richtige? Verlassen Sie sich dabei nicht auf Marketingbotschaften oder Anekdoten der Anbieter, sondern verlangen Sie konkrete Belege. Aber Achtung: Auch hier wird oft getrickst. Eine gerne verwendete Kennzahl bei KI-Systemen ist beispielsweise die sogenannte Top-N-Performance. Eine 90-prozentige Top-5-Performance bedeutet, dass die KI in 90 Prozent der Fälle bei den ersten fünf Ergebnissen mindestens einmal richtig lag. Das kann jedoch auch bedeuten, dass sie in keinem Fall auf Anhieb das richtige Ergebnis geliefert hat.
3. Auch wenn es unangenehm ist: Verlassen Sie sich niemals darauf, dass Ihnen Datenanalysen das volle Bild und Computer die richtigen Schlussfolgerungen liefern. Dies ist besonders wichtig zu erwähnen, wenn die Ergebnisse die eigene Abteilung verlassen.
4. Entscheiden Sie sich für die Vorgehensweise, die am besten zu Ihren Bedürfnissen passt. Es gibt keine One-Size-Fits-All-Lösung. Behalten Sie dabei immer den „Human in the Loop“ und überlassen Sie Entscheidungen niemals allein den Maschinen. Oft treffen wir Menschen intuitiv die bessere Entscheidung, gemeinsam liefern Mensch und Maschine meist die besten Ergebnisse.
5. Stärken Sie die Daten- und Prognosekompetenz Ihres Teams. Nur wer die Grundlagen von Statistik, Wahrscheinlichkeit und KI versteht, kann Chancen und Grenzen von Predictive-Ansätzen realistisch einschätzen. Fördern Sie daher Weiterbildung, von Basiskenntnissen in Dateninterpretation bis zu Szenario- und Risikodenken, und machen Sie den gemeinsamen Austausch über Prognosen zu einem festen Bestandteil der Kommunikationskultur in Ihrem Team.