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 zu einem Denkfehler. Nicht zu einem Signal. Nicht zu einer Perspektive. Zu einem Fehler in ihrer Wahrnehmung, der korrigiert werden muss.

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 ein Bias. Der Unterschied liegt nicht in der Qualität der Einschätzung. Er liegt in der Position. Wer oben steht, urteilt. Wer unten steht, verzerrt.

Ich habe das oft gesehen. In Unternehmen, die digitalisieren, automatisieren, transformieren. 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 managed.

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 kein Bias. Skepsis ist die natürliche Reaktion auf ein Versprechen, das sich noch nicht bewiesen hat. Sie ist keine Pathologie. Sie ist 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 sehen, was andere nicht sehen. 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 keine Analyse. Das ist Rhetorik. Es dient dazu, die Diskussion zu beenden, bevor sie beginnt.

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 nicht vorgesehen. Die sollen akzeptieren. Und wenn sie es nicht tun, haben sie einen Bias.