Digitaler Kapitalismus - Markt und Herrschaft in der Ökonomie der Unknappheit

selbstregulierenden Feedbackkreises [..]. (Raffetseder/Schaupp/Staab 2017)

Dieser Feedbackkreis ist freilich nicht auf Überwachung und Datengenerierung beschränkt. Die erhobenen Informationen werden vom System verarbeitet und sogleich steuerungs- und kontrollrelevant. Zum einen wird es durch die Überwachung des Workflows beispielsweise möglich, Arbeit immer genau jenen Mitarbeiterinnen zuzuweisen, die gerade »unterbeschäftigt« sind. Die Vermessung der Arbeit führt hier direkt zu Leistungsdruck, da keine To-do-Liste jemals vollständig abgearbeitet ist, sondern das System eigenständig neue Anweisungen erzeugt und die Beschäftigten so zu immer mehr Output antreibt (ebd.). Zum anderen wird die Überwachung unmittelbar an Sanktionen gekoppelt: Die Eingabemasken der Software beschränken nicht nur den Spielraum der Beschäftigten, die ja schlicht keine andere Wahl haben, als in der Heuristik des jeweiligen »algokratischen« (Aneesh 2010) Systems zu arbeiten. Über die automatische Aktualisierung können diese Systeme unerwünschtes Verhalten zudem direkt ahnden: Falsche Eingaben werden erkannt und können den Beschäftigten als Fehlermeldung sofort zur Korrektur vorgelegt werden.

Dieses unmittelbare Feedback, das man als eine Filiation der Logik proprietärer Onlinemärkte beschreiben kann,[43] streut nun mit dem Internet der Dinge aus der körperlosen Welt der Software in die physische Welt der Hardware. Tracking und algorithmisches Management betreffen heute so unterschiedliche Arbeitsbereiche wie den Einzelhandel (Evans/Kitchin 2018), Kreativ- und Büroarbeit (Moore 2018a; 2018b; Moore/Piwek 2017) oder Maschinenbau und industrielle Fertigung (Schaupp/Staab 2018; Raffetseder/Schaupp/Staab 2017; Schaupp/Diab 2019). Dies zeigt beispielsweise Simon Schaupp in seinen Studien zu verschiedenen Industrie-4.0- Applikationen: Sogenannte Wearables, gibt der Entwickler eines smarten Handschuhs zu Protokoll, zielten darauf ab,

dem Beschäftigten eine unmittelbare Rückmeldung zu seinem
Handeln zu geben, zu seinen Arbeitsschritten, so dass, wenn ein Fehler auftritt, wenn etwas passiert, dieser direkt an seinem Körper informiert wird. Ich denke, das ist in diesem Fall der beste Aspekt der Wearables. Denn wenn etwas am Körper befestigt ist, muss er sich nicht auf einen externen Bildschirm an seiner Arbeitsstation
konzentrieren. Er hat sofort das Feedback, ob es das richtige oder falsche Teil war, das er ausgewählt hat. Wir bestätigen richtige Teile und scannen sie mit einem grünen Licht ins System. Und wir haben einen Buzzer, einen Ton, wenn etwas schief lief.
(Raffetseder/Schaupp/Staab 2017) Leistungsvermessung und -kontrolle erreicht eine neue
Qualität, da nun auch auf dezentral verteilte Arbeit mittels technischer Hilfe direkt zugegriffen werden kann – ein
Phänomen, das unter dem Stichwort »digitaler Taylorismus« diskutiert wird (Nachtwey/Staab 2015; Staab/Nachtwey 2016). Die Methoden der deutschen Industrie 4.0 sind dabei
keineswegs humaner orientiert als vergleichbare Technologien, die etwa bei Amazon – ohnehin der Vorreiter in Sachen
digitaler Kontrolle in analogen Zusammenhängen
(Schaupp/Diab 2019) – zum Einsatz kommen oder, wie ein Armband mit einer ähnlichen Funktionslogik wie der smarte Handschuh, kürzlich patentiert wurden. Informationskontrolle übersetzt sich in diesen Fällen exemplarisch in
Arbeitskontrolle.

Unvollständige Kontrolle und geheime Subversion

Aus Sicht der Unternehmen gibt es gute Gründe, Daten in dieser Weise zu Kontrollzwecken einzusetzen. Sowohl experimentelle (Lee/Baykal 2017) als auch Feldstudien (Shapiro 2018) belegen, dass die Beschäftigten algorithmische Steuerungssysteme überaus kritisch bewerten, was zur Folge hat, dass diese Systeme möglichst umfassend gestaltet werden müssen, da sie (anders als im kommerziellen Internet) nicht auf freiwillige Kooperation zählen können. So hat beispielsweise Min Kyung Lee gezeigt, dass Beschäftigte von Algorithmen getroffene Entscheidungen als weniger gerecht empfinden (Lee/Baykal 2017), weshalb der Drang zum Fehlverhalten mit der zunehmenden Verbreitung der algorithmischen Steuerung wächst.

Zahlreiche weitere Studien zeigen, dass Beschäftigte unter diesen Bedingungen unterschiedlichste Strategien entwickeln, um Algorithmen auszutricksen und sich dem Zugriff des technologischen Managements zu entziehen (Lee 2015; Schor/Attwood-Charles 2017; Schor et al. 2017; Attwood-Charles 2019). Arbeitnehmerinnen, die mit rigider algokratischer Steuerungssoftware konfrontiert sind, helfen sich beispielsweise mittels »Dummy-Eingaben« (Raffetseder/Schaupp/Staab 2017), indem sie die Felder einer Maske mit sinnlosen Buchstaben und Zeichen füllen, von denen sie wissen, dass sie das Fortsetzen des Eingabeprozesses zum nächsten Schritt ermöglichen.

Ein anderes gut dokumentiertes Beispiel ist die Arbeit von Ride-Hailing-Fahrern in den USA. Die App, über welche die Uber-Fahrer gesteuert werden, umfasst drei wesentliche Elemente (Lee 2015): Die automatische Zuweisung von Aufträgen ist darauf ausgelegt, jeweils den Fahrer mit dem kürzesten Anfahrtsweg zum Abholort zu dirigieren. Berühmtberüchtigt ist zudem das sogenannte Surge-Pricing: Sind zu wenige Fahrer vor Ort, werden die Preise erhöht, um die Nachfrage besser bedienen zu können. Dazu kommen Bewertungen in Form von Customer-Client-Ratings, die dem im kommerziellen Internet üblichen Fünf-Sterne-System folgen.

In der Praxis entziehen sich offenbar viele Fahrer der Zuteilung von Aufträgen. Zwar ist es risikant, unerwünschte Fahrten abzulehnen, da dies mittelfristig zum Ausschluss von der Plattform und damit zum Verlust des Einkommens führen kann. Dies gilt freilich nur, solange der jeweilige Fahrer als aktiv gemeldet ist. Daher schalten viele Fahrer die App temporär inaktiv, wenn sie durch Gegenden fahren, in denen sie keine Aufträge annehmen wollen. Uber führte daraufhin einen kleinen Bonus für jede Stunde ein, die ein Fahrer ohne Unterbrechung eingeloggt ist. Fahrer, die eine Pause machen, den Bonus aber nicht verlieren wollen, parken nun zwischen möglichst vielen anderen Kollegen, um die Wahrscheinlichkeit zu minimieren, einen Auftrag zu bekommen (ebd.). Surge-Pricing-Anreize werden laut der Studie von Min Kyung Lee von etwa der Hälfte der Fahrer ignoriert, weil sie zu unberechenbar sind, um den Arbeitstag danach zu planen. Das Rating-System wiederum spielt für das Selbstverständnis vieler Chauffeure durchaus eine Rolle – hohe Werte sind eine Quelle des Stolzes, niedrige eine der Beschämung. Gleichwohl beklagten viele der Interviewten die Willkürlichkeit der Bewertungen und bezweifelten, dass sich aus einem Score wirklich Rückschlüsse auf die Arbeit einzelner Fahrer ziehen lassen.

Ähnliche Praktiken des subtilen Widerstandes sind in den letzten Jahren auch für große Teile der On-demand- und der Gig-Ökonomie dokumentiert worden (vgl. Schor et al. 2017; Wood et al. 2019; Attwood-Charles 2019), unter anderem für über Crowdsourcing-Plattformen vermittelte digitale Heimarbeit. Dabei werden beispielsweise regelmäßig Screenshots von Bildschirmen gemacht. Ein Crowdworker in Kenia beschreibt seinen Umgang mit diesem Instrument so: »Es kommt alle zehn Minuten. Wenn es in einem Zehn-Minuten-Block einmal da war, kannst du gehen. Du hast neun Minuten Zeit und kannst Sachen machen, die mit der Arbeit überhaupt nichts zu tun haben.« Eine philippinische Übersetzerin gibt zu Protokoll: »Da ich technisch versiert bin, verbinde ich meinen Laptop mit dem Fernseher, dann habe ich zwei Bildschirme. Ich schaue Youtube, während ich auf der Plattform arbeite [...]. [D]er Screenshot funktioniert nur auf dem Hauptmonitor« (zitiert nach Wood et al. 2019: 64).

Automatisierte Lohnrepression

Diese Anekdoten aus der algorithmisch gesteuerten

Arbeitswelt sollen nicht den Eindruck erwecken, dass die dort zum Einsatz kommenden Kontrollstrategien nicht wirkten. Ratings sind hierfür ein gutes Beispiel: Sie bilden, wie gesagt, eine Kerntechnologie proprietärer Märkte. Als Instrumente der Arbeitskontrolle werden sie heute aber an vielen Orten eingesetzt. E-Commerce-Konzerne, die früh auf Kundenbewertungen gesetzt haben, nehmen auch hier eine Vorreiterrolle ein. Im August 2015 sorgte ein Artikel in der New York Times für Furore, in dem die Reporter Jodi Kantor und David Streitfeld das Anytime-Feedbacktool beschreiben, das damals im Amazon-Hauptquartier in Seattle zum Einsatz kam (Kantor/Streitfeld 2015). Die Software ermöglichte es den Beschäftigten, ihre Kolleginnen und Kollegen zu evaluieren und diese Bewertungen an das Management zu übermitteln. Laut der Autoren flossen die auf diesem Weg gesammelten Informationen oft eins zu eins (aber anonymisiert) in Leistungsbeurteilungen ein. Mit dieser Form der Denunziation hält direkte personengebundene Kontrolle Einzug in die Arbeitswelten von Softwareingenieuren, Beschäftigten im mittleren Management, im Vertrieb, in Personal- oder Werbeabteilungen. Herrschaft wird horizontalisiert und in ein Peer-to-Peer-System verwandelt (Staab 2016).

Dabei verbinden Rating-Tools die Arbeitskontrolle mit den Kerntätigkeiten von Personalabteilungen. Das zeigt auch ein vergleichbarer Fall aus Deutschland. Seit 2017 wird bei einem führenden E-Commerce-Unternehmen ein besonders umfassendes Rating-System namens Radar implementiert. Zum Zeitpunkt unserer Untersuchung wird Radar im Office-Bereich am Berliner Standort eingesetzt. Die Beschäftigten sind angehalten, die Software in einem vorgegebenen Rhythmus zu nutzen, also nicht für situationsspezifisches Lob oder anlassbezogene Denunziation wie im Fall von Amazon. In das System fließen Informationen ein, die ihm Rahmen verschiedener Prozeduren erhoben werden. Zum einen gibt es hochfrequente Echtzeitbewertungen, bei denen unmittelbar nach Interaktionen Informationen über Mitarbeiter festgehalten werden können – ein Verfahren, das den

Hochfrequenzratings sehr nahe kommt, die im kommerziellen Internet beispielsweise zur Beurteilung von Uber-Fahrern durch ihre Kunden eingesetzt werden. Zudem umfasst Radar umfangreiche halbjährliche Worker-Coworker-Beurteilungen in Form von Fragebögen, wie sie auch in den jährlichen Mitarbeitergesprächen zwischen Beschäftigten und ihren Vorgesetzten genutzt werden. Zum Zeitpunkt der Untersuchung mussten normale Beschäftigte pro Halbjahr mindestens fünf Bewertungen einholen bzw. vergeben, Angestellte in Führungsposition mindestens zehn. Die längeren Bewertungen bestehen aus einer qualitativen Beschreibung (Freitext) und einem quantitativen Rating (Skalenbeurteilung). Die Evaluation durch die Kolleginnen führt zu geradezu paranoiden Zuständen. Ein Mitarbeiter berichtet:

Ich habe mich sehr unter Druck gesetzt gefühlt ab einem gewissen Punkt, jetzt gerade, wo wir mit den neuen Feedback-Runden gestartet sind. Und das war schon ein ziemlich hoher psychischer Druck, also für mich mit diesen Negativfeedbacks, und ich durfte es nicht löschen. Ich habe eine Woche später gekündigt, nach diesem Gespräch, weil es mir einfach zu krass ist.

Die Beschäftigten wähnen sich unter permanenter Beobachtung: »Wir wissen nicht, wer uns Feedback gegeben hat und auf welcher Grundlage. [...] Auf Fragen danach, was mit den Daten gemacht wird, gab es keine Antwort. [...] Man hat den Eindruck, dass es gegen einen verwendet werden kann.«

Tatsächlich werden die gesammelten Daten direkt sanktionsrelevant. Ein Algorithmus ermittelt für jeden Beschäftigten einen Durchschnittswert (Score), wobei die genauen Kriterien nicht bekannt sind. Dieser Score ist das Bindeglied zwischen der Arbeitskontrolle und den Aufgaben der Human-Resources-Abteilung, die die Mitarbeiterinnen und Mitarbeiter auf dieser Grundlage einem bestimmten Segment (Low-, Good- und Top-Performer) innerhalb der Belegschaft zuordnet, womit wiederum Sanktionen bzw. Belohnungen

verbunden sind. Eine Mitarbeiterin berichtet dazu:

Wenn man in den mittleren Bereich fällt, geht man in der Masse unter. Wenn man aber in den oberen oder unteren Bereich fällt, anhand dieser ganzen Feedbackstatistik, dann kommt man in so eine Art Komitee, wo dann nochmal Leute zusammensitzen. Wie die ausgewählt wurden, weiß ich nicht. Und die erörtern dann nochmal deine Person, deine Position, deine Arbeit. Da darf dein Teamlead anwesend sein, aber der hat dort kein Mitspracherecht. Der darf nur zuhören, aber gar nichts sagen. [...] Über die wird dann beraten. Niemand weiß, was genau. Das gibt schon einen gewissen Druck, nicht in diese untere Rubrik zu stürzen. Was natürlich auch krass ist. Weil: Jeder kann ja jedem Feedback geben, also kann man auch jedem eins reinwürgen.

Während Top-Performer gute Chancen auf einen betriebsinternen Aufstieg haben und auf Lohnerhöhungen über dem Inflationsausgleich hoffen dürfen, werden Good-Performer im Personalgespräch gebeten, in Zukunft eine Schippe draufzulegen, und bekommen nur einen Inflationsausgleich. Low-Performer, deren Verträge man nicht einfach auslaufen lassen kann, weil sie die Befristungszeiträume bereits überschritten haben, bekommen nicht einmal das, erleiden also de facto Kaufkrafteinbußen.

Das beschriebene System wird also nicht zuletzt als Instrument der automatisierten Lohnrepression genutzt. Als Zulieferer von Daten sind Beschäftigte hier denselben sozioökonomischen Logiken unterworfen, mit denen es auf proprietären Märkten die Produzenten zu tun bekommen. Der Bewertungsprozess läuft zudem nach vollkommen intransparenten Kriterien ab, wodurch Macht und Kontrolle gesichert werden.

Der Perspektivhorizont algorithmischer Kontrolle

Um das Fernziel solcher auf die Extraktion und Auswertung arbeitsprozessbezogener Daten zielender Anwendungen in einem größeren Kontext zu verstehen, lohnt es sich, noch einmal zu Amazon zurückzukehren. Als Maschine zur Generierung, Absorption und Weiternutzung von Daten hat das Unternehmen kürzlich unter Beweis gestellt, was im Bereich administrativer Tätigkeiten durch Datenextraktivismus und Modellierung auf mittlere Sicht möglich ist. Erinnern wir uns: Als proprietärer Markt handelt Amazon zum einen mit hauseigenen sowie mit Produkten, die das Unternehmen bei Herstellern einkauft (Retail); zum anderen können Dritthändler über Amazons Marketplace Waren anbieten. Der Marketplace wird dabei immer wichtiger.[44]

Bis 2018 wurden diese zwei Bereiche von unterschiedlichen Teams geleitet. Das Retail-Team, das mit dem Einkauf von und den Verhandlungen mit den Zulieferern zuständig war, spielte insbesondere in der Frühphase des Unternehmens eine entscheidende Rolle. Um Produzenten zu bearbeiten, die nicht recht wussten, ob sie ihre Waren auf der seinerzeit unbekannten Website anbieten sollten, hatte man eine hoch bezahlte Truppe von renommierten Veteranen aus dem Einzelhandel rekrutiert, die ihre guten Kontakte zum Beispiel in die Verlagswelt mitbrachten (vgl. Soper 2018). Die Arbeit dieser Einzelhandelsexperten wurde über Jahre systematisch vermessen und mit den jeweiligen Marktentwicklungen abgeglichen: Wann hatte das Retail-Team die Nachfragedynamik richtig eingeschätzt und wann nicht? Wann wurden zum Beispiel zunächst weniger Einheiten eines Produktes bestellt, als später tatsächlich nachgefragt wurden?

Das Marketplace-Team hingegen war von Anfang an viel stärker auf die Automatisierung von Markttransaktionen angewiesen: Jeder Dritthändler konnte sich anmelden und seine Produkte zu selbst festgelegten Preisen auf der Website anbieten. Amazon beobachtete die Konjunkturen des Warenumschlags sehr genau und gewann so einen immer besseren Überblick über die Nachfragedynamik in den einzelnen Produktkategorien.

Vor einigen Jahren startete das Unternehmen dann, unter anderem gestützt auf die Daten des Marketplace, eine Initiative mit dem Titel »Hands off the wheel« (was so viel bedeutet wie »Lass das Lenkrad los«). Sie zielte darauf ab, Aufgaben wie »die Vorhersage von Nachfrageentwicklungen, Bestellvorgänge und Preisverhandlungen« von Algorithmen ausführen zu lassen (ebd.). Zunächst konnten die Mitarbeiter des Retail-Teams die algorithmisch getroffenen Entscheidungen noch stoppen oder verändern. Die Algorithmen erwiesen sich aber offenbar als so zuverlässig, dass ihnen immer mehr Tätigkeiten zugeordnet wurden, bei denen die Beschäftigten dann keine Vetomöglichkeiten mehr hatten.

Seit 2016 finden Verhandlungen zwischen Produzenten und Amazon nun in aller Regel automatisiert über unternehmenseigene Interfaces statt: Anstelle eines Anrufs beim zuständigen Einkaufsmanager loggen sich Firmen in ein Portal ein, um zu erfahren, welche Produkte Amazon ihnen in welcher Stückzahl und zu welchem Preis zu welchem Zeitpunkt abnehmen möchte. Die Zusammenlegung des Marketplace- und des Retail-Teams markiert den Endpunkt der datengetriebenen Automatisierung des Letzteren.

Wo auch immer die Fähigkeiten umfassender Datenextraktion und Informationskontrolle zusammenkommen, sind im Prinzip ähnliche Strategien vorstellbar – etwa bei Unternehmenssoftware, wo die wichtigsten Anbieter in jüngerer Vergangenheit genau diesen Weg eingeschlagen haben, beispielsweise durch den Kauf von Start-ups mit Expertise in der Automatisierung administrativer Aufgaben (Staab/Nyckel 2019).

In solchen Fällen zeigt sich exemplarisch ein wichtiger Trend: Automatisierungsstrategien, die sich an den Leitunternehmen des kommerziellen Internets orientieren, zielen mehr und mehr auf mittlere Berufe und die unteren Stufen des betrieblichen Managements (Staab 2016), dessen kalkulativen, prädiktiven, administrativen und sozialen Aufgaben Algorithmen offenbar deutlich präziser oder zumindest billiger erfüllen können. Mittelfristig kann das auf eine Radikalisierung von Herrschaft hinauslaufen. Langfristig werden die Herrscher der Daten ihre Automatisierungserfolge nicht nur in immer größere Marktmacht umsetzen, sondern diese Fertigkeiten auch als Produkt an ihre ökonomischen und sozialen Peripherien zurückverkaufen können. Basis und erwartbarer Effekt dieser Prozesse ist eine hochgradig vermachtete Situation, in der Informationskontrolle durch einseitige Transparenz ins Werk gesetzt wird.

Zugangs- und Preiskontrolle: Einseitige Rechte

Einseitige Informationskontrolle, die heute in der Arbeitswelt immer wichtiger wird, ist nicht die einzige Kontrollform, die vom kommerziellen Internet aus in immer weitere Teile der Ökonomie streut. Dasselbe gilt für Zugangs- und Preiskontrollen, die für die Abschöpfung von Profiten aus Marktbesitz so zentral sind. Wie in Kapitel 4 ausführlich dargelegt, können Marktbesitzer über die Ausübung von Zugangskontrolle effektiv die ökonomische Konkurrenz gestalten. Die Plattformbetreiber bekommen so Kontrolle über die Preise.

Auch diese enorm erfolgreichen Herrschaftsstrategien werden in der Arbeitswelt imitiert. Natürlich konnten Unternehmen schon immer entscheiden, wem sie einen Arbeitsvertrag geben und so »Zugang gewähren« wollten. Aus ihrer wachsenden Informationskontrolle ergeben sich hier allerdings relativ neue und stärker automatisierte Möglichkeiten. Nehmen wir noch einmal das Beispiel Radar: Die über solche Systeme hergestellte Fusion aus Leistungsbewertung und Personalentwicklung verweist direkt darauf, wie Informationskontrolle sich für Beschäftigte in Zugangs- und Preiskontrolle (in diesem Fall des Preises von Arbeitskraft, also der Löhne) transformiert. Zum einen dienen die über Radar erhobenen Scores der Einteilung der Belegschaft in Gruppen. Der wichtigste Faktor hierbei betrifft die Tatsache,