Algorithmische Gegenmacht

Forschungsschwerpunkt: Mitbestimmung im Wandel

Status: laufend

Projektende: 31.10.2019

Projektnummer: 2017-375-2

Projekttitel: Algorithmische Gegenmacht

Projektbeschreibung  |  Projektteam  |  Kontakt

 

Projektziel:

Ziel des Projektes ist es, in den drei Bereichen Aufklärung, Organisation und Protestformen die Grundlagen zu analysieren, wie Arbeitnehmerinnen und Arbeitnehmer algorithmische Gegenmacht für sich nutzen können. Dabei wird das fachliche Wissen aus dem Bereich Data Science mit dem soziopolitischen Wissen um betriebliche Mitbestimmung verbunden, um Big-Data-Anwendungsfelder und die darauf fußenden Entscheidungen in Unternehmen sichtbar zu machen und für die Interessen von ArbeitnehmerInnen einzusetzen. Methodisch wird dies in mehreren Schritten geschehen, die die Bereiche Information, Organisation und Protestformen fokussieren.

 

Projektbeschreibung:

1. Kontext

Immer mehr Unternehmen setzen Big-Data-Methoden und algorithmische Verfahren in der Produktion und zunehmend auch in der Betriebsführung ein. Dadurch verändern sich Machtstrukturen in den Unternehmen und herkömmliche Formen der Mitbestimmung und Teilhabe greifen zunehmend schlechter. Was gestern Resultat eines Aushandlungsprozesses war, wird heute zunehmend durch eine Datenanalyse scheinbar objektiviert. Viele Studien sehen daher die betriebliche Mitbestimmung im Zuge der Digitalisierung in Gefahr. Was dabei aber meist übersehen wird, ist, dass sich durch die zunehmende Abhängigkeit der Unternehmen von konstant fließenden Datenströmen auch ein ganz neues Feld für eine an Mitbestimmung orientierte Unternehmenspolitik ergibt. Denn über Algorithmen lässt sich sehr wohl verhandeln und die darüber scheinbar hergestellte Objektivität kann hinterfragt werden, wenn die jeweiligen Modellentscheidungen offen gelegt werden.


2. Fragestellung

Wie kann die Tatsache, dass Unternehmen in immer mehr Bereichen abhängig von einem permanenten Datenstrom sind, genutzt werden, um Mitbestimmung zu stärken? Bisherige Untersuchungen haben sich in erster Linie mit den Risiken der Digitalisierung für gute Arbeit beschäftigt. Die Neustrukturierung von Unternehmen auf Basis von Datenanalysen bietet aber auch die Chance, wirksam in die Betriebssteuerung einzugreifen, sofern Betriebsräte und Arbeitnehmer*innen in der Lage sind, sich in den Bereichen Information, Organisation und Protestformen auf diese neuen Verhältnisse einzustellen. Dafür reicht es allerdings nicht, die unter dem Stichwort „Digitalisierung“ zusammengefassten Veränderungen von außen zu analysieren und zu beschreiben. Vielmehr muss es darum gehen, sich diese Formen selbst zu eigen zu machen.


3. Untersuchungsmethoden

Untersucht werden algorithmische Steuerungsverfahren in digitalen Unternehmen, wobei hier zwischen Großunternehmen und kleinen und mittelständischen Unternehmen (KMUs) unterschieden werden soll. Da die Frage, wie sich algorithmische Gegenmacht entfalten lässt, im Zentrum des Forschungsvorhabens steht, ist der Austausch mit Betriebsräten in digitalen Unternehmen von besonderer Bedeutung. Die Fallbeispiele werden aus dem Großraum München gewählt. Gerade hier finden sich besonders viele Unternehmen, die bereits stark im Bereich Industrie 4.0 engagiert sind. Neben der Analyse von konkreten Unternehmen werden Datensätze analysiert, die in der Business-Intelligence-Literatur besprochen werden. Zudem werden Simulationsmodelle entwickelt, die in der Lage sind, ähnliche Datensätze zu generieren. Die Analyse der BI-Literatur selbst bildet den dritten Grundstein der empirischen Arbeit.


 

Projektleitung und Bearbeiter/in:

Projektleitung:

Prof. Dr. Simon Hegelich
Technische Universität München Hochschule für Politik
E-Mail: Simon.Hegelich(at)hfp.tum.de


Bearbeiter/in:

Andree Thieltges
Technische Universität München Hochschule für Politik
E-Mail: andree.thieltges(at)hfp.tum.de

 

Kontakt:

Dr. Stefan Lücking
Hans-Böckler-Stiftung
Forschungsförderung
E-Mail: stefan-luecking(at)boeckler.de

X

Hinweis zur Nutzung von Cookies auf dieser Website

Dieses Portal verwendet Cookies zur Optimierung der Browserfunktion. Die Cookie-Einstellungen für diese Website sind auf „alle Cookies zulassen“ festgelegt. Wenn Sie fortsetzen bzw. diesen Hinweis schließen, ohne Ihre Einstellungen zu ändern, stimmen Sie diesen zu.



Mehr Informationen zu Cookies