In einer Arbeitswelt, die sich rasend schnell verändert, spielt Technologie eine entscheidende Rolle für die Zukunft der Workplace-Strategie und des Corporate Real Estate Managements. Wir hatten die Gelegenheit, mit James Vaughan, dem KI-Experten von spaciv, zu sprechen. Gemeinsam werfen wir einen Blick darauf, wie Technologie die Performance von Arbeitswelten optimiert – und welche Möglichkeiten in den kommenden Jahren vor uns liegen.
Kannst du uns etwas über deinen Hintergrund und dein aktuelles PhD-Thema erzählen? Woran arbeitest du konkret?
Ich arbeite derzeit an einem PhD zum Thema „Automated Reasoning“ an der University of Edinburgh. Dabei entwickle ich ein Theorem-Recommender-System für automatisierte Theorembeweiser, das ihnen helfen soll, komplexere Probleme zu lösen. Kurz gesagt: automatisierte Theorembeweiser sind Programme, die mathematische Sätze automatisch beweisen – ohne menschliches Zutun.
Tatsächlich kann man Theoreme für Beweise empfehlen, ähnlich wie Amazon Produkte empfiehlt. Während Amazon Kaufhistorien nutzt, verwenden wir Informationen darüber, welche Theoreme in ähnlichen Beweisen in der Vergangenheit genutzt wurden.
Welche Rolle spielt KI heute und künftig bei der Transformation von Workplace-Strategien und Corporate Real Estate?
Bei spaciv nutzen wir KI, um die Eingaben der Mitarbeitenden zu ihren Arbeitsplatzbedürfnissen zu ergänzen – zum Beispiel wie viel Zeit sie mit Einzelarbeit vs. Gruppenarbeit verbringen oder an welchen Tagen sie lieber im Homeoffice arbeiten. Diese Bedarfe können wir aus Jobprofilen, Organisationsstrukturen und Standorten ableiten.
Zukünftig sehe ich eine ähnliche Herangehensweise für die andere Seite des Problems: Mittels Machine Learning lässt sich schätzen, wie gut verschiedene Raumtypen die Bedürfnisse bestimmter Nutzergruppen erfüllen – basierend auf deren Eigenschaften.
Kannst du aktuelle Erkenntnisse teilen, die zeigen, welchen Einfluss KI auf Workplace-Strategie und Immobilienmanagement haben kann?
Wenig überraschend zeigt sich eine enorme Variabilität darin, wie Menschen arbeiten. Das begrenzt, wie genau wir den Bedarf einer einzelnen Position vorhersagen können. Aber auf aggregierter Ebene – etwa für ganze Teams – gleicht sich diese Varianz aus.
Dieses Prinzip funktioniert jedoch nur, wenn man keine systematischen Fehler macht.
Wenn zum Beispiel in einer Stichprobe die Mitarbeitenden im Vertrieb überdurchschnittlich viel im Homeoffice waren, könnte ein Modell daraus fälschlich lernen, dass Vertrieb generell kaum Bürofläche benötigt – mit dem Ergebnis, dass das Büro später zu klein ist.
Ignoriert man jedoch die Daten komplett, verschwendet man unter Umständen unnötig Fläche.
Eine Anwendung von KI besteht darin, genau dieses Problem zu lösen: also generelle Annahmen über Vertriebsabteilungen mit den spezifischen Daten der eigenen Organisation in Balance zu bringen – und herauszufinden, welche Faktoren zu Abweichungen führen.
Welche Herausforderungen siehst du bei der Implementierung von KI im Corporate Real Estate und der Workplace-Strategie?
Es gibt naturgemäß nur eine begrenzte Menge an „Low-Hanging Fruit“, wenn es darum geht, die Varianz in den Daten zu erklären. Unternehmen können nur eine bestimmte Menge an relevanten Daten erfassen.
Hinzu kommt die Veränderung über die Zeit:
Das perfekte Büro heute kann in sechs Monaten unpassend sein – etwa aufgrund neuer Mitarbeitender, veränderter Workloads oder häufigerer Workshops, die plötzlich mehr kollaborative Räume erfordern.
Diese Dynamik zu bewältigen, ohne endlos Daten zu sammeln, führt zwangsläufig zu komplexeren Modellen.
Hier liegt eine enorme Chance für spaciv: Durch die Betreuung vieler Workplace-Strategien können wir Skaleneffekte erzielen, die einzelne Unternehmen nicht leisten könnten.
The big opportunity for spaciv comes with economies of scale. By taking on responsibility for many workplace strategies, we have the resources to bring to bear that a single organisation couldn’t muster on its own.
Welche zukünftigen Möglichkeiten begeistern dich am meisten, wenn du an KI bei spaciv denkst?
Die größte Chance sehe ich erneut in den Skaleneffekten. Indem spaciv viele Workplace-Strategien übernimmt, können wir Daten und Ressourcen bündeln. Das ermöglicht Modelle, die weit über das hinausgehen, was einzelne Organisationen entwickeln könnten.
In Kombination mit tiefem Fachwissen können wir so maßgeschneiderte KI-Modelle bauen, die die Workplace-Performance kontinuierlich verbessern.