Die Vorstandssitzung beginnt. Vor jedem Teilnehmer liegt eine vom KI-System erstellte Analyse: 47 Datenpunkte, fünf Szenarien, drei priorisierte Handlungsempfehlungen. Die Empfehlung des Systems ist eindeutig. Die Diskussion auch. Nach zwanzig Minuten ist die Entscheidung gefallen. Und niemand stellt die Frage, ob das, was der Algorithmus vorgeschlagen hat, tatsächlich die richtige Entscheidung war.
KI kann Entscheidungen besser machen. Sie kann auch das Gegenteil bewirken, wenn sie ungeprüft akzeptiert wird. Der Unterschied liegt nicht im Algorithmus, sondern in der Führungskraft, die seine Ergebnisse interpretiert.
Ein Geschäftsführer, den ich beraten habe, hatte ein KI-gestütztes Forecasting-System für seine Bereichsleiter eingeführt. Nach sechs Monaten beobachtete er ein Muster: Die Entscheidungen wurden schneller, die Diskussionen kürzer, die Sicherheit größer. Und gleichzeitig verflachten die strategischen Diskussionen, weil die Ergebnisse des Systems eine Klarheit suggerierten, die nicht durch eigenes Nachdenken erkämpft worden war. „Wir entscheiden schneller und fühlen uns sicherer. Aber wir hinterfragen weniger“, brachte er es auf den Punkt. Das war keine Anti-KI-Haltung. Das war eine ehrliche Beobachtung über den Preis, den auch nützliche Hilfsmittel fordern.
Es gibt eine reflexhafte Polarisierung beim Thema KI in der Führung: Die einen erwarten eine Revolution der Entscheidungsqualität, die anderen warnen vor dem Verlust menschlicher Urteilskraft. Beide Perspektiven greifen zu kurz. KI verändert die Art, wie Führungskräfte Informationen verarbeiten und Optionen bewerten. Aber sie ersetzt nicht die Verantwortung dafür, was eine Organisation tut und warum. Drei Hebel helfen, die Technologie richtig einzusetzen.
Daniel Kahneman beschrieb in seiner Forschung zwei Denksysteme: System 1 arbeitet schnell, intuitiv und automatisch. System 2 arbeitet langsam, analytisch und bewusst. Beide haben ihre Stärken und Schwächen. KI ist ein Verstärker beider Systeme, aber sie funktioniert nicht überall gleich gut.
Wo KI tatsächlich Mehrwert schafft: bei der Verarbeitung großer Datenmengen, die menschliche Analysefähigkeit übersteigen. Bei der Identifikation von Mustern, die wir mit bloßem Auge übersehen. Bei der Durchspielung von Szenarien, deren Zahl die menschliche Vorstellungskraft sprengt. Bei der Reduktion kognitiver Verzerrungen, indem sie konsistent dieselben Kriterien anwendet, wo Menschen je nach Tageslaune unterschiedlich entscheiden würden.
Wo KI nicht hilft: bei Entscheidungen, deren Datenbasis dünn oder einseitig ist. Bei Situationen, die in der Vergangenheit so nicht vorgekommen sind. Bei Bewertungen, die ethische, kulturelle oder politische Dimensionen haben, die sich nicht algorithmisch fassen lassen. Und überall dort, wo die Annahmen, auf denen das System trainiert wurde, nicht mehr zur aktuellen Realität passen.
| Wo KI Mehrwert schafft | Wo Führung gefragt bleibt |
|---|---|
| Große Datenmengen analysieren | Bewerten, ob die Daten die richtige Frage beantworten |
| Muster erkennen | Beurteilen, ob das Muster kausal oder zufällig ist |
| Szenarien durchspielen | Entscheiden, welches Szenario angestrebt wird |
| Kognitive Verzerrungen reduzieren | Werte und Prioritäten setzen, die nicht im System stecken |
| Empfehlungen konsistent ableiten | Den blinden Fleck des Systems erkennen |
Die häufigste Fehleinschätzung: KI wird wie ein Orakel behandelt, das Antworten liefert, statt wie ein Sparringspartner, der Annahmen prüft. In der Psychologie ist dieses Phänomen als Automation Bias bekannt: die Neigung, automatisierten Vorschlägen zu vertrauen und eigene, widersprechende Beobachtungen zugunsten der algorithmischen Empfehlung zu verwerfen, ohne dass jemand diesen Vorgang bemerkt. Wer Algorithmen befragt, statt sie zu hinterfragen, verlagert die Verantwortung an ein System, das diese Verantwortung nicht tragen kann.
Jedes KI-System hat blinde Flecken. Sie liegen in den Daten, mit denen es trainiert wurde, in den Annahmen seiner Entwickler und in den Grenzen seiner Modellarchitektur. Wer mit KI arbeitet, ohne diese blinden Flecken zu kennen, vertraut einem System, dessen Limitierungen er nicht versteht. KI-Systeme blicken prinzipbedingt in den Rückspiegel. Sie extrapolieren die Vergangenheit. Wenn die Trainingsdaten einseitig oder veraltet sind, gilt der Grundsatz der Informatik: „Garbage in, garbage out“. Ein Algorithmus optimiert das Bestehende, aber er kann keinen Entwicklungen vorhersehen, die so noch nie stattgefunden haben.
Eine Bereichsleiterin, die ich bei der Einführung eines KI-gestützten Beschaffungssystems begleitet habe, erlebte das in einer entscheidenden Situation: Das System empfahl, einen langjährigen Zweitlieferanten zugunsten des primären Anbieters auszulisten. Die Argumentation war logisch: besserer Preis, vergleichbare Liefertreue in der Historie. Sie folgte der Empfehlung. Als der verbliebene Hauptlieferant Monate später in eine Lieferkrise geriet, gab es keine Alternative mehr. Das System hatte richtig gerechnet, aber ein Risiko nicht gesehen, das in keinen historischen Daten stand: die Abhängigkeit, die durch den Wegfall der zweiten Quelle entstand. Die Lehre, die sie daraus zog: „Ich frage mich seither bei jeder Empfehlung zuerst, welches Risiko sie nicht abbilden kann.“
Die meisten KI-Systeme sind in ihrem Inneren eine Black Box. Niemand im Unternehmen kann im Detail nachvollziehen, wie eine Empfehlung zustande kam. Deshalb führt die Frage „Wie funktioniert das System?“ selten weiter. Was eine Führungskraft dagegen beurteilen kann, ist die Empfehlung im Licht des eigenen Wissens. Drei Fragen helfen dabei. Erstens: Passt die Empfehlung zu dem, was ich über den Kontext weiß, oder widerspricht sie meiner Erfahrung? Ein Widerspruch ist kein Beweis, dass die KI falsch liegt, aber ein Signal, genauer hinzusehen. Zweitens: Was kann das System strukturell nicht wissen? Ereignisse, die noch nie eingetreten sind, weiche Faktoren wie Beziehungen und Vertrauen, strategische Absichten, die in keinen Daten stehen. Drittens: Was müsste wahr sein, damit diese Empfehlung falsch ist, und wie wahrscheinlich ist das? Diese Frage verwandelt eine scheinbar eindeutige Empfehlung zurück in das, was sie ist: eine Hypothese unter Annahmen. Damit wird die kritische Prüfung auch zu einer Frage des Risikomanagements: Wer die blinden Flecken nicht bedenkt, kann das Risiko der Empfehlung nicht bewerten.
In meiner Beratungspraxis sehe ich diese Frage nach den Annahmen viel zu selten gestellt. Die Folie mit den Empfehlungen wirkt überzeugend. Niemand will derjenige sein, der die Sitzung mit der Frage „aber stimmen die Annahmen?“ verzögert. Diese Hemmung ist verständlich, aber sie ist gefährlich. Die kritische Prüfung der Annahmen ist nicht Verzögerung. Sie ist die Voraussetzung für eine verantwortbare Entscheidung.
Der dritte Hebel ist der unbequemste, weil er Disziplin verlangt. Trennen Sie konsequent zwischen den Vorarbeiten, bei denen KI helfen kann, und der Entscheidung selbst, die Sie als Führungskraft treffen müssen.
Die Vorarbeiten umfassen Analyse, Szenariobildung, Bewertung von Optionen anhand definierter Kriterien. Hier kann KI Tempo und Tiefe verbessern. Die Entscheidung selbst ist etwas anderes. Sie umfasst die Abwägung von Werten, die nicht im System stecken: Welche Verantwortung tragen wir gegenüber den Mitarbeitern? Welche Risiken sind wir bereit einzugehen? Welche Art von Unternehmen wollen wir sein? Diese Fragen lassen sich nicht delegieren, weder an Mitarbeiter noch an Algorithmen.
In der Praxis bedeutet das: Behandeln Sie KI-Empfehlungen als Eingangsgröße, nicht als Endergebnis. Nutzen Sie sie, um Ihre eigenen Annahmen zu prüfen, nicht um sie zu ersetzen. Und schaffen Sie eine Entscheidungskultur, in der die Frage „Stimmt das wirklich?“ nicht als Misstrauen gegenüber dem System gilt, sondern als Ausdruck professioneller Verantwortung. Wer KI-Empfehlungen ungeprüft akzeptiert, schafft eine neue Form der Informationsblase: eine, in der niemand mehr widerspricht, weil der Algorithmus den Konsens schon vorgegeben hat.
Halten Sie Ihr Urteilsvermögen wach. Urteilsvermögen entsteht durch Übung. Wer das eigene Urteilen dauerhaft an Systeme abgibt, verliert mit der Zeit die Fähigkeit dazu. Eine Organisation, deren Führungskräfte ihre eigenen Entscheidungen nicht mehr durchdringen können, ist anfällig genau in dem Moment, in dem das System eine Empfehlung gibt, die korrigiert werden müsste. Das gilt nicht nur für strategische Weichenstellungen, sondern auch für die operative Steuerung, in der KI zunehmend Routineentscheidungen übernimmt. Und das Gegenteil ist genauso gefährlich: Wer aus Misstrauen gegenüber KI gar nicht handelt, läuft in das Risiko des Nichthandelns.
Erstens: Bei welcher KI-gestützten Empfehlung haben Sie zuletzt die zugrundeliegenden Annahmen aktiv hinterfragt? Fällt Ihnen kein konkretes Beispiel ein, hinterfragen Sie die nächste Empfehlung Ihres Systems konsequent.
Zweitens: Können Sie für die wichtigsten Systeme in Ihrem Verantwortungsbereich benennen, auf welchen Daten sie trainiert wurden und welche Annahmen sie enthalten? Wenn nicht, ist das Wissen Voraussetzung für eine verantwortbare Nutzung.
Drittens: Werden in Ihren Führungsrunden KI-Empfehlungen als Eingangsgröße diskutiert oder als Endergebnis akzeptiert? Beobachten Sie das nächste Mal bewusst und stellen Sie die Frage nach den Annahmen, auch wenn niemand sonst sie stellt.
KI verändert die Bedingungen, unter denen Führungskräfte entscheiden, aber sie verändert nicht die Verantwortung dafür, was entschieden wird. Die Versuchung, diese Verantwortung an ein System zu delegieren, ist groß, weil sie Entlastung verspricht. Aber sie löst die Anforderung an Führung nicht auf, sie verlagert sie nur, dorthin, wo niemand sie wahrnimmt.
KI nimmt Führungskräften Arbeit ab, aber nicht die Verantwortung. Wer das verwechselt, delegiert sein Urteilsvermögen an ein System, das kein Urteil hat, sondern nur rechnet. Nutzen Sie die Empfehlung als das, was sie ist: ein gut informierter Ausgangspunkt. Die Entscheidung bleibt Ihre.
Entscheidungen unter Unsicherheit – Wie Sie unter unvollständiger Information handlungsfähig bleiben, mit oder ohne algorithmische Unterstützung.
Technical Literacy für Führungskräfte – Warum Sie die Technologie nicht selbst beherrschen müssen, aber verstehen, was sie kann und was nicht.
Alle Impulse finden Sie in der Übersicht.
