WEBVTT - generated by Medienportal Hochschule Merseburg

1
00:00:13.374 --> 00:00:16.541
Ich begrüße Euch recht herzlich zu unserer
mittlerweile

2
00:00:16.541 --> 00:00:21.749
vierten Vorlesung in der Fempowering Technikreihe
hier an der Hochschule Merseburg.

3
00:00:21.999 --> 00:00:24.999
Ich habe heute die große Ehre, hier

4
00:00:24.999 --> 00:00:28.374
durch die Vorlesung zu führen, weil Laura
Hommers leider erkrankt ist.

5
00:00:28.999 --> 00:00:32.083
Mein Name ist Joanne Betschak und ich bin unter

6
00:00:32.083 --> 00:00:35.708
Fempover Studentische Hilfskraft.

7
00:00:35.708 --> 00:00:39.416
Ich freue mich über die Ehre, das heute hier
durchführen zu dürfen.

8
00:00:40.249 --> 00:00:42.916
Genau unserer.

9
00:00:42.916 --> 00:00:45.916
Heutige Vortragende ist Dr. Kathrin Ganz.

10
00:00:46.083 --> 00:00:48.874
Und sie hält uns den Vortrag Künstliche Intelligenz,

11
00:00:48.874 --> 00:00:51.708
alte Ungleichheiten, Gender KI

12
00:00:51.708 --> 00:00:54.708
und die Arbeitswelt der Gegenwart,

13
00:00:54.833 --> 00:00:57.749
Künstliche Intelligenz

14
00:00:57.749 --> 00:01:02.000
hält in vielen Bereichen der Arbeitswelt Einzug
und verändert die Organisation,

15
00:01:02.000 --> 00:01:06.000
das Management und die alltägliche Praxis
von Erwerbsarbeit.

16
00:01:07.000 --> 00:01:11.000
Diese Entwicklungen sind eng mit Fragen von
Geschlecht und Ungleichheit verbunden.

17
00:01:12.000 --> 00:01:15.000
Da KI Systeme Stereotypen und Verzerrungen

18
00:01:15.000 --> 00:01:17.000
reproduzieren können,

19
00:01:17.000 --> 00:01:20.000
die in unsere Gesellschaft und in den gesellschaftlichen
Machtstrukturen

20
00:01:20.000 --> 00:01:20.000
begründet sind.

21
00:01:21.000 --> 00:01:23.000
Der Vortrag von Dr.

22
00:01:23.000 --> 00:01:27.000
Katrin Ganz beleuchtet die Rolle von Gender
in der KI Entwicklung.

23
00:01:28.000 --> 00:01:31.000
Strukturelle Veränderungen auf dem Arbeitsmarkt
sowie Dynamiken,

24
00:01:32.000 --> 00:01:36.000
die durch den Einsatz von KI Tools im Arbeitsalltag
entstehen.

25
00:01:36.000 --> 00:01:39.000
Dabei werden feministische und

26
00:01:40.000 --> 00:01:43.000
intersektionale Perspektiven skizziert, die
eine kritische Auseinandersetzung

27
00:01:43.000 --> 00:01:47.000
mit den Funktionsweisen und gesellschaftlichen
Folgen von KI

28
00:01:47.000 --> 00:01:50.000
in der Arbeitswelt eröffnen.

29
00:01:50.000 --> 00:01:52.000
Unsere heutige Vortragende Dr.

30
00:01:52.000 --> 00:01:57.000
Katrin Ganz ist Sozialwissenschaftlerin mit
den Schwerpunkten Digitalisierung,

31
00:01:57.000 --> 00:02:02.000
Intersektionalität und Open Science in der
Geschlechterforschung

32
00:02:03.000 --> 00:02:07.000
am Margareta von Brentano, Zentrum der Freien
Universität Berlin,

33
00:02:08.000 --> 00:02:11.000
ist sie unter anderem für den Aufbau des Fachinformationsdienstes

34
00:02:12.000 --> 00:02:15.000
Geschlechterforschung und Gender Studies zuständig.

35
00:02:16.000 --> 00:02:20.000
Und jetzt, im Wintersemester, also Wintersemester
25/26,

36
00:02:20.000 --> 00:02:25.000
hat sie eine Gastprofessur für Gender und
Diversitätsforschung am Otto

37
00:02:25.000 --> 00:02:28.000
Suhr Institut für Politikwissenschaft

38
00:02:29.000 --> 00:02:32.000
an der Freien Universität Berlin.

39
00:02:32.000 --> 00:02:35.000
Gemeinsam mit Professorin Tanja Carstensen

40
00:02:35.000 --> 00:02:38.000
hat sie 2021/2022

41
00:02:38.000 --> 00:02:41.000
Forschungsprojekt zum Thema Gender KI und die
Arbeit

42
00:02:41.000 --> 00:02:46.000
der Zukunft an der Universität Hamburg durchgeführt.
Und

43
00:02:47.000 --> 00:02:48.000
ja, das wurde sogar

44
00:02:48.000 --> 00:02:51.000
von der Hans Böckler Stiftung gefördert.

45
00:02:52.000 --> 00:02:54.000
Aus dem Projekt sind ja mehrere Publikationen
heraus

46
00:02:54.000 --> 00:02:59.000
entstanden, unter anderem in AI und Society
und auch in

47
00:02:59.000 --> 00:03:05.000
WSI Mitteilung. Im kommenden Jahr als Ausblick
fürs nächste Jahr erscheint

48
00:03:05.000 --> 00:03:10.000
zudem ein gemeinsames gemeinsamer Sammelband
zum Thema mit Tanja Carstensen.

49
00:03:11.000 --> 00:03:11.000
Genau.

50
00:03:11.000 --> 00:03:15.000
Und damit würde ich mein Wort abgeben an Dr.

51
00:03:15.000 --> 00:03:18.000
Kathrin. Ganz schön, dass Sie da sind.

52
00:03:19.000 --> 00:03:21.000
Ja, hallo, Herzlich willkommen auch von mir.

53
00:03:21.000 --> 00:03:25.000
Schön, dass Sie hier sind und danke für die
Einladung,

54
00:03:26.000 --> 00:03:29.000
hier jetzt noch mal in Merseburg was vorzutragen.

55
00:03:29.000 --> 00:03:32.000
Ich war ja schon mal beim Stammtisch in Merseburg

56
00:03:32.000 --> 00:03:35.000
und hab jetzt heute noch mal so eine andere
Perspektive,

57
00:03:35.000 --> 00:03:39.000
die aber auch aus dem selben Projekt kommt,
mitgebracht und freue mich

58
00:03:39.000 --> 00:03:41.000
sehr, dass wir das jetzt noch mal vertiefen
können.

59
00:03:41.000 --> 00:03:46.000
Also wie eingeführt geht es um künstliche
Intelligenz,

60
00:03:47.000 --> 00:03:50.000
Gender und die Arbeitswelt der Gegenwart.

61
00:03:51.000 --> 00:03:53.000
Unser Projekt damals hieß noch die Arbeitswelt
der Zukunft.

62
00:03:53.000 --> 00:03:54.000
Aber ich glaube,

63
00:03:54.000 --> 00:03:57.000
mittlerweile kann man durchaus davon sprechen,
dass wir jetzt in dieser

64
00:03:58.000 --> 00:04:00.000
Zukunft auch schon angekommen sind.

65
00:04:00.000 --> 00:04:04.000
Und ich kann vielleicht schon mal sagen, das
ist aber auch in der Anmoderation

66
00:04:04.000 --> 00:04:07.000
schon deutlich geworden Wir machen heute jetzt
nicht so, ein deepdive

67
00:04:07.000 --> 00:04:12.000
in eine ganz bestimmte Arbeit soziologische
Studie, die sich sozusagen

68
00:04:12.000 --> 00:04:16.000
mit einem Aspekt dann ganz tief beschäftigt

69
00:04:16.000 --> 00:04:18.000
und da die Daten auseinandernimmt, sondern
es

70
00:04:18.000 --> 00:04:22.000
ist eher so eine Vogelperspektive auf Entwicklungslinien

71
00:04:22.000 --> 00:04:26.000
und auf Fragen, die wir uns eben aktuell dann
auch stellen können und müssen,

72
00:04:26.000 --> 00:04:31.000
wenn es um Gender KI, soziale Ungleichheit
und vor allen Dingen auch Arbeit geht.

73
00:04:32.000 --> 00:04:35.000
Also es wird so ein bisschen um die Frage gehen
Was?

74
00:04:37.000 --> 00:04:39.000
Welche Rolle spielt Gender in der KI Entwicklung?

75
00:04:39.000 --> 00:04:41.000
Wie wird das auch verhandelt?

76
00:04:41.000 --> 00:04:44.000
Welche strukturellen Veränderungen am Arbeitsmarkt
sehen wir?

77
00:04:44.000 --> 00:04:48.000
Was verändert sich vielleicht auch in der
Arbeitswelt

78
00:04:48.000 --> 00:04:51.000
Dadurch, dass das Management von Arbeit mit

79
00:04:51.000 --> 00:04:54.000
mit automatisierten Systemen

80
00:04:54.000 --> 00:04:57.000
betrieben wird und dann eben auch die Arbeit
mit KI Tools.

81
00:04:58.000 --> 00:05:00.000
Und das alles mache ich sozusagen aus einer
feministisch

82
00:05:00.000 --> 00:05:05.000
technischen Technik, soziologischen, bisschen
intersektionalen Perspektive,

83
00:05:06.000 --> 00:05:09.000
die eben schon lange eigentlich auch weiß,
dass immer dann,

84
00:05:09.000 --> 00:05:11.000
wenn neue Technologien eingeführt

85
00:05:11.000 --> 00:05:15.000
werden, auch die Geschlechterverhältnisse
neu verhandelt werden,

86
00:05:16.000 --> 00:05:18.000
gerade auch im Feld von Arbeit.

87
00:05:18.000 --> 00:05:22.000
Und das war bei den bisherigen Schritten der
Digitalisierung so und das sieht man

88
00:05:22.000 --> 00:05:26.000
eben jetzt bei KI auch noch mal, noch mal sehr,
sehr deutlich.

89
00:05:26.000 --> 00:05:29.000
Und es ist auch sehr notwendig.

90
00:05:31.000 --> 00:05:33.000
Genau, KI

91
00:05:33.000 --> 00:05:37.000
im Feld der Arbeit, Das ist, glaube ich, mittlerweile
viel klarer.

92
00:05:37.000 --> 00:05:41.000
Schon als damals, als wir angefangen haben,
uns mit dem Thema zu beschäftigen.

93
00:05:43.000 --> 00:05:44.000
Ist in ganz, ganz

94
00:05:44.000 --> 00:05:48.000
vielen Berufszweigen und in ganz unterschiedlichen
Dimensionen

95
00:05:48.000 --> 00:05:52.000
auch mittlerweile bedeutsam und auch greifbar
in der Arbeitswelt.

96
00:05:52.000 --> 00:05:56.000
Also sei es jetzt in so Bereichen wie der Biotechnologie,

97
00:05:56.000 --> 00:06:00.000
wo man schon seit längerem so 3D Modellierungen
von Proteinen

98
00:06:01.000 --> 00:06:02.000
mit KI Modellen machen kann

99
00:06:02.000 --> 00:06:05.000
und das einfach tatsächlich bedeutet, dass
eine Sache, die früher,

100
00:06:06.000 --> 00:06:09.000
so habe ich mir sagen lassen, den Umfang von
einer einer

101
00:06:09.000 --> 00:06:13.000
Doktorarbeit hatte, jetzt eine Sache ist, die
man einfach wirklich innerhalb von.

102
00:06:16.000 --> 00:06:17.000
Wenigen Minuten erledigen kann.

103
00:06:17.000 --> 00:06:20.000
Und dann geht die eigentliche Arbeit natürlich
erst los,

104
00:06:20.000 --> 00:06:20.000
wenn es denn darum geht,

105
00:06:20.000 --> 00:06:22.000
Was kann man dann mit diesen neuen

106
00:06:22.000 --> 00:06:24.000
Proteinstrukturen anfangen

107
00:06:24.000 --> 00:06:27.000
und wie kann man die vielleicht auch in die
Anwendung bringen?

108
00:06:27.000 --> 00:06:30.000
In so einem Bereich wie Grafikdesign ist es
auch ganz alltäglich, dass

109
00:06:31.000 --> 00:06:34.000
Programme wie Photoshop, integrierte KI, Bildgenerierung

110
00:06:34.000 --> 00:06:37.000
auch haben und sozusagen Leute, die in dem
Bereich arbeiten,

111
00:06:38.000 --> 00:06:40.000
aber auch viele, die jetzt gar nicht so professionell

112
00:06:40.000 --> 00:06:44.000
Grafikdesignerin sind, sondern vielleicht mit
Canvas Sharepics machen

113
00:06:44.000 --> 00:06:49.000
für eine Uni Veranstaltungen auch ständig
mit KI Tools letztlich zu tun haben.

114
00:06:50.000 --> 00:06:54.000
Und noch mal so eine ganz andere Perspektive
habe ich hier mitgebracht.

115
00:06:55.000 --> 00:06:56.000
Es gab vor

116
00:06:56.000 --> 00:07:00.000
mittlerweile zwei Jahren größere Proteste
in Bangladesch,

117
00:07:00.000 --> 00:07:04.000
von denen von Näherinnen dort, also von der
Näherinnen Gewerkschaft

118
00:07:04.000 --> 00:07:08.000
auch mit angeführt, ist dann zu einer größeren
Sache geworden,

119
00:07:08.000 --> 00:07:12.000
wo auch ganz stark Studierende auch mit mit
dabei waren.

120
00:07:12.000 --> 00:07:15.000
Das ist.

121
00:07:15.000 --> 00:07:18.000
Ist da ja öfter so, dass dann die ArbeiterInnenbewegung

122
00:07:18.000 --> 00:07:21.000
und auch Studierende letztlich an einem Strang
ziehen.

123
00:07:21.000 --> 00:07:23.000
Und damals war das tatsächlich

124
00:07:23.000 --> 00:07:26.000
dann greifbar, dass die Regierung auch KI gestützte
Überwachungssysteme

125
00:07:27.000 --> 00:07:31.000
nutzte zur Repression dieser Bewegung auf den
Straßen.

126
00:07:31.000 --> 00:07:36.000
Die haben Geostandorten mit der DemonstrantInnen
KI gestützt untersucht.

127
00:07:36.000 --> 00:07:40.000
Also das heißt auch im Feld von Arbeitskämpfen
haben wir vielleicht

128
00:07:40.000 --> 00:07:43.000
jetzt mit diesen neuen Technologien zu tun.

129
00:07:45.000 --> 00:07:47.000
Was meine ich eigentlich, wenn ich über KI
spreche?

130
00:07:47.000 --> 00:07:49.000
Man hat ja immer gleich so ein Bild

131
00:07:49.000 --> 00:07:53.000
im Kopf und aktuell ist das ganz stark von
diesen Chatbots

132
00:07:53.000 --> 00:07:56.000
auch geprägt, wenn man noch mal so ein bisschen
historischer guckt.

133
00:07:57.000 --> 00:08:00.000
KI hat ja eine lange Geschichte und schon in
den 50er Jahren

134
00:08:00.000 --> 00:08:03.000
haben sich Forschende damit beschäftigt,

135
00:08:03.000 --> 00:08:06.000
letztlich ja menschliches Denken so zu formalisieren,

136
00:08:06.000 --> 00:08:11.000
dass Computer dazu in die Lage versetzt werden,
Aufgaben zu übernehmen,

137
00:08:12.000 --> 00:08:16.000
die wir als Menschen als ja etwas einschätzen.

138
00:08:16.000 --> 00:08:18.000
Wo man sagt, da braucht man eigentlich eine

139
00:08:18.000 --> 00:08:22.000
Intelligenz für eine bestimmte Fähigkeit,
die uns Menschen auch ausmacht.

140
00:08:22.000 --> 00:08:27.000
Das kann sowas sein wie Informationen miteinander
zu verknüpfen.

141
00:08:29.000 --> 00:08:30.000
Verschiedene Sachen zu

142
00:08:30.000 --> 00:08:34.000
sortieren oder auch Entscheidungen über Optionen
zu treffen.

143
00:08:34.000 --> 00:08:36.000
Und wenn man dann so ein bisschen in die Geschichte
guckt,

144
00:08:36.000 --> 00:08:40.000
dann sieht man, dass letztlich das, was uns
dann immer auch begeistert hat

145
00:08:40.000 --> 00:08:44.000
oder als magisch vorkam oder als ganz neuer
Schritt.

146
00:08:44.000 --> 00:08:45.000
Und so ein Gefühl von “ah ist jetzt

147
00:08:45.000 --> 00:08:48.000
der Computer, Ist jetzt die Maschine intelligent”

148
00:08:49.000 --> 00:08:51.000
sich immer ausgeweitet hat.

149
00:08:51.000 --> 00:08:55.000
Aber auch wenn man dann Rückblick drauf guckt,
verliert es auch so ein bisschen

150
00:08:55.000 --> 00:08:55.000
diese Magie.

151
00:08:55.000 --> 00:08:58.000
Also wenn man zum Beispiel daran denkt, in
den 90er Jahren,

152
00:08:59.000 --> 00:09:01.000
damals gab es da

153
00:09:01.000 --> 00:09:04.000
diese diese Entwicklungen im Bereich der Schachcomputer
Computer

154
00:09:04.000 --> 00:09:08.000
und da gab es diesen Deep Blue Computer, der
dann irgendwann den

155
00:09:08.000 --> 00:09:12.000
Garri Kasparow geschlagen hat an so einen Schachgroßmeister

156
00:09:12.000 --> 00:09:14.000
und damals war das künstliche Intelligenz.

157
00:09:14.000 --> 00:09:18.000
War das wirklich was, was Menschen auch begeistert
und fasziniert hat?

158
00:09:18.000 --> 00:09:21.000
Heute würde man sagen naja, dass ein Computer
in der Lage ist, jetzt

159
00:09:21.000 --> 00:09:26.000
den strategisch besten nächsten Zug und vielleicht
auch mehrere Züge im Voraus

160
00:09:26.000 --> 00:09:29.000
bei einem Schachspiel zu berechnen.

161
00:09:29.000 --> 00:09:30.000
Das ist nicht

162
00:09:31.000 --> 00:09:34.000
nicht mehr mega faszinierend.

163
00:09:34.000 --> 00:09:38.000
In den 2010nern  gab es so wie es eben in dem
KI

164
00:09:38.000 --> 00:09:42.000
Bereich immer ist, mal wieder große neue Entwicklungsschritte

165
00:09:42.000 --> 00:09:46.000
und die haben mit Deep Learning zu tun und
mit neuronalen Netzwerken zu tun.

166
00:09:47.000 --> 00:09:50.000
Und das sind sozusagen neue Technologien,

167
00:09:50.000 --> 00:09:53.000
die dazu geführt haben, dass

168
00:09:53.000 --> 00:09:56.000
AI jetzt oder das, was man jetzt als KI versteht,

169
00:09:57.000 --> 00:09:59.000
jetzt in der Lage ist, wieder neue Probleme
zu lösen,

170
00:09:59.000 --> 00:10:02.000
die man vorher nicht lösen konnte mit technischen
Mitteln.

171
00:10:02.000 --> 00:10:05.000
Und ein Beispiel dafür ist Bilderkennung,
also das ein

172
00:10:06.000 --> 00:10:12.000
Computer in der Lage ist, bei einer großen
Anzahl von Fotos

173
00:10:12.000 --> 00:10:15.000
sehr genau wie.

174
00:10:17.000 --> 00:10:20.000
Das was man darauf sehen kann zu sortieren

175
00:10:20.000 --> 00:10:22.000
ist eine Sache, die geht erst seit ein paar
Jahren.

176
00:10:22.000 --> 00:10:25.000
Ich habe hier einfach als Screenshot von meinem
iPhone mitgebracht.

177
00:10:25.000 --> 00:10:28.000
Wenn ich da jetzt in dem Fotoogramm von Apple
nach Katze suche,

178
00:10:29.000 --> 00:10:31.000
dann findet das wirklich Katzen.

179
00:10:31.000 --> 00:10:35.000
Es findet auch ein paar Hunde und ein paar
andere flauschige Wesen,

180
00:10:35.000 --> 00:10:39.000
aber es erkennt Katzen und es erkennt sie auch
in den mögllichsten

181
00:10:39.000 --> 00:10:43.000
und unmöglichsten Körperpositionen, die Katzen
so einnehmen in ihrem Alltag.

182
00:10:44.000 --> 00:10:46.000
Und man kann das mittlerweile sogar auch so
machen, dass man sagt,

183
00:10:46.000 --> 00:10:47.000
der eine Kater heißt

184
00:10:47.000 --> 00:10:51.000
so, der andere heißt so und dann such bitte
nur nach dem einen Kater.

185
00:10:51.000 --> 00:10:52.000
Also das wird immer besser,

186
00:10:52.000 --> 00:10:55.000
aber auch immer alltäglicher und ist sozusagen
schon auf so Geräten wie

187
00:10:56.000 --> 00:10:57.000
Telefon dann auch verfügbar.

188
00:11:00.000 --> 00:11:01.000
Diese Technologien,

189
00:11:01.000 --> 00:11:04.000
also Deep Learning verbunden mit neuronalen
Netzwerken,

190
00:11:04.000 --> 00:11:08.000
das ist eigentlich auch das, was jetzt aktuell
bei der generativen KI

191
00:11:09.000 --> 00:11:11.000
die technische Grundlage spielt.

192
00:11:11.000 --> 00:11:14.000
Und bei diesen Large Language Models, die ja
so Sachen

193
00:11:14.000 --> 00:11:18.000
wie Chat GPT im Hintergrund haben, aber auch
die eigentlich auch immer

194
00:11:18.000 --> 00:11:21.000
eine Rolle spielen, wenn es um Bildgenerierung
geht.

195
00:11:22.000 --> 00:11:25.000
Large Language Models sind, so haben das

196
00:11:26.000 --> 00:11:29.000
Forscherinnen vor ein paar Jahren mal ausgedrückt,

197
00:11:29.000 --> 00:11:32.000
Eigentlich “stochastic parrots” oder

198
00:11:32.000 --> 00:11:35.000
Statistische Semantik Maschinen das.

199
00:11:35.000 --> 00:11:39.000
Damit will ich sagen, dass sie im Wesentlichen
in

200
00:11:39.000 --> 00:11:42.000
das, was statistisch wahrscheinlich möglich
ist

201
00:11:42.000 --> 00:11:46.000
und das sozusagen in so einem Raum von Begriffen
und Bedeutungen

202
00:11:46.000 --> 00:11:49.000
und Sprache und Semantik.

203
00:11:50.000 --> 00:11:52.000
Das ist

204
00:11:52.000 --> 00:11:55.000
eigentlich ziemlich faszinierend, wenn man
so drüber nachdenkt,

205
00:11:55.000 --> 00:11:58.000
weil wir eigentlich gewöhnt sind, dass

206
00:11:59.000 --> 00:12:02.000
ja Computer und alles, was da so dranhängt,

207
00:12:02.000 --> 00:12:07.000
also auch Google usw, dass das, dass sie eher
so funktionieren, dass sie eben auch

208
00:12:07.000 --> 00:12:12.000
bestimmte Informationen zugreifen und letztlich
Algorithmen basiert

209
00:12:13.000 --> 00:12:15.000
in großen Anführungszeichen wissen,

210
00:12:15.000 --> 00:12:18.000
welche ist die passende Information zu meiner
Anfrage?

211
00:12:18.000 --> 00:12:21.000
Und hier ist eine andere Logik drin.

212
00:12:21.000 --> 00:12:27.000
Bei so System wie Chat GPT die produzieren
ja, das was

213
00:12:27.000 --> 00:12:31.000
wahrscheinlich ist, was wahrscheinlich das
ist, was zu der Anfrage

214
00:12:32.000 --> 00:12:33.000
das erklärt auch

215
00:12:33.000 --> 00:12:36.000
ganz oft diese Halluzinationen und diese Sachen,

216
00:12:36.000 --> 00:12:39.000
wo man sich dann wundert, wie kann man, wie
kann man denn so falschliegen?

217
00:12:40.000 --> 00:12:44.000
Die Informationen sind doch verfügbar, Die
machen tatsächlich erst mal nicht das

218
00:12:45.000 --> 00:12:48.000
so eine Logik von ich greife auf verfügbare
Information

219
00:12:48.000 --> 00:12:52.000
zurück, sondern eine Logik von was ist hier
wahrscheinlich das nächste Wort?

220
00:12:52.000 --> 00:12:55.000
Der nächste Begriff.

221
00:12:55.000 --> 00:12:59.000
Das heißt, dass generative KI ganz grundsätzlich
extrem

222
00:12:59.000 --> 00:13:03.000
gut darin ist, kulturelle Muster zu reproduzieren,
also

223
00:13:04.000 --> 00:13:07.000
quasi wie so ein Papagei das nachzuplappern,

224
00:13:07.000 --> 00:13:10.000
was in unserer Kultur ganz viel vorhanden ist.

225
00:13:11.000 --> 00:13:13.000
Und das verdeutlicht so ein bisschen

226
00:13:13.000 --> 00:13:16.000
diese Bildserie da unten, das ist

227
00:13:17.000 --> 00:13:19.000
sind drei Bilder von so einer Bildserie,

228
00:13:19.000 --> 00:13:23.000
die jemand mal mit Chat GPT generiert

229
00:13:23.000 --> 00:13:26.000
hat, mit dem Prompt “Make a dad und make
him more dadier”

230
00:13:26.000 --> 00:13:29.000
Also mache einen Vater, mache ein Bild von
einem Vater

231
00:13:29.000 --> 00:13:35.000
und dann mache immer noch mal ein neues Bild,
wo er noch väterlicher ist.

232
00:13:35.000 --> 00:13:38.000
Und ich finde, an dieser Bildserie kann man
total viel erkennen.

233
00:13:38.000 --> 00:13:40.000
Nämlich? Zum einen sieht man daran natürlich,
dass

234
00:13:41.000 --> 00:13:42.000
da einfach ganz

235
00:13:42.000 --> 00:13:46.000
stark diese kulturellen Muster drin sind, von
was?

236
00:13:46.000 --> 00:13:49.000
Was ist so ein Vater, was tut er irgendwie?

237
00:13:52.000 --> 00:13:55.000
Und es ist aber kein Zufall, dass das ein amerikanischer
Vater ist.

238
00:13:55.000 --> 00:13:59.000
Also zu erkennen daran, dass da im Hintergrund
die Flaggen hängen,

239
00:14:00.000 --> 00:14:04.000
dass er so ein typisches Barbecue hier macht,
dass da auch Dad steht und,

240
00:14:05.000 --> 00:14:08.000
äh, er da genau am Grill ist

241
00:14:08.000 --> 00:14:11.000
und auch mit diesem typischen Lächeln in die
Kamera guckt und dann,

242
00:14:12.000 --> 00:14:15.000
äh, in den weiteren Bildern eben das sozusagen,
das auch dieses

243
00:14:15.000 --> 00:14:19.000
diese kulturellen Muster, die da drin sind,
immer noch mal intensiviert werden.

244
00:14:19.000 --> 00:14:21.000
Als es dann,

245
00:14:21.000 --> 00:14:25.000
äh, da sind dann mehr Kinder und mehr Arme
und mehr

246
00:14:25.000 --> 00:14:29.000
Attribute von Männlichkeit wie dieser Werkzeuggürtel

247
00:14:30.000 --> 00:14:34.000
aber oder dieser Baseballhandschuh und ach
ja,

248
00:14:35.000 --> 00:14:38.000
andere Attribute, die sozusagen für mehr stehen.

249
00:14:38.000 --> 00:14:38.000
Und dann,

250
00:14:38.000 --> 00:14:42.000
in diesem letzten Bild, ist das dann wie so
ein Herrscher über das Universum.

251
00:14:42.000 --> 00:14:46.000
Das ist bei diesen bei diesen Bildserien oft
so, dass es am Ende in so einem,

252
00:14:47.000 --> 00:14:51.000
in so einem Universums imaginären landet.

253
00:14:52.000 --> 00:14:55.000
Aber das meine ich damit, wenn ich sage, da
sind kulturelle Muster drinnen.

254
00:14:55.000 --> 00:15:00.000
Man kann sich ja auch den Vater in vielen anderen
Situationen vorstellen

255
00:15:01.000 --> 00:15:05.000
oder mit ganz anderen Attributen oder in einem
ganz anderen Setting.

256
00:15:05.000 --> 00:15:07.000
Aber es ist sozusagen das Wahrscheinlichste,
ist sozusagen

257
00:15:07.000 --> 00:15:11.000
dieses Bild von einem amerikanischen Vater
beim typischen Barbeque.

258
00:15:13.000 --> 00:15:15.000
Wenn man sich dann mit Large Language Models

259
00:15:15.000 --> 00:15:18.000
beschäftigt, ist so die nächste Frage, die
dann immer diskutiert wird

260
00:15:18.000 --> 00:15:22.000
Können die eigentlich denken  oder tun sie
nur so?

261
00:15:24.000 --> 00:15:28.000
Das ist eine Sache, die auch in dieser Welt
sozusagen der KI

262
00:15:28.000 --> 00:15:32.000
Expertinnen immer viel diskutiert wird und
dann auch zum Teil umstritten ist.

263
00:15:33.000 --> 00:15:38.000
Aus der Perspektive jetzt von so feministischen
Auseinandersetzungen

264
00:15:38.000 --> 00:15:41.000
mit KI kann man sagen, da geht es nicht um
solche Fragen nach.

265
00:15:41.000 --> 00:15:44.000
Ist das jetzt Rising oder nicht?

266
00:15:44.000 --> 00:15:46.000
Sondern es ist eher so, dass wir

267
00:15:46.000 --> 00:15:49.000
aus einer erkenntnistheoretischen Perspektive
fragen

268
00:15:49.000 --> 00:15:53.000
Was liegt denn eigentlich dahinter, hinter
diesen Vorstellungen von Vernunft

269
00:15:53.000 --> 00:15:55.000
begabt sein, also welche?

270
00:15:55.000 --> 00:16:00.000
Auch kulturellen Muster kulturellen Differenzen
sind da wieder grundlegend

271
00:16:00.000 --> 00:16:04.000
für so eine Unterscheidung zwischen Ratio
und Emotionalität?

272
00:16:04.000 --> 00:16:08.000
Und dann kann man sozusagen sich diesen Diskursen
rund um KI

273
00:16:08.000 --> 00:16:11.000
noch mal aus einer anderen Perspektive auch
nähern und fragen

274
00:16:11.000 --> 00:16:14.000
Warum wird denn jetzt an der Stelle gesagt
Das ist Intelligenz,

275
00:16:14.000 --> 00:16:19.000
wenn es bestimmte formal abstrakte Sachen auf
eine neuartige Weise kann,

276
00:16:19.000 --> 00:16:23.000
aber ja ganz viele andere Sachen die Menschen
ausmacht, die sozusagen nicht

277
00:16:23.000 --> 00:16:26.000
traditionell kulturell eher Frauen zugeschrieben
werden,

278
00:16:27.000 --> 00:16:30.000
dann gar nicht gar keine Rolle spielen.

279
00:16:30.000 --> 00:16:32.000
Eine andere Perspektive,

280
00:16:32.000 --> 00:16:36.000
die in dieser feministischen Auseinandersetzung
mit KI stark

281
00:16:36.000 --> 00:16:37.000
ist, ist eine, die sich auch mit den

282
00:16:37.000 --> 00:16:42.000
materiellen Bedingungen von KI befasst, also
mit der Frage

283
00:16:42.000 --> 00:16:47.000
Welche Arbeit fließt da eigentlich rein, welche
Daten, welche Materialien?

284
00:16:47.000 --> 00:16:52.000
Also bis hin zu den Seltenen Erden und zu dem
Lithium

285
00:16:52.000 --> 00:16:55.000
in den ganzen Batterien, in so was wie selbstfahrenden

286
00:16:55.000 --> 00:16:58.000
Autos und so, da.

287
00:16:59.000 --> 00:17:03.020
Da geht es um diese materiellen Grundlagen
und um die gesellschaftlichen

288
00:17:03.020 --> 00:17:08.020
Verhältnisse, die notwendig sind, um so was
wie KI überhaupt zu erschaffen.

289
00:17:09.020 --> 00:17:11.020
Und ich finde es irgendwie nach

290
00:17:11.020 --> 00:17:16.020
wie vor so eine gute Aussage von Kate Crawford,
die hier zitiert

291
00:17:16.020 --> 00:17:21.020
wird mit “Artificial Intelligence is neither
Artificial nor Intelligenct”

292
00:17:21.020 --> 00:17:24.020
Also man kann sowohl diese Frage von

293
00:17:24.020 --> 00:17:26.020
Was macht denn eigentlich eigentlich diese
Thema

294
00:17:26.020 --> 00:17:29.020
und warum nennen wir das intelligent hinterfragen
als auch die Frage von

295
00:17:29.020 --> 00:17:33.020
Ist das überhaupt artificial künstlich, wenn
es doch letztlich

296
00:17:35.020 --> 00:17:36.020
auf ganz viel

297
00:17:36.020 --> 00:17:41.020
materiellen Verhältnissen beruht, von den
Arbeitsverhältnissen

298
00:17:41.020 --> 00:17:44.020
bis zu den Materialien, die in den Batterien
und in den

299
00:17:44.020 --> 00:17:47.020
Prozessoren stecken?

300
00:17:47.020 --> 00:17:49.020
Konkret beschäftigt sich

301
00:17:49.020 --> 00:17:52.020
feministische und intersektionale Kritik

302
00:17:52.020 --> 00:17:56.020
mit ganz verschiedenen Facetten, auch von Algorithmen,
Daten und KI.

303
00:17:57.020 --> 00:18:01.080
Ein ganz wichtiges Thema ist die Datenungerechtigkeit,

304
00:18:01.080 --> 00:18:04.080
also die Frage Zu was liegen überhaupt Daten
vor?

305
00:18:06.080 --> 00:18:07.080
Und in welchen Bereichen fehlen

306
00:18:07.080 --> 00:18:10.080
überhaupt Daten, um überhaupt sinnvolle Sachen
damit machen zu können?

307
00:18:10.080 --> 00:18:15.080
Da ist dieses Buch von Caroline Crado Perez
ganz wichtig.

308
00:18:15.080 --> 00:18:19.080
Invisible Women - Data Bias in a world designed
for men

309
00:18:19.080 --> 00:18:23.080
Es gibt auch deutschsprachige Bücher, die
sich mit der Thematik beschäftigen.

310
00:18:24.080 --> 00:18:28.080
Dann Fragen von globaler Arbeitsteilung und
auch eine klare Perspektive da drin.

311
00:18:28.080 --> 00:18:31.080
Also wer kümmert sich eigentlich um die Daten?

312
00:18:31.080 --> 00:18:34.080
Da werde ich auch gleich noch mal bisschen
darauf eingehen.

313
00:18:34.080 --> 00:18:39.080
Fragen, die da in Richtung der Reproduktion
von Macht in einer data

314
00:18:39.080 --> 00:18:44.080
fixierten Welt und dieses große Thema algorithmische
Bias.

315
00:18:44.080 --> 00:18:47.080
Und da gibt es mittlerweile wirklich ganz viele
tolle Bücher und auch Filme

316
00:18:47.080 --> 00:18:50.080
wie dieser Film “Codes Bias” den man da
oben sieht,

317
00:18:50.080 --> 00:18:53.080
die an das Thema heranführen und diesen vielfältigen

318
00:18:53.080 --> 00:18:55.080
feministischen Perspektiven aufmachen.

319
00:18:55.080 --> 00:18:59.080
Und auch rassismuskritische Perspektiven wie
bei Ruha Benjamin

320
00:18:59.080 --> 00:19:03.040
in diesem Buch Race After Technologie, die
sich sozusagen noch mal stärker

321
00:19:03.040 --> 00:19:04.040
auch mit mit Fragen

322
00:19:04.040 --> 00:19:07.040
von Rassismus und Technologie und wie sie miteinander
verschränkt sind,

323
00:19:08.040 --> 00:19:09.040
beschäftigt.

324
00:19:11.040 --> 00:19:14.040
Das Thema algorithmische Bias ist,

325
00:19:14.040 --> 00:19:16.040
würde ich sagen, eigentlich so der wichtigste

326
00:19:16.040 --> 00:19:19.040
Beitrag, der aus

327
00:19:20.040 --> 00:19:23.040
feministisch intersektionalen

328
00:19:24.040 --> 00:19:25.040
Perspektiven von Personen,

329
00:19:25.040 --> 00:19:29.040
die sich mit sozialer Ungleichheit beschäftigen,
hineingebracht worden ist.

330
00:19:29.040 --> 00:19:31.040
In diese größere KI Debatte.

331
00:19:31.040 --> 00:19:34.040
Weil das wirklich was ist, was mittlerweile

332
00:19:34.040 --> 00:19:38.040
sowohl in öffentlichen und politischen Diskursen
diskutiert wird,

333
00:19:38.040 --> 00:19:42.040
als auch ganz stark von der Community Computer
Science weiter bearbeitet worden

334
00:19:42.040 --> 00:19:48.040
ist, weil es einfach ein zentrales Problem
auch ist, wie wir mit diesen aktuellen.

335
00:19:48.040 --> 00:19:51.040
Dass wir mit diesen aktuellen Technologien
eben sehen und verbinden.

336
00:19:54.040 --> 00:19:57.040
Ganz kurz auf den Punkt gebracht

337
00:19:58.040 --> 00:20:01.000
geht es da eben darum zu sagen.

338
00:20:02.000 --> 00:20:04.000
Wir haben bei diesen

339
00:20:04.000 --> 00:20:04.000
KI Systemen

340
00:20:04.000 --> 00:20:08.000
und auch anderen automatisierten Systemen ganz
oft eine Reproduktion von verzerrten

341
00:20:08.000 --> 00:20:13.000
Darstellungen von Stereotypen und von diskriminierenden
Entscheidungen.

342
00:20:14.000 --> 00:20:17.000
Und das liegt daran, dass eben Algorithmen

343
00:20:18.000 --> 00:20:22.000
ja lernen, also als lernende Systeme Machine
Learning

344
00:20:23.000 --> 00:20:27.000
mit historischen Trainingsdaten, die auf Grund
von gesellschaftlichen

345
00:20:27.000 --> 00:20:30.000
Machtverhältnissen diese Verzerrungen schon
beinhalten.

346
00:20:30.000 --> 00:20:34.000
Das kann sozusagen im konkreten Fall unterschiedliche
Gründe haben.

347
00:20:34.000 --> 00:20:35.000
Das kann sozusagen

348
00:20:35.000 --> 00:20:37.000
daran liegen, dass die Vergangenheit anders
war,

349
00:20:37.000 --> 00:20:40.000
als die Welt jetzt ist oder die Welt in Zukunft
sein sollte.

350
00:20:41.000 --> 00:20:42.000
Weil zum Beispiel Menschen aus

351
00:20:42.000 --> 00:20:45.000
welchen Berufsfeldern ausgeschlossen worden
sind, gibt es einfach

352
00:20:46.000 --> 00:20:49.000
weniger sprachliche Repräsentanz von diesen
Menschen.

353
00:20:49.000 --> 00:20:51.000
In diesen Berufsfeldern.

354
00:20:51.000 --> 00:20:54.000
Das kann auch daran sein, dass sozusagen aus
aufgrund der aktuellen

355
00:20:54.000 --> 00:20:59.000
Machtverhältnisse von bestimmten Menschen
weniger Daten da sind als von anderen.

356
00:21:00.060 --> 00:21:03.060
Das muss man sich sozusagen im Einzelnen angucken.

357
00:21:03.060 --> 00:21:07.060
Aber das hat ganz konkrete Auswirkungen, die
man eben auch

358
00:21:08.060 --> 00:21:13.060
im Alltag, im Umgang mit diesen Systemen auch
mittlerweile

359
00:21:13.060 --> 00:21:16.060
immer mal wieder merkt und zu spüren bekommt.

360
00:21:16.060 --> 00:21:19.060
Vielleicht so drei ganz bekannte Beispiele,
um das noch mal

361
00:21:19.060 --> 00:21:23.060
zu verdeutlichen, dass eine Summe sind Machine
Learning trainierte Übersetzungen.

362
00:21:23.060 --> 00:21:26.060
Und da sieht man eigentlich immer, wenn es
unsere Übersetzung geht

363
00:21:26.060 --> 00:21:31.060
von Sprachen, die nicht so stark dieses Gendering
drin haben

364
00:21:32.060 --> 00:21:35.060
wie jetzt zum Beispiel das Deutsche, das in
der Übersetzung eben,

365
00:21:35.060 --> 00:21:37.060
dass da so rein einfließt,

366
00:21:37.060 --> 00:21:41.060
obwohl man gar nicht weiß, was in diesem Ausgangsatz
überhaupt gemeint ist.

367
00:21:41.060 --> 00:21:44.060
Also das Beispiel hier oben rechts,

368
00:21:44.060 --> 00:21:47.060
das ist ja einfach ein Screenshot statt von
DeepL

369
00:21:48.060 --> 00:21:51.060
wenn man da rein schreibt “The nurse took
care of me after

370
00:21:51.060 --> 00:21:52.060
I talked to the surgeon.,

371
00:21:52.060 --> 00:21:53.060
dann wird es übersetzt

372
00:21:53.060 --> 00:21:53.060
als Die

373
00:21:53.060 --> 00:21:56.060
Krankenschwester kümmerte sich um mich, nachdem
ich mit dem Chirurgen

374
00:21:56.060 --> 00:21:59.060
gesprochen habe und nicht als beispielsweise

375
00:22:01.020 --> 00:22:02.020
die Pflegeperson

376
00:22:02.020 --> 00:22:05.020
kümmerte sich um mich, nachdem ich mit der
Chirurgin gesprochen

377
00:22:05.020 --> 00:22:09.020
habe, was genauso sein könnte, aber es einfach
in den Datensätzen,

378
00:22:09.020 --> 00:22:13.020
also in den ganzen Korpi also in

379
00:22:14.020 --> 00:22:19.020
der ganzen Masse an Sprache, die sozusagen
vorliegt und genutzt wird,

380
00:22:19.020 --> 00:22:23.020
um diese Systeme zu trainieren, ist einfach,
ist in der Regel

381
00:22:23.020 --> 00:22:26.020
eine Krankenschwester und ein Surgeon in der
Regel im Chirurg

382
00:22:26.020 --> 00:22:29.020
und so wird es aber dann eben auch weitergetragen

383
00:22:30.020 --> 00:22:33.020
und eben tatsächlich hier in dem Beispiel
sieht man auch nicht einfach

384
00:22:33.020 --> 00:22:36.020
in der Form von dem generischen Maskulinum
weitergetragen, weil

385
00:22:36.020 --> 00:22:39.020
sonst würde da ja Pflegekraft stehen und nicht
Krankenschwester.

386
00:22:40.020 --> 00:22:42.020
Zweite Beispiel

387
00:22:42.020 --> 00:22:47.020
Und das war sozusagen auch weil es aus der
aus der Computer Science auch kam

388
00:22:47.020 --> 00:22:50.020
damals ganz wichtig auch für die Entwicklung
in dem Feld war

389
00:22:51.020 --> 00:22:56.020
das 2 Personen gezeigt haben

390
00:22:56.020 --> 00:22:59.020
2018 schon, dass die damals wirklich so state

391
00:22:59.020 --> 00:23:02.080
of die Art Algorithmen für Gesichtserkennung

392
00:23:03.080 --> 00:23:05.080
bei Gesichtern von schwarzen Frauen

393
00:23:05.080 --> 00:23:09.080
massiv schlechter abschnitten, also sozusagen

394
00:23:09.080 --> 00:23:12.080
die Trefferquote war einfach massiv schlechter

395
00:23:12.080 --> 00:23:16.080
als bei Gesichtern von weißen Männern, wo
die Trefferquote

396
00:23:16.080 --> 00:23:20.080
eben am besten war, auch schwarzen Männern
und auch weißen Frauen.

397
00:23:20.080 --> 00:23:24.080
Und das liegt daran, dass da zu wenig Trainingsdaten
genutzt

398
00:23:24.080 --> 00:23:28.080
worden sind und entsprechend dann der die Algorithmen,
die einfach auch viel

399
00:23:29.080 --> 00:23:31.080
verkauft worden sind und in

400
00:23:31.080 --> 00:23:34.080
irgendwelche Systeme eingebaut worden sind,
eben da Probleme hatten.

401
00:23:34.080 --> 00:23:37.080
Und das kann natürlich heißen, dass wenn
man sich jetzt

402
00:23:37.080 --> 00:23:40.080
nicht so eine Tür vorstellt, die halt irgendwie
einmal so scannt bist

403
00:23:40.080 --> 00:23:43.080
du ein Mensch und dann geht sie auf, die bleibt
dann halt zu.

404
00:23:43.080 --> 00:23:46.080
Wenn da schwarze Frauen stehen, bleibt statistisch
einfach häufiger zu

405
00:23:46.080 --> 00:23:49.080
wenn da Schwarze Frauen stehen

406
00:23:50.080 --> 00:23:52.080
und das dritte Beispiel,

407
00:23:52.080 --> 00:23:56.080
das wirklich extrem bekannt ist und auch finde
ich auch immer

408
00:23:56.080 --> 00:24:00.040
ein bisschen interessant, weil es sozusagen
in fast jedem Artikel,

409
00:24:00.040 --> 00:24:04.040
gerade wenn es um Arbeit geht, wird immer dieses
Beispiel auch noch mal aufgerufen,

410
00:24:05.040 --> 00:24:07.040
obwohl es letztlich

411
00:24:07.040 --> 00:24:10.040
ja diese eine Geschichte nur ist.

412
00:24:10.040 --> 00:24:12.040
Von Amazon.

413
00:24:12.040 --> 00:24:14.040
Also das ist ein extrem wirkmächtiges Beispiel,

414
00:24:14.040 --> 00:24:17.040
weil es einfach auch wiederum sehr viel zeigt.

415
00:24:17.040 --> 00:24:20.040
Das ist genau das, dass man hier unten rechts
sieht.

416
00:24:20.040 --> 00:24:23.040
Amazon KI zu Bewerbungsprüfung benachteiligt
Frauen.

417
00:24:24.040 --> 00:24:27.040
Das war vor einigen Jahren mal so ein

418
00:24:27.040 --> 00:24:30.040
Versuch bei Amazon für Bewerbungen.

419
00:24:31.040 --> 00:24:34.040
Also für Leute, die bei Amazon arbeiten wollten.

420
00:24:34.040 --> 00:24:35.040
Aber sozusagen

421
00:24:35.040 --> 00:24:38.040
im Bereich der.

422
00:24:38.040 --> 00:24:42.040
Ja, das Headquarter ist jetzt nicht in den
in den Amazon Warenhauses

423
00:24:42.040 --> 00:24:43.040
oder beim Ausliefern der Pakete,

424
00:24:43.040 --> 00:24:46.040
sondern da, wo man bei Amazon tatsächlich
auch Geld verdienen kann.

425
00:24:47.040 --> 00:24:50.040
Da wollten Sie gucken Können wir KI Systeme
einsetzen,

426
00:24:50.040 --> 00:24:53.040
um die ganzen Bewerbungen zu sondieren und
zu bewerten?

427
00:24:53.040 --> 00:24:57.040
Und sie waren natürlich schon so schlau, dass
sie gesagt haben,

428
00:24:58.040 --> 00:25:02.000
wenn wir jetzt hier ein Machine Learning Programm
nutzen, das uns die auf.

429
00:25:03.000 --> 00:25:06.000
Also auf Grundlage der historischen Daten

430
00:25:06.000 --> 00:25:09.000
Wer wir haben wir eingestellt und wer war hier
erfolgreich?

431
00:25:09.000 --> 00:25:12.000
Wenn wir das einfach so darauf lernen lassen,
dann wird das wahrscheinlich

432
00:25:12.000 --> 00:25:16.000
irgendwie denken Ah, ich nehme mir die Männer
raus und lass die Frauen weg.

433
00:25:16.000 --> 00:25:19.000
Das heißt, die haben sozusagen diese Daten
schon anonymisiert und versucht

434
00:25:19.000 --> 00:25:23.000
da Hinweise, also explizite Hinweise auf Geschlecht
und so auch rauszunehmen.

435
00:25:25.000 --> 00:25:27.000
Und trotzdem hat es aber dieser Algorithmus
geschafft,

436
00:25:27.000 --> 00:25:30.000
über so Proxy Variablen,

437
00:25:30.000 --> 00:25:34.000
also zum Beispiel welchen, welche extra Curricula
Activities

438
00:25:34.000 --> 00:25:36.000
die Bewerberinnen im College hatten,

439
00:25:36.000 --> 00:25:39.000
rauszufinden was für ein Geschlecht sie hatten

440
00:25:39.000 --> 00:25:41.000
und dann eben doch Frauen zu benachteiligen.

441
00:25:41.000 --> 00:25:43.000
Also das war gar nicht intendiert Und die haben
dann aber gemerkt,

442
00:25:43.000 --> 00:25:45.000
es macht ja dieses System,

443
00:25:45.000 --> 00:25:47.000
weil dieser Algorithmus einfach der Meinung
war,

444
00:25:47.000 --> 00:25:50.000
ja, da haben halt in der Vergangenheit überwiegend
Männer gearbeitet.

445
00:25:51.000 --> 00:25:54.000
Dann scheinen ja diese Männer auch besser
zu sein als Frauen.

446
00:25:54.000 --> 00:25:59.000
An, die haben das dann irgendwie auch beendet,
dieses Experiment.

447
00:25:59.000 --> 00:26:02.060
Und das hat aber so ein Eigenleben entwickelt,

448
00:26:02.060 --> 00:26:06.060
weil es immer so die Story ist, anhand dessen

449
00:26:07.060 --> 00:26:07.060
wir verstehen

450
00:26:07.060 --> 00:26:11.060
oder auch in Zeitungsartikeln eben erklärt
wird, wo sozusagen das Problem

451
00:26:11.060 --> 00:26:16.060
bei algorithmisch bias im Kontext gerade auch
von Arbeit lauern kann.

452
00:26:22.060 --> 00:26:24.060
Damit kommen wir

453
00:26:24.060 --> 00:26:28.060
näher an unser Thema, die Arbeitswelt der
Gegenwart und der Zukunft.

454
00:26:28.060 --> 00:26:32.060
Und es wird ja eingangs schon gesagt, dass
das, was ich heute hier vorstelle,

455
00:26:33.060 --> 00:26:36.060
ganz stark auf das Projekt zurückgeht, das
mit Tanja Carstensen

456
00:26:36.060 --> 00:26:39.060
damals an der Uni in Hamburg zusammen gemacht
hat.

457
00:26:39.060 --> 00:26:43.060
Tanja ist mittlerweile an der Universität
oder Technischen Universität in Chemnitz,

458
00:26:44.060 --> 00:26:47.060
hat dort eine Professur für Arbeit, Soziologie
und

459
00:26:48.060 --> 00:26:51.060
wir arbeiten auch immer noch so ein bisschen
an diesem Thema gemeinsam weiter.

460
00:26:51.060 --> 00:26:54.060
Eben auch mit diesem Sammelband, den wir da
gerade planen.

461
00:26:55.060 --> 00:26:58.060
Wir haben uns in dem Projekt damals ganz stark
mit den

462
00:26:59.060 --> 00:27:03.020
wissenschaftlichen und öffentlichen und politischen
Debatten

463
00:27:03.020 --> 00:27:05.020
rund um KI, Gender und Arbeit beschäftigt.

464
00:27:05.020 --> 00:27:09.020
Also wir haben auch da jetzt nicht so klassische
Arbeit soziologische Betriebs

465
00:27:09.020 --> 00:27:13.020
Fallstudien gemacht, weil wir eben fanden,
dazu ist es noch zu früh.

466
00:27:14.020 --> 00:27:14.020
Es ist

467
00:27:14.020 --> 00:27:17.020
ja auch so, dass zum Beispiel Chat GPT während
unserer Projektlaufzeit

468
00:27:17.020 --> 00:27:20.020
veröffentlicht worden ist, also eher gegen
Ende.

469
00:27:22.020 --> 00:27:25.020
Mittlerweile, glaube ich, könnte man da viel
besser auch ins Feld gehen

470
00:27:25.020 --> 00:27:28.020
und wirklich gucken, was passiert da gerade
in den

471
00:27:29.020 --> 00:27:30.020
in den Arbeitsverhältnissen.

472
00:27:30.020 --> 00:27:31.020
Aber uns gibt das sozusagen

473
00:27:31.020 --> 00:27:35.020
die Chance, dass wir so ein bisschen uns alle
möglichen Themen angeguckt haben

474
00:27:35.020 --> 00:27:38.020
und so Themenfelder identifiziert haben und
zumindest auch sagen können,

475
00:27:38.020 --> 00:27:42.020
was wird da drin eigentlich verhandelt, sowohl
im Kontext

476
00:27:42.020 --> 00:27:47.020
von wissenschaftlicher Forschung als auch im
Kontext von öffentlichen Debatten.

477
00:27:47.020 --> 00:27:50.020
Wir haben alle Zeitungsartikel gelesen, die
in

478
00:27:51.020 --> 00:27:54.020
von 2015 bis 2021

479
00:27:54.020 --> 00:27:57.020
zu KI, Gender und Arbeit veröffentlicht worden
ist.

480
00:27:58.020 --> 00:28:02.080
Und wir haben uns auch ganz stark mit der Frage
von politischen Diskurs

481
00:28:02.080 --> 00:28:04.080
und auch Regulierung darin beschäftigt.

482
00:28:04.080 --> 00:28:07.080
Und ich spreche jetzt sozusagen nach diesen
vier Themenfeldern,

483
00:28:07.080 --> 00:28:09.080
die hier stehen, so ein bisschen

484
00:28:09.080 --> 00:28:13.080
auf unsere Befunde eingehen und auch verschiedene
aktuelle Punkte

485
00:28:13.080 --> 00:28:17.080
da noch mit hinzuziehen, die sich sozusagen
seitdem ergeben haben

486
00:28:17.080 --> 00:28:20.080
oder die wir jetzt auch zum Beispiel im Zuge
von unserem Sammelband

487
00:28:21.080 --> 00:28:24.080
diskutieren.

488
00:28:24.080 --> 00:28:26.080
Genau, ich fange an mit dem

489
00:28:26.080 --> 00:28:29.080
Thema Arbeit in der KI Entwicklung.

490
00:28:30.080 --> 00:28:33.080
Da geht sozusagen um die Frage, wer der entwickelt

491
00:28:33.080 --> 00:28:37.080
KI und was sehen wir da, wenn wir auf das Thema
Geschlecht gucken

492
00:28:37.080 --> 00:28:40.080
und da gibt es tatsächlich viele Studien auch
zu die, dass

493
00:28:41.080 --> 00:28:45.080
die sich damit beschäftigt haben, unter anderem
eine von Young et al.

494
00:28:45.080 --> 00:28:49.080
Die für den Bereich Data

495
00:28:49.080 --> 00:28:52.080
Science und KI sich das angeguckt haben und
eben geguckt haben.

496
00:28:52.080 --> 00:28:55.080
Wie sieht eigentlich dieser Gender Gap in der
KI Entwicklung konkret aus?

497
00:28:56.080 --> 00:29:00.040
Und die haben noch mal gezeigt, dass es einfach
einen geringen

498
00:29:00.040 --> 00:29:03.040
Frauenanteil in der Industrie und auch in der
Forschung gibt.

499
00:29:03.040 --> 00:29:05.040
Rund um KI.

500
00:29:05.040 --> 00:29:08.040
Dass Frauen tatsächlich zudem auch höher
qualifiziert sind

501
00:29:08.040 --> 00:29:10.040
als Männer auf vergleichbaren Positionen.

502
00:29:10.040 --> 00:29:13.040
Also wenn man so ein Senior Entwickler

503
00:29:13.040 --> 00:29:15.040
sich anguckt und sind Senior Entwicklerinnen.

504
00:29:18.040 --> 00:29:19.040
Dann hat sie vielleicht ein Doktortitel

505
00:29:19.040 --> 00:29:22.040
und er hat nur nen Masterabschluss durchschnittlich.

506
00:29:22.040 --> 00:29:26.040
Also das sind Studien, die mit größeren Datenmengen
auch gearbeitet haben.

507
00:29:26.040 --> 00:29:29.040
Ich habe die haben auf der Basis von LinedIn
Daten das erforscht.

508
00:29:30.040 --> 00:29:33.040
Was sie auch gezeigt haben, ist, dass tatsächlich
Frauen

509
00:29:33.040 --> 00:29:35.040
das Feld schneller wieder verlassen.

510
00:29:35.040 --> 00:29:38.040
Also dass es da wohl häufiger auch Frauen
gibt,

511
00:29:38.040 --> 00:29:41.040
die da so reingucken, reingucken, so ein bisschen
und dann aber aus

512
00:29:42.040 --> 00:29:44.040
aus irgendwelchen Gründen sagen, das ist nicht
das Richtige

513
00:29:44.040 --> 00:29:46.040
für mich, ich wechsel doch noch mal das Feld.

514
00:29:46.040 --> 00:29:49.040
Ich will nicht in diesem Bereich Data Science
und AI arbeiten.

515
00:29:52.040 --> 00:29:56.040
Dazu gibt es auch die Diskussion und Befunde,

516
00:29:56.040 --> 00:29:59.040
dass das vielleicht damit zu tun haben könnte,

517
00:29:59.040 --> 00:30:02.000
dass die Arbeitskultur in diesem Bereich jetzt
nicht so optimal ist.

518
00:30:02.000 --> 00:30:06.000
Und da hat sich sozusagen im Diskurs auch so
ein Begriff für etabliert.

519
00:30:06.000 --> 00:30:07.000
Die Programmer

520
00:30:08.000 --> 00:30:09.000
Das bezieht sich

521
00:30:09.000 --> 00:30:13.000
natürlich nicht nur auf Leute, die jetzt ganz
konkret KI machen,

522
00:30:13.000 --> 00:30:16.000
sondern grundsätzlich so ein bisschen diese
IT

523
00:30:16.000 --> 00:30:19.000
und Silicon Valley Kultur.

524
00:30:21.000 --> 00:30:24.000
Da wurde einfach auch eine Zeit lang sehr viel
darüber berichtet.

525
00:30:24.000 --> 00:30:27.000
Ist auch interessant zu merken, ob man jetzt
ein bisschen in die Diskurse guckt.

526
00:30:27.000 --> 00:30:28.000
Das verschwindet auch wieder

527
00:30:28.000 --> 00:30:31.000
und ich glaube, das liegt nicht daran, dass
die

528
00:30:31.000 --> 00:30:34.000
Arbeitskultur sich stark verändert hat, sondern
eher daran, dass

529
00:30:36.000 --> 00:30:38.000
dieses ganze Thema Identitätspolitik

530
00:30:38.000 --> 00:30:41.000
und Feminismus auch gerade so ein bisschen
wieder verdrängt wird.

531
00:30:43.000 --> 00:30:47.000
Es gibt einen schönen Text von Kerrigan und
anderen, die haben so argumentiert

532
00:30:47.000 --> 00:30:51.000
in dem Text, dass es in dieser Arbeitskultur
auch so eine,

533
00:30:52.000 --> 00:30:55.000
ja so eine insgesamt so eine übergriffige
Kultur gegenüber

534
00:30:55.000 --> 00:31:00.060
allem Möglichen gibt, also sowohl was den
Umgang mit anderen Menschen angeht,

535
00:31:00.060 --> 00:31:04.060
als auch was den Umgang mit Daten angeht, also
überhaupt sozusagen auf die Idee

536
00:31:04.060 --> 00:31:08.060
zu kommen, Ich nehme mir einfach alle Daten,
die ich kriegen kann und ist

537
00:31:08.060 --> 00:31:12.060
mir auch egal, ob da Persönlichkeitsrechte
oder Urheberrechte mit verletzt werden.

538
00:31:12.060 --> 00:31:15.060
Ich mache das einfach, weil ich kann es machen.

539
00:31:16.060 --> 00:31:18.060
Das setzt ja eine gewisse Unternehmenskultur
heraus

540
00:31:18.060 --> 00:31:21.060
und auch ein gewisses Mindset. Vielleicht bei
den Leuten, die das machen.

541
00:31:21.060 --> 00:31:24.060
Und das ist sozusagen die Argumentation, dass
das vielleicht

542
00:31:24.060 --> 00:31:29.060
auch damit zusammenhängt, dass das ja letztlich
eher so eine ähm

543
00:31:30.060 --> 00:31:34.060
auf Stärke und ich bin der coolste ausgerichtete
Kultur Vielleicht ist.

544
00:31:35.060 --> 00:31:38.060
Andere haben schon früher auch gesagt,

545
00:31:38.060 --> 00:31:41.060
zwischen dieser.

546
00:31:41.060 --> 00:31:44.060
Vielleicht etwas sexistischen Arbeitskultur

547
00:31:44.060 --> 00:31:48.060
und dem, was sozusagen dann am Ende als Produkt
da rauskommt, nämlich KI.

548
00:31:48.060 --> 00:31:49.060
Gibt es vielleicht auch ein Zusammenhang?

549
00:31:49.060 --> 00:31:54.060
Also West und andere haben das beschrieben
als ein Feedback Loop

550
00:31:54.060 --> 00:31:57.060
zwischen sexistischer Arbeitskultur und sexistischer
KI.

551
00:31:58.060 --> 00:32:01.020
Und wir haben damals in unserem Projekt eben
gesehen,

552
00:32:01.020 --> 00:32:04.020
dass es ganz

553
00:32:04.020 --> 00:32:07.020
eine ganz intensive öffentliche Debatte einfach
auch um dieses Thema geht.

554
00:32:07.020 --> 00:32:11.020
Also wir haben wirklich sehr, sehr viele Zeitungsartikel
auch gelesen

555
00:32:11.020 --> 00:32:14.020
aus der Zeit eben 2015 bis 2021, wo

556
00:32:15.020 --> 00:32:18.020
dieses Thema mit.

557
00:32:18.020 --> 00:32:21.020
Ist es vielleicht ein Problem, dass KI vor
allen Dingen von jungen,

558
00:32:21.020 --> 00:32:24.020
weißen, männlichen Programmierern entwickelt
wird?

559
00:32:25.020 --> 00:32:28.020
Diskutiert worden ist immer diese Figur des
jungen, weißen,

560
00:32:28.020 --> 00:32:29.020
männlichen Entwicklers.

561
00:32:29.020 --> 00:32:32.020
Und dann sozusagen als so ein Gegenbild eigentlich

562
00:32:33.020 --> 00:32:36.020
ganz oft so Porträts von KI Expertinnen, die
ja

563
00:32:38.020 --> 00:32:39.020
letztlich auch so ein

564
00:32:39.020 --> 00:32:42.020
bisschen als role models porträtiert worden
sind, die aber auch zugleich

565
00:32:42.020 --> 00:32:47.020
auf diejenigen waren, die sozusagen diese Expertise
über Diskriminierungen

566
00:32:47.020 --> 00:32:50.020
und über Algorithmen Bias auch in diese Debatten
reingebracht haben.

567
00:32:50.020 --> 00:32:53.020
Also das war ein ganz interessanter Befund
und wir haben jetzt für einen

568
00:32:53.020 --> 00:32:57.020
Artikel, den wir gerade schreiben, noch mal
in die ganz neuen

569
00:32:58.020 --> 00:33:02.080
Texte zu KI, also Zeitungsartikel, tatsächlich
geguckt.

570
00:33:02.080 --> 00:33:05.080
Und da haben wir festgestellt, dass.

571
00:33:06.080 --> 00:33:08.080
Das Thema algorithmic Bias bei uns

572
00:33:08.080 --> 00:33:10.080
immer noch eine Rolle spielt, aber diese Gruppe

573
00:33:10.080 --> 00:33:13.080
der jungen weißen Programmierer so nicht mehr
benannt wird,

574
00:33:13.080 --> 00:33:14.080
sondern es wird jetzt nur noch benannt,

575
00:33:14.080 --> 00:33:18.080
dass es ja irgendwie schade ist, dass zu wenig
Frauen in dem Bereich arbeiten.

576
00:33:19.080 --> 00:33:22.080
Also da wird man sozusagen vielleicht schon
in Ansätzen

577
00:33:22.080 --> 00:33:25.080
auch eine interessante Diskursverschiebung,

578
00:33:25.080 --> 00:33:30.080
eine Gruppe, die auch eine Rolle spielt, wenn
es um die KI Entwicklung geht.

579
00:33:30.080 --> 00:33:34.080
Aber da werde ich gleich noch mal bei einem
anderen Thema näher darauf eingehen.

580
00:33:34.080 --> 00:33:38.080
Sind die ganzen Clickworker:innen natürlich,
die oft ja im globalen Süden

581
00:33:38.080 --> 00:33:41.080
an der Datenaufbereitung für die KI Industrie
arbeiten

582
00:33:42.080 --> 00:33:46.080
und die sozusagen auch ihren Teil an dieser
KI Entwicklung ja leisten.

583
00:33:46.080 --> 00:33:48.080
Aber die.

584
00:33:48.080 --> 00:33:53.080
Ja, wenn es letztlich um die Frage geht wer
bringt die KI in diese Welt

585
00:33:53.080 --> 00:33:56.080
ja eigentlich nicht gesehen werden, weil das
sozusagen nur diese

586
00:33:56.080 --> 00:33:57.080
Zuarbeit ist.

587
00:34:00.040 --> 00:34:01.040
Ja, dann kommen wir zum

588
00:34:01.040 --> 00:34:04.040
Zweiten Thema die strukturellen Veränderungen
am Arbeitsmarkt.

589
00:34:04.040 --> 00:34:07.040
Das war damals in unserer Studie total interessant,

590
00:34:07.040 --> 00:34:11.040
weil es zu dem Zeitpunkt eine intensive Debatte
darüber gab

591
00:34:12.040 --> 00:34:15.040
und gleichzeitig aber total

592
00:34:15.040 --> 00:34:19.040
widersprüchliche Zukunftsprognosen sowohl
aus der Forschung

593
00:34:19.040 --> 00:34:24.040
als auch in Zeitungsartikeln und in politischen
Beiträgen.

594
00:34:24.040 --> 00:34:28.040
Also das changiert echt immer so zwischen dieser
Prognose.

595
00:34:28.040 --> 00:34:30.040
KI wird Arbeit vernichten,

596
00:34:30.040 --> 00:34:34.040
also Arbeitsplätze vernichten und KI wird
neue Arbeitsplätze schaffen.

597
00:34:34.040 --> 00:34:37.040
Und mit Blick auf Gender ist es genauso widersprüchlich.

598
00:34:38.040 --> 00:34:41.040
Wir haben da sowohl

599
00:34:41.040 --> 00:34:45.040
Studien gefunden als auch Zeitungsartikel gefunden,

600
00:34:45.040 --> 00:34:48.040
die ganz klar argumentieren KI bedroht vor
allem Männerberufe

601
00:34:48.040 --> 00:34:53.040
und das ist sozusagen dann immer die Vorstellung
von äh,

602
00:34:53.040 --> 00:34:54.040
also die denken sozusagen an

603
00:34:54.040 --> 00:34:58.040
Industriearbeitsplätze, die denken auch ganz
stark an alles, was

604
00:34:58.040 --> 00:35:03.000
sozusagen durch das Thema autonomes Fahren
vielleicht dann wegfällt.

605
00:35:03.000 --> 00:35:04.000
Also LKW Fahrer,

606
00:35:06.000 --> 00:35:06.000
Leute, die in der

607
00:35:06.000 --> 00:35:09.000
Logistik arbeiten, Taxifahrerinnen usw

608
00:35:10.000 --> 00:35:12.000
und die denken bei den Frauen dann an Care
Arbeit und sagen

609
00:35:12.000 --> 00:35:16.000
na ja, gut, die Pflegekräfte im Altenheim,
die wird es ja weiterhin geben.

610
00:35:16.000 --> 00:35:20.000
Also KI bedroht vor allem Männerberufe und
es gibt aber auch Texte und auch

611
00:35:20.000 --> 00:35:24.000
wirklich wissenschaftliche Studien, die das
Gegenteil behaupten.

612
00:35:24.000 --> 00:35:27.000
Die sagen, KI bedroht vor allem Frauenberufe
und die haben dann sozusagen

613
00:35:27.000 --> 00:35:30.000
so Themen wie autonomes Fahren da gar nicht
mit drin.

614
00:35:30.000 --> 00:35:32.000
In der Betrachtung

615
00:35:32.000 --> 00:35:34.000
und denken sozusagen bei den

616
00:35:34.000 --> 00:35:37.000
bei den Frauenberufen eher an so was wie

617
00:35:38.000 --> 00:35:40.000
die Büro, Bürotätigkeiten,

618
00:35:40.000 --> 00:35:43.000
Sachbearbeiterinnen usw.

619
00:35:44.000 --> 00:35:48.000
Und so als drittes, dritte Erzählung dazwischen
gibt es auch noch mal

620
00:35:48.000 --> 00:35:52.000
diese Vorstellung von Frauen sind die Reservearmee
des KI Wachstums.

621
00:35:52.000 --> 00:35:56.000
Also wir brauchen irgendwie insgesamt sowieso
mehr Arbeitskräfte,

622
00:35:56.000 --> 00:36:00.060
weil Fachkräftemangel und deswegen auch mehr
Frauen, die sich dann auch in diesen

623
00:36:00.060 --> 00:36:02.060
Branchen irgendwie betätigen.

624
00:36:03.060 --> 00:36:04.060
Wir haben jetzt

625
00:36:04.060 --> 00:36:07.060
ganz neu in für unseren Sammelband noch einen
Artikel

626
00:36:08.060 --> 00:36:10.060
von Carola Burckhardt und Britta Matthes vom
Institut

627
00:36:10.060 --> 00:36:13.060
für Arbeits und Berufsforschung auch bekommen.

628
00:36:13.060 --> 00:36:17.060
Und die haben sich sozusagen für Deutschland
diese Zahlen noch mal

629
00:36:17.060 --> 00:36:20.060
genau angeguckt und eben gefragt nach diesem

630
00:36:20.060 --> 00:36:22.060
sSubstitutionspotenzialen

631
00:36:22.060 --> 00:36:25.060
Und die sagen tatsächlich auch jetzt eher
das.

632
00:36:27.060 --> 00:36:29.060
Bei den vollzeitbeschäftigten

633
00:36:29.060 --> 00:36:34.060
Männern, dass vollzeitbeschäftigte Männer
im Durchschnitt häufiger in Berufen mit

634
00:36:34.060 --> 00:36:37.060
höheren Substituierbarkeit Potenzialen arbeiten

635
00:36:37.060 --> 00:36:40.060
als vollzeitbeschäftigte Frauen.

636
00:36:40.060 --> 00:36:43.060
Und sie haben aber auch geschrieben, dass

637
00:36:43.060 --> 00:36:47.060
es bei den vollzeitbeschäftigten Frauen dann
eine stärkere Polarisierung gibt,

638
00:36:47.060 --> 00:36:51.060
weil da sozusagen ein Teil ganz, also in Berufen
arbeitet,

639
00:36:51.060 --> 00:36:54.060
die ganz wenig betroffen sind, eben die klassischen
Berufe

640
00:36:54.060 --> 00:36:59.060
im Caresektor, Altenpflege usw, Kinderkranken

641
00:36:59.060 --> 00:37:02.020
krankenpflege und so und dann ein anderer Teil.

642
00:37:03.020 --> 00:37:06.020
Besonders stark betroffen ist eben diese Bürotätigkeiten,

643
00:37:06.020 --> 00:37:10.020
Sachbearbeiterjobs und so, wir sagen sozusagen

644
00:37:10.020 --> 00:37:15.020
insgesamt betrifft das Männer vielleicht statistisch
mehr und bei Frauen

645
00:37:15.020 --> 00:37:18.020
macht es eine stärkere Polarisierung aus und
das zeigen zumindest

646
00:37:18.020 --> 00:37:20.020
die aktuellen Zahlen.

647
00:37:20.020 --> 00:37:24.020
Die arbeiten methodisch immer so, dass sie
halt wirklich an anhand von so

648
00:37:25.020 --> 00:37:29.020
Informationen darüber, was in bestimmten Berufen
für Tätigkeiten anfallen

649
00:37:30.020 --> 00:37:33.020
und zu welchem Anteil die dann bewerten, nach

650
00:37:33.020 --> 00:37:37.020
kann man das durch Technologie ersetzen oder
kann man das nicht durch die

651
00:37:37.020 --> 00:37:38.020
Psychologie ersetzen?

652
00:37:38.020 --> 00:37:41.020
Und ich gehe auch davon aus, dass sozusagen
aktuell eben generative

653
00:37:41.020 --> 00:37:45.020
KI so die entscheidende Innovation in dem Feld
ist.

654
00:37:47.020 --> 00:37:47.020
Letztlich muss man natürlich

655
00:37:47.020 --> 00:37:50.020
sagen, dass auch andere Faktoren die Zukunft
der Arbeit bestimmen

656
00:37:51.020 --> 00:37:53.020
demographischer Wandel, die Zollpolitik,

657
00:37:53.020 --> 00:37:56.020
die der Klimawandel

658
00:37:57.020 --> 00:38:01.080
das ist nie irgendwie so, dass es da nur eine
Ursache gibt

659
00:38:01.080 --> 00:38:04.080
und KI der einzige Grund ist, warum irgendwelche
Strukturen sich verändern.

660
00:38:04.080 --> 00:38:08.080
Aber KI wird da sicherlich auch eine Rolle
damit spielen.

661
00:38:09.080 --> 00:38:12.080
Ja, dann komme ich jetzt noch mal zu dieser
Plattformarbeit,

662
00:38:12.080 --> 00:38:13.080
zu diesem Clickworkerinnen,

663
00:38:13.080 --> 00:38:17.080
weil das finde ich sozusagen auch auf dieser
Ebene von wie sich

664
00:38:18.080 --> 00:38:21.080
Arbeit strukturell verändert noch mal relevant,

665
00:38:21.080 --> 00:38:23.080
weil es einfach keine Nischen sind.

666
00:38:23.080 --> 00:38:28.080
Ich habe Zahlen gefunden von der Weltbank von
2023,

667
00:38:28.080 --> 00:38:31.080
die sagen, das Online Gig Work

668
00:38:33.080 --> 00:38:35.080
in der Global Economy

669
00:38:35.080 --> 00:38:38.080
einen Anteil von zwischen

670
00:38:38.080 --> 00:38:44.080
4,4 und 12,5 % der Arbeitskräfte weltweit

671
00:38:44.080 --> 00:38:46.080
mittlerweile ausmacht.

672
00:38:46.080 --> 00:38:49.080
Das sind natürlich nicht alles Menschen, die
im Bereich von KI arbeiten,

673
00:38:49.080 --> 00:38:53.080
sondern es gibt ja auch andere Formen von Online
Clickwork,

674
00:38:53.080 --> 00:38:56.080
Aber das zeigt schon, dass das einfach global
gesehen

675
00:38:56.080 --> 00:38:59.080
ein riesiger Teil mittlerweile der Arbeitskräfte
ist,

676
00:38:59.080 --> 00:39:01.040
die in solchen Bereichen arbeiten.

677
00:39:01.040 --> 00:39:04.040
Und ein wichtiger Teil ist eben diese Online
work,

678
00:39:04.040 --> 00:39:06.040
die sich letztlich mit KI beschäftigt,

679
00:39:06.040 --> 00:39:09.040
weil da eben Daten und Annotation stattfindet.

680
00:39:09.040 --> 00:39:11.040
Also damit

681
00:39:12.040 --> 00:39:14.040
die Maschinen lernen können, die Algorithmen
lernen können,

682
00:39:14.040 --> 00:39:18.040
muss man ihnen schon erst mal sagen Das ist
korrekt, das ist nicht korrekt.

683
00:39:18.040 --> 00:39:21.040
Hier hast du richtig gelegen, hast du nicht
richtig gelegen.

684
00:39:21.040 --> 00:39:24.040
Und das machen einfach Menschen ja tatsächlich
an ihren Rechnern.

685
00:39:25.040 --> 00:39:29.040
Ganz informell, teilweise auch in so Data Center,
aber oft auch einfach

686
00:39:29.040 --> 00:39:33.040
in Privathaushalten, die da einfach sitzen
und diese Aufgaben machen.

687
00:39:33.040 --> 00:39:36.040
Und die sind eben nicht angestellt bei irgendwelchen
KI Firmen,

688
00:39:36.040 --> 00:39:39.040
sondern die machen das über diese Clickworker
Plattformen

689
00:39:40.040 --> 00:39:43.040
unter ganz schlechten Arbeitsbedingungen.

690
00:39:43.040 --> 00:39:45.040
Letztlich.

691
00:39:45.040 --> 00:39:49.040
Wir haben auch in unserem Sammelband einen
ganz tollen Artikel

692
00:39:49.040 --> 00:39:53.040
von Bhutani in der kanadischen Forscherin,
die darüber auch ihre

693
00:39:54.040 --> 00:39:55.040
Doktorarbeit geschrieben hat.

694
00:39:55.040 --> 00:39:59.040
Die ist auch schon veröffentlicht, die wirklich
sehr schön auch beschreibt,

695
00:39:59.040 --> 00:40:02.000
als in Anführungszeichen nicht schön, aber
sehr nachvollziehbar

696
00:40:03.000 --> 00:40:06.000
und sehr einfühlsam auch beschreibt, dass
das eine häufig

697
00:40:07.000 --> 00:40:11.000
sehr feminisierte Arbeit ist, die im häuslichen
Bereich stattfindet,

698
00:40:11.000 --> 00:40:14.000
die unsichtbar ist, die teilweise auch in den
Familien selbst

699
00:40:14.000 --> 00:40:16.000
und nicht, weil dann diese Frauen

700
00:40:17.000 --> 00:40:20.000
das eben oft nachts machen, nachts.

701
00:40:20.000 --> 00:40:23.000
Aus dem Grund, weil es auch in dieser globalen
Arbeitskette

702
00:40:24.000 --> 00:40:26.000
so zeitlich räumliche Hierarchien gibt.

703
00:40:26.000 --> 00:40:29.000
Das heißt, da sitzen einfach Menschen in den
USA,

704
00:40:29.000 --> 00:40:32.000
die sagen wir wollen jetzt gerne, dass ihr
euch mal diese Daten anguckt

705
00:40:32.000 --> 00:40:35.000
und dann ist es auch egal, ob es in Indien
oder wo auch immer die sitzen

706
00:40:36.000 --> 00:40:39.000
dann gerade mitten in der Nacht ist, dann sind
einfach da die Preise.

707
00:40:39.000 --> 00:40:42.000
Gut, dann muss man halt einfach aufstehen und
das machen.

708
00:40:44.000 --> 00:40:49.000
Und da hängen noch ganz andere schwierige
Fragen mit zusammen.

709
00:40:49.000 --> 00:40:54.000
Also es sind oft Arbeiten die an so weitergegebenen
Geräten, die irgendwie

710
00:40:55.000 --> 00:40:58.000
ihr Mann oder   Onkel mal benutzt hat, die
auch noch so halb funktionieren.

711
00:40:58.000 --> 00:41:00.060
Und dann wird ja nur pro Task bezahlt.

712
00:41:00.060 --> 00:41:03.060
Das heißt, man hat gar kein verlässliches
Einkommen,

713
00:41:03.060 --> 00:41:06.060
man arbeitet letztlich viele Stunden auch drum
herum,

714
00:41:06.060 --> 00:41:09.060
ohne dass da ein Auftrag ist und ist froh

715
00:41:09.060 --> 00:41:12.060
Wenn ein paar Aufträge am Tag auch mal gemacht
werden.

716
00:41:13.060 --> 00:41:15.060
Und dann gibt es auch diese

717
00:41:15.060 --> 00:41:20.060
sogenannte profanety work, wie das auch die
Interviewpartnerinnen von Bhutan

718
00:41:20.060 --> 00:41:24.060
die nennen, Also man dann sozusagen mit diesen
ganzen schrecklichen Sachen

719
00:41:24.060 --> 00:41:28.060
und profanen und ja sexualisierten Sachen auch
zu tun

720
00:41:28.060 --> 00:41:32.060
hat, die irgendwie da auch sortiert und kategorisiert
werden müssen,

721
00:41:32.060 --> 00:41:35.060
das natürlich auch noch mal schwieriger, das
sozusagen im Privathaushalt zu machen,

722
00:41:36.060 --> 00:41:37.060
wenn da vielleicht gerade

723
00:41:37.060 --> 00:41:40.060
die Schwiegermutter drauf guckt und denkt Was
machst du da an dem Computer?

724
00:41:41.060 --> 00:41:43.060
Und das alles, um eben auch einen Teil

725
00:41:43.060 --> 00:41:47.060
zum Haushaltseinkommen auch beitragen zu können.

726
00:41:47.060 --> 00:41:48.060
Diese Clickworker machen

727
00:41:48.060 --> 00:41:52.060
natürlich auch Männer im globalen Süden
und es ist kein reiner Frauenjob.

728
00:41:52.060 --> 00:41:57.060
Aber durch diese Verbindung von Häuslichkeit
und Feminisierung von Arbeit

729
00:41:57.060 --> 00:42:01.020
gibt es da doch noch mal was, das man sich
auch wirklich genauer angucken muss.

730
00:42:03.020 --> 00:42:03.020
So, dann komme ich

731
00:42:03.020 --> 00:42:06.020
zu dem Teil Management von Arbeit mit KI.

732
00:42:06.020 --> 00:42:09.020
Also noch mal sozusagen eine andere Perspektive.

733
00:42:09.020 --> 00:42:14.020
Die Frage, wie beeinflusst eigentlich KI die
Arbeitswelt in dem Sinne,

734
00:42:14.020 --> 00:42:17.020
dass die Art wie Arbeit organisiert wird,

735
00:42:17.020 --> 00:42:20.020
auch das KI da auch mitmischt.

736
00:42:20.020 --> 00:42:23.020
Das kann man sich auch auf verschiedenen Ebenen
angucken.

737
00:42:23.020 --> 00:42:26.020
Es gibt eine etwas ältere Studie von Alhutter
et al.

738
00:42:27.020 --> 00:42:29.020
739 00:42:29.704 --> 00:42:32.870 zum Einsatz
von Algorithmen in der öffentlichen Arbeitsverwaltung,

739
00:42:32.020 --> 00:42:37.020
also im ein Amt, das ist das Arbeitsamt in
Österreich Arbeitsmarktservice.

740
00:42:38.020 --> 00:42:41.020
Die haben so ein.

741
00:42:41.020 --> 00:42:43.020
So ein Employability

742
00:42:43.020 --> 00:42:47.020
Score mal ausprobiert und das da gibt es auch.

743
00:42:47.020 --> 00:42:47.020
Gab es auch lange

744
00:42:47.020 --> 00:42:50.020
Gerichtsprozesse darüber, ob sie das dürfen
oder nicht,

745
00:42:50.020 --> 00:42:52.020
bin ich auch gerade gar nicht auf dem neuesten
Stand.

746
00:42:52.020 --> 00:42:55.020
Das letzte, was ich hörte, war, dass es immer
noch nicht ganz klar ist.

747
00:42:55.020 --> 00:42:57.020
Aber da hat man sozusagen diesen Bereich von

748
00:42:59.020 --> 00:43:02.080
Algorithmen und KI im öffentlichen Sektor,

749
00:43:02.080 --> 00:43:05.080
wo eben auch diese Technologien zunehmend genutzt
werden,

750
00:43:05.080 --> 00:43:07.080
um Entscheidungen über Menschen zu treffen.

751
00:43:07.080 --> 00:43:09.080
Und hier eben geht es um die Entscheidungen.

752
00:43:09.080 --> 00:43:12.080
Bekommt jemand eine

753
00:43:12.080 --> 00:43:15.080
besondere Schulung, eine Weiterbildung oder
nicht?

754
00:43:15.080 --> 00:43:18.080
Und da ist einfach in diesem Algorithmus ganz
stark eingeflossen,

755
00:43:18.080 --> 00:43:21.080
hat die Person Care Verpflichtungen, ist es
eine Frau

756
00:43:22.080 --> 00:43:25.080
usw und

757
00:43:25.080 --> 00:43:28.080
das haben die sich da eben kritisch angeguckt.

758
00:43:28.080 --> 00:43:30.080
Ein anderer Bereich, den ich auch schon angesprochen
habe,

759
00:43:30.080 --> 00:43:33.080
ist dieser ganze Bereich HR, Personalbereich.

760
00:43:33.080 --> 00:43:36.080
Das einmal ein Beispiel mit dem

761
00:43:36.080 --> 00:43:38.080
mit dem diskriminierenden Algorithmus bei der
Bewerberinnen

762
00:43:38.080 --> 00:43:42.080
Auswahl es da sozusagen das paradigmatisch
und da gibt es mittlerweile auch

763
00:43:42.080 --> 00:43:45.080
weitere Studien zu die eben gucken.

764
00:43:46.080 --> 00:43:49.080
Was, was passiert in der ist eigentlich in
der Praxis

765
00:43:49.080 --> 00:43:52.080
und welche Form von Diskriminierung können
wir da jetzt sehen und nachweisen?

766
00:43:52.080 --> 00:43:56.080
Das ist methodisch ganz schwer zu machen, weil
das ja auch in den Ländern,

767
00:43:56.080 --> 00:44:00.040
wo so was stark genutzt wird, weil es auch
möglich ist, ganz

768
00:44:00.040 --> 00:44:03.040
plötzlich sind es ja Betriebsgeheimnisse,
kommt man nicht so gut ran.

769
00:44:03.040 --> 00:44:06.040
Aber da gibt es erste Studien, die sich angucken
und sagen,

770
00:44:07.040 --> 00:44:10.040
da finden wir sowohl intentionale Diskriminierung
als auch

771
00:44:10.040 --> 00:44:12.040
strukturelle Diskriminierung,

772
00:44:12.040 --> 00:44:15.040
als auch diese Proxy Diskriminierung, die ich
eben erklärt habe.

773
00:44:15.040 --> 00:44:18.040
Über so umweg Kategorien geht.

774
00:44:21.040 --> 00:44:22.040
Was auch ein ganz

775
00:44:22.040 --> 00:44:25.040
interessanter Punkt ist. Es.

776
00:44:26.040 --> 00:44:29.040
Das genau das hat eine

777
00:44:30.040 --> 00:44:33.040
neue Studie von Katja Dill und anderen vom
Harriet Taylor

778
00:44:33.040 --> 00:44:36.040
Institute in Berlin gezeigt.

779
00:44:37.040 --> 00:44:41.040
Dass es ein Problem zu geben

780
00:44:41.040 --> 00:44:45.040
scheint, weil es zwischen den Softwareentwickler

781
00:44:45.040 --> 00:44:49.040
innen, die diese Software für den Personalbereich

782
00:44:50.040 --> 00:44:53.040
entwickeln, und den Anwenderinnen, also den
Personalabteilungen,

783
00:44:53.040 --> 00:44:55.040
auch so eine Frage gibt.

784
00:44:55.040 --> 00:44:56.040
Wer Ist denn eigentlich dafür zuständig,

785
00:44:56.040 --> 00:45:00.000
dass die fair ist, weil die kennen ja diese
Debatten

786
00:45:00.000 --> 00:45:06.000
und es gibt sowohl im technischen Bereich als
auch in der Anwendungsentwicklung

787
00:45:06.000 --> 00:45:11.000
mittlerweile ganz viele Ansätze, um sozusagen
diese Fairness sicherzustellen

788
00:45:11.000 --> 00:45:15.000
und zu gucken, dass da eben nicht einfach so
diese, diese

789
00:45:16.000 --> 00:45:19.000
diese Bias nur so reproduziert werden.

790
00:45:19.000 --> 00:45:22.000
Aber um das zu machen in der Praxis braucht
man eben,

791
00:45:22.000 --> 00:45:24.000
muss man Entscheidungen treffen, muss man

792
00:45:26.000 --> 00:45:27.000
Fragen operationalisieren.

793
00:45:27.000 --> 00:45:31.000
Das ist eine ganz andere Art von Personalarbeit
als

794
00:45:31.000 --> 00:45:35.000
so, wie man das vielleicht bisher kannte, dass
man mit sehr viel Wissen

795
00:45:35.000 --> 00:45:39.000
über Was brauche ich für Mitarbeiterinnen,
was für Skills müssen die haben und auch

796
00:45:39.000 --> 00:45:42.000
ganz viel Menschenkenntnis und letztlich dieser
Auswahlprozess so gemanagt hat.

797
00:45:43.000 --> 00:45:46.000
Das alles muss man jetzt eigentlich operationalisieren,
um dann am Ende

798
00:45:46.000 --> 00:45:48.000
in Formate sagen zu können

799
00:45:48.000 --> 00:45:51.000
das war fair, was wir da gemacht haben.

800
00:45:52.000 --> 00:45:55.000
Und da ist so ein bisschen anscheinend die
Erwartung der Personalabteilung,

801
00:45:55.000 --> 00:45:56.000
wir kaufen uns eine Software,

802
00:45:56.000 --> 00:45:59.000
die die sagt Ich bin fair und dann können
wir das hier fair machen.

803
00:46:00.060 --> 00:46:03.060
Und die Erwartung der Softwareentwicklung ist
ja eher die Anwenderinnen

804
00:46:03.060 --> 00:46:05.060
die müssen halt sozusagen das uns sagen,

805
00:46:05.060 --> 00:46:09.060
was fair ist und die Software entsprechend
nutzen.

806
00:46:09.060 --> 00:46:12.060
Und da scheint es sozusagen noch große Lücken
zu geben.

807
00:46:15.060 --> 00:46:18.060
Und bei der Steuerung von Arbeitsabläufen
spielt

808
00:46:18.060 --> 00:46:20.060
natürlich auch eine große Rolle und da sind
wir sozusagen

809
00:46:20.060 --> 00:46:24.060
eher in so Arbeitsfeldern wie der Logistik
oder auch der Pflege,

810
00:46:24.060 --> 00:46:27.060
wenn es um so was geht wie Arbeits und Wegeplanung

811
00:46:29.060 --> 00:46:30.060
in der Logistik, die Frage,

812
00:46:30.060 --> 00:46:33.060
welche Paketgrößen

813
00:46:33.060 --> 00:46:36.060
können wir jetzt auf diese Tour mit schicken,

814
00:46:36.060 --> 00:46:40.060
auf diese Produktes Analytics in Bezug auf
Bestellmengen brauchen wir jetzt an

815
00:46:40.060 --> 00:46:44.060
Black Friday oder an Weihnachten irgendwie
mehr DHL Autos usw?

816
00:46:44.060 --> 00:46:47.060
Da spielt KI natürlich auch schon mal eine
Rolle mit

817
00:46:47.060 --> 00:46:50.060
und das kann.

818
00:46:54.060 --> 00:46:55.060
Zu Intransparenz

819
00:46:55.060 --> 00:46:59.060
führen, auch zu Autonomieverlust bei den Menschen,
die da arbeiten,

820
00:47:00.020 --> 00:47:02.020
bei ihnen dann einfach ein System vorgibt.

821
00:47:02.020 --> 00:47:04.020
Heute machst du es so, morgen machst du so,

822
00:47:04.020 --> 00:47:06.020
das kann aber auch die Effektivität erhöhen.

823
00:47:06.020 --> 00:47:10.020
Das kann gleichzeitig Arbeit verdichten, weil
immer dann,

824
00:47:10.020 --> 00:47:13.020
wenn es effizienter wird, gibt es auch eine
Arbeitsverdichtung.

825
00:47:13.020 --> 00:47:14.020
Ganz oft.

826
00:47:14.020 --> 00:47:16.020
Das kannst du Mehrarbeit führen.

827
00:47:16.020 --> 00:47:19.020
Das kann dazu führen, dass Arbeit dequalifiziert
wird.

828
00:47:19.020 --> 00:47:23.020
Dequalifizierung von Arbeit heißt aber auch
Sie wird für Menschen

829
00:47:23.020 --> 00:47:27.020
zugänglicher, die beispielsweise die Sprache
nicht sprechen

830
00:47:28.020 --> 00:47:32.020
und alles, was irgendwie algorithmisch gemanagt
wird,

831
00:47:33.020 --> 00:47:34.020
kann man ja auch messen und ist vielleicht

832
00:47:34.020 --> 00:47:36.020
dann auch zugänglich für weitere Automatisierung.

833
00:47:36.020 --> 00:47:40.020
Also da passiert ganz viel in dem Bereich und
das betrifft jetzt erst mal

834
00:47:40.020 --> 00:47:45.020
ganz stark den Niedriglohnsektor und mehrfach
marginalisierte Personen,

835
00:47:45.020 --> 00:47:48.020
die wenig Ressourcen haben, die schweren Zugang
zum Arbeitsmarkt

836
00:47:48.020 --> 00:47:51.020
haben, die auch wenig Möglichkeiten haben,
ihre Rechte auf dem Arbeitsmarkt

837
00:47:52.020 --> 00:47:54.020
zu nutzen.

838
00:47:54.020 --> 00:47:57.020
Die betrifft das stärker, aber letztlich betrifft
es uns auch alle,

839
00:47:57.020 --> 00:48:00.080
weil das ja Prozesse sind, die sich dann vielleicht
auch ausdehnen

840
00:48:00.080 --> 00:48:03.080
in andere Bereiche.

841
00:48:03.080 --> 00:48:06.080
So, und jetzt komme ich zum letzten Teil

842
00:48:06.080 --> 00:48:09.080
der Arbeit mit KI Tools.

843
00:48:09.080 --> 00:48:12.080
Da wird es halt jetzt noch mal ein bisschen

844
00:48:13.080 --> 00:48:15.080
schwammiger, weil das ja jetzt wirklich auch

845
00:48:15.080 --> 00:48:18.080
ein ganz breiter Bereich mittlerweile ist,
wo man wirklich sagen kann,

846
00:48:20.080 --> 00:48:20.080
Menschen

847
00:48:20.080 --> 00:48:24.080
arbeiten in der Arbeitswelt mit ganz, ganz
vielen unterschiedlichen,

848
00:48:24.080 --> 00:48:27.080
teilweise hochspezialisierten KI Tools, teilweise
aber auch eben diese

849
00:48:29.080 --> 00:48:31.080
Allzweckwaffen KI Tools wie Chat

850
00:48:31.080 --> 00:48:34.080
CPT oder Perplexity oder

851
00:48:35.080 --> 00:48:37.080
wie sie alle auch heißen.

852
00:48:37.080 --> 00:48:40.080
Als wir mit dem Projekt damals angefangen haben,
da war das ja

853
00:48:40.080 --> 00:48:41.080
noch nicht so ein großer Bereich

854
00:48:41.080 --> 00:48:45.080
und da ging sozusagen die Frage in der Forschung
eher davon aus,

855
00:48:46.080 --> 00:48:49.080
dass man für die Arbeit mit KI auch spezifische
Skills braucht.

856
00:48:49.080 --> 00:48:52.080
Also es war vielleicht so ein bisschen programmieren
können muss und so

857
00:48:53.080 --> 00:48:58.080
und da hat man sich eben dann mit der Frage
beschäftigt, ob diese inwiefern

858
00:48:58.080 --> 00:49:01.040
diese Zuschreibungen rund um Technik da auch
mit reinspielen, die eben

859
00:49:01.040 --> 00:49:03.040
ja stark vergeschlechtlich sind.

860
00:49:03.040 --> 00:49:07.040
Also so eine Frage von wem wird zugetraut in
dem Unternehmen.

861
00:49:07.040 --> 00:49:08.040
Ihr könnt euch jetzt mal

862
00:49:08.040 --> 00:49:12.040
mit KI beschäftigen und wer sagt vielleicht
auch von sich so

863
00:49:12.040 --> 00:49:13.040
das interessiert mich.

864
00:49:13.040 --> 00:49:16.040
Da möchte ich jetzt irgendwie in die Arbeitsgruppe
gehen

865
00:49:16.040 --> 00:49:20.040
und mich irgendwie schlau machen und was zusammen
entwickeln.

866
00:49:20.040 --> 00:49:22.040
Und wer sagt vielleicht aber auch wahrnehmen.

867
00:49:22.040 --> 00:49:23.040
Das klingt mir zu technisch.

868
00:49:23.040 --> 00:49:26.040
Also da hauen ja sozusagen diese ganzen Geschlechterbilder,

869
00:49:26.040 --> 00:49:31.040
die wir einfach mehr mit uns tragen, gegebenenfalls
noch mal richtig rein.

870
00:49:32.040 --> 00:49:34.040
Aber auch so Faktoren wie Wer

871
00:49:34.040 --> 00:49:37.040
hat denn die Zeit, eine ausführliche Weiterbildung
zu machen?

872
00:49:37.040 --> 00:49:39.040
Vielleicht macht das jemand,

873
00:49:39.040 --> 00:49:43.040
der Vollzeit arbeitet eher als jemand, der
Teilzeit arbeitet,

874
00:49:43.040 --> 00:49:46.040
weil da noch ganz viel Sorge Verpflichtung
ansonsten auch da ist.

875
00:49:46.040 --> 00:49:50.040
Und dann hat man da eben auch ganz schnell
wieder das Geschlechterthema mit drin,

876
00:49:50.040 --> 00:49:53.040
was die Zuständigkeit von Frauen zu Sorgearbeit

877
00:49:53.040 --> 00:49:58.040
ja immer noch in der Praxis viel weitergeht.

878
00:49:59.040 --> 00:50:01.000
Heute, durch diese

879
00:50:01.000 --> 00:50:06.000
diese neuen generativen KI Modelle und dadurch,

880
00:50:06.000 --> 00:50:08.000
dass man die sozusagen ja auch ganz niedrigschwellig
nutzen kann,

881
00:50:08.000 --> 00:50:11.000
finde ich, stellen sich noch mal so weitere
Fragen,

882
00:50:12.000 --> 00:50:15.000
dass ich keine Lösung für alltäglich

883
00:50:15.000 --> 00:50:19.000
und ähm man dann eben gucken kann.

884
00:50:19.000 --> 00:50:22.000
Benutzt das jetzt eigentlich wirklich in der
Praxis und zu welchem Zweck?

885
00:50:23.000 --> 00:50:26.000
Eine Frage, die ich total spannend finde in
dem Zusammenhang ist

886
00:50:27.000 --> 00:50:29.000
Gibt es eigentlich wirklich diese digitale

887
00:50:29.000 --> 00:50:32.000
Dividende der Entlastung durch die KI Tools?

888
00:50:32.000 --> 00:50:35.000
Und oft heißt es ja, das

889
00:50:35.000 --> 00:50:38.000
durch KI Tools  alles schneller und besser
und einfacher geht

890
00:50:38.000 --> 00:50:41.000
und dann kann man irgendwie alles automatisieren.
Aber

891
00:50:42.000 --> 00:50:43.000
es zeigt

892
00:50:43.000 --> 00:50:47.000
sich jetzt in der Praxis so langsam, dass das
vielleicht gar nicht so hinhaut.

893
00:50:47.000 --> 00:50:52.000
Das Haben, Bringmann und Evans-Borchers erstmal
für den Bereich der Pflege.

894
00:50:52.000 --> 00:50:55.000
Auch in so einem Artikel argumentiert.

895
00:50:55.000 --> 00:50:58.000
Ich habe auch neulich so eine Studie gesehen,
wo Sie auch gezeigt haben, dass

896
00:51:00.060 --> 00:51:03.060
der Einsatz von KI und vor allen Dingen dieser
etwas

897
00:51:04.060 --> 00:51:06.060
ja auf eigene Faust gemacht.

898
00:51:06.060 --> 00:51:09.060
Der Einsatz von KI

899
00:51:09.060 --> 00:51:11.060
oft dazu führt, dass andere Leute dann ganz
schön nacharbeiten müssen.

900
00:51:11.060 --> 00:51:12.060
Also dann

901
00:51:12.060 --> 00:51:12.060
kriegt man

902
00:51:12.060 --> 00:51:14.060
vielleicht so ein Bericht vorgelegt und denkt
erst mal na ja,

903
00:51:14.060 --> 00:51:16.060
das hat die Abteilung doch gut zusammengefasst.

904
00:51:16.060 --> 00:51:19.060
Wenn man den Bericht dann liest, dann merkt
man

905
00:51:19.060 --> 00:51:22.060
den haben die mit Chat GPT geschrieben und
eigentlich kann man mit dem Bericht

906
00:51:22.060 --> 00:51:22.060
gar nichts anfangen.

907
00:51:22.060 --> 00:51:23.060
Und dann muss man

908
00:51:23.060 --> 00:51:26.060
noch mal ein Meeting machen und sich noch mal
zusammensetzen und sagen

909
00:51:27.060 --> 00:51:28.060
was ist denn da jetzt wirklich passiert?

910
00:51:28.060 --> 00:51:30.060
Ich kann mit eurem Bericht nicht nichts anfangen.

911
00:51:30.060 --> 00:51:32.060
Da muss man neu geschrieben werden

912
00:51:32.060 --> 00:51:35.060
und am Ende hat man gar keine Zeit gespart
im Vergleich zu

913
00:51:36.060 --> 00:51:36.060
wenn man es

914
00:51:36.060 --> 00:51:39.060
sozusagen gleich von Hand gemacht hätte.

915
00:51:39.060 --> 00:51:42.060
Das führt ja auch zu ganz viel Aushandlungsprozessen
in Unternehmen.

916
00:51:42.060 --> 00:51:46.060
Also sowohl wenn Leute auf eigene Faust KI
Tools nutzen, als auch

917
00:51:46.060 --> 00:51:50.060
wenn KI in der Breite wirklich exploriert und
eingeführt wird.

918
00:51:50.060 --> 00:51:51.060
Da kann man auch fragen,

919
00:51:51.060 --> 00:51:54.060
wer sind denn eigentlich diese Agenten der
KI Einführung in Unternehmen

920
00:51:55.060 --> 00:51:58.060
und muss dann eben auch auf so einer gesellschaftlichen
Ebene

921
00:51:59.060 --> 00:52:04.020
noch mal neu fragen Was macht das eigentlich
mit der Art, wie wir arbeiten?

922
00:52:04.020 --> 00:52:08.020
Und da will ich jetzt sozusagen zum Schluss
noch mal drauf eingehen,

923
00:52:09.020 --> 00:52:13.020
da verlassen wir auch so ein bisschen dieses,
dieses Feld von Gender.

924
00:52:13.020 --> 00:52:16.020
Aber ich finde, da sind eigentlich gerade auch
die wichtigen Fragen, also

925
00:52:17.020 --> 00:52:19.020
ich habe hier mal so ein paar Screenshots

926
00:52:19.020 --> 00:52:24.020
von der New York Times aus dem letzten, das
war so Mai irgendwie,

927
00:52:24.020 --> 00:52:29.020
die sind alle aus derselben Woche eigentlich,
da gab es ständig irgendwie

928
00:52:30.020 --> 00:52:33.020
neue Artikel zu KI und da sieht man einfach,

929
00:52:33.020 --> 00:52:37.020
dass in der Arbeitswelt sich gerade ganz, ganz
viele Fragen stellen. Also

930
00:52:38.020 --> 00:52:40.020
zum Beispiel die Frage

931
00:52:40.020 --> 00:52:44.020
Warum nutzen denn jetzt auf einmal alle Leute
KI und sogar irgendwie

932
00:52:44.020 --> 00:52:48.020
an, wie in diesem ersten Text dann beschrieben
wird, An wirklich

933
00:52:49.020 --> 00:52:51.020
eigentlich tollen und auch teuren

934
00:52:51.020 --> 00:52:55.020
Universitäten in den USA, wo man hohe Studiengebühren
bezahlt,

935
00:52:55.020 --> 00:52:59.020
um bei diesen Professorinnen dort irgendwie
dann was zu lernen

936
00:53:00.080 --> 00:53:02.080
nutzen, die auf einmal Chat GPT

937
00:53:02.080 --> 00:53:04.080
und die Studierenden merken das und denken
so,

938
00:53:04.080 --> 00:53:07.080
das hätte ich mir auch selbst bei Chat GPT
rausholen können.

939
00:53:08.080 --> 00:53:12.080
Also welche strukturellen Bedingungen führen
eigentlich dazu, dass KI in manchen

940
00:53:12.080 --> 00:53:15.080
Feldern dann stark eingesetzt wird?

941
00:53:16.080 --> 00:53:19.080
Dann diese Frage habe ich eigentlich genug
Fachkompetenz

942
00:53:19.080 --> 00:53:24.080
und auch KI Literacy, um im Beruf damit verantwortlich
umgehen zu können,

943
00:53:25.080 --> 00:53:28.080
Der hängt, finde ich damit auch zusammen.

944
00:53:28.080 --> 00:53:30.080
Wie kann ich KI.

945
00:53:30.080 --> 00:53:34.080
Wie kann KI eigentlich Bildungsprozesse unterstützen,
statt sie zu unterminieren?

946
00:53:34.080 --> 00:53:37.080
Also diese ganze Frage von Was macht KI mit
unserem Bildungssystem?

947
00:53:37.080 --> 00:53:41.080
Von der Schule bis zur Universität, bis zur
Hochschule

948
00:53:41.080 --> 00:53:43.080
verändert sich da ja ganz offensichtlich was.

949
00:53:43.080 --> 00:53:47.080
Aber was heißt das eigentlich für diese Kernfrage
von Formen von Bildung?

950
00:53:48.080 --> 00:53:50.080
Und wenn man sich dann noch mal den Arbeitsmarkt
anguckt,

951
00:53:51.080 --> 00:53:53.080
auch ganz spannend.

952
00:53:53.080 --> 00:53:59.080
Da habe ich sonst so ein Artikel gefunden,
wo jemand, der beiLinkedIn arbeitet

953
00:53:59.080 --> 00:54:02.040
und die Leute bei LinkedIn sind sozusagen die
die

954
00:54:02.040 --> 00:54:04.040
die haben einfach ganz viele Daten über den
Arbeitsmarkt,

955
00:54:04.040 --> 00:54:09.040
weil da jeder irgendwie ständig seinen Status
ändert, wenn er neuen Job hat

956
00:54:09.040 --> 00:54:14.040
und so und die sehen sozusagen wirklich an
ihren Daten, ob es in

957
00:54:15.040 --> 00:54:19.040
in der Abschlussklasse 2025 von den

958
00:54:21.040 --> 00:54:24.040
von den Leuten, die irgendwie Informatik studiert
haben,

959
00:54:24.040 --> 00:54:29.040
mehr oder weniger Berufseinsteiger innen gibt
als im Jahr davor und im Jahr davor.

960
00:54:29.040 --> 00:54:33.040
Und er sagt, er sieht sozusagen an der

961
00:54:33.040 --> 00:54:38.040
in diesem Einstiegsbereich der Berufswelt,
also auf der untersten Stufe

962
00:54:38.040 --> 00:54:42.040
der Karriereleiter sieht er da verändert sich
was und die bricht

963
00:54:42.040 --> 00:54:45.040
Also da kann man sich schon fragen, wie bekommt
man eigentlich

964
00:54:45.040 --> 00:54:48.040
als Einsteiger überhaupt noch eine Chance,
gerade auf dem Arbeitsmarkt?

965
00:54:51.040 --> 00:54:52.040
Oder auch

966
00:54:52.040 --> 00:54:55.040
Wie verändert eigentlich KI des learning by
doing im Beruf?

967
00:54:55.040 --> 00:54:58.040
Weil in demselben Text habe ich dann auch gefunden
So eine ganz,

968
00:54:58.040 --> 00:55:01.000
ganz gute Entwicklung eigentlich, wo Sie sagen,
na ja, die,

969
00:55:03.000 --> 00:55:06.000
die Neueinsteiger innen dann in den großen
Lawfirms in den USA

970
00:55:06.000 --> 00:55:09.000
oder in den USA, die machen aber auch eine
andere Arbeit

971
00:55:09.000 --> 00:55:12.000
mittlerweile als vor ein paar Jahren, wo die
einfach, ja ganz stark damit

972
00:55:12.000 --> 00:55:15.000
beschäftigt waren, immer diese ganzen Akten
durchzublättern und

973
00:55:15.000 --> 00:55:19.000
die Fälle vorzubereiten und so und das kann
man mittlerweile

974
00:55:19.000 --> 00:55:22.000
eben mit generative KI anders und besser machen.

975
00:55:24.000 --> 00:55:26.000
Und trotzdem ist ja jedem klar, man brauche
auch in Zukunft Anwältinnen

976
00:55:26.000 --> 00:55:27.000
und die müssen auch was lernen

977
00:55:27.000 --> 00:55:30.000
und dann macht man dieses Training on the job
halt anders.

978
00:55:31.000 --> 00:55:34.000
Und damit komme ich sozusagen noch mal zu so
einer Frage, die,

979
00:55:36.000 --> 00:55:37.000
wo ich einfach merke, da

980
00:55:37.000 --> 00:55:40.000
ist jetzt gerade einfach, also für mich tatsächlich
das Spannendste.

981
00:55:40.000 --> 00:55:45.000
Diese Frage auch wie man in dieser neuen KI
Welt

982
00:55:45.000 --> 00:55:47.000
sich sozusagen diese

983
00:55:47.000 --> 00:55:51.000
subjektive Haltung zur eigenen Arbeit vielleicht
auch verändert.

984
00:55:51.000 --> 00:55:54.000
Und ich merke gerade ganz oft, wenn ich mit
Menschen auch spreche über

985
00:55:55.000 --> 00:56:00.060
so Fragen wie Wie nutzt ihr KI bei euch im
auf der Arbeit?

986
00:56:00.060 --> 00:56:04.060
Oder nutzt du das selbst oder wenn man dann
darüber spricht irgendwie.

987
00:56:04.060 --> 00:56:06.060
Ich habe mit meiner Kollegin darüber diskutiert,

988
00:56:06.060 --> 00:56:08.060
ob wir das jetzt mit KI machen sollen oder
nicht.

989
00:56:08.060 --> 00:56:11.060
Dass da auch so Fragen drin sind wie.

990
00:56:13.060 --> 00:56:15.060
Was macht eigentlich unsere Arbeit

991
00:56:15.060 --> 00:56:18.060
oder den Kern unserer Arbeit aus und auf was
sind wir stolz, wenn wir arbeiten?

992
00:56:18.060 --> 00:56:21.060
Also ich habe das jetzt hier mal so beschrieben,
also dieser Werkstolz,

993
00:56:21.060 --> 00:56:24.060
der Schreibenden und Gestaltenden und Programmiererinnen
Zünfte

994
00:56:25.060 --> 00:56:27.060
bin ich eigentlich in Beruf gegangen bin, weil
ich gesagt habe,

995
00:56:27.060 --> 00:56:31.060
ich kann richtig gut Texte schreiben, so dass
Leute irgendwie verstehen,

996
00:56:31.060 --> 00:56:31.060
was ich meine.

997
00:56:31.060 --> 00:56:33.060
Und jetzt bin ich in einer Welt,

998
00:56:33.060 --> 00:56:35.060
wo es einen kurzen Text, das kann auch die
KI schreiben,

999
00:56:35.060 --> 00:56:38.060
das musst du dann nicht mehr selber machen.
Also was macht das auch mit mir,

1000
00:56:39.060 --> 00:56:42.060
Was macht es auch mit mir, wenn ich dann vielleicht

1001
00:56:42.060 --> 00:56:45.060
mit solchen Technologien arbeite und auch wirklich
nicht mehr weiß,

1002
00:56:45.060 --> 00:56:48.060
habe ich jetzt da mit einem algorithmic Bias
zu tun?

1003
00:56:50.060 --> 00:56:51.060
Es wird ja mehr.

1004
00:56:51.060 --> 00:56:55.060
Es ist aber auch wirklich nicht greifbar, weil
es eben oft nicht so ganz plakative

1005
00:56:55.060 --> 00:56:59.060
Sachen sind wie dieses Beispiel, die man sich
immer so erzählt.

1006
00:57:00.020 --> 00:57:03.020
Kann ich vielleicht auch in der Diskussion
noch mal ein Beispiel nennen,

1007
00:57:03.020 --> 00:57:07.020
auch aus meiner eigenen Arbeit, wo man sich
dann fragt irgendwie

1008
00:57:07.020 --> 00:57:10.020
ist das jetzt algorithmic Bias oder ist es
ein anderes Problem?

1009
00:57:10.020 --> 00:57:11.020
Und auch was macht es eigentlich

1010
00:57:11.020 --> 00:57:14.020
mit uns in so einer Welt zu leben, die immer
mehr von diesen

1011
00:57:15.020 --> 00:57:19.020
nicht so guten, sehr artifiziellen, sehr erwartbaren,

1012
00:57:19.020 --> 00:57:25.020
sehr klischeeartigen, quasi Kulturgütern bevölkert
ist?

1013
00:57:27.020 --> 00:57:28.020
Genau damit komme ich zum Ende.

1014
00:57:28.020 --> 00:57:29.020
Also ich finde,

1015
00:57:29.020 --> 00:57:30.020
man braucht in dieser Welt

1016
00:57:30.020 --> 00:57:35.020
wirklich einfach eine kritische und auch feministisch
informierte KI Literacy

1017
00:57:36.020 --> 00:57:39.020
und muss sozusagen in der Lage sein, sich diese
Fragen zu stellen.

1018
00:57:39.020 --> 00:57:43.020
Also die Frage nach den Daten Wo kommen die
Daten eigentlich her, Wer ist da drin?

1019
00:57:43.020 --> 00:57:46.020
Repräsentiert, wer ist da drin nicht repräsentiert?

1020
00:57:46.020 --> 00:57:49.020
Auch die Fragen nach den globalen Arbeitsverhältnissen.

1021
00:57:49.020 --> 00:57:51.020
Wer bereitet diese Daten auf?

1022
00:57:51.020 --> 00:57:54.020
Welche Arbeit fällt da vielleicht auch an
die

1023
00:57:54.020 --> 00:57:55.020
erst mal nicht sichtbar ist,

1024
00:57:55.020 --> 00:57:59.020
aber ohne die diese Systeme auch nicht funktionieren
würden?

1025
00:58:00.080 --> 00:58:05.080
Auch so eine gewisse Basic, so ein Basic Verständnis
der Funktionsweisen

1026
00:58:05.080 --> 00:58:11.080
von Large Language Models, weil ich eben doch
in in den Diskussionen immer wieder merke

1027
00:58:11.080 --> 00:58:15.080
Menschen greifen auch so Vorstellungen zurück,
die nicht funktionieren.

1028
00:58:15.080 --> 00:58:17.080
Also diese Idee von

1029
00:58:17.080 --> 00:58:20.080
das muss da auf eine Information zurückgreifen,

1030
00:58:20.080 --> 00:58:21.080
die irgendjemand mal festgelegt hat.

1031
00:58:21.080 --> 00:58:24.080
Das ist nicht so, weil ich von der Tagesschau
über die Meldung

1032
00:58:25.080 --> 00:58:28.080
das sind mir die Prozentzahlen so was wie 30 %

1033
00:58:28.080 --> 00:58:30.080
der KI Ergebnissen sind halluziniert.

1034
00:58:30.080 --> 00:58:36.080
Ich würd ja eher sagen hundertProzentig halluziniert,
aber bei 70 % ist es halt

1035
00:58:36.080 --> 00:58:40.080
zufälligerweise richtig und da müssen wir
so ein bisschen umdenken.

1036
00:58:41.080 --> 00:58:43.080
Diese ganze Frage nach

1037
00:58:43.080 --> 00:58:46.080
ökologischen Kosten, die KI auch mit sich
bringt,

1038
00:58:46.080 --> 00:58:50.080
weil der Stromverbrauch einfach enorm ist,
muss man da auch mit rein denken.

1039
00:58:50.080 --> 00:58:53.080
Die habe ich jetzt heute so weitestgehend ausgeklammert

1040
00:58:54.080 --> 00:58:56.080
und auch so Fragen nach Verantwortung.

1041
00:58:56.080 --> 00:58:59.080
Also wer trägt die Verantwortung und wer verweigert
es auch die Folgen

1042
00:58:59.080 --> 00:59:03.040
für die Kosten zu tragen, die solche Technologien
mitbringen?

1043
00:59:04.040 --> 00:59:07.040
Und zum Schluss als Fazit

1044
00:59:07.040 --> 00:59:11.040
KI wird den Arbeitsmarkt verändern, wird auch
Arbeitsinhalte verändern.

1045
00:59:11.040 --> 00:59:14.040
Und gerade letzteres sehen wir, glaube ich
gerade erst mal

1046
00:59:14.040 --> 00:59:17.040
ganz, ganz stark.

1047
00:59:18.040 --> 00:59:19.040
Damit, glaube ich,

1048
00:59:19.040 --> 00:59:22.040
ist es einfach auch erforderlich, eine Haltung
zu KI zu entwickeln,

1049
00:59:22.040 --> 00:59:26.040
die eben intersektionale Machtverhältnisse
mit einbezieht

1050
00:59:26.040 --> 00:59:29.040
und die auch die Klimaschädlichkeit von KI
mit einbezieht.

1051
00:59:30.040 --> 00:59:33.040
Eine KI Literacy zu entwickeln, die sowohl
praktisch ist

1052
00:59:33.040 --> 00:59:35.040
als auch abstrakt und kritisch.

1053
00:59:35.040 --> 00:59:35.040
Also ich finde,

1054
00:59:35.040 --> 00:59:37.040
ich halte auch nichts davon zu sagen,

1055
00:59:37.040 --> 00:59:39.040
Ich will mit diesem Zeug nie praktisch was
zu tun haben,

1056
00:59:39.040 --> 00:59:42.040
weil ich weiß eh schon, dass es problematisch
ist.

1057
00:59:42.040 --> 00:59:43.040
Ich glaube, man kann auch da

1058
00:59:43.040 --> 00:59:47.040
durch das Anwenden und damit Experimentieren
ja auch viel lernen.

1059
00:59:49.040 --> 00:59:49.040
Und wie

1060
00:59:49.040 --> 00:59:50.040
KI die Arbeitswelt

1061
00:59:50.040 --> 00:59:53.040
letztlich verändern wird, wird ja auch mitgestaltet
und ausgehandelt.

1062
00:59:53.040 --> 00:59:59.040
Und natürlich sind da Profitmaximierungsinteressen
ganz zentral.

1063
00:59:59.040 --> 01:00:01.000
Und letztlich ist es halt ein kapitalistisches
System,

1064
01:00:01.000 --> 01:00:02.000
in dem das stattfindet.

1065
01:00:02.000 --> 01:00:05.000
Und trotzdem sind es Aushandlungsprozesse und
es gibt da auch

1066
01:00:05.000 --> 01:00:08.000
politische Regulierungen drin und

1067
01:00:09.000 --> 01:00:13.000
gerade auch die neuen Generationen am Arbeitsmarkt,

1068
01:00:13.000 --> 01:00:16.000
die wir ja auch an den Hochschulen ausbilden,

1069
01:00:16.000 --> 01:00:20.000
die werden da ganz stark auch mitmischen und
wir aber letztlich ja auch,

1070
01:00:21.000 --> 01:00:24.000
Also es betrifft uns alle.

1071
01:00:24.000 --> 01:00:27.000
Gut, das.

1072
01:00:27.000 --> 01:00:30.000
Ist das Fazit und Wrappe Up

1073
01:00:30.000 --> 01:00:34.000
Und jetzt bin ich gespannt, ob es noch Fragen
und Diskussionen gibt.

1074
01:00:45.000 --> 01:00:47.000
Genau da halte ich mich einfach zurück

1075
01:00:47.000 --> 01:00:50.000
und bedanke mich recht herzlich im Namen des
ganzen Teams

1076
01:00:50.000 --> 01:00:55.000
für den tollen, ausführlichen und sehr informativen
Vortrag.

1077
01:00:55.000 --> 01:00:59.000
Und guck gleich mal in den Chat, ob denn da
die ein oder andere

1078
01:00:59.000 --> 01:01:00.060
Frage aufgetaucht ist.

1079
01:01:02.060 --> 01:01:05.060
Ja, da hat zum einen die Frau Katja Labow geschrieben,

1080
01:01:05.060 --> 01:01:09.060
hat sich bedankt für den Vortrag und genauso
können gerne einfach Fragen

1081
01:01:09.060 --> 01:01:13.060
in den Chat schreiben oder auch gerne die Kamera
oder das Mikrofon anmachen.

1082
01:01:14.060 --> 01:01:17.060
Je nach dem eigenen Gefühl.

1083
01:01:17.060 --> 01:01:20.060
oder Bedürfnis.

1084
01:01:22.060 --> 01:01:24.060
Dann kann ich auch

1085
01:01:24.060 --> 01:01:27.060
sprechen, dann geht's schneller.

1086
01:01:29.060 --> 01:01:31.060
also, nochmals vielen Dank für den Vortrag.

1087
01:01:31.060 --> 01:01:33.060
Ich habe glaube ich, eine gleichzeitig einfache,

1088
01:01:33.060 --> 01:01:36.060
aber wahrscheinlich auch sehr komplexe Frage,

1089
01:01:36.060 --> 01:01:39.060
wie wir denn möglichst viele Menschen

1090
01:01:39.060 --> 01:01:42.060
nicht nur an der Hochschule, sondern insgesamt
in der Gesellschaft

1091
01:01:43.060 --> 01:01:46.060
für einen kritischen Umgang mit also einem
guten,

1092
01:01:46.060 --> 01:01:49.060
aber auch kritischen Umgang gewinnen können,
damit es eben nicht,

1093
01:01:50.060 --> 01:01:54.060
wie es manchmal jetzt so erkennbar ist, so
zwei Pole gibt.

1094
01:01:54.060 --> 01:01:57.060
Im Zweifel von Menschen, die

1095
01:01:57.060 --> 01:02:00.020
am besten gar nicht nutzen wollen und dann
nur Gefahren sehen.

1096
01:02:00.020 --> 01:02:01.020
Und die, die vielleicht

1097
01:02:03.020 --> 01:02:04.020
es total unkritisch und

1098
01:02:04.020 --> 01:02:08.020
inflationär nutzen, sondern so oder so einen
guten kritischen Umgang zu finden.

1099
01:02:08.020 --> 01:02:11.020
Ich weiß, es ist eine sehr allgemeine Frage,
aber letztendlich

1100
01:02:11.020 --> 01:02:14.020
müssen die ja schon stellen und können das
ja auch nicht so,

1101
01:02:15.020 --> 01:02:18.020
vielleicht kann man das alles sozusagen den
Menschen selbst überlassen,

1102
01:02:18.020 --> 01:02:18.020
aber ich finde schon,

1103
01:02:18.020 --> 01:02:21.020
dass gerade auch Hochschulen da ja auch eine
gewisse Verantwortung haben.

1104
01:02:22.020 --> 01:02:26.020
Nicht nur dafür, aber jetzt eben zu dem Thema
auch eine gewisse Haltung

1105
01:02:26.020 --> 01:02:31.020
und auch einen gewissen Umgang auch möglichst
schnell zu entwickeln.

1106
01:02:31.020 --> 01:02:34.020
So, da habe sehe ich auch alle Fälle noch

1107
01:02:34.020 --> 01:02:36.020
Potenzial.

1108
01:02:36.020 --> 01:02:39.020
Hm, ja, da ist wirklich eine große Frage.

1109
01:02:39.020 --> 01:02:42.020
Aber es ist auch eine Frage, mit der ich mich
ganz viel beschäftigen,

1110
01:02:42.020 --> 01:02:45.020
weil ich auch immer so ein bisschen hin und
her schwanke zwischen so einer.

1111
01:02:47.020 --> 01:02:48.020
Also ich habe,

1112
01:02:48.020 --> 01:02:51.020
ich bin, ich bin jetzt nicht im Verweigerung,

1113
01:02:51.020 --> 01:02:54.020
aber ich habe sehr viel Sympathie eigentlich
für Leute, die sagen,

1114
01:02:55.020 --> 01:02:58.020
Nein, wir sollten uns dem verweigern.

1115
01:02:58.020 --> 01:03:03.080
Ähm und weniger Sympathie sozusagen von Leuten,
die einfach sagen

1116
01:03:03.080 --> 01:03:06.080
Ja, das ist jetzt einfach das Ding und benutzen
es für alle

1117
01:03:06.080 --> 01:03:09.080
und alles und die dann auch irgendwie,

1118
01:03:09.080 --> 01:03:13.080
äh, das einfach für Zwecke einsetzen, wo
ich denke,

1119
01:03:13.080 --> 01:03:15.080
das ist doch eigentlich jedem klar, dass man
das nicht machen kann.

1120
01:03:15.080 --> 01:03:17.080
Also ich beschäftige mich ja ganz viel

1121
01:03:17.080 --> 01:03:21.080
auch mit Open Science und Open Access und wissenschaftlichen
Publizieren.

1122
01:03:21.080 --> 01:03:26.080
Und wenn ich da manchmal so auch von Verlagen,
aber auch teilweise

1123
01:03:26.080 --> 01:03:29.080
von Wissenschaftlerinnen zu diesen Fantasiefilmen
“man kann jetzt das Prereview

1124
01:03:29.080 --> 01:03:32.080
durch KIsysteme erledigen lassen” oder so
höre, dann

1125
01:03:33.080 --> 01:03:36.080
stehen mir wirklich die Haare zu Berge und
deswegen glaube ich wirklich,

1126
01:03:36.080 --> 01:03:40.080
man braucht ganz viele Räume, wo man diese
Diskussion führen kann.

1127
01:03:40.080 --> 01:03:45.080
Und zwar möglichst auch so, dass man da

1128
01:03:45.080 --> 01:03:48.080
in bestimmten Anwendungsgebieten

1129
01:03:49.080 --> 01:03:53.080
sehr praktisch drüber reden kann, um dann
eben zu gucken,

1130
01:03:54.080 --> 01:03:55.080
was sind jetzt

1131
01:03:55.080 --> 01:03:59.080
sozusagen Einsatzszenarien, die nicht funktionieren,

1132
01:03:59.080 --> 01:04:04.040
auch wenn es um die vielleicht gut wäre, da
effizienter sein zu können.

1133
01:04:05.040 --> 01:04:08.040
Was sind auch Einsatzszenarien, die,

1134
01:04:08.040 --> 01:04:11.040
die zwar irgendwie funktionieren, aber letztlich
auch zu trivial sind,

1135
01:04:11.040 --> 01:04:15.040
um so eine Technologie dafür zu nutzen oder
wo man vielleicht eher sagen müsste,

1136
01:04:16.040 --> 01:04:19.040
wir machen das aus guten Gründen als Menschen,
weil es uns ausmacht, oder?

1137
01:04:20.040 --> 01:04:22.040
Das klassische Beispiel, das Studierende

1138
01:04:22.040 --> 01:04:27.040
wie können die ihre Essays mit Chat GPT schreiben
oder ihre Hausarbeiten,

1139
01:04:27.040 --> 01:04:30.040
aber sollten vielleicht auch verstehen, dass
es darum geht,

1140
01:04:30.040 --> 01:04:33.040
sowohl dieses Schreiben zu erlernen?

1141
01:04:33.040 --> 01:04:38.040
Und warum überhaupt die Schreiben auf der
A die Art erlernt,

1142
01:04:38.040 --> 01:04:39.040
wie das wissenschaftlich gemacht wird,

1143
01:04:39.040 --> 01:04:43.040
als auch, dass sie durchaus eben auch nicht
einfach nur

1144
01:04:44.040 --> 01:04:47.040
irgendwas schreiben sollen, was halt erst mal
gut aussieht, sondern ja

1145
01:04:47.040 --> 01:04:52.040
letztlich auf eine eigene Argumentation irgendwie
das zu Papier bringen soll

1146
01:04:52.040 --> 01:04:53.040
und das kann ja manchmal auch wirklich

1147
01:04:53.040 --> 01:04:57.040
noch mal gut sein, das klarzustellen, dass
es eben nicht darum geht,

1148
01:04:57.040 --> 01:05:01.000
sondern so einer gewissen Form zu entsprechen,
sondern dass wir schon

1149
01:05:01.000 --> 01:05:06.000
auch wissen wollen, was die zu sich denken
dazu und wie sie das argumentieren.

1150
01:05:08.000 --> 01:05:10.000
Und ich bin sozusagen

1151
01:05:10.000 --> 01:05:13.000
dann auch ganz spannend in diesen Sachen,

1152
01:05:13.000 --> 01:05:16.000
jetzt mal in Experimentierräumen oder

1153
01:05:16.000 --> 01:05:19.000
speziellen Anwendungsbereichen noch mal zu
gucken,

1154
01:05:19.000 --> 01:05:22.000
An welchen Stellen können wir eigentlich diese
Technologien

1155
01:05:22.000 --> 01:05:27.000
wirklich auch nutzen, um Sachen zu machen,
die wir sonst nicht könnten

1156
01:05:27.000 --> 01:05:30.000
oder zumindest nicht mit den uns zur Verfügung
stehenden

1157
01:05:30.000 --> 01:05:31.000
stehenden Mitteln machen können?

1158
01:05:31.000 --> 01:05:34.000
Weil da wird glaube ich auch ganz schnell klar.

1159
01:05:35.000 --> 01:05:38.000
Was für Potenziale man nutzen kann

1160
01:05:38.000 --> 01:05:41.000
und gleichzeitig auch, wo vielleicht

1161
01:05:41.000 --> 01:05:43.000
bestimmte Gefahren liegen

1162
01:05:43.000 --> 01:05:46.000
oder wo es dann auch wichtig ist, sich mit

1163
01:05:47.000 --> 01:05:51.000
so Themen wie algorithmic Bias ein bisschen
auszukennen, weil

1164
01:05:52.000 --> 01:05:53.000
man dann doch damit irgendwie konfrontiert
ist.

1165
01:05:53.000 --> 01:05:57.000
Da kann ich auch gleich noch mal ein Beispiel
z u sagen und.

1166
01:05:59.000 --> 01:06:01.060
Ich würde mir sozusagen

1167
01:06:01.060 --> 01:06:04.060
erhoffen, dass man sowohl auf so einer individuellen

1168
01:06:04.060 --> 01:06:07.060
Ebene als auch auf so einer organisationellen
Ebene

1169
01:06:07.060 --> 01:06:10.060
wie jetzt in der Hochschule als auch auf einer
gesellschaftlichen Ebene

1170
01:06:11.060 --> 01:06:13.060
aus so einem praktischen Umgang und so einem

1171
01:06:14.060 --> 01:06:16.060
Umgang, der sich eben auch mit

1172
01:06:16.060 --> 01:06:19.060
wo man miteinander ins Gespräch kommt und
austauscht,

1173
01:06:19.060 --> 01:06:21.060
auch.

1174
01:06:21.060 --> 01:06:22.060
Eine politische Haltung

1175
01:06:22.060 --> 01:06:25.060
dann entwickeln kann.

1176
01:06:25.060 --> 01:06:27.060
Und vielleicht mal dieses praktische Beispiel.

1177
01:06:27.060 --> 01:06:29.060
Ich finde es einfach sehr.

1178
01:06:29.060 --> 01:06:33.060
Also das hat mir jetzt, die sich ja damit theoretisch
und

1179
01:06:33.060 --> 01:06:34.060
empirisch viel beschäftigt

1180
01:06:34.060 --> 01:06:38.060
hat aber wirklich auch noch mal gezeigt, was
das im Arbeitsalltag heißt.

1181
01:06:38.060 --> 01:06:41.060
Ich habe vor ein paar Monaten für so ein Projekt

1182
01:06:41.060 --> 01:06:45.060
stand ich vor der Aufgabe, dass ich ältere
Ausgaben

1183
01:06:45.060 --> 01:06:48.060
von Fachzeitschriften bibliographische erfassen
musste.

1184
01:06:48.060 --> 01:06:50.060
Und die sind halt irgendwie noch nicht erfasst.

1185
01:06:50.060 --> 01:06:53.060
Das heißt, ich hätte da jetzt stundenlang
Copy Paste machen müssen.

1186
01:06:55.060 --> 01:06:59.060
Und dann dachte ich mir, ich gucke mal, ob
ich das irgendwie mit Chat GPTl

1187
01:06:59.060 --> 01:07:03.020
hinkriege und habe dann aus dem Inhaltsverzeichnis

1188
01:07:03.020 --> 01:07:06.020
dieser Zeitschrift, die ich eben gescannt hatte,

1189
01:07:07.020 --> 01:07:10.020
mir eine Bibtex Datei ausgeben lassen.

1190
01:07:10.020 --> 01:07:11.020
Also eine strukturierte Datei,

1191
01:07:11.020 --> 01:07:14.020
die man dann Sortero  oder Citavi ja auch nutzen
kann. Also

1192
01:07:15.020 --> 01:07:18.020
so, das hat funktioniert und ich war total
begeistert,

1193
01:07:18.020 --> 01:07:22.020
weil ich dachte, damit war ich mir jetzt also
ich hätte es nicht machen

1194
01:07:22.020 --> 01:07:25.020
müssen, aber Studenten, Mitarbeiterinnen oder
Kolleginnen,

1195
01:07:25.020 --> 01:07:28.020
wirklich monatelange blöde Arbeit.

1196
01:07:28.020 --> 01:07:29.020
Und dann dachte ich, dann mache ich das jetzt

1197
01:07:29.020 --> 01:07:32.020
schnell weiter für die anderen Ausgaben, dann
ist es auch erledigt.

1198
01:07:33.020 --> 01:07:37.020
Und dann habe ich irgendwie gedacht, ich kontrolliere
aber noch mal, ob das stimmt.

1199
01:07:37.020 --> 01:07:38.020
Und dann bei der dritten Ausgabe

1200
01:07:38.020 --> 01:07:41.020
habe ich gemerkt, die Titel, die da stehen,
passen nicht mit den Titeln

1201
01:07:41.020 --> 01:07:45.020
in dem Inhaltsverzeichnis zusammen, obwohl
das total plausible Titel waren.

1202
01:07:45.020 --> 01:07:46.020
Also das waren

1203
01:07:46.020 --> 01:07:51.020
Geschlechter Forschungsstitel von real existierenden
Geschlechterforscherinnen.

1204
01:07:51.020 --> 01:07:52.020
Aber die haben.

1205
01:07:52.020 --> 01:07:54.020
Ich habe dann angefangen zu googeln, hat festgestellt,

1206
01:07:54.020 --> 01:07:56.020
die hat nie einen Artikel mit diesem Titel
geschrieben.

1207
01:07:56.020 --> 01:07:58.020
Also es hat angefangen zu halluzinieren,

1208
01:08:00.080 --> 01:08:01.080
ich weiß nicht warum.

1209
01:08:01.080 --> 01:08:03.080
Ich habe mir natürlich Gedanken gemacht.

1210
01:08:03.080 --> 01:08:06.080
Es könnte sein, dass es da irgendeinen technischen
Trigger

1211
01:08:06.080 --> 01:08:10.080
gab, dass vielleicht in dieser diesem Scan
irgendwas kaputt war.

1212
01:08:10.080 --> 01:08:12.080
Das könnte aber auch sein,

1213
01:08:12.080 --> 01:08:17.080
dass der Auslöser war, dass in dem ersten
Inhaltsverzeichnis, bei dem es

1214
01:08:17.080 --> 01:08:20.080
vorkam, das Wort Prostitution vorkam und das
vielleicht irgendwie

1215
01:08:21.080 --> 01:08:24.080
in den Tiefen dieses Modells so eine Sperre
ausgelöst hat

1216
01:08:24.080 --> 01:08:28.080
von “die macht da irgendwelche Sachen, die
irgendwas mit Sex zu tun haben.

1217
01:08:28.080 --> 01:08:30.080
Das darf ich nicht.

1218
01:08:30.080 --> 01:08:33.080
Da erfinde ich lieber irgendwas anderes, als
das zu schreiben, was da steht.”

1219
01:08:34.080 --> 01:08:36.080
Ich anthropomorhposiere das jetzt

1220
01:08:36.080 --> 01:08:38.080
Das überlegt sich das natürlich nicht, aber
wir wissen ja,

1221
01:08:38.080 --> 01:08:41.080
dass das ganz viel was eingebaut ist, irgendwie
damit

1222
01:08:42.080 --> 01:08:44.080
diese Firmen ihren Ruf bewahren können,

1223
01:08:44.080 --> 01:08:47.080
weil nicht alle Leute damit irgendwelche verrückten
Dinge anstellen.

1224
01:08:47.080 --> 01:08:50.080
Und solche Gedanken habe ich mir dann halt
gemacht.

1225
01:08:50.080 --> 01:08:54.080
Und ich kann das bis heute nicht sagen, woran
das liegt.

1226
01:08:54.080 --> 01:08:57.080
Aber das hat mir noch mal gezeigt, wie wichtig
das ist,

1227
01:08:57.080 --> 01:09:02.040
dass man diese, dieses Wissen mitbringt in
dieser Arbeit, mit diesen Systemen.

1228
01:09:02.040 --> 01:09:05.040
Ich würde trotzdem sagen, das ist ein ganz
guter Anwendungsfall.

1229
01:09:05.040 --> 01:09:09.040
Ich hab dann auch einen Weg gefunden, um das
trotzdem auf dem Weg zu machen,

1230
01:09:10.040 --> 01:09:13.040
ohne dass es diese Halluzinationen ausgelöst
habe.

1231
01:09:13.040 --> 01:09:17.040
Aber es hat mir einfach so als als Beispiel
auch zu denken

1232
01:09:17.040 --> 01:09:19.040
gegeben, irgendwie.

1233
01:09:19.040 --> 01:09:21.040
Und ich glaube, ich glaube, so was braucht
man einfach.

1234
01:09:21.040 --> 01:09:25.040
Also Anwendung plus Reflexion und Diskussion.

1235
01:09:25.040 --> 01:09:28.040
So, danke.

1236
01:09:30.040 --> 01:09:33.040
Dann bedanke ich mich recht herzlich für Ihre
Zeit, für Ihre Mühe,

1237
01:09:33.040 --> 01:09:36.040
für all die Worte, die Sie dagelassen haben
und bedanke mich

1238
01:09:36.040 --> 01:09:40.040
bei allen Interessierten und Zuschauerin fürs
Dasein, fürs Zuhören.

1239
01:09:41.040 --> 01:09:45.040
Und ja, ich schaltet gerne wieder ein zur nächsten
Vorlesung.

