{"id":3074,"date":"2026-05-28T06:51:00","date_gmt":"2026-05-28T04:51:00","guid":{"rendered":"https:\/\/andresass.com\/?p=3074"},"modified":"2026-05-22T12:11:35","modified_gmt":"2026-05-22T10:11:35","slug":"ki-management-entscheidungen","status":"publish","type":"post","link":"https:\/\/andresass.com\/de\/impulse\/ki-management-entscheidungen\/","title":{"rendered":"KI in der F\u00fchrungsentscheidung: Vom Orakel zum Sparringspartner"},"content":{"rendered":"\n

Die Folie mit 47 Datenpunkten<\/h2>\n\n\n\n

Die Vorstandssitzung beginnt. Vor jedem Teilnehmer liegt eine vom KI-System erstellte Analyse: 47 Datenpunkte, f\u00fcnf 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, tats\u00e4chlich die richtige Entscheidung war.<\/p>\n\n\n\n

\n

KI kann Entscheidungen besser machen. Sie kann auch das Gegenteil bewirken, wenn sie ungepr\u00fcft akzeptiert wird. Der Unterschied liegt nicht im Algorithmus, sondern in der F\u00fchrungskraft, die seine Ergebnisse interpretiert.<\/strong><\/p>\n<\/blockquote>\n\n\n\n

Ein Gesch\u00e4ftsf\u00fchrer, den ich beraten<\/a> habe, hatte ein KI-gest\u00fctztes Forecasting-System f\u00fcr seine Bereichsleiter eingef\u00fchrt<\/a>. Nach sechs Monaten beobachtete er ein Muster: Die Entscheidungen wurden schneller, die Diskussionen k\u00fcrzer, die Sicherheit gr\u00f6\u00dfer. Und gleichzeitig verflachten die strategischen Diskussionen, weil die Ergebnisse des Systems eine Klarheit suggerierten, die nicht durch eigenes Nachdenken erk\u00e4mpft worden war. \u201eWir entscheiden schneller und f\u00fchlen uns sicherer. Aber wir hinterfragen weniger“, brachte er es auf den Punkt. Das war keine Anti-KI-Haltung. Das war eine ehrliche Beobachtung \u00fcber den Preis, den auch n\u00fctzliche Hilfsmittel fordern.<\/p>\n\n\n\n

Es gibt eine reflexhafte Polarisierung beim Thema KI in der F\u00fchrung: Die einen erwarten eine Revolution der Entscheidungsqualit\u00e4t, die anderen warnen vor dem Verlust menschlicher Urteilskraft. Beide Perspektiven greifen zu kurz. KI ver\u00e4ndert die Art, wie F\u00fchrungskr\u00e4fte Informationen verarbeiten und Optionen bewerten. Aber sie ersetzt nicht die Verantwortung daf\u00fcr, was eine Organisation tut und warum. Drei Hebel helfen, die Technologie richtig einzusetzen.<\/p>\n\n\n\n

Hebel 1: Verstehen, wo KI Mehrwert schafft und wo nicht<\/h2>\n\n\n\n

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 St\u00e4rken und Schw\u00e4chen. KI ist ein Verst\u00e4rker beider Systeme, aber sie funktioniert nicht \u00fcberall gleich gut.<\/p>\n\n\n\n

Wo KI tats\u00e4chlich Mehrwert schafft: bei der Verarbeitung gro\u00dfer Datenmengen, die menschliche Analysef\u00e4higkeit \u00fcbersteigen. Bei der Identifikation von Mustern, die wir mit blo\u00dfem Auge \u00fcbersehen. 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 w\u00fcrden.<\/p>\n\n\n\n

Wo KI nicht hilft: bei Entscheidungen, deren Datenbasis d\u00fcnn 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 \u00fcberall dort, wo die Annahmen<\/a>, auf denen das System trainiert wurde, nicht mehr zur aktuellen Realit\u00e4t passen.<\/p>\n\n\n\n

Wo KI Mehrwert schafft<\/th>Wo F\u00fchrung gefragt bleibt<\/th><\/tr><\/thead>
Gro\u00dfe Datenmengen analysieren<\/td>Bewerten, ob die Daten die richtige Frage beantworten<\/td><\/tr>
Muster erkennen<\/td>Beurteilen, ob das Muster kausal oder zuf\u00e4llig ist<\/td><\/tr>
Szenarien durchspielen<\/td>Entscheiden, welches Szenario angestrebt wird<\/td><\/tr>
Kognitive Verzerrungen reduzieren<\/td>Werte und Priorit\u00e4ten setzen, die nicht im System stecken<\/td><\/tr>
Empfehlungen konsistent ableiten<\/td>Den blinden Fleck des Systems erkennen<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Die h\u00e4ufigste Fehleinsch\u00e4tzung: KI wird wie ein Orakel behandelt, das Antworten liefert, statt wie ein Sparringspartner<\/a>, der Annahmen pr\u00fcft. In der Psychologie ist dieses Ph\u00e4nomen als Automation Bias bekannt: die Neigung, automatisierten Vorschl\u00e4gen 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.<\/p>\n\n\n\n

Hebel 2: Den blinden Fleck des Systems erkennen<\/h2>\n\n\n\n

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 R\u00fcckspiegel. Sie extrapolieren die Vergangenheit. Wenn die Trainingsdaten einseitig oder veraltet sind, gilt der Grundsatz der Informatik: \u201eGarbage in, garbage out“. Ein Algorithmus optimiert das Bestehende, aber er kann keinen Entwicklungen vorhersehen, die so noch nie stattgefunden haben.<\/p>\n\n\n\n

Eine Bereichsleiterin, die ich bei der Einf\u00fchrung eines KI-gest\u00fctzten Beschaffungssystems begleitet habe, erlebte das in einer entscheidenden Situation: Das System empfahl, einen langj\u00e4hrigen Zweitlieferanten zugunsten des prim\u00e4ren Anbieters auszulisten. Die Argumentation war logisch: besserer Preis, vergleichbare Liefertreue in der Historie. Sie folgte der Empfehlung. Als der verbliebene Hauptlieferant Monate sp\u00e4ter 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 Abh\u00e4ngigkeit, die durch den Wegfall der zweiten Quelle entstand. Die Lehre, die sie daraus zog: \u201eIch frage mich seither bei jeder Empfehlung zuerst, welches Risiko sie nicht abbilden kann.“<\/p>\n\n\n\n

Die meisten KI-Systeme sind in ihrem Inneren eine Black Box. Niemand im Unternehmen kann im Detail nachvollziehen, wie eine Empfehlung zustande kam. Deshalb f\u00fchrt die Frage \u201eWie funktioniert das System?“ selten weiter. Was eine F\u00fchrungskraft dagegen beurteilen kann, ist die Empfehlung im Licht des eigenen Wissens. Drei Fragen helfen dabei. Erstens: Passt die Empfehlung zu dem, was ich \u00fcber den Kontext wei\u00df, 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 m\u00fcsste wahr sein, damit diese Empfehlung falsch ist, und wie wahrscheinlich ist das? Diese Frage verwandelt eine scheinbar eindeutige Empfehlung zur\u00fcck in das, was sie ist: eine Hypothese unter Annahmen. Damit wird die kritische Pr\u00fcfung auch zu einer Frage des Risikomanagements<\/a>: Wer die blinden Flecken nicht bedenkt, kann das Risiko der Empfehlung nicht bewerten.<\/p>\n\n\n\n

In meiner Beratungspraxis<\/a> sehe ich diese Frage nach den Annahmen viel zu selten gestellt. Die Folie mit den Empfehlungen wirkt \u00fcberzeugend. Niemand will derjenige sein, der die Sitzung mit der Frage \u201eaber stimmen die Annahmen?“ verz\u00f6gert. Diese Hemmung ist verst\u00e4ndlich, aber sie ist gef\u00e4hrlich. Die kritische Pr\u00fcfung der Annahmen ist nicht Verz\u00f6gerung. Sie ist die Voraussetzung f\u00fcr eine verantwortbare Entscheidung.<\/p>\n\n\n\n

Hebel 3: Die menschliche Entscheidung bewusst trennen<\/h2>\n\n\n\n

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 F\u00fchrungskraft treffen m\u00fcssen.<\/p>\n\n\n\n

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 Abw\u00e4gung von Werten, die nicht im System stecken: Welche Verantwortung tragen wir gegen\u00fcber 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.<\/p>\n\n\n\n

In der Praxis bedeutet das: Behandeln Sie KI-Empfehlungen als Eingangsgr\u00f6\u00dfe, nicht als Endergebnis. Nutzen Sie sie, um Ihre eigenen Annahmen zu pr\u00fcfen, nicht um sie zu ersetzen. Und schaffen Sie eine Entscheidungskultur<\/a>, in der die Frage \u201eStimmt das wirklich?“ nicht als Misstrauen gegen\u00fcber dem System gilt, sondern als Ausdruck professioneller Verantwortung. Wer KI-Empfehlungen ungepr\u00fcft akzeptiert, schafft eine neue Form der Informationsblase<\/a>: eine, in der niemand mehr widerspricht, weil der Algorithmus den Konsens schon vorgegeben hat.<\/p>\n\n\n\n

Halten Sie Ihr Urteilsverm\u00f6gen wach. Urteilsverm\u00f6gen entsteht durch \u00dcbung. Wer das eigene Urteilen dauerhaft an Systeme abgibt, verliert mit der Zeit die F\u00e4higkeit dazu. Eine Organisation, deren F\u00fchrungskr\u00e4fte ihre eigenen Entscheidungen nicht mehr durchdringen k\u00f6nnen, ist anf\u00e4llig genau in dem Moment, in dem das System eine Empfehlung gibt, die korrigiert werden m\u00fcsste. Das gilt nicht nur f\u00fcr strategische Weichenstellungen, sondern auch f\u00fcr die operative Steuerung<\/a>, in der KI zunehmend Routineentscheidungen \u00fcbernimmt. Und das Gegenteil ist genauso gef\u00e4hrlich: Wer aus Misstrauen gegen\u00fcber KI gar nicht handelt, l\u00e4uft in das Risiko des Nichthandelns<\/a>.<\/p>\n\n\n\n

Drei Fragen an Sie<\/h2>\n\n\n\n

Erstens: Bei welcher KI-gest\u00fctzten Empfehlung haben Sie zuletzt die zugrundeliegenden Annahmen aktiv hinterfragt? F\u00e4llt Ihnen kein konkretes Beispiel ein, hinterfragen Sie die n\u00e4chste Empfehlung Ihres Systems konsequent.<\/p>\n\n\n\n

Zweitens: K\u00f6nnen Sie f\u00fcr die wichtigsten Systeme in Ihrem Verantwortungsbereich benennen, auf welchen Daten sie trainiert wurden und welche Annahmen sie enthalten? Wenn nicht, ist das Wissen Voraussetzung f\u00fcr eine verantwortbare Nutzung.<\/p>\n\n\n\n

Drittens: Werden in Ihren F\u00fchrungsrunden KI-Empfehlungen als Eingangsgr\u00f6\u00dfe diskutiert oder als Endergebnis akzeptiert? Beobachten Sie das n\u00e4chste Mal bewusst und stellen Sie die Frage nach den Annahmen, auch wenn niemand sonst sie stellt.<\/p>\n\n\n\n

Der Kern<\/h2>\n\n\n\n

KI ver\u00e4ndert die Bedingungen, unter denen F\u00fchrungskr\u00e4fte entscheiden, aber sie ver\u00e4ndert nicht die Verantwortung daf\u00fcr, was entschieden wird. Die Versuchung, diese Verantwortung an ein System zu delegieren, ist gro\u00df, weil sie Entlastung verspricht. Aber sie l\u00f6st die Anforderung an F\u00fchrung nicht auf, sie verlagert sie nur, dorthin, wo niemand sie wahrnimmt.<\/p>\n\n\n\n

KI nimmt F\u00fchrungskr\u00e4ften Arbeit ab, aber nicht die Verantwortung. Wer das verwechselt, delegiert sein Urteilsverm\u00f6gen 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.<\/p>\n\n\n\n

Weiterf\u00fchrende Impulse<\/h2>\n\n\n\n

Entscheidungen unter Unsicherheit<\/a><\/strong> \u2013 Wie Sie unter unvollst\u00e4ndiger Information handlungsf\u00e4hig bleiben, mit oder ohne algorithmische Unterst\u00fctzung.<\/p>\n\n\n\n

Technical Literacy f\u00fcr F\u00fchrungskr\u00e4fte<\/a><\/strong> \u2013 Warum Sie die Technologie nicht selbst beherrschen m\u00fcssen, aber verstehen, was sie kann und was nicht.<\/p>\n\n\n\n

Alle Impulse finden Sie in der \u00dcbersicht<\/a><\/strong>.<\/p>\n","protected":false},"excerpt":{"rendered":"

KI-Systeme liefern Empfehlungen mit beeindruckender Klarheit. Warum diese Klarheit gef\u00e4hrlich werden kann und welche drei Hebel F\u00fchrungskr\u00e4ften helfen, KI als Sparringspartner zu nutzen statt als Orakel zu akzeptieren.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[89],"tags":[142,139,290],"class_list":["post-3074","post","type-post","status-publish","format-standard","hentry","category-impulse","tag-entscheidungen","tag-fuehrung","tag-ki"],"_links":{"self":[{"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/posts\/3074","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/comments?post=3074"}],"version-history":[{"count":2,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/posts\/3074\/revisions"}],"predecessor-version":[{"id":3116,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/posts\/3074\/revisions\/3116"}],"wp:attachment":[{"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/media?parent=3074"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/categories?post=3074"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/andresass.com\/de\/wp-json\/wp\/v2\/tags?post=3074"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}