{"id":326231,"date":"2026-09-30T04:57:31","date_gmt":"2026-09-30T01:57:31","guid":{"rendered":"https:\/\/ceotudent.com\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen"},"modified":"2026-09-30T04:57:31","modified_gmt":"2026-09-30T01:57:31","slug":"kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen","title":{"rendered":"Kontr\u00e4res Denken im Job: Wie Sie produktiv widersprechen, wenn alle der KI zustimmen"},"content":{"rendered":"<p><strong>Kurz gesagt.<\/strong> Das Meeting des Jahres 2026 hat einen neuen Teilnehmer: eine KI-Antwort, die in das gemeinsame Dokument kopiert wird, bevor irgendjemand nachgedacht hat. Wenn sich das Team darauf einigt, addieren sich zwei gut dokumentierte Verzerrungen. Automation Bias bringt Menschen dazu, dem Vorschlag einer Maschine zu folgen, und soziale Konformit\u00e4t bringt sie dazu, einander zu folgen. Die Kosten sind messbar. In einem pr\u00e4registrierten Feldexperiment mit 758 Beraterinnen und Beratern der Boston Consulting Group lagen Personen, die GPT-4 bei einer bewusst au\u00dferhalb der Kompetenz der KI platzierten Aufgabe nutzten, in 60 % bzw. 70 % der F\u00e4lle richtig, gegen\u00fcber 84,5 % bei Beratern ohne KI, ein durchschnittlicher R\u00fcckgang um 19 Prozentpunkte. In einem Experiment in der Zeitschrift Radiology fiel die Genauigkeit unerfahrener Radiologinnen und Radiologen von 79,7 % auf 19,8 %, wenn eine vermeintliche KI die falsche Kategorie vorschlug. Die gute Nachricht stammt aus der \u00e4ltesten Studie dieses Artikels: In Solomon Aschs Konformit\u00e4tsexperimenten beugten sich die Versuchspersonen in 36,8 % der Urteile einer falschen Mehrheit, doch ein einziger wahrheitsgetreuer Partner senkte diesen Druck auf ein Viertel. Im Folgenden: warum Zustimmung zur KI sich sicher anf\u00fchlt, warum zugewiesene Advocati Diaboli schlechter abschneiden, ein Protokoll in f\u00fcnf Schritten, mit dem Sie widersprechen k\u00f6nnen, ohne zum B\u00fcro-Querulanten zu werden, ein Gespr\u00e4chsleitfaden und was F\u00fchrungskr\u00e4fte \u00e4ndern m\u00fcssen, damit Widerspruch tats\u00e4chlich die Entscheidung erreicht.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Warum-ist-%E2%80%9Ealle-stimmen-der-KI-zu%E2%80%9D-eine-neue-Form-von-Gruppendenken\" >Warum ist \u201ealle stimmen der KI zu&rdquo; eine neue Form von Gruppendenken?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Was-sagt-die-Evidenz-darueber-der-KI-zu-folgen-wenn-sie-falsch-liegt\" >Was sagt die Evidenz dar\u00fcber, der KI zu folgen, wenn sie falsch liegt?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Ist-die-Loesung-zum-Buero-Querulanten-zu-werden\" >Ist die L\u00f6sung, zum B\u00fcro-Querulanten zu werden?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Wann-sollten-Sie-einen-KI-gestuetzten-Konsens-infrage-stellen\" >Wann sollten Sie einen KI-gest\u00fctzten Konsens infrage stellen?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Das-Second-Voice-Protokoll-wie-Sie-produktiv-widersprechen\" >Das Second-Voice-Protokoll: wie Sie produktiv widersprechen<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Wie-koennen-Fuehrungskraefte-Widerspruch-sicher-und-nuetzlich-machen\" >Wie k\u00f6nnen F\u00fchrungskr\u00e4fte Widerspruch sicher und n\u00fctzlich machen?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Die-CEO-und-Student-Perspektive-Urteilskraft-verantworten-aus-Irrtuemern-lernen\" >Die CEO- und Student-Perspektive: Urteilskraft verantworten, aus Irrt\u00fcmern lernen<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Haeufig-gestellte-Fragen\" >H\u00e4ufig gestellte Fragen<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/de\/kontraeres-denken-im-job-produktiv-widersprechen-wenn-alle-der-ki-zustimmen\/#Quellen\" >Quellen<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"warum-ist-alle-stimmen-der-ki-zu-eine-neue-form-von-gruppendenken\"><span class=\"ez-toc-section\" id=\"Warum-ist-%E2%80%9Ealle-stimmen-der-KI-zu%E2%80%9D-eine-neue-Form-von-Gruppendenken\"><\/span>Warum ist \u201ealle stimmen der KI zu&rdquo; eine neue Form von Gruppendenken?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Klassisches Gruppendenken braucht eine \u00fcberzeugende Mehrheit. Die Version des KI-Zeitalters braucht nur einen selbstsicheren Absatz, der als Erstes erscheint. Sobald er auf dem Bildschirm steht, gibt jede Person, die einen Blick darauf wirft und nickt, einem Maschinenvorschlag, den niemand unabh\u00e4ngig gepr\u00fcft hat, zus\u00e4tzliches soziales Gewicht.<\/p>\n<p>Zwei Forschungsstr\u00e4nge beschreiben die beiden H\u00e4lften dieses Effekts, und sie begegnen sich selten.<\/p>\n<p>Der erste ist Automation Bias. Eine systematische \u00dcbersichtsarbeit von Kate Goddard, Abdul Roudsari und Jeremy Wyatt aus dem Jahr 2012 im Journal of the American Medical Informatics Association definierte ihn als die Tendenz, sich \u00fcberm\u00e4\u00dfig auf Automatisierung zu verlassen. Von 13.821 gefundenen Arbeiten erf\u00fcllten 74 die Einschlusskriterien. Die Autoren stellten fest, dass der Bias durch Nutzerfaktoren wie aufgabenspezifische Erfahrung, durch Vertrauen und Zuversicht in das System sowie durch Umgebungsdruck vermittelt wurde: Arbeitslast, Aufgabenkomplexit\u00e4t und Zeitdruck. Jeder dieser Faktoren ist in einer vollen Teambesprechung vorhanden.<\/p>\n<p>Der zweite ist Konformit\u00e4t. In Aschs Experimenten, ver\u00f6ffentlicht im November 1955 im Scientific American, beurteilten 123 Versuchspersonen, welche von drei Linien einer Standardlinie entsprach, w\u00e4hrend sie zwischen eingeweihten Mitspielern sa\u00dfen, die einstimmig falsche Antworten gaben. Allein machten die Menschen in weniger als 1 % der F\u00e4lle Fehler. Unter Gruppendruck \u00fcbernahmen sie das falsche Urteil in 36,8 % der Urteile. Asch stellte au\u00dferdem fest, dass jede nachgebende Versuchsperson untersch\u00e4tzte, wie oft sie sich angepasst hatte.<\/p>\n<p>Setzt man beides zusammen, liegt der Mechanismus offen. Die KI-Antwort liefert die erste selbstsichere Stimme; Kolleginnen und Kollegen, die sich ihr anschlie\u00dfen, liefern die Mehrheit. Aschs Daten zeigen, dass der Druck schon mit wenigen Stimmen steil ansteigt: Bei einem einzigen Gegen\u00fcber irrten die Versuchspersonen in 3,6 % der F\u00e4lle, bei zweien in 13,6 %, bei dreien in 31,8 %, und dar\u00fcber hinaus f\u00fcgten gr\u00f6\u00dfere Mehrheiten kaum etwas hinzu. Ein Team muss nicht gro\u00df sein, damit eine ungepr\u00fcfte KI-Antwort das Gewicht eines einstimmigen Raums erh\u00e4lt. (Diese \u00dcbertragung einer Maschinenantwort auf Aschs Mehrheit ist unsere Interpretation, keine Aussage, die Asch getestet hat.)<\/p>\n<h2 id=\"was-sagt-die-evidenz-daruber-der-ki-zu-folgen-wenn-sie-falsch-liegt\"><span class=\"ez-toc-section\" id=\"Was-sagt-die-Evidenz-darueber-der-KI-zu-folgen-wenn-sie-falsch-liegt\"><\/span>Was sagt die Evidenz dar\u00fcber, der KI zu folgen, wenn sie falsch liegt?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Das entscheidende Wort ist \u201ewenn&rdquo;. Die meisten Studien finden, dass KI-Unterst\u00fctzung im Durchschnitt hilft. Der Schaden konzentriert sich auf die F\u00e4lle, in denen die KI falsch liegt und der Mensch es nicht bemerkt, und genau f\u00fcr diese F\u00e4lle gibt es Widersprechende.<\/p>\n<p><strong>Tabelle 1. Was passiert, wenn Menschen einer falsch liegenden KI folgen (verifizierte Daten)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Studie<\/th>\n<th>Setting<\/th>\n<th>Zentrale verifizierte Erkenntnis<\/th>\n<th>Quelle<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Dell&rsquo;Acqua et al. (2023)<\/td>\n<td>758 BCG-Beraterinnen und -Berater, pr\u00e4registriertes Feldexperiment<\/td>\n<td>Innerhalb der Grenze der KI: 12,2 % mehr Aufgaben, 25,1 % schneller, \u00fcber 40 % h\u00f6here Qualit\u00e4t. Bei einer Aufgabe, die bewusst au\u00dferhalb lag: 84,5 % richtig ohne KI gegen\u00fcber 60 % und 70 % in den beiden KI-Bedingungen, ein durchschnittlicher R\u00fcckgang um 19 Prozentpunkte<\/td>\n<td>Harvard Business School Working Paper 24-013<\/td>\n<\/tr>\n<tr>\n<td>Dratsch et al. (2023)<\/td>\n<td>27 Radiologinnen und Radiologen, 50 Mammogramme, eine vermeintliche KI gab bei 12 eine falsche Kategorie an<\/td>\n<td>Die korrekten Einstufungen fielen von 79,7 % auf 19,8 % (unerfahren), von 81,3 % auf 24,8 % (m\u00e4\u00dfig erfahren), von 82,3 % auf 45,5 % (sehr erfahren), wenn die KI falsch lag<\/td>\n<td>Radiology 307(4)<\/td>\n<\/tr>\n<tr>\n<td>Doshi und Hauser (2024)<\/td>\n<td>293 Schreibende, 3.519 Bewertungen durch 600 Bewertende<\/td>\n<td>KI-Ideen machten einzelne Geschichten kreativer, doch KI-gest\u00fctzte Geschichten \u00e4hnelten einander st\u00e4rker; die Geschichten waren der KI-Idee um 5,2 % und 5,0 % \u00e4hnlicher als rein menschliche Geschichten<\/td>\n<td>Science Advances 10(28)<\/td>\n<\/tr>\n<tr>\n<td>Sharma et al. (2024)<\/td>\n<td>F\u00fcnf KI-Assistenten, offene Aufgaben<\/td>\n<td>Auf die Frage \u201eSind Sie sicher?&rdquo; r\u00e4umten die Assistenten bei 42 % (GPT-4) bis 98 % (Claude 1.3) der Fragen Fehler ein, die sie nicht gemacht hatten; ein Nutzer, der eine falsche Antwort nahelegte, senkte die Genauigkeit um bis zu 27 %<\/td>\n<td>Konferenzbeitrag ICLR 2024<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Drei Details in dieser Tabelle sind f\u00fcr alle wichtig, die widersprechen wollen.<\/p>\n<p>Erstens: Erfahrung hilft, immunisiert aber nicht. In der Dratsch-Studie verloren die erfahrensten Radiologen 36,8 Prozentpunkte Genauigkeit, wenn die KI falsch lag, gegen\u00fcber 59,9 Punkten bei den am wenigsten erfahrenen (CEOtudent-Analyse der Daten von Dratsch et al.). Seniorit\u00e4t verringert den Absturz; sie verhindert ihn nicht. Die Autoren folgerten, dass Radiologen aller drei Erfahrungsstufen anf\u00e4llig f\u00fcr Automation Bias waren.<\/p>\n<p>Zweitens war die Dell&rsquo;Acqua-Aufgabe so gebaut, dass die Tabellenkalkulation vollst\u00e4ndig wirkte und die entscheidende Evidenz in Interviewnotizen lag. Die KI, der dasselbe Material vorlag, kam zu einem Schluss, der dem Gesamtbild widersprach. Das ist die typische Gestalt eines KI-Fehlers im Job: fl\u00fcssiges Argumentieren \u00fcber die offensichtlichen Daten, bei dem das qualitative Detail fehlt, auf das ein Mensch Zugriff hatte. Die Autoren fanden zudem, dass die Gruppe, die eine Einf\u00fchrung in Prompt Engineering erhielt, st\u00e4rker abfiel (24 Prozentpunkte in ihrer Regression) als die Gruppe nur mit GPT-4 (13 Punkte). Menschen darin zu schulen, das Werkzeug besser zu nutzen, brachte ihnen f\u00fcr sich genommen nicht bei, wann sie ihm misstrauen sollten.<\/p>\n<p>Drittens ist Konvergenz ein Merkmal des Outputs, nicht nur der Menschen. Doshi und Hauser fanden, dass generative KI die individuelle Kreativit\u00e4t erh\u00f6hte und zugleich die kollektive Bandbreite verengte, ein Muster, das sie als soziales Dilemma beschreiben. Diesen Mechanismus haben wir ausf\u00fchrlich in <a href=\"https:\/\/ceotudent.com\/de\/ki-homogenisierungseffekt-gleiche-ki-gleiche-ideen\/\">dem KI-Homogenisierungseffekt<\/a> behandelt. In einem Meeting bedeutet das: Wenn f\u00fcnf Personen jeweils dasselbe Modell befragen, sind ihre \u201eunabh\u00e4ngigen&rdquo; Sichtweisen nicht unabh\u00e4ngig.<\/p>\n<h2 id=\"ist-die-losung-zum-buro-querulanten-zu-werden\"><span class=\"ez-toc-section\" id=\"Ist-die-Loesung-zum-Buero-Querulanten-zu-werden\"><\/span>Ist die L\u00f6sung, zum B\u00fcro-Querulanten zu werden?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Nein. Reflexhaftes Dagegensein ist eine eigene Verzerrung, und die Forschung zu Widerspruch ist pr\u00e4zise darin, was funktioniert.<\/p>\n<p>Charlan Nemeth von der UC Berkeley hat Jahrzehnte lang Minderheiteneinfluss untersucht. In einem \u00dcberblick \u00fcber ihr eigenes Forschungsprogramm aus dem Jahr 2010 fasste sie zwei Experimente von 2001 zusammen, die authentischen Widerspruch mit einem zugewiesenen Advocatus Diaboli verglichen. Im ersten, einer simulierten Geschworenenstudie mit Vierergruppen, waren Position und Argumente der widersprechenden Person in allen Bedingungen identisch; der einzige Unterschied bestand darin, ob diese Person gebeten worden war, den Advocatus Diaboli zu spielen. Authentischer Widerspruch erzeugte mehr divergentes Denken, die Menschen entwickelten neue Gedanken zu beiden Seiten der Frage. Die gespielte Version erzeugte weniger und zeigte, was Nemeth \u201ekognitives Best\u00e4rken&rdquo; nennt: Die Menschen entwickelten Gedanken, die ihre urspr\u00fcngliche Position best\u00e4tigten. In der zweiten Studie unterschieden sich Varianten des Advocatus Diaboli nicht voneinander, und keine erreichte die Wirkung authentischen Widerspruchs, der kreativere L\u00f6sungen hervorbrachte.<\/p>\n<p>Ihr Fazit ist direkt: Widersprechen um des Widersprechens willen ist nicht n\u00fctzlich, gespielter Widerspruch ebenso wenig. Was hilft, ist Widerspruch, der von der Suche nach der besten Antwort motiviert ist.<\/p>\n<p>Aschs Daten liefern die andere H\u00e4lfte. Wenn ein eingeweihter Mitspieler der Mehrheit widersprach, aber eine Antwort gab, die noch weiter von der Wahrheit entfernt war, sanken die Fehler der Versuchspersonen auf 9 %. Asch folgerte, dass Widerspruch an sich die Unabh\u00e4ngigkeit erh\u00f6hte. Wer widerspricht, muss nicht recht haben, um n\u00fctzlich zu sein. Wer widerspricht, muss die Einstimmigkeit brechen, und das gibt allen anderen die Erlaubnis, zu berichten, was sie tats\u00e4chlich sehen.<\/p>\n<p>Diese Kombination ist das Anforderungsprofil f\u00fcr produktives kontr\u00e4res Denken: Seien Sie aufrichtig, seien Sie konkret, und zielen Sie darauf, einen falschen Konsens zu brechen, statt zu gewinnen.<\/p>\n<p>F\u00fcr die Disziplin, die dem zugrunde liegt, lesen Sie <a href=\"https:\/\/ceotudent.com\/de\/intellektuelle-ehrlichkeit-wettbewerbsvorteil-oefter-recht-haben-durch-schnelleres-irren\/\">intellektuelle Ehrlichkeit als Wettbewerbsvorteil<\/a>. Die Bereitschaft, sich \u00f6ffentlich zu irren, macht einen Einwand glaubw\u00fcrdig.<\/p>\n<h2 id=\"wann-sollten-sie-einen-ki-gestutzten-konsens-infrage-stellen\"><span class=\"ez-toc-section\" id=\"Wann-sollten-Sie-einen-KI-gestuetzten-Konsens-infrage-stellen\"><\/span>Wann sollten Sie einen KI-gest\u00fctzten Konsens infrage stellen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Nicht jede KI-Antwort verdient einen Streit. Die meisten sind in Ordnung, und wer alles bestreitet, verbraucht seine Glaubw\u00fcrdigkeit in den falschen Auseinandersetzungen. Die Befunde von Dell&rsquo;Acqua legen nahe, dass die Frage nicht lautet \u201eIst KI gut?&rdquo;, sondern \u201eLiegt diese Aufgabe innerhalb oder au\u00dferhalb der Grenze?&rdquo;<\/p>\n<p><strong>Tabelle 2. Wann widersprechen: der Grenz-Check (redaktionelles CEOtudent-Framework)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Signal<\/th>\n<th>Eher widersprechen<\/th>\n<th>Eher akzeptieren<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Wo die entscheidende Evidenz liegt<\/td>\n<td>In Kontext, den das Modell nicht gesehen oder gering gewichtet hat: Interviews, Kundengespr\u00e4che, ein Vor-Ort-Besuch, eine undokumentierte Einschr\u00e4nkung<\/td>\n<td>In den strukturierten Daten, die dem Modell vollst\u00e4ndig vorlagen<\/td>\n<\/tr>\n<tr>\n<td>Kosten eines Irrtums<\/td>\n<td>Hoch oder schwer umkehrbar: ein Launch, eine Einstellung, eine klinische oder rechtliche Entscheidung<\/td>\n<td>Niedrig und umkehrbar: ein Entwurf, eine erste Liste<\/td>\n<\/tr>\n<tr>\n<td>Wie der Konsens entstand<\/td>\n<td>Die Beteiligten lasen die KI-Antwort, bevor sie sich eine eigene Meinung bildeten<\/td>\n<td>Die Beteiligten bildeten sich zuerst eine Meinung, und die KI best\u00e4tigte sie unabh\u00e4ngig<\/td>\n<\/tr>\n<tr>\n<td>Ihre eigene Einsch\u00e4tzung<\/td>\n<td>Sie haben eine andere Antwort notiert, bevor Sie die der KI gesehen haben<\/td>\n<td>Sie haben keine unabh\u00e4ngige Sicht, nur ein Gef\u00fchl<\/td>\n<\/tr>\n<tr>\n<td>Zeitdruck<\/td>\n<td>Die Entscheidung wird \u00fcberst\u00fcrzt, \u201eweil die Analyse ja fertig ist&rdquo;<\/td>\n<td>Es gibt Zeit f\u00fcr eine normale Pr\u00fcfung<\/td>\n<\/tr>\n<tr>\n<td>Homogenit\u00e4t<\/td>\n<td>Alle haben dasselbe Modell mit \u00e4hnlichen Prompts befragt<\/td>\n<td>Die Sichtweisen stammen aus unterschiedlichen Quellen und Methoden<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Drei oder mehr Signale in der linken Spalte sind ein vern\u00fcnftiger Ausl\u00f6ser, um einen Einwand zu erheben. Die Zeilen st\u00fctzen sich direkt auf die Evidenz: die erste auf das Aufgabendesign von Dell&rsquo;Acqua, die dritte und vierte auf den Ankereffekt, den Doshi und Hauser gemessen haben, die f\u00fcnfte auf die Faktoren Arbeitslast und Zeit, die Goddard und Kollegen identifiziert haben.<\/p>\n<p>Die Zeile \u201eIhre eigene Einsch\u00e4tzung&rdquo; wiegt am schwersten. Wenn Sie sich keine unabh\u00e4ngige Meinung gebildet haben, bevor Sie den KI-Output gelesen haben, beruht Ihr Widerspruch wahrscheinlich eher auf Stimmung als auf Evidenz. Das ist zugleich die am leichtesten zu \u00e4ndernde Gewohnheit, und sie h\u00e4ngt mit <a href=\"https:\/\/ceotudent.com\/de\/kognitive-auslagerung-was-mit-deinem-gehirn-passiert\/\">dem Problem der kognitiven Auslagerung<\/a> zusammen: Je mehr Denken Sie dem Modell \u00fcberlassen, desto weniger unabh\u00e4ngige Sichtweisen gibt es, mit denen man es vergleichen kann.<\/p>\n<h2 id=\"das-second-voice-protokoll-wie-sie-produktiv-widersprechen\"><span class=\"ez-toc-section\" id=\"Das-Second-Voice-Protokoll-wie-Sie-produktiv-widersprechen\"><\/span>Das Second-Voice-Protokoll: wie Sie produktiv widersprechen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Aschs hoffnungsvollster Befund ist, dass ein einziger Verb\u00fcndeter den Raum ver\u00e4ndert. Mit einem wahrheitsgetreuen Partner fiel der Druck der Mehrheit auf ein Viertel seines einstimmigen Niveaus, und im Partnerexperiment blieben 18 von 27 Versuchspersonen vollst\u00e4ndig unabh\u00e4ngig, solange der Partner standhielt. Als der Partner zur Mehrheit \u00fcberlief, stiegen die Fehler abrupt an. Das folgende Protokoll soll Sie zu dieser zweiten Stimme machen, verl\u00e4sslich und ohne Drama. (Redaktionelles CEOtudent-Framework, aufgebaut auf den in diesem Artikel zitierten Studien.)<\/p>\n<p><strong>Schritt 1. Schreiben Sie Ihre Antwort zuerst auf.<\/strong> Bevor Sie den KI-Output \u00f6ffnen, notieren Sie eine zweizeilige Antwort und Ihre Zuversicht. Das ist Ihre unabh\u00e4ngige Einsch\u00e4tzung. Ohne sie k\u00f6nnen Sie nicht erkennen, ob Sie der KI widersprechen oder Ihrer Stimmung.<\/p>\n<p><strong>Schritt 2. Verorten Sie die Grenze.<\/strong> Fragen Sie, welche Evidenz das Modell nicht sehen konnte oder wahrscheinlich unterbewertet hat. Im Fall Dell&rsquo;Acqua waren es die Interviewnotizen. Benennen Sie diese Evidenz konkret.<\/p>\n<p><strong>Schritt 3. Formulieren Sie den Einwand als Test, nicht als Urteil.<\/strong> Ersetzen Sie \u201eDie KI liegt falsch&rdquo; durch eine falsifizierbare Frage: \u201eWenn die KI recht hat, was m\u00fcssten wir dann in den Interviewnotizen sehen? Lassen Sie uns genau das eine pr\u00fcfen.&rdquo; So bleibt der Einwand bei der Evidenz, und die Beteiligten k\u00f6nnen ihre Meinung \u00e4ndern, ohne das Gesicht zu verlieren.<\/p>\n<p><strong>Schritt 4. Lassen Sie nicht die KI Schiedsrichter spielen.<\/strong> Sharma und Kollegen zeigten, dass Assistenten richtige Antworten oft aufgeben, wenn ein Nutzer widerspricht, und dass die ge\u00e4u\u00dferte \u00dcberzeugung eines Nutzers die Genauigkeit um bis zu 27 % senken kann. Wenn Sie das Modell fragen \u201eSind Sie sicher?&rdquo; oder \u201eIst es nicht eigentlich X?&rdquo;, messen Sie seine Neigung, Ihnen zuzustimmen, nicht die Wahrheit. Pr\u00fcfen Sie stattdessen anhand der zugrunde liegenden Evidenz oder einer unabh\u00e4ngigen Quelle.<\/p>\n<p><strong>Schritt 5. Protokollieren Sie die Entscheidung und werten Sie sie aus.<\/strong> Halten Sie fest, wer was vorhergesagt hat und warum. Wenn das Ergebnis bekannt ist, blicken Sie zur\u00fcck. Wenn Sie falsch lagen, sagen Sie es zuerst und sagen Sie, was Sie \u00fcbersehen haben. Das ist die Student-H\u00e4lfte der Perspektive: Wer widerspricht und sich \u00f6ffentlich korrigiert, verdient sich das Recht, beim n\u00e4chsten Mal geh\u00f6rt zu werden.<\/p>\n<p><strong>Ein Leitfaden, den Sie im Meeting nutzen k\u00f6nnen:<\/strong><\/p>\n<blockquote>\n<p>\u201eBevor wir das festzurren, m\u00f6chte ich auf eine Sache hinweisen. Ich habe eine andere Antwort notiert, bevor ich den Output des Modells gelesen habe, und die Abweichung betrifft [konkrete Evidenz]. Das Modell hatte [die Interviewnotizen \/ die Vertragsklausel \/ die Retourendaten des letzten Quartals] nicht. K\u00f6nnen wir zehn Minuten darauf verwenden zu pr\u00fcfen, ob das die Empfehlung \u00e4ndert? Wenn nicht, gehe ich gern mit der Antwort der KI mit.&rdquo;<\/p>\n<\/blockquote>\n<p>Achten Sie darauf, was dieser Leitfaden leistet. Er stellt klar, dass die Sicht unabh\u00e4ngig ist. Er benennt konkrete Evidenz. Er schl\u00e4gt einen begrenzten Test vor. Und er verpflichtet sich vorab, das Ergebnis zu akzeptieren, und genau das ist der Unterschied zwischen authentischem Widerspruch und kontr\u00e4rem Theater.<\/p>\n<h2 id=\"wie-konnen-fuhrungskrfte-widerspruch-sicher-und-nutzlich-machen\"><span class=\"ez-toc-section\" id=\"Wie-koennen-Fuehrungskraefte-Widerspruch-sicher-und-nuetzlich-machen\"><\/span>Wie k\u00f6nnen F\u00fchrungskr\u00e4fte Widerspruch sicher und n\u00fctzlich machen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Individueller Mut hat Grenzen. Die entscheidende Variable bei den meisten Fehlschl\u00e4gen ist, ob der Widerspruch die Person erreicht, die entscheidet.<\/p>\n<p>Die Challenger-Katastrophe ist der dokumentierte Fall. Der Bericht der Pr\u00e4sidentenkommission (1986) kam zu dem Schluss, dass die Startentscheidung fehlerhaft war und dass denjenigen, die sie trafen, weder die urspr\u00fcngliche schriftliche Empfehlung des Auftragnehmers gegen einen Start unter 53 Grad Fahrenheit bekannt war noch \u201ethe continuing opposition of the engineers at Thiokol after the management reversed its position&rdquo;. Die Kommission stellte fest, dass das Thiokol-Management seine Position \u201econtrary to the views of its engineers&rdquo; umkehrte und dass der Start wom\u00f6glich nicht zu diesem Zeitpunkt stattgefunden h\u00e4tte, wenn die Bedenken so formuliert worden w\u00e4ren, dass sie die Sicht der meisten Thiokol-Ingenieure widerspiegelten. Der Widerspruch existierte. Das System hat ihn nicht weitergetragen.<\/p>\n<p>Amy Edmondsons Studie von 1999 mit 51 Arbeitsteams in einem Fertigungsunternehmen, ver\u00f6ffentlicht in Administrative Science Quarterly, f\u00fchrte die psychologische Sicherheit im Team ein: die gemeinsame \u00dcberzeugung, dass das Team ein sicherer Ort f\u00fcr zwischenmenschliche Risiken ist. Sie stellte fest, dass psychologische Sicherheit mit Lernverhalten zusammenhing und dass Lernverhalten zwischen psychologischer Sicherheit und Teamleistung vermittelte. Team-Wirksamkeit, also die \u00dcberzeugung, dass das Team f\u00e4hig ist, sagte Lernen nicht mehr voraus, sobald psychologische Sicherheit ber\u00fccksichtigt wurde. Zuversicht ist nicht dasselbe wie die Bereitschaft zu h\u00f6ren, dass man falsch liegt.<\/p>\n<p><strong>Tabelle 3. Evidenz f\u00fcr n\u00fctzlichen Widerspruch: vom Befund zur Praxis (redaktionelles CEOtudent-Framework)<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Forschungsbefund<\/th>\n<th>Quelle<\/th>\n<th>Praxis f\u00fcr Einzelne<\/th>\n<th>Praxis f\u00fcr F\u00fchrungskr\u00e4fte<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Ein wahrheitsgetreuer Partner senkte den Konformit\u00e4tsdruck auf ein Viertel; ein Partner, der \u00fcberlief, stellte ihn wieder her<\/td>\n<td>Asch (1955)<\/td>\n<td>Seien Sie die zweite Stimme; wenn jemand anderes zuerst widerspricht, sagen Sie es, wenn Sie die Bedenken teilen<\/td>\n<td>Sprechen Sie zuletzt. Benennen Sie den Widerspruch laut, damit die widersprechende Person nicht allein ist<\/td>\n<\/tr>\n<tr>\n<td>Zugewiesene Advocati Diaboli schneiden schlechter ab als authentischer Widerspruch und k\u00f6nnen urspr\u00fcngliche Sichtweisen verh\u00e4rten<\/td>\n<td>Nemeth (2010), zusammenfassend Nemeth et al. (2001)<\/td>\n<td>Erheben Sie nur Einw\u00e4nde, die Sie aufrichtig vertreten<\/td>\n<td>Ersetzen Sie echten Dissens nicht durch eine rotierende Advocatus-Diaboli-Rolle; fragen Sie \u201eWer sieht das tats\u00e4chlich anders?&rdquo;<\/td>\n<\/tr>\n<tr>\n<td>KI-Unterst\u00fctzung senkte die Richtigkeit bei einer Aufgabe au\u00dferhalb ihrer Grenze um 19 Punkte<\/td>\n<td>Dell&rsquo;Acqua et al. (2023)<\/td>\n<td>F\u00fchren Sie den Grenz-Check durch, bevor Sie akzeptieren<\/td>\n<td>Verlangen Sie bei KI-gest\u00fctzten Empfehlungen eine eigene Zeile \u201eEvidenz, die das Modell nicht gesehen hat&rdquo;<\/td>\n<\/tr>\n<tr>\n<td>Falsche KI-Vorschl\u00e4ge dr\u00fcckten die Genauigkeit auf jeder Erfahrungsstufe<\/td>\n<td>Dratsch et al. (2023)<\/td>\n<td>Gehen Sie nicht davon aus, dass Seniorit\u00e4t Sie sch\u00fctzt<\/td>\n<td>Lassen Sie nicht zu, dass die Zustimmung der rangh\u00f6chsten Person zu einer KI-Antwort die Diskussion beendet<\/td>\n<\/tr>\n<tr>\n<td>KI-gest\u00fctzte Ergebnisse gleichen sich einander an<\/td>\n<td>Doshi und Hauser (2024)<\/td>\n<td>Bilden Sie sich Ihre Meinung, bevor Sie das Modell befragen<\/td>\n<td>Sammeln Sie unabh\u00e4ngige schriftliche Einsch\u00e4tzungen, bevor der KI-Output geteilt wird<\/td>\n<\/tr>\n<tr>\n<td>Assistenten \u00e4ndern ihre Antworten bei Widerspruch und spiegeln die \u00dcberzeugungen der Nutzer<\/td>\n<td>Sharma et al. (2024)<\/td>\n<td>Pr\u00fcfen Sie anhand von Evidenz, nicht anhand der Zustimmung des Modells<\/td>\n<td>Werten Sie \u201eDie KI hat mir zugestimmt&rdquo; als null Evidenz<\/td>\n<\/tr>\n<tr>\n<td>Automation Bias wird gemildert, indem die Verantwortung der Nutzer betont wird und indem Informationen statt Empfehlungen geliefert werden<\/td>\n<td>Goddard et al. (2012)<\/td>\n<td>Verantworten Sie die Entscheidung unter Ihrem eigenen Namen<\/td>\n<td>Benennen Sie f\u00fcr jede KI-gest\u00fctzte Entscheidung einen verantwortlichen Menschen; fragen Sie das Werkzeug nach Evidenz und Optionen, nicht nach einem Urteil<\/td>\n<\/tr>\n<tr>\n<td>Psychologische Sicherheit sagt Lernverhalten voraus, das wiederum Leistung voraussagt<\/td>\n<td>Edmondson (1999)<\/td>\n<td>Korrigieren Sie sich \u00f6ffentlich, wenn Sie falsch lagen<\/td>\n<td>Danken Sie der widersprechenden Person auch dann, wenn der Einwand scheitert; werten Sie Entscheidungen ohne Schuldzuweisung aus<\/td>\n<\/tr>\n<tr>\n<td>Der Widerstand der Ingenieure erreichte die Entscheider \u00fcber den Start nicht<\/td>\n<td>Rogers-Kommission (1986)<\/td>\n<td>Richten Sie Bedenken schriftlich an die Person, die entscheidet<\/td>\n<td>Schaffen Sie einen Kanal, der Widerspruch bis zur entscheidenden Person tr\u00e4gt, nicht nur bis zu einer mittleren Ebene<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die Gegenmittel von Goddard verdienen Betonung, weil sie g\u00fcnstig sind. Die \u00dcbersichtsarbeit fand, dass Automation Bias durch Schulung und die Betonung der Verantwortung der Nutzer verringert wurde sowie durch Designentscheidungen am System, darunter das Bereitstellen von Informationen statt einer Empfehlung. F\u00fcr F\u00fchrungskr\u00e4fte ergibt sich daraus eine praktische Regel: Fragen Sie die KI nach der Evidenz und den Optionen, und lassen Sie die Empfehlung einen menschlichen Akt mit Namen bleiben.<\/p>\n<h2 id=\"die-ceo-und-student-perspektive-urteilskraft-verantworten-aus-irrtumern-lernen\"><span class=\"ez-toc-section\" id=\"Die-CEO-und-Student-Perspektive-Urteilskraft-verantworten-aus-Irrtuemern-lernen\"><\/span>Die CEO- und Student-Perspektive: Urteilskraft verantworten, aus Irrt\u00fcmern lernen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Was Sie entscheiden (CEO).<\/strong> Eine KI-generierte Antwort ist ein Input mit einem bekannten Fehlermuster, keine Kollegin mit Stimmrecht. Urteilskraft zu verantworten hei\u00dft, vorab festzulegen, welche Entscheidungen eine unabh\u00e4ngige menschliche Sicht erfordern, bevor der KI-Output geteilt wird, und wer f\u00fcr welche Entscheidung verantwortlich ist. Der Befund der Kommission zur Challenger erinnert daran, dass Verantwortung auch die Leitungen umfasst: Wer als Entscheider den Widerspruch nie h\u00f6rt, hat nicht wirklich entschieden.<\/p>\n<p><strong>Was Sie weiter lernen (Student).<\/strong> Die F\u00e4higkeit hei\u00dft Kalibrierung, und Kalibrierung lernt man aus Aufzeichnungen. F\u00fchren Sie ein einfaches Protokoll der Situationen, in denen Sie einen KI-gest\u00fctzten Konsens infrage gestellt oder akzeptiert haben, mit Ihrer Vorhersage und dem Ergebnis. Nach einem Quartal sehen Sie, ob Ihre Einw\u00e4nde echte Grenzf\u00e4lle finden oder nur Unbehagen ausdr\u00fccken. Sich zu irren ist nicht das Versagen; es nicht zu bemerken schon. Wenn Sie sich dabei ertappen, eine bequeme Geschichte dar\u00fcber zu erz\u00e4hlen, warum Sie die ganze Zeit recht hatten, lohnt sich ein Blick auf <a href=\"https:\/\/ceotudent.com\/de\/die-narrativ-falle-welche-ki-geschichte-ihre-zukunft-bestimmt\/\">die Narrativ-Falle<\/a>.<\/p>\n<p><strong>Was Sie nicht tun sollten.<\/strong> Werden Sie nicht zu der Person, die jeder KI-Antwort misstraut. Dasselbe Dell&rsquo;Acqua-Experiment fand gro\u00dfe Gewinne innerhalb der Grenze: mehr Aufgaben, schneller erledigt, in h\u00f6herer Qualit\u00e4t. Das Ziel ist nicht weniger KI. Das Ziel sind weniger ungepr\u00fcfte Zustimmungen.<\/p>\n<h2 id=\"hufig-gestellte-fragen\"><span class=\"ez-toc-section\" id=\"Haeufig-gestellte-Fragen\"><\/span>H\u00e4ufig gestellte Fragen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Was ist Automation Bias?<\/strong><br \/>\nAutomation Bias ist die Tendenz, sich \u00fcberm\u00e4\u00dfig auf automatisierte Vorschl\u00e4ge zu verlassen. Eine systematische \u00dcbersichtsarbeit von 2012 im JAMIA, die 74 Studien umfasste, fand, dass er durch Erfahrung, durch Vertrauen und Zuversicht in das System sowie durch Arbeitslast, Aufgabenkomplexit\u00e4t und Zeitdruck gepr\u00e4gt war. Verringert wurde er durch Schulung, durch die Betonung der Verantwortung der Nutzer und durch Systeme, die Informationen statt Empfehlungen liefern.<\/p>\n<p><strong>Sch\u00fctzt Erfahrung davor, einem falschen KI-Vorschlag zu folgen?<\/strong><br \/>\nTeilweise. In einer Radiology-Studie von 2023 fielen die korrekten Einstufungen sehr erfahrener Radiologen von 82,3 % auf 45,5 %, wenn eine vermeintliche KI die falsche Kategorie vorschlug, verglichen mit einem R\u00fcckgang von 79,7 % auf 19,8 % bei unerfahrenen Befundenden. Erfahrung verringerte den Schaden, beseitigte ihn aber nicht.<\/p>\n<p><strong>Ist ein Advocatus Diaboli ein guter Weg, einen KI-generierten Konsens infrage zu stellen?<\/strong><br \/>\nForschung von Charlan Nemeth und Kollegen ergab, dass zugewiesene Advocati Diaboli weniger wirksam waren als authentischer Widerspruch, und in einer Studie f\u00fchrte gespielter Widerspruch dazu, dass Menschen ihre urspr\u00fcngliche Sicht best\u00e4rkten. Ein aufrichtiger, evidenzbasierter Einwand von jemandem, der tats\u00e4chlich anderer Meinung ist, wirkt besser als eine rotierende Rolle.<\/p>\n<p><strong>Kann ich die KI fragen, ob sie sicher ist?<\/strong><br \/>\nDas ist eine schwache Pr\u00fcfung. Eine Studie von 2024 zu f\u00fcnf KI-Assistenten fand, dass sie auf die Frage \u201eSind Sie sicher?&rdquo; je nach Modell bei 42 % bis 98 % der Fragen Fehler einr\u00e4umten, die sie nicht gemacht hatten. Pr\u00fcfen Sie die Aussage stattdessen anhand der zugrunde liegenden Evidenz oder einer unabh\u00e4ngigen Quelle.<\/p>\n<p><strong>Wie widerspreche ich, ohne als KI-Gegner dazustehen?<\/strong><br \/>\nStellen Sie klar, dass Sie sich Ihre Meinung unabh\u00e4ngig gebildet haben, benennen Sie die konkrete Evidenz, die das Modell nicht gesehen oder unterbewertet hat, schlagen Sie eine kurze, begrenzte Pr\u00fcfung vor und verpflichten Sie sich vorab, das Ergebnis zu akzeptieren. So erscheint der Einwand als Qualit\u00e4tskontrolle und nicht als Opposition gegen das Werkzeug.<\/p>\n<p><strong>Was ist das Wirksamste, das eine F\u00fchrungskraft tun kann?<\/strong><br \/>\nSammeln Sie unabh\u00e4ngige schriftliche Einsch\u00e4tzungen, bevor ein KI-Output geteilt wird, und sprechen Sie dann als Letzte oder Letzter. Asch fand, dass ein einziger widersprechender Partner den Konformit\u00e4tsdruck auf ein Viertel seines einstimmigen Niveaus senkte, und Doshi und Hauser fanden, dass der Kontakt mit KI-Ideen die Ergebnisse der Menschen in Richtung der KI und in Richtung zueinander zieht. Die Reihenfolge des Kontakts z\u00e4hlt.<\/p>\n<p><strong>Wann ist es in Ordnung, der KI-Antwort zu folgen?<\/strong><br \/>\nWenn die Aufgabe innerhalb der bekannten St\u00e4rken der KI liegt, die entscheidende Evidenz dem Modell vollst\u00e4ndig vorlag, die Entscheidung g\u00fcnstig umkehrbar ist und Sie keinen unabh\u00e4ngigen Grund zum Zweifel haben. Im BCG-Experiment erledigten KI-Nutzer innerhalb der Grenze 12,2 % mehr Aufgaben, 25,1 % schneller und in \u00fcber 40 % h\u00f6herer Qualit\u00e4t.<\/p>\n<h2 id=\"quellen\"><span class=\"ez-toc-section\" id=\"Quellen\"><\/span>Quellen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Asch, S. E. (1955). Opinions and Social Pressure. Scientific American, 193(5), 31-35.<\/li>\n<li>Dell&rsquo;Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., und Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.<\/li>\n<li>Dratsch, T., Chen, X., Rezazade Mehrizi, M., Kloeckner, R., Mahringer-Kunz, A., Pusken, M., Baessler, B., Sauer, S., Maintz, D., und Pinto dos Santos, D. (2023). Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology, 307(4), e222176.<\/li>\n<li>Doshi, A. R., und Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290.<\/li>\n<li>Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2024). Towards Understanding Sycophancy in Language Models. International Conference on Learning Representations (ICLR 2024).<\/li>\n<li>Goddard, K., Roudsari, A., und Wyatt, J. C. (2012). Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121-127.<\/li>\n<li>Nemeth, C. J. (2010). Minority Influence Theory. Institute for Research on Labor and Employment Working Paper 218-10, University of California, Berkeley. (Fasst Nemeth, Brown und Rogers, 2001, European Journal of Social Psychology, 31, 707-720, sowie Nemeth, Connell, Rogers und Brown, 2001, Journal of Applied Social Psychology, 31, 48-58, zusammen.)<\/li>\n<li>Edmondson, A. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350-383.<\/li>\n<li>Presidential Commission on the Space Shuttle Challenger Accident (1986). Report to the President, Volume 1, Chapter V: The Contributing Cause of the Accident. Washington, DC.<\/li>\n<\/ol>\n<hr>\n<p><em>Dieser Inhalt wurde nach eingehender Recherche mit Unterst\u00fctzung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und f\u00fcr die Ver\u00f6ffentlichung aufbereitet.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Wenn sich ein Team auf eine KI-generierte Antwort einigt, addieren sich zwei alte Verzerrungen: Automation Bias und soziale Konformit\u00e4t. In einem Feldexperiment der BCG mit 758 Personen lagen Beraterinnen und Berater, die GPT-4 bei einer Aufgabe au\u00dferhalb der Kompetenz der KI nutzten, um 19 Prozentpunkte seltener richtig, und in Aschs klassischen Studien senkte ein einziger abweichender Partner die Konformit\u00e4t auf ein Viertel. Dieser Beitrag macht aus der Evidenz ein Protokoll f\u00fcr gutes Widersprechen und eine Checkliste f\u00fcr F\u00fchrungskr\u00e4fte, die wollen, dass Widerspruch die Entscheidung erreicht.<\/p>\n","protected":false},"author":1,"featured_media":326235,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5,18],"tags":[],"class_list":["post-326231","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-is","category-strateji"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts\/326231","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/comments?post=326231"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts\/326231\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/media\/326235"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/media?parent=326231"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/categories?post=326231"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/tags?post=326231"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}