Effektive Mensch-KI-Kollaboration in Buyer-Supplier Verhandlungen

Ansprechpartner: Jonas Fränzl

Generative künstliche Intelligenz (genAI) hat sich als entscheidende Technologie für die nächste Generation von Entscheidungsunterstützungssystemen (DSS) bewiesen. Die Fähigkeiten zur Interpretation großer Mengen unstrukturierter Daten, zur Wissensgenerierung und dem Nachahmen von menschlichem Verhalten (Berente et al., 2021) versprechen eine Transformation diverser strategischer Entscheidungsprozesse, wie beispielweise in Buyer-Supplier Verhandlungen. In strategischen B2B Verhandlungsprozessen müssen Entscheidungsträger Gegenparteien analysieren und Verhandlungsstrategien entwerfen. Durch die Delegation von Verhandlungsaktivitäten an genAI könnten genAI-basierte DSS die Entwicklung von Verhandlungsstrategien in Organisationen und die Führung von Verhandlungen grundlegend neugestalten (Herold, 2025).

Eine vollständige Automatisierung strategischer Verhandlungen erscheint jedoch problematisch, da diese Interaktionen hohe finanzielle Risiken bergen und langfristige Geschäftsbeziehungen prägen. Andererseits sind rein manuelle Ansätze oft zeitintensiv und durch kognitive Verzerrungen sowie eine unzureichende Kalibrierung der eigenen Verhandlungsposition limitiert (Simon, 1960; Kahneman & Tversky, 1979; Bazerman & Neale, 1983). Dies führt häufig zu ineffizienten Abschlüssen und ökonomischen Verlusten (Bazerman & Neale, 1983; Thompson, 2006). Diese Diskrepanz deutet auf eine Konfiguration hin, bei der die komplementären Fähigkeiten von Mensch und genAI genutzt werden, statt sich auf einen der beiden Akteure allein zu verlassen.

Komplementarität beschreibt dabei eine synergistische Beziehung, in der Mensch und GenAI unterschiedliche, sich aber gegenseitig verstärkende Stärken einbringen (Jarrahi, 2018), sodass ihre gemeinsame Leistung die individuelle Leistung jedes einzelnen Akteurs übertrifft (Donahue et al., 2022; Hemmer et al., 2025). GenAI zeichnet sich durch analytische, datengetriebene Kompetenz aus, während der Mensch Intuition, implizites Wissen und kontextuelles Urteilsvermögen beisteuert (Fügener et al., 2022; Jarrahi, 2018). Human-AI Collaboration (HAIC) bezeichnet die intentionale Kombination dieser Fähigkeiten in gemeinsamen Workflows, um definierte Ziele zu erreichen (Vössing et al., 2022).

Bisherige Forschung zeigt, dass HAIC-Systeme häufig schlechter abschneiden als Mensch oder KI allein (Vaccaro et al., 2024). Dies legt nahe, dass die spezifische Ausgestaltung der Zusammenarbeit fundamental ist (Hemmer et al., 2025). Bisherige Studien haben sich sich dabei überwiegend auf strukturierte Aufgaben wie Klassifikationen (Bansal et al., 2021) oder Vorhersagen (Revilla et al., 2023 konzentriert), bei denen Lösungsräume und Erfolgsmetriken klar definiert sind. Zudem liegt der Fokus oft auf generischen Chatbot-Schnittstellen, während aufgabenspezifische und in Workflows eingebettete GenAI-Anwendungen kaum Beachtung finden. Infolgedessen fehlt ein feingranulares Verständnis darüber, wie Aufgabenmerkmale und Systemeigenschaften HAIC in unstrukturierten, dynamischen und insbesondere adversarialen Kontexten wie Verhandlungen formen. Konkret bleibt unklar, durch welche Mechanismen und unter welchen Voraussetzungen in diesen komplexen Settings eine tatsächliche komplementäre Leistung erzielt oder gehemmt wird (Benbya et al., 2024).

Vor diesem Hintergrund untersucht dieses Dissertationsprojekt, wie genAI die strategische Entscheidungsfindung und insbesondere gruppenbasierte Entscheidungsprozesse wie Verhandlungen unterstützen kann. Im Rahmen konstruktivistischer Forschung sollen zudem Design-Prinzipien für genKI-augmentierte Negotiation-Support-Systeme entwickelt werden, die die Komplementarität zwischen Mensch und KI produktiv gestalten.

Das Vorhaben gliedert sich in 4 Phasen: (1) Qualitative Studie zum Verständnis von Mensch-KI Kollaboration in strategischer und unstrukturierter Wissensarbeit. (2) Die Analyse des Status quo von GenAI in Buyer Supplier Verhandlungen; (3) die technische Instanziierung von Agenten-Simulationen zur Abbildung realistischer Verhandlungsdynamiken; (4) die empirische Evaluation des Artefakts in kontrollierten Experimenten. Ziel ist es, die zugrunde liegenden Wirkungsmechanismen (z. B. Reduktion von Anchoring-Effekten, Fixed-Sum Bias, Steigerung der Planungseffektivität) zu explizieren und die Boundary Conditions (z. B. Nutzererfahrung, AI-Literacy, algorithmic fidelity) zu identifizieren, unter denen Komplementarität zwischen Menschen und KI gelingt.

Kooperatives Promotionsprojekt der FernUniversität Hagen mit der Hochschule Mainz.

Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. T., & Weld, D. S. (2021). Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. ACM.

Bazerman, M. H., & Neale, M. A. (1983). Heuristics in negotiation: Limitations to effective dispute resolution. In M. H. Bazerman & R. J. Lewicki (Eds.), Negotiating in Organizations (pp. 51–67). Sage.

Benbya, H., Strich, F., & Tamm, T. (2024). Navigating generative artificial intelligence promises and perils for knowledge and creative work. Journal of the Association for Information Systems, 25(1), 23–36.

Berente, N., Gu, B., Recker, J., & Santanam, R. (2021). Managing artificial intelligence. MIS Quarterly, 45(3), 1433–1450.

Donahue, K., Chouldechova, A., & Kenthapadi, K. (2022). Human–algorithm collaboration: Achieving complementarity and avoiding unfairness. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’22). ACM.

Fügener, A., Grahl, J., Gupta, A., & Ketter, W. (2022). Cognitive challenges in human–artificial intelligence collaboration: Investigating the path toward productive delegation. Information Systems Research, 33(2), 678–696.

Hemmer, P., Schemmer, M., Kühl, N., Vössing, M., & Satzger, G. (2025). Complementarity in human–AI collaboration: Concept, sources, and evidence. European Journal of Information Systems. Advance online publication.

Herold, S., Heller, J., Rozemeijer, F., & Mahr, D. (2025). Brave new procurement deals: An experimental study of how generative artificial intelligence reshapes buyer–supplier negotiations. Journal of Purchasing and Supply Management, 31(4), 101012.

Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human–AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586.

Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.

Revilla, E., Saenz, M. J., Seifert, M., & Ma, Y. (2023). Human–artificial intelligence collaboration in prediction: A field experiment in the retail industry. Journal of Management Information Systems, 40(4), 1071–1098.

Simon, H. A. (1960). The new science of management decision. Harper.

Thompson, L. L. (Ed.). (2006). Negotiation theory and research. Psychology Press.

Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.

Vössing, M., Schoormann, T., Knackstedt, R., & Niemann, M. (2022). Designing transparency for effective human–AI collaboration. Information Systems Frontiers, 24(6), 1707–1733.