Skepsis ist kein Bias

In fast jeder KI-Einführung taucht irgendwann ein Begriff auf. Status-quo-Bias. Die Neigung, am Bestehenden festzuhalten, auch wenn das Neue besser wäre. Berater verwenden ihn, um zu erklären, warum Mitarbeiter sich gegen KI sträuben. Es sei eine kognitive Verzerrung. Ein psychologisches Muster. Etwas, das überwunden werden muss.

Mitarbeiter, die skeptisch sind, haben keinen Instinkt. Sie haben einen Bias.

Das ist eine bemerkenswerte Umdeutung. Du nimmst Menschen, die seit Jahren in einem Prozess arbeiten und ihn kennen, und erklärst ihre Bedenken eher zu einem Denkfehler, der korrigiert werden muss. Und nicht zu einem Alarmsignal oder gar zu einer zukunftsgerichteten Perspektive.

Dieselben Berater, die den Mitarbeitern einen Bias attestieren, entscheiden sich regelmässig gegen KI-Tools in ihrer eigenen Arbeit. Bei Texten, Analysen, Strategiepapieren. Weil der Output nicht die nötige Qualität liefert. Sie haben also selbst erfahren, dass KI in ihrem Bereich nicht gut genug ist. Sie waren skeptisch gegenüber dem KI-Output und haben sich für den menschlichen Weg entschieden.

Ist das Status-quo-Bias? Oder ist das eine informierte Einschätzung?

Die Frage beantwortet sich selbst. Bei den Beratern ist es professionelles Urteil. Bei den Mitarbeitern ist es eben dieser Bias, den man ihnen auch nicht übel nehmen kann. Der Unterschied liegt nicht in der Qualität der Einschätzung. Er liegt in der Position.

Ich hatte genug Gelegenheit, das mit eigenen Augen zu beobachten. Und das nicht zu wenig, egal ob es Digitalisierung, Transformation oder andere Automatisierungsprojekte betrifft. Die Leute auf dem Shopfloor, im Kundenservice, in der Sachbearbeitung sagen: Das wird so nicht funktionieren. Und dann wird ein Berater eingeflogen, der erklärt, warum das Widerstand ist und wie man ihn handhabt.

Zwei Jahre später stellt sich heraus, dass die Sachbearbeiterin recht hatte. Der Prozess, der automatisiert werden sollte, hatte Abhängigkeiten, die im Prozessdiagramm nicht sichtbar waren. Das Kundensystem funktionierte anders als die Dokumentation es beschrieb. Die Ausnahmen, die angeblich selten vorkamen, kamen täglich vor. Die Sachbearbeiterin wusste das. Der Berater nicht. Aber die Sachbearbeiterin hatte einen Bias und der Berater einen Auftrag.

Skepsis ist noch lange kein Bias. Sie ist vielmehr eine natürliche Reaktion auf eine Wunschvorstellung, die sich noch nicht bewiesen hat und es wahrscheinlich auch nicht wird. Sie ist also Vernunft.

Es gibt einen einfachen Test. Wenn Berater selbst skeptisch gegenüber KI-Output sind und das als professionelle Entscheidung verteidigen, dann müssen sie dasselbe Recht den Mitarbeitern zugestehen. Wenn ein Lagerarbeiter sagt, die KI-gestützte Bestandsplanung stimmt nicht mit der Realität überein, ist das kein Status-quo-Bias. Das ist Feldwissen.

Das Muster ist immer dasselbe: Widerstand gegen KI wird erklärt, nie analysiert. Es wird nie gefragt, was die Skeptiker wissen. Was sie aus der Praxis sehen und der Berater vom Schreibtisch aus nicht. Ob ihre Einwände vielleicht Daten sind, die das Modell nicht enthält.

In einer klugen Organisation wäre Skepsis ein Input. Jemand, der sagt “Das funktioniert nicht”, liefert eine Hypothese. Man kann sie prüfen. Man kann sie widerlegen. Oder man kann feststellen, dass sie stimmt. Aber dafür müsste man sie erst einmal als Hypothese behandeln und nicht als Defizit.

Stattdessen wird ein psychologisches Konzept genommen, das eigentlich aus der Verhaltensökonomie stammt und dort eine spezifische Bedeutung hat, und als Etikett auf jeden Mitarbeiter geklebt, der nicht sofort begeistert ist. Das ist auf alle Fälle keine Analyse, sondern Rhetorik und dient dazu, die Diskussion zu beenden, bevor sie überhaupt angefangen hat.

Wer Berater ist, kann sich den Luxus leisten, skeptisch zu sein. Er sitzt am Schreibtisch und entscheidet: Hier ist KI nicht gut genug. Für die Mitarbeiter, über die er schreibt, ist dieser Luxus erst mal nicht vorgesehen. Die sollen lieber stillschweigend akzeptieren, denn wenn sie es nicht tun, haben sie wieder einen Bias.