Warum lösen neue KI-Tools zugleich Begeisterung und Angst aus?

Stellen wir uns die Ankündigung vor: 'Ab nächstem Monat unterstützt uns KI bei Kundenanfragen.' Wer heute Informationen aus fünf Systemen zusammensucht, hört vor allem Entlastung. Eine erfahrene Kollegin, deren Wert auf dem persönlichen Lösen schwieriger Fälle beruht, könnte etwas anderes hören: 'Mein Wissen wird gespeichert und irgendwann bin ich weniger wichtig.' Die Botschaft ist identisch, der persönliche Bezugspunkt nicht. Noch vor dem ersten Test entsteht eine Erwartung. Das ist eine illustrative Hypothese und kein gemessener Mitarbeiterbefund. Es erklärt, warum eine einheitliche Präsentation Unterschiede zwischen Aufgaben, Erfahrungsstufen und Verantwortung überdecken kann.

Change-Teams teilen Belegschaften gern in Begeisterte und Skeptiker ein. Das ist einfach, aber möglicherweise irreführend. Eine Spezialistin kann sich über die Entlastung von Routinen freuen und zugleich Bedenken bezüglich vertraulicher Daten haben. Ein Vorgesetzter schätzt vielleicht das Tempo, fürchtet aber die Haftung für Fehler, die niemand erklären kann. Nicht jede Sorge bedeutet Widerstand und ein positives Umfrageurteil noch keine angemessene Nutzung. Deshalb sollten Chancen- und Risikoassoziationen getrennt erhoben werden, statt sie in einen einzigen Wert für 'KI-Akzeptanz' zu pressen. Prüfen Sie anschließend, ob dieselbe Person auf beiden Dimensionen hoch liegt und bei welcher Aufgabe die Spannung hervortritt.

Ein Werkzeug hat Funktionen: Unterlagen zusammenfassen, Informationen suchen oder Vorschläge erstellen. Menschen verbinden damit Bedeutungen: früher fertig werden, weniger Fehler, weniger Autonomie, stärkere Kontrolle durch den Arbeitgeber oder endlich Zeit für komplexe Arbeit. Solche Bedeutungen sind Assoziationen. Sie werden manchmal offen genannt, erscheinen aber nicht zwingend in der ersten Zufriedenheitsfrage. Wer KI als 'praktisch' bezeichnet, kann auf die Frage nach künftiger Leistungsbewertung ganz anders reagieren. Assoziationsforschung muss deshalb Reiz, Entscheidungssituation und zugeschriebene Bedeutung zusammen erfassen. Die pauschale Frage 'Wie finden Sie KI?' verdeckt genau diese Verbindung.

Ein Mensch nutzt KI gern zum Überarbeiten einer Standardmail und lehnt sie als letzte Instanz bei Mitarbeiterbewertungen ab. Das muss kein Unverständnis sein. Welche Bedeutung entsteht, hängt davon ab, was bei der Aufgabe auf dem Spiel steht. Castelo und Kollegen (2019) beobachteten geringere Bereitschaft zur Algorithmusnutzung, wenn eine Aufgabe subjektiv erschien. Lee (2018) fand ebenfalls Unterschiede bei Fairness und Vertrauen zwischen eher mechanischen und menschlich geprägten Managemententscheidungen. Diese Studien prüften konkrete Situationen, nicht jede heutige generative KI. Sie zeigen aber, warum jede Einsatzaufgabe eine eigene Bedeutungs- und Risikoprüfung verdient.

Die Bezeichnung 'KI' kann je nach Arbeitsprozess unterschiedliche Chancen- und Risikoassoziationen auslösen. Die Beispiele sind prüfbare Hypothesen und keine Ergebnisse einer Neurofactor-Stichprobe. Die letzte Spalte führt zu einer konkreten Entscheidungsfrage statt zu allgemeiner Zustimmung.

Die Forschung handelt nicht nur von Sorgen. Noy und Zhang (2023) teilten 453 Fachkräfte bei beruflichen Schreibaufgaben experimentell in Gruppen mit und ohne ChatGPT-Zugang ein. In diesem Rahmen wurden Aufgaben im Durchschnitt schneller und mit höher bewerteter Qualität erledigt. Brynjolfsson, Li und Raymond (2025) untersuchten die schrittweise Einführung eines KI-Assistenten bei mehr als fünftausend Beschäftigten im Kundensupport und fanden durchschnittliche Produktivitätsvorteile mit deutlichen Unterschieden zwischen Personen. Diese Befunde zeigen Möglichkeiten, keine allgemeine Garantie. Wer 'KI macht alle produktiver' verspricht, überschreitet die Aussagekraft der Studien und riskiert Vertrauen, sobald die Erfahrung abweicht.

In der organisatorischen Feldstudie von Vuori, Burkhard und Pitkäranta (erstmals 2025 online, Heftjahrgang 2026) stimmten kognitives und emotionales Vertrauen nicht immer überein. Jemand kann von der Leistung eines Systems überzeugt sein und sich bei der Nutzung trotzdem unwohl fühlen. Umgekehrt ist eine angenehme Erfahrung möglich, ohne Grenzen ausreichend zu verstehen. Die Forschenden beschrieben verschiedene Vertrauens- und Verhaltenskonfigurationen in einem Unternehmen. Daraus lassen sich weder globale Prozentwerte noch Hirnsignale der Angst ableiten. Für die Praxis zählt: Ein guter Leistungstest beantwortet nicht automatisch Fragen nach Sicherheit, Anerkennung und Autonomie.

Die Aussage 'Menschen misstrauen Algorithmen' ist zu pauschal. Dietvorst und Kollegen (2015) beobachteten bei Prognoseaufgaben Zurückhaltung, nachdem Teilnehmende Fehler eines Algorithmus gesehen hatten. Logg und Kollegen (2019) fanden in anderen Urteilsaufgaben Situationen, in denen algorithmische Ratschläge stärker berücksichtigt wurden als menschliche. Die Befunde sollten nicht zu einer angeblich universellen Wirkung verrechnet werden. Aufgaben, Vergleichsmaßstäbe und Fachkenntnisse unterscheiden sich. Unternehmen müssen beobachten, ob Beschäftigte KI-Vorschläge bei konkreten Aufgaben übernehmen, prüfen, korrigieren oder meiden. Innerhalb desselben Teams sind unterschiedliche Reaktionen völlig plausibel.

Die Profile sind prüfbare Hypothesen und keine Diagnosen oder Persönlichkeitstypen. Sie machen unterschiedliche Nachweisbedürfnisse sichtbar, die eine einheitliche Einführungspräsentation leicht übergeht.

Wer fragt, ob KI die eigene Arbeit übernimmt, stellt möglicherweise eine berechtigte strategische Frage. Das Management weiß nicht immer, wie sich Rollen entwickeln. 'Sie brauchen keine Angst zu haben' ist dann keine ausreichende und womöglich keine wahre Antwort. Erklären Sie, welche Aufgaben aktuell unterstützt werden, wer über künftige Rollen entscheidet, welche Fähigkeiten wichtig bleiben und wann es weitere Klarheit gibt. Trennen Sie gesicherte Fakten, Hypothesen und offene politische Entscheidungen. Kommunikation darf tatsächliche Arbeits- oder Datenschutzrisiken nicht wegreden. Assoziationsforschung zeigt gerade deshalb, wo eine Erklärung genügt und wo die organisatorische Regelung verändert werden muss.

KI als Hilfe und KI als Beurteiler sind nicht nur verschiedene Bezeichnungen. Ein System, das eine E-Mail entwirft, hat andere Folgen als Software, die Leistungsbewertungen, Beförderungen oder Dienstpläne beeinflusst. Lee (2018) fand in einem Online-Experiment geringere Fairness- und Vertrauensurteile für algorithmische Entscheidungen zur Einstellung und Arbeitsbewertung als für vergleichbare menschliche Entscheidungen. Das ist kein allgemeines Urteil über sämtliche KI, zeigt aber, dass 'KI-Tools' als einzige Forschungskategorie zu ungenau sind. Prüfen Sie, wer Empfehlungen sieht, wer entscheidet, welche Fehler entstehen können und wie Widerspruch funktioniert. Sonst werden ungleiche Erfahrungen fälschlich zusammengefasst.

Asteria Servicehuis ist eine vollständig erfundene Organisation, die einen generativen KI-Assistenten zur Vorbereitung von Kundenantworten einsetzen möchte. Sämtliche Personen, Ereignisse und Entscheidungen dieses Beispiels sind fiktiv. Noor ist neu im Kundenservice und freut sich, Informationen schneller zu finden. Sam löst seit Jahren Sonderfälle und befürchtet, dass automatische Vorschläge bald als Standard gelten, auch wenn sie falsch sind. Die Leitung möchte Rückstände abbauen. Bei der ersten Präsentation fallen vor allem die Worte 'schneller', 'smarter' und 'automatisch'. Wer die endgültige Antwort freigibt und welche Kundendaten genutzt werden dürfen, bleibt offen. Es liegen keine Messungen vor. Die beschriebenen Reaktionen sind Hypothesen für eine Untersuchung, keine erfundenen Befragungsergebnisse.

Noor lernt noch die Abläufe und braucht eine sichere Möglichkeit, zuverlässige Antworten zu finden. Ein KI-Assistent, der auf Wunsch Quellen nennt und Korrekturen zulässt, könnte ihr Ziel unterstützen: schneller lernen, ohne Kunden falsch zu beraten. Dasselbe Werkzeug kann jedoch bedrohlich wirken, wenn jede Frage zugleich als Signal für die individuelle Leistungsbewertung gespeichert wird. Der Unterschied liegt nicht in Alter oder Berufsbezeichnung. Entscheidend sind Aufgabenbedeutung, Transparenz der Datennutzung und die Möglichkeit, ohne Nachteile Hilfe zu suchen. Ein sauberer Test würde diese Bedingungen getrennt variieren, statt jüngeren Mitarbeitenden automatisch mehr Begeisterung zu unterstellen.

Sam bearbeitet Sonderfälle, die nicht sauber in Standardprozesse passen. Wenn ein Assistent selbstsicher eine falsche Antwort vorschlägt, muss jemand das Risiko erkennen und den Vorschlag ablehnen dürfen. Sam braucht weniger die Behauptung 'Das System denkt mit' als eine Demonstration mit schwierigen Fällen, eindeutig geregelter Verantwortung und einem sichtbaren Korrekturweg. Dietvorst und Kollegen (2018) fanden in bestimmten Experimenten, dass etwas Einfluss auf algorithmische Prognosen die Nutzung fördern konnte. Für Asteria ist das eine Gestaltungshypothese, kein erwiesener Einführungseffekt. Entscheidend ist, ob Sam tatsächlich befugt ist, genug Zeit hat und nicht für kritische Korrekturen bestraft wird.

Lassen Sie Beschäftigte zunächst einen bekannten Arbeitsablauf beschreiben: Wo geht Zeit verloren, wo passieren Fehler und wann ist menschliches Urteil unverzichtbar? Zeigen Sie erst danach eine klar begrenzte KI-Funktion am selben Problem, auch mit einer falschen oder unsicheren Antwort. Fragen Sie nicht nur, ob die Vorführung nützlich war, sondern nach drei spontan verbundenen Worten, nach dem wichtigsten auszuschließenden Risiko und nach dem Arbeitsschritt, den die Person selbst behalten möchte. So wird aus Überzeugungsarbeit eine prüfbare Frage nach Bedeutung. Verwenden Sie ausschließlich erlaubte, unkritische Beispieldaten. Eine gute Demo ist kein Sicherheits- oder Qualitätsnachweis.

Einführungsbotschaften gehen häufig weiter als die vorhandenen Daten. Diese Gegenüberstellung übersetzt schöne Versprechen in unabhängig prüfbare Ergebnisse. Die Kriterien sind methodische Vorschläge, keine universell validierte KPI-Liste.

Eine Schaltfläche 'Freigeben' bedeutet wenig, wenn Beschäftigte weder Zeit noch Zugang oder Befugnis haben, Vorschläge abzulehnen. Legen Sie fest, wer folgenreiche Ergebnisse prüft, welche Fehler zur Eskalation führen, wie Korrekturen dokumentiert werden und was bei Widerspruch passiert. Unsichere Antworten dürfen nicht wie gesicherte Tatsachen aussehen. Dass begrenzter Einfluss Nutzung fördern kann, stützt sich auf bestimmte Prognoseexperimente von Dietvorst und Kollegen (2018); die Übertragung auf generative KI ist gesondert zu prüfen. Menschliche Kontrolle heißt nicht, dass Menschen immer recht haben. Sie heißt, dass Verantwortung sichtbar, machbar und überprüfbar ist.

Eine gute Einführung beschreibt nicht nur Möglichkeiten, sondern auch Grenzen. Legen Sie fest, welche Daten niemals eingegeben werden dürfen, wann menschliche Prüfung verpflichtend ist, wie Fehler gemeldet werden und wer die Endentscheidung verantwortet. Lassen Sie Beschäftigte an einem Beispiel üben, bei dem die KI selbstsicher eine falsche Aussage erzeugt. So wird Fehlbarkeit besprechbar, ohne die Technik pauschal abzuwerten. Das Ziel ist kalibrierte Nutzung: erkennen, wann das Werkzeug hilft, wann überprüft werden muss und wann Verzicht richtig ist. Eine hohe Begeisterungsquote nach der Auftaktveranstaltung ist ein deutlich schwächeres Ziel.

Die ersten Minuten mit einem Werkzeug unterscheiden sich stark von der Nutzung unter Arbeitsdruck. Bei einer Demo wählt der Vortragende eine geeignete Frage, es warten keine Kunden und niemand im Publikum haftet für eine falsche Antwort. Im Alltag gelten Fristen, Zugriffsregeln und soziale Erwartungen. Deshalb lassen sich Laborergebnisse nicht direkt in eine Organisationsprognose verwandeln. Testen Sie einen klar begrenzten, erlaubten Ablauf unter echten Rahmenbedingungen. Erfassen Sie, ob Vorschläge geprüft werden, wie viel Nacharbeit entsteht und ob eine angemessene Nutzung nach dem ersten Neuheitseffekt bestehen bleibt. Begeisterung ist ein wichtiges Signal, aber kein abschließender Leistungstest.

Eine Schulung mit ausschließlich schnellen Antworten vermittelt vor allem die Bedienung. Ergänzen Sie eine Übung mit korrekten, unsicheren und falschen KI-Vorschlägen, ohne die Kategorien vorher zu verraten. Fragen Sie, was überprüft, welche Quelle herangezogen und wann eskaliert würde. Belohnen Sie nicht die höchste Zahl an Prompts, sondern die Qualität der Entscheidung. Das ist ein didaktischer Vorschlag und keine bereits von Neurofactor bewiesene Intervention. Die Wirkung lässt sich aber prüfen: Unterscheiden Teilnehmende danach besser zwischen nützlichen Vorschlägen und solchen, die kontrolliert oder abgelehnt werden müssen? Das ist aussagekräftiger als eine absolvierte Einführung.

Diese Matrix verbindet mögliche Barrieren mit gezielten Änderungen und beobachtbaren Ergebnissen. Die Zusammenhänge sind Hypothesen und keine garantierten Wirkungen. Assoziationsänderungen gehören immer neben Verhaltens- und Qualitätsdaten.

Nach einer qualitativen Erkundung lassen sich mögliche Bedeutungen zu Gruppen wie Unterstützung, Tempo, Autonomie, Transparenz, Status und Austauschbarkeit ordnen. Eine Assoziationskarte ist weder ein biologischer Befund noch ein fester Persönlichkeitstyp. Sie ist ein Arbeitsmodell für die untersuchte Stichprobe und Situation. Danach ist zu klären, welche Assoziation welchen Einsatz behindert. Bei Datenschutzsorgen hilft eine weitere Geschwindigkeitsdemo kaum. Geht es um die Qualität von Antworten, reicht eine Regelerklärung nicht aus. Ordnen Sie jeder vermuteten Barriere eine passende Veränderung zu und legen Sie vorher fest, woran ein Erfolg erkennbar wäre.

Beginnen Sie mit offenen Fragen: Welche Worte verbinden Menschen ohne Antwortvorgaben mit einer bestimmten KI-Anwendung? Erfragen Sie danach Bedeutung, Sicherheit der Einschätzung und Auslöser. Erst später folgen strukturierte Vergleiche, etwa welche Variante für eine konkrete Aufgabe am vertrauenswürdigsten erscheint und weshalb. Bei geeigneter Stichprobe und Methodik können Wahlaufgaben oder Reaktionszeitverfahren ergänzen, wenn ihre Interpretation vorab festgelegt wird. Implizite Verfahren sind keine direkte Aufnahme des Unbewussten. Dokumentieren Sie Nutzungserfahrung, Sprache, Aufgabenkontext und Reihenfolgeeffekte. Vergleichen Sie Aussagen mit dem tatsächlich erlaubten und möglichen Handeln.

Beschreiben Sie exakt, was die KI in jedem Ablauf tun darf, wer das Ergebnis erhält und welche Managemententscheidung die Untersuchung unterstützen soll. Legen Sie eine erwünschte Assoziation wie 'stärkt mein Fachwissen' und eine unerwünschte wie 'entscheidet ohne mich' als Hypothesen fest, ohne sie moralisch zu bewerten. Definieren Sie unverhandelbare Qualitäts-, Datenschutz- und Sicherheitsgrenzen. Wählen Sie ein primäres Verhaltensmaß, beispielsweise das sachgerechte Übernehmen oder Ablehnen eines Vorschlags bei einer begrenzten Aufgabe. So wird aus einer gut aufgenommenen Demo später nicht fälschlich ein Beleg für eine erfolgreiche Gesamteinführung.

Verallgemeinern Sie nicht die Antworten der ersten Freiwilligen. Planen Sie eine Stichprobe über unterschiedliche Aufgaben und Verantwortungsbereiche: Berufseinsteiger, erfahrene Fachkräfte, Vorgesetzte sowie Datenschutz- und Qualitätsverantwortliche. Dokumentieren Sie, wer nicht erreicht wurde und weshalb. Klassifizieren Sie Menschen nicht anhand vermuteter Persönlichkeit oder unvalidierter BIS/BAS-Werte. Erfassen Sie tatsächliche Erfahrung, Aufgabe und Fehlerfolgen. Ermöglichen Sie geschützte Rückmeldungen, versprechen Sie aber keine vollständige Anonymität, wenn Protokolle Personen identifizieren könnten. Regeln Sie Einwilligung, Zugriff und Aufbewahrung vorab.

Vor der Intervention nennen Teilnehmende spontane Worte zu zwei konkreten Situationen, etwa 'KI bereitet eine Antwort vor' und 'KI entscheidet über eine Leistungsbewertung'. Danach fragen Sie nach Chancen, Risiken und Voraussetzungen für angemessenen Einsatz. Erfassen Sie Vorerfahrung, Vertrauen in die Ergebnisqualität und vorhandene menschliche Alternativen. Falls zulässig und sicher, messen Sie mit einer standardisierten Übung bereits Fehlererkennung oder Ergebnisqualität. Halten Sie die Reihenfolge der Fragen und das Sprachniveau fest. Sonst können Begriffe wie 'Angst' oder 'Arbeitsplatzverlust' durch den Fragebogen selbst aktiviert werden und spätere Unterschiede verfälschen.

Erstellen Sie mindestens zwei redaktionell freigegebene Einführungen mit identischen sachlichen Funktionen. Variante A betont Effizienz, Variante B zeigt dieselbe Aufgabe mit sichtbarer menschlicher Prüfung und klaren Grenzen. Randomisieren Sie die Zuordnung, soweit möglich, und halten Sie Dauer, Informationsmenge und Antwortverfahren konstant. Reale Risiken dürfen nicht verschwiegen und sensible Daten nicht für einen dramatischeren Test missbraucht werden. Eine sichere Testumgebung erlaubt zusätzlich einen Vergleich tatsächlicher Interaktionen. Dokumentieren Sie vorher Änderungen, Ausschlüsse und das wichtigste Ergebnismaß. So lässt sich der Einfluss der Botschaft besser vom Einfluss der Erfahrung trennen.

Erheben Sie unmittelbar nach der Einführung erneut spontane Assoziationen und konkrete Sorgen. Fragen Sie auch nach der Bereitschaft, das Werkzeug bei einer begrenzten Aufgabe einzusetzen, ohne Absicht mit Verhalten zu verwechseln. In einer sicheren Pilotphase dokumentieren Sie zulässige Nutzung, korrekte Kontrollen, Fehler und Nacharbeit; diese Daten dürfen nicht heimlich zur individuellen Leistungsbewertung werden. Wiederholen Sie passende Messungen nach einigen Wochen. Erklären Sie die Datenzwecke und verwenden Sie nur erlaubte Protokolle. Entscheidend ist, ob Menschen gute Empfehlungen besser annehmen und falsche besser ablehnen, nicht bloß ein gestiegener Vertrauenswert.

Bestimmen Sie für jede relevante Gruppe, welche Assoziation das definierte Verhalten vermutlich behindert und welcher Nachweis oder welche Prozessänderung helfen könnte. Bei Qualitätsunsicherheit braucht es möglicherweise bessere Kontrollabläufe, bei Datenschutzsorgen eine andere Datenarchitektur. Berichten Sie Unterschiede, Unsicherheit und alternative Erklärungen. Eine Korrelation zwischen Vertrauen und Nutzung beweist keine Ursache. Begrenzen Sie A/B-Befunde auf die getestete Botschaft, Stichprobe und Zeit. Schließen Sie mit einem Entscheidungsprotokoll: Was ändern wir, wer verantwortet es, welche Schutzregel gilt weiter und wann wird erneut geprüft? So dient Assoziationsforschung einer echten Entscheidung statt einer schönen Wortwolke.

Es ist verlockend, jede Hürde als Kommunikationsproblem zu betrachten. Fürchten Beschäftigte jedoch, dass Eingaben heimlich zur Leistungsbewertung verwendet werden, helfen nur klare Regeln und tatsächlich passende Datenverarbeitung. Forschung kann eine Assoziation diagnostizieren, aber kein Arbeitsrecht ersetzen oder reale Risiken sprachlich beseitigen. Benennen Sie Verantwortliche für Daten, Personalfragen, Prozessqualität und gegebenenfalls Mitarbeitervertretung. Schaffen Sie sichere Meldewege für Fehler und Sorgen. Ein erfolgreiches Ergebnis kann manchmal weniger unsichere Nutzung statt generell mehr Nutzung bedeuten. Diese Möglichkeit gehört in die Forschungsauswertung ebenso wie in den Business Case.

Fragen Sie vor dem Start nicht nur: 'Wie viel schneller arbeitet das System?' Fragen Sie auch: 'Welche Entscheidung trifft die KI ausdrücklich nicht?', 'Was geschieht bei einem überzeugend formulierten Fehler?' und 'Was bedeutet die Veränderung für Kompetenz und Entscheidungsspielraum?' Lassen Sie Produkt, HR, Datenschutz und betroffene Beschäftigte die Antworten unabhängig prüfen. Erzählen die Gruppen unterschiedliche Geschichten, ist die Kommunikation noch nicht bereit. Zeigen Sie nicht nur das Nutzenversprechen, sondern Arbeitsablauf, Grenzen und Belege. So kann KI glaubwürdig als angemessene Unterstützung statt als unbestimmte Bedrohung erscheinen. Ob sich Assoziationen wirklich verändern, muss anschließend gemessen werden.

Neue KI-Werkzeuge können gleichzeitig Neugier, Begeisterung, Skepsis und Angst auslösen. Das ist nicht zwingend ein Kommunikationsfehler. Vielmehr trägt dieselbe Technik je nach Aufgabe und Verantwortung verschiedene Bedeutungen. Sichtbar wird dies, wenn wir nach Erwartungen, persönlicher Verantwortung und spontanen Assoziationen fragen. Verwechseln Sie positive Reaktionen beim Start nicht mit sicherer Akzeptanz. Untersuchen Sie, welche Bedeutung angemessenes Verhalten erleichtert oder behindert, nehmen Sie reale Risiken ernst und zeigen Sie Belege im Arbeitsprozess. Die beste Einführung behauptet nicht, KI könne alles. Sie klärt, was das System leistet, was Menschen selbst entscheiden und wie Versprechen überprüft werden.