Skip to content
← All Insights
Insights

«Die KI sagt aber …»

Warum eine zweite Meinung nicht automatisch die bessere Meinung ist.
• John Guthörl • 8 Min read
Artikel lesen Termin vereinbaren
«Die KI sagt aber …»

Warum eine zweite Meinung nicht automatisch die bessere Meinung ist

KI hat etwas verändert, das im Management früher teuer war: eine zweite Meinung einzuholen. Früher brauchte es dafür einen Kollegen mit Zeit, einen Spezialisten, einen Berater oder zumindest einige Stunden Recherche. Heute dauert es Sekunden. Frage formulieren, Enter drücken – und unmittelbar erscheinen Gegenargumente, Alternativen, Risiken und eine Empfehlung.

KI macht eine zweite Meinung extrem billig. Das ist ein grosser Fortschritt. Problematisch wird es, wenn aus der zweiten Meinung unbemerkt die letzte Instanz wird.

Genau dieses Muster beobachten wir zunehmend in Beratungssituationen. Eine strategische oder operative Frage wird diskutiert. Optionen werden bewertet, Rahmenbedingungen berücksichtigt und daraus entsteht eine Empfehlung. Kurz danach kommt der Gesprächspartner zurück: «Ich habe das nochmals mit der KI geprüft. Die sieht das anders.» Bis hierhin ist alles bestens. Genau dafür ist KI hervorragend geeignet: Annahmen challengen, blinde Flecken suchen, Alternativen aufzeigen und den vermeintlichen Experten zwingen, seine Empfehlung nochmals zu begründen.

Interessant wird die nächste Frage: Was genau wurde eigentlich geprüft? Kennt die KI die Vorgeschichte? Die bereits getroffenen Entscheidungen? Budget, Team, Kunden, technische Abhängigkeiten oder interne Restriktionen? Oder ist lediglich eine überzeugend formulierte zweite Meinung an die Stelle der ersten getreten? Dann wird aus: «Die KI sagt aber …» unbemerkt ein Beleg statt einer neuen Hypothese.

Wenn KI mehr Autorität bekommt als Erfahrung

Dass Menschen algorithmischen Empfehlungen teilweise besonderes Gewicht geben, ist kein neues Phänomen. Untersuchungen sprechen unter anderem von Algorithm Appreciation, Automation Bias und Overreliance. Eine 2026 veröffentlichte Studie mit Wissensarbeitern zeigte beispielsweise, dass Programmierer KI-Ratschläge in komplexen Aufgaben teilweise stärker berücksichtigten als äquivalenten Rat menschlicher Experten. Ein anderes Verhaltensexperiment zeigte, dass Menschen KI-Ratschlägen selbst dann folgen können, wenn diese verfügbaren Kontextinformationen widersprechen (ScienceDirect). NIST führt Automation Bias und Overreliance deshalb ausdrücklich als Risiken der Mensch-KI-Interaktion auf (NIST). Das ist bei generativer KI besonders relevant. Denn die Antwort sieht nicht wie ein Rohdatensatz aus. Sie sieht aus wie eine Erklärung. Und meistens wie eine ziemlich gute.

Plausibilität ist noch keine Richtigkeit

Nehmen wir eine typische Beratungssituation. Ein erfahrener Spezialist sagt nach einer Diskussion: «Unter diesen Voraussetzungen würde ich Variante B wählen.» Die Antwort kann kurz sein. Darin stecken möglicherweise trotzdem 15 Jahre Erfahrung und zwanzig Informationen, die gar nicht explizit ausgesprochen wurden:

  • Erfahrungen aus vergleichbaren Projekten,
  • Kenntnis der Organisation,
  • Fähigkeiten des Teams,
  • frühere Fehlversuche,
  • Budgetrestriktionen,
  • Architekturentscheidungen,
  • Kundenbeziehungen,
  • regulatorische Randbedingungen.

Nun erhält eine KI die Frage: «Unser Berater empfiehlt B. Wäre A nicht besser?» Die KI liefert fünf Vorteile von A, vier Risiken von B, eine Vergleichstabelle und eine strukturierte Empfehlung. Welche Antwort wirkt fundierter? Sehr wahrscheinlich die zweite.

Die KI-Antwort wirkt möglicherweise überzeugender, weil sie strukturiert, vollständig und selbstbewusst formuliert ist.

Das ist eine Stärke. Aber kein Qualitätsnachweis. Denn moderne Sprachmodelle sind ausserordentlich gut darin, Plausibilität zu erzeugen. Deshalb gehört zu jeder wichtigen KI-Antwort eine zweite Frage: Woran würde ich erkennen, wenn diese Antwort falsch ist?

Kontext entscheidet

Bei vielen Entscheidungen liegt der Unterschied zwischen einer guten und einer schlechten Empfehlung nicht im Fachwissen allein. Sondern im Kontext. Ein Mensch, der seit Jahren mit einer Organisation arbeitet, kennt Zusammenhänge, die kaum noch ausgesprochen werden. Eine KI kennt zunächst das, was ihr mitgeteilt wurde oder worauf sie tatsächlich zugreifen kann. Wir vergleichen deshalb oft gar nicht: Mensch gegen KI sondern: Erfahrung mit viel implizitem Kontext gegen analytische Breite mit möglicherweise unvollständigem Kontext.

Natürlich kann die KI genau dort überlegen sein, wo dem Menschen Wissen fehlt. Sie kann neue Technologien kennen, branchenfremde Lösungen finden, grosse Informationsmengen verarbeiten und Annahmen hinterfragen, die im Projekt längst niemand mehr prüft. Deshalb ist die Gegenüberstellung falsch.

Mensch gegen KI? Die falsche Frage.

Experten sind fehlbar. Sie vergessen Dinge, hängen an vertrauten Lösungen, überschätzen ihre Erfahrung, übersehen neue Entwicklungen oder liegen schlicht falsch. Eine KI, die einen erfahrenen Menschen korrigiert, ist deshalb kein Problem. Sie ist ein Vorteil.

  • Das produktive Muster lautet: Expertenmeinung → KI-Challenge → Gegenprüfung → bessere Entscheidung
  • Problematisch wird: Expertenmeinung → KI-Challenge → KI hat gesprochen

Die KI sollte also nicht weniger genutzt werden. Sie sollte besser genutzt werden.

Kritisches Denken verschwindet nicht – es verlagert sich

Eine Studie von Microsoft Research und Carnegie Mellon University untersuchte 319 Wissensarbeiter und 936 reale Anwendungsfälle generativer KI. Ein zentraler Befund: Höheres Vertrauen in die KI hing mit weniger berichteter kritischer Auseinandersetzung zusammen; höheres Vertrauen in die eigene Fachkompetenz dagegen mit mehr. Gleichzeitig verschob sich kritisches Denken stärker hin zu Prüfung, Integration und Verantwortung für das Ergebnis (Microsoft Research). Das ist vermutlich die entscheidende neue Kompetenz. Nicht jede Antwort selbst erzeugen. Sondern beurteilen können, wann eine erzeugte Antwort belastbar ist.

Hohe Autorität, geringe Sorgfalt

Hier entsteht in der Praxis ein merkwürdiger Widerspruch. Einer KI-Antwort wird erhebliche Bedeutung zugeschrieben. Gleichzeitig wird oft wenig geprüft, wie sie entstanden ist:

  • Welches Modell wurde verwendet?
  • Ist es für die Aufgabe geeignet?
  • Braucht die Frage aktuelle Informationen?
  • Hat das System tatsächlich recherchiert?
  • Welche Quellen wurden verwendet?
  • Welchen Kontext hat es erhalten?
  • Welche relevanten Informationen fehlen?

Wer einer Antwort grosse Bedeutung beimisst, müsste eigentlich besonders sorgfältig prüfen, wie sie entstanden ist.

In der Praxis geschieht häufig das Gegenteil: Tool öffnen. Frage stellen. Antwort lesen. Fertig.

Auch Quellen lösen das Problem nicht automatisch. Eine Quelle kann korrekt sein, aber falsch interpretiert werden. Eine Studie kann seriös sein, aber eine andere Population betreffen. Eine Information kann stimmen und trotzdem für die konkrete Entscheidung irrelevant sein.

Eine Empfehlung besteht meist aus: Fakten + Annahmen + Interpretation + Prioritäten.

Deshalb ist die bessere Frage nicht: «Hat die KI Quellen?» Sondern: «Welche Aussage hängt von welcher Annahme ab – und wie belastbar ist diese Annahme?»

Aus «Gib mir die Antwort» wird «Challenge meine Entscheidung»

Vielleicht müssen wir deshalb weniger darüber lernen, wie wir KI nach Antworten fragen – und mehr darüber, wie wir sie als Gegenüber einsetzen. Statt: «Was soll ich tun?» zum Beispiel:

  • «Ich tendiere zu B. Welche Annahmen könnten falsch sein?»
  • «Argumentiere gegen meine Empfehlung.»
  • «Welche Informationen fehlen dir, die deine Einschätzung wesentlich verändern könnten?»
  • «Welche Aussagen sind Fakten, welche Schlussfolgerungen und welche Annahmen?»
  • «Was müsste wahr sein, damit die gegenteilige Empfehlung besser wäre?»

Dann verändert sich die Rolle der KI. Von: Antwortmaschine zu: Sparringspartner.

Fünf Fragen für wichtige KI-Antworten

  • 1. Welchen Kontext kennt die KI nicht? Welche Information ist für mich selbstverständlich, wurde aber nie mitgeteilt?
  • 2. Welche Annahmen macht die Antwort? Was muss wahr sein, damit die Empfehlung funktioniert?
  • 3. Was ist Fakt – und was Interpretation? Welche Aussagen lassen sich unabhängig überprüfen?
  • 4. Woran würde ich erkennen, wenn die Antwort falsch ist? Welche Daten, Gegenbeispiele oder Erfahrungen würden sie widerlegen?
  • 5. Wer trägt die Konsequenz? Die KI nicht. Sie kann recherchieren, analysieren und challengen. Die Verantwortung bleibt beim Menschen beziehungsweise bei der Organisation.

Selbst-Check: Ist KI bei Ihnen Sparringspartner oder Autorität?

  • 1. Wann haben Sie zuletzt eine überzeugend formulierte KI-Antwort bewusst verworfen?
  • 2. Ein erfahrener Mitarbeiter und eine KI widersprechen sich. Nach welchen Kriterien entscheiden Sie, wem Sie folgen?
  • 3. Können Mitarbeitende bei wichtigen KI-Ergebnissen erklären, was sie tatsächlich überprüft haben?
  • 4. Fordern Sie die KI systematisch auf, die eigene Empfehlung zu widerlegen?
  • 5. Prüfen Sie Modell, Kontext und Informationsbasis genauso sorgfältig wie das Ergebnis?
  • 6. Wird KI als Input für eine Entscheidung behandelt – oder zunehmend als Begründung der Entscheidung?

Und zuletzt:

Ist «Die KI sagt …» in Ihrem Unternehmen eine Information – oder bereits ein Argument?

Wenn Antworten billig werden, wird Urteilsfähigkeit wertvoller

KI demokratisiert Zugang zu Wissen und Gegenpositionen. Das kann Entscheidungen erheblich verbessern. Aber es verschiebt die Aufgabe des Menschen. Die wichtigste KI-Kompetenz besteht möglicherweise nicht darin, immer bessere Prompts zu schreiben. Sondern darin, eine hervorragend formulierte Antwort zu lesen und trotzdem zu fragen: «Was, wenn sie falsch ist?»

Webinar: KI aus technischer und Managementperspektive

Wie nutzen wir KI als Sparringspartner, ohne Urteilsvermögen zu delegieren? Wie prüfen wir Kontext, Annahmen und Ergebnisse? Diese Fragen behandeln wir in unserem kommenden Webinar aus technischer und unternehmerischer Perspektive.

Das Webinar ist in Vorbereitung. Wenn Sie eine persönliche Einladung erhalten möchten, melden Sie sich über unser Kontaktformular mit dem Stichwort «KI-Webinar».

Praxis-Workshop KI – Q4 2026

Keine Hochglanz-Präsentationen. Keine konstruierten Case Studies. Keine Verkaufsveranstaltung. Wir arbeiten an realen Situationen aus Unternehmen – unter anderem daran, wie KI für Recherche, Beratung und Entscheidungsunterstützung sinnvoll eingesetzt werden kann.

Sie bringen Ihre Fragestellung und Ihre Zeit mit. Wir bringen Erfahrung, kritische Fragen und zwei unterschiedliche Blickwinkel mit. Die Teilnahme ist kostenlos und unverbindlich. Details und Termine folgen.

Quellen