16.07.2020

Auch Künstliche Intelligenz kann menschliche Schwächen haben

Algorithmen erkennen Sarkasmus, aber sie können vergessen – zwei Themen, denen sich Wissenschaftlerinnen des Software Competence Center Hagenberg in ihren Forschungsarbeiten widmen.
/artikel/kunstliche-intelligenz-menschliche-schwachen
Künstliche Intelligenz hat in Österreich keinen hohen Stellenwert.
(c) Adobe Stock / metamorworks
sponsored

Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter. Dabei wäre dies etwa im Onlinehandel wichtig, damit zum Beispiel eine Onlinerezension richtig eingeschätzt werden kann. Bisherige Sarkasmusdetektionen fokussieren sich auf die Erkennung von Sarkasmus auf Satzebene oder für eine spezielle Textphrase. Das Problem dabei ist, dass es oft unmöglich ist, einen einzelnen sarkastischen Satz zu identifizieren, ohne den Kontext zu kennen.

(c) SCCH

Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit. „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz. Beide Methoden können Texte effizient klassifizieren, die vom Kontext des jeweiligen Textes abhängen, da beide über Speichereinheiten verfügen, um sich bereits gelernte Wörter aus dem Text merken zu können.

Die Ergebnisse der Arbeit zeigen somit, dass Deep Neural Networks die Genauigkeit simplerer Modelle übertreffen können – allerdings mit einem Wermutstropfen: Gäbe es mehr und bessere Daten, so könnten auch genauere Resultate erzielt werden.

Auch eine Künstliche Intelligenz kann vergessen

(c) SCCH

Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet. Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.

„Ich erforsche das katastrophale Vergessen, welches beim Online-Learning von neuronalen Netzen auftritt und wodurch gelernte Zusammenhänge in bestehenden Modellen bei der Anpassung mit neuen Daten verdrängt werden“, sagt Luftensteiner. Ein Modell komplett neu zu erstellen ist zum Beispiel in der Industrie aber oft zu aufwendig oder gar nicht möglich – etwa wegen des Überschreitens zeitlicher Limits oder auch, weil hier benötigte Daten fehlen.

In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren (z.B. Hitzesensoren) – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen. „Ich habe daher ein Framework entwickelt, welches diese Ansätze einbindet und auf verschiedene Datensätze anwendbar ist. Durch die diversen Konfigurationsmöglichkeiten ist dieses Framework gegen das Vergessen in diversen Bereichen – vor allem aber in der Industrie – anwendbar“, so Luftensteiner.

Deine ungelesenen Artikel:
13.10.2026

Tina Ruseva über KI und Soft Work: „Wir können nicht mehr so führen wie früher“

KI-Agenten machen Kontrolle als Führungsprinzip unmöglich, sagt Unternehmerin und Autorin Tina Ruseva. Im Interview spricht sie über „Soft Work“, den Wechsel von Effizienz zu Effektivität und darüber, warum KI die Unternehmenskultur verstärkt.
/artikel/tina-ruseva-soft-work-interview
13.10.2026

Tina Ruseva über KI und Soft Work: „Wir können nicht mehr so führen wie früher“

KI-Agenten machen Kontrolle als Führungsprinzip unmöglich, sagt Unternehmerin und Autorin Tina Ruseva. Im Interview spricht sie über „Soft Work“, den Wechsel von Effizienz zu Effektivität und darüber, warum KI die Unternehmenskultur verstärkt.
/artikel/tina-ruseva-soft-work-interview
Tina Ruseva ist Unternehmerin und Autorin und spricht am HR Inside Summit über „Soft Work“ | © Ammy Berent

Wenn KI die standardisierbare Arbeit übernimmt, bleibt für Menschen das, was die Unternehmerin und Autorin Tina Ruseva „Soft Work“ nennt. Sie spricht am HR Inside Summit, der am 14. und 15. Oktober in der Wiener Hofburg stattfindet. Im brutkasten-Interview erklärt sie vorab, warum Kontrolle als Führungsprinzip ausgedient hat und was Unternehmen jetzt verändern müssen.


brutkasten: Sie sprechen am HR Inside Summit über „Soft Work“. Was ist die Kernthese?

Tina Ruseva: Ausgangspunkt ist die Arbeitsteilung, die wir aus der Industrialisierung kennen. Arbeit hatte eine feste Beschreibung, und an der Maschine hatte es keine Bedeutung, wer die Aufgabe übernimmt. Das ist die Hard Work. Maschinen sind genau in solchen Aufgaben sehr gut und werden sie in den nächsten Jahren zum großen Teil übernehmen. In den Bürojobs von heute gibt es aber viele Aufgaben, bei denen man das Endergebnis nicht kennt: Welchen neuen Markt müssen wir erschließen? Wie antworten wir auf eine neue Krise? Diese Aufgaben sind diffuser, deswegen „soft“. Was für uns an Arbeit bleibt, können wir nur dann gut machen, wenn wir das wollen. Effektives Wirtschaften hängt heute von der intrinsischen Motivation der Beteiligten ab.

Ein gutes Beispiel ist der Customer Support. Wenn jemand nur Dienst nach Vorschrift macht und sein Skript abliest, ist diese Person ersetzbar, weil diese Arbeit bald besser von einem Automaten gemacht wird. Wir automatisieren, was wiederholbar ist, und können dann von Mensch zu Mensch klären, was diesmal besonders ist und zum ersten Mal auftritt.

Wer den Begriff hört, denkt sofort an Soft Skills. Wo liegt der Unterschied?

Wir haben Führung sehr lange etwas generisch als Soft Skill abgehakt, also als Kommunikation und persönliche Gespräche. Soft Work ist für mich ein größerer Begriff. Er beschreibt das gesamte Umfeld, in dem sich Führungskraft und Mitarbeitende befinden. Dazu habe ich ein Framework definiert: SOFT steht für Synergien, Offenheit, Fairness und Technologie. Wir müssen wiederholbare Tätigkeiten automatisieren, damit überhaupt Zeit bleibt für all das, was wir heute so gut wie nicht machen.

Wie geht eine Führungskraft vor, die sich zum ersten Mal mit dem Thema beschäftigt?

Führung ist eine Frage der Komplexität, deshalb führen wir sehr selten große Teams direkt. Studien sagen, dass ab 2028 rund ein Achtel der Arbeit mit KI-Agenten erledigt wird. Wenn alle meine Mitarbeitenden ihr eigenes digitales Team haben, gibt es unendlich viel mehr Aufgaben und Abstimmungsaufwand. Hinter jedem herzugehen, alles abzuhaken und alles zu kontrollieren, wird einfach unmöglich. Vertrauen, Augenhöhe und Selbstführung sind deshalb kein Wunschdenken, sondern unsere Zukunft. Wir müssen uns jetzt überlegen, wie wir Mitarbeitende befähigen, ihre eigenen digitalen Teams zu kontrollieren. Dazu braucht es auch Technologie.

Gibt es Unternehmen, die das schon anwenden?

Das bekannteste Beispiel unter den deutschen Großkonzernen ist Bosch, weil dort die mittlere Managementebene komplett abgeschafft wird. Dadurch kommt mehr Verantwortung bei den einzelnen Mitarbeitenden an. Ein neueres Beispiel ist Stripe. Das Unternehmen hat sehr viel in KI investiert und fast das gesamte Management-Team abgebaut. Es gibt nur noch Leadership und Teams, und vor allem Ingenieur:innen sollen experimentieren können. Stripe hat in einem Podcast von a16z erzählt, dass es dadurch 200 bis 300 innovative Produkte in einem Jahr auf den Markt bringt.

Allerdings ist KI eine Art Verstärker für die Unternehmenskultur. In einer Muss-Kultur, in der wir nur auf den KPI schauen, bekomme ich durch Automatisierung nur noch schneller mehr vom Gleichen. In Will-Kulturen, in denen alle bereit sind, ihre Ideen preiszugeben und anderen zu helfen, können Automatisierung und KI zu wirklich neuen Ergebnissen führen.

Es geht also nicht mehr darum, erledigte Aufgaben zu messen, sondern die Wirkung?

Von Effizienz zu Effektivität. Heute können wir alle in zehn Sekunden einen LinkedIn-Post rausschießen. Die Anzahl der Posts war sehr lange eine gängige Marketingkennzahl. Die To-do-Liste für die Mitarbeitenden war eine Anzahl von Dingen und nicht deren Qualität. Man schreibt einen Post aber ganz anders, wenn man wirklich Wert darauf legt, dass die Nachricht durchkommt. Das ist der Unterschied zwischen KI-generierten Texten und guten Autor:innen.

Den Begriff New Work gab es schon vor dem KI-Hype. Wie hat sich die Szene verändert?

Der Begriff ist mit der Pandemie explodiert. Viele haben ihn missbraucht, einfach für moderne Führung oder für tolle Büromöbel. Als die Krise kam, wurde das Konzept vielerorts für gescheitert erklärt. Trotzdem ist für alle klar: There is no going back. Wir können nicht mehr so führen wie früher. Dienst nach Vorschrift und Kontrolle verschwenden die Ressourcen von Unternehmen, besonders in der Krise. Gleichzeitig haben wir es mit Menschen zu tun, die Angst um ihre Hypotheken, ihren Status und ihr Büro haben. Da gilt es, eine Lösung nach vorne zu finden. Ob man das Soft Work oder New Work nennt, ist nicht wichtig.

Auch bei uns arbeiten nicht alle gleich schnell mit KI. Wie schafft man Alignment in einer Organisation?

Bisher hieß Alignment: Alle bekommen ihre To-dos, und wenn die erledigt sind, gibt es Alignment. Was wir heute alignen müssen, sind aber keine Pflichtaufgaben mehr. Wofür ich KI nutze, muss ich niemandem erzählen. Ich definiere dafür vier Kriterien. Erstens müssen wir Silos in Synergien umwandeln, also Dialog möglich machen, wo keiner stattfindet. Im Onboarding heißt das, nicht nur eine fertige Checkliste bereitzustellen, sondern auch zu fragen: Was willst du in den ersten zwei Monaten lernen? Wen willst du kennenlernen? Zweitens geht es von Orthodoxie zu Offenheit, weg von „So haben wir das immer gemacht“, zum Beispiel mit einem Mitarbeiterbeirat. Drittens Fairness: Wenn ich weiß, dass ich als Frau immer weniger verdienen werde als ein Mann, kaufe ich dieses Wir irgendwann nicht mehr ab und behalte meine Ideen für mich. Das Allerwichtigste ist Technologie. Ohne sie sind all diese Veränderungen zum Scheitern verurteilt, sobald die zuständige Person andere Prioritäten hat. Technologie macht Regeln und Policies nachhaltig. Wir müssen festlegen: Mit welchem Tool werden die Gehälter erfasst? Wie sammeln wir Kompetenzen? Wie setzen wir digitales Feedback um? Das spart allen Zeit, und diese Zeit haben wir dann dafür, miteinander zu reden.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Auch Künstliche Intelligenz kann menschliche Schwächen haben

  • Das Erkennen von Sarkasmus im Web ist sogar für Menschen ein schwieriges Unterfangen – für eine künstliche Intelligenz ist es umso komplizierter.
  • Diesem Thema widmet sich Nicole Schwarz vom Software Competence Center Hagenberg (SCCH) in ihrer Arbeit.
  • „Ich arbeite dabei mit einem Deep Neural Network, das jeweils ein Convolutional Neural Network und ein Long-Short-Term Memory Network umfasst“, so Schwarz.
  • Daten sind zugleich das Thema, dem sich Sabrina Luftensteiner in ihrer Arbeit widmet.
  • Denn Vergessen ist kein menschliches Privileg, wie sie erklärt: Auch bei Maschinen ist das sogenannte „katastrophale Vergessen“ ein Problem.
  • In diesem Kontext sind auch zensurierte Daten ein Problem: Diese entstehen zum Beispiel durch physikalische Grenzen von Sensoren – sie führen zu einem verfälschten Modell, da die im Training genutzten Daten nicht den realen Daten entsprechen.