Vorteil Algorithmus, aber nicht das Ende der wissenschaftlichen Theorie

Dieser Artikel ist eine Fortsetzung von “Schreckgespinst Alghorithmus – hoch lebe die Theorie”. Gelangen Sie hier zu Teil 1

Sie haben die Wahl zwischen zwei Untersuchungsmethoden:

• Methode A: Sie hat die größte Chance, die richtigen kausalen Faktoren hinter den Symptomen zu identifizieren.
• Methode B: Sie hat die größte Chance, die richtige Diagnose zu stellen.

Eingefleischte Kausalitätsverfechter haben oft Mühe, hier überhaupt den Unterschied zu sehen. Wie kann eine Methode, die nicht die Kausalfaktoren identifiziert, überhaupt eine größere Chance haben, die richtige Diagnose zu stellen? Zugegeben, das Beispiel ist hypothetisch, aber durchaus nicht realitätsfern.

Eine «korrekte» Diagnose bedeutet nicht dasselbe wie eine «kausalitätsgestützte» Diagnose. Ein Symptom und eine Krankheit können z. B. die gleiche kausale Ursache haben. Beispielsweise können ein Hautausschlag und eine ernsthaftere Krankheit beide durch eine Schwächung des Immunsystems bedingt sein. Klarerweise ist der Ausschlag dann nicht die Ursache der eigentlichen Erkrankung, sondern nur eine «Begleiterscheinung». Dennoch können gerade Begleiterscheinungen sehr zuverlässige Diagnosehilfen sein, selbst wenn sie nur auf Korrelationen beruhen und das Krankheitsbild in seinen wahren Ursachen medizinisch vielleicht sogar noch teilweise unerforscht ist, also noch keine kausalen Modelle zur Verfügung stehen! Ich persönlich würde Methode B wählen.

Wenn es hingegen darum geht, erfolgreiche Therapien zu entwickeln, dürfen wir hoffen, dass ein genaues Verständnis der kausalen Faktoren und eine entsprechende Theorie sehr hilfreich ist. Dennoch wurden in der Praxis schon einige wirksame Therapien gegen Krankheiten entwickelt, bevor deren Kausalität genau verstanden wurde. Viele traditionelle Heilmethoden wirken effektiv gegen eine Krankheit, weil schlicht und einfach die Erfahrung gezeigt hat, dass sie wirken. Die Medizin hat es mit dem äußerst komplexen System des menschlichen Körpers zu tun, wo die Entdeckung echter Kausalzusammenhänge oft nur langsam vorankommt. Es ist nun mal nicht einfach, den kausalen Einfluss eines einzelnen Gens unter einer Menge von 20.000 Genen nachzuweisen – insbesondere dann, wenn zwischen den verschiedenen Genen wiederum komplexe Wechselwirkungen bestehen. Es ist kein Zufall, dass algorithmengetriebene Analyse in der Molekularbiologie besonders häufig zum Einsatz kommt.

Schauen wir in die Welt der Unternehmen. Auch in Unternehmen kann es sein, dass bestimmte Managementpraktiken einfach «funktionieren», obwohl man nicht genau versteht, was die kausalen Faktoren dahinter genau sind. Da auch eine Organisation ein sehr komplexes System sein kann, können auch hier Algorithmen u. U. einen wertvollen Beitrag leisten, um Zusammenhänge zu identifizieren, deren Kausalität unklar ist, aber deren Kenntnis zur effektiven Lösung von Problemen substanziell beitragen kann. Dies geschieht dann ähnlich einer Diagnose oder Therapie in der Medizin, die jenseits des Verständnisses der involvierten Kausalfaktoren stattfindet.

Es kommt also auf die Komplexität des zu untersuchenden Systems an, ob Algorithmen oder Kausaluntersuchungen schneller zu praktischen Erkenntnissen führen. Manche dynamischen Systeme (Biosysteme, Genetik, Volkswirtschaften, grosse Unternehmen usw.) sind so komplex, dass wir in absehbarer Zeit keine Hoffnung haben, die zugrundeliegenden Kausaleffekte identifizieren zu können, auch wenn die Kausalitätsfrage im Prinzip sinnvoll wäre. In diesem Fall ist eine algorithmengetriebene Analyse u. U. schlichtweg die beste oder einzige Analyseoption, die überhaupt zur Verfügung steht. Im Fachjargon nennt man die algorithmengetriebene Analyse von komplexen System «Blackboxing». Es sei wiederholt und betont, dass in sehr komplexen Systemen dies die beste vorhandene Methode sein könnte, selbst dann, wenn einige der entdeckten Zusammenhänge vom Typ «Soziologiedoktorate und Raumfahrt» sein werden.

Die vielgescholtenen Algorithmen haben also durchaus Potenzial, in verschiedensten Feldern zu wichtigen Erkenntnissen hinzuleiten, oder zumindest zu nützlichem Wissen und hilfreichen Erkenntnissen in der Praxis zu führen. Zugleich bergen sie aber auch immer das Risiko, den Zusammenhang von Raketen und Soziologiedoktoraten zu «erklären» (siehe weitere Beispiele dieses Typs hier). Genau deshalb sollte man Algorithmen, wenn immer möglich, nicht unbeaufsichtigt lassen! Die Algorithmen sind Freunde der Erkenntnissuchenden, aber man sollte sie an der Leine halten, auch mag es eine lange Leine sein – namentlich ist es die Leine des theorie- und modellgestützten Nachdenkens.

Haben wir es mit besonders komplexen Systemen zu tun, so müssen wir uns bisweilen von der Idee, durch schieres Nachdenken und die Anwendung von Theorien kausale Zusammenhänge entdecken zu können, lösen und die Algorithmen alleine Arbeiten lassen. Wann welche Vorgehensweise angebracht ist, diese Unterscheidung muss auch für viele Fragen des Managements immer wieder neu getroffen werden.

Der Artikel ist im Original erschienen in
Zeitschrift für Organisationsentwicklung (ZOE) vom 15.04.2018, Heft 02, Seite 35 – 37, «Schreckgespenst Algorithmen – Das Ende der wissenschaftlichen Theorie? Eine Betrachtung» Link zum Original