Widerstand von Gig-Arbeitern gegen algorithmische Kontrolle

Unternehmen setzen verstärkt digitale Technologien und Algorithmen zur Steuerung und Kontrolle von Mitarbeitern ein. Dabei werden Kontroll- und Steuerungsmaßnahmen, die ursprünglich von menschlichen Führungskräften durchgeführt wurden, zum Teil vollständig durch Technologien automatisiert. Solche Systeme des Algorithmischen Managements erfordern große Mengen an verhaltensbezogenen Daten, um eine ständige Überwachung und Leistungsbewertung zu ermöglichen. Der Einsatz dieser Systeme löst nun verschiedene Formen von Widerstandsverhalten aus. Ziel des Projekts ist es daher, ein differenziertes Verständnis der Mechanismen zu erlangen, die hinter dem Widerstand von Gigworkern gegen die Steuerung und Kontrolle durch Algorithmen stehen. Der Fokus des Projekts liegt auf der sogenannten Gig-Economy, also jenem Teil des Arbeitsmarkts, bei dem zeitlich befristete Aufträge flexibel und ad-hoc vergeben werden. Bekannte Beispiele sind sog. Ridehailing-Dienste, wie Uber und Lyft, welche das Verhalten Ihrer Fahrer durch die verpflichtende Nutzung einer App steuern. So wird nicht nur die Route durch die App vorgegeben, sondern der Algorithmus versucht auch die Fahrer durch Anreize und Sanktionen dazu zu bringen bestimmte Fahrten anzunehmen. Aber auch im Bereich des Crowdworking, kommen zunehmend Systeme des Algorithmischen Managements zum Einsatz. Ein differenziertes Verständnis der Mechanismen, die hinter dem Widerstand von Gigworkern gegen die Steuerung und Kontrolle durch Algorithmen stehen, ist für die Forschung in diesem Bereich dringend nötig. Von großem Interesse sind beispielsweise die sozio-emotionalen und wirtschaftlichen Auswirkungen auf Arbeitnehmer sowie ethische Überlegungen zum Einsatz von Algorithmischem Management. Darüber hinaus haben die Ergebnisse dieses Projekts auch einen wichtigen praktischen Nutzen. So sollen die Ursachen negativer Folgen algorithmischer Kontrolle, wie z.B. hohe Fluktuationsraten, erklärt werden. Des Weiteren unterstützten die Ergebnisse die Gestaltung des Algorithmischen Managements, um die Arbeitszufriedenheit der Arbeitnehmer zu verbessern.

Gig-Work-Plattformen versprechen häufig Autonomie und Flexibilität, doch diese Forschung zeigt, dass algorithmisches Management die Arbeit von Gig-Workern stark und oft intransparent steuert. Dazu gehören Aufgabenverteilung, Bezahlung und Leistungsbewertung. Diese Formen der Kontrolle erzeugen häufig Stress und Unsicherheit, eröffnen aber zugleich Möglichkeiten für Resilienz und aktiven Widerstand. Das Projekt liefert evidenzbasierte Erkenntnisse und praxisnahe Werkzeuge, die über reine Beschreibungen hinausgehen und konkrete Ansatzpunkte für fairere und bessere digitale Arbeitsbedingungen bieten. Ein zentrales Ergebnis ist, dass Gig-Worker sehr unterschiedlich auf algorithmische Kontrolle reagieren. Manche geraten in einen Kreislauf aus Stress, Rückzug und Überlastung, andere entwickeln einen positiven Zyklus aus Resilienz, Selbstwirksamkeit und Empowerment. Wie Gig-Worker mit diesen Belastungen umgehen, hängt vor allem von den Bewältigungsstrategien ab, die sie selbst entwickeln. Durch gezielte Strategien, soziale Unterstützung und proaktive Formen des Widerstands können sie ihre Resilienz stärken und von reaktiven, isolierenden zu selbstbestimmten, handlungsfähigen Ansätzen wechseln. Plattformen können hierbei unterstützend wirken, etwa durch transparente Kommunikation, Peer-Support oder leicht zugängliche Schulungen. Damit liefert die Forschung ein erweitertes Bild von Widerstand in der Gig-Economy, das neben offenem Widerstand auch individuelle, häufig verdeckte Bewältigungsstrategien berücksichtigt und zeigt, warum klassische Interventionen wie reine Transparenzinitiativen oft wirkungslos bleiben. Ein weiterer Beitrag ist die Entwicklung eines validierten Instruments zur Messung von Widerstand, des sogenannten Algoaktivismus. In Zusammenarbeit mit Expert:innen und Gig-Workern entstand ein Fragebogen, der auf Interviews und Text-Mining basiert und mehrere Dimensionen von Algoaktivismus abbildet. Die Skala ermöglicht Forschenden, Entscheidungsträgern, Plattformen und Arbeitenden selbst, Formen des Algoaktivismus zu erfassen, zu vergleichen, zu beobachten und Interventionen in der Gig-Economy zu evaluieren. Zudem diente sie zur empirischen Validierung des zentralen Forschungsmodells und der theoretischen Annahmen. Die Ergebnisse zeigen auch das methodische Potenzial moderner Large Language Models (LLMs). LLMs können kleinere Forendaten zuverlässig klassifizieren und größere effizient annotieren, wodurch hochwertige Daten für Transformer-Modelle wie DeBERTa entstehen. Online-Diskussionen unter Gig-Workern liefern reichhaltige zeitliche Daten, deren Umfang manuell kaum handhabbar ist. Durch die Kombination automatisierter Klassifikation mit zeitlicher Analyse lassen sich Verhaltensänderungen nachvollziehen, Coder-Bias reduzieren und die Zuverlässigkeit von Annotationen erhöhen. So konnten Veränderungen in Diskussionen identifiziert werden, die Muster und wertvolle Einblicke in Plattformdynamiken und Arbeitserfahrungen liefern. Insgesamt zeigen diese Ergebnisse, dass algorithmisches Management nicht nur technischer, sondern zutiefst soziotechnischer Natur ist. Plattformen und Gig-Worker gestalten die Gig-Arbeit gemeinsam, wobei Handlungsfähigkeit und Bewältigungsstrategien der Arbeitenden zentral sind, um schädliche Kreisläufe zu durchbrechen, Empowerment zu fördern und die Beziehungen zu den Plattformen zu gestalten. Die Verknüpfung von Erkenntnissen zu Bewältigungsstrategien, validierten Messinstrumenten und rechnergestützten Methoden liefert theoretische und praktische Innovationen, die fairere, gesündere und nachhaltigere digitale Arbeit unterstützen.