- Change, IT Basics
- BehavioralEconomics, ChangeManagement, IT
- 6 Min Lesezeit
Dr. Yvonne Avaro
In diesem Wiki beleuchtet Yvonne aus der Perspektive der Verhaltensökonomie, warum Veränderungen in Unternehmen so schwerfallen. Warum handeln Menschen nicht, obwohl ihnen bewusst ist, dass Wandel notwendig ist? Was hat ein Surf-Wipeout in San Sebastián mit der Einführung von AI zu tun? Und was sagt die Forschung von Kahneman, Tversky und Kübler-Ross darüber aus, wie Kommunikation während Change tatsächlich funktioniert? Mit konkreten Erfolgsfaktoren und einer klaren Botschaft: Change Management ist bei der AI-Einführung keine Nebensache, sondern die Hauptaufgabe.
💡Neu hier? Im FAQ-Bereich am Ende des Artikels findest du Antworten auf häufige Fragen, u.a. solche Fragen wie: Was sind die häufigsten Gründe, warum AI Adoption in Unternehmen scheitert? Wie lange dauert sie? Und was können Führungskräfte konkret tun?
Inhaltsverzeichnis
1. Einleitung: Die Welle kommt, ob man bereit ist oder nicht
San Sebastián, Sommer 2010: Es ist ein wundervoller Morgen. Angenehme 25 Grad. Kaum Wind. Die Surfbedingungen sind perfekt.
Ich stehe am Strand und beobachte die Wellen. Um mich herum machen sich alle bereit. Sie schnappen sich ihre Boards, paddeln hinaus und nehmen die Wellen. Es sieht so einfach aus. So selbstverständlich.
Also schnappe auch ich mir ein Board und paddle hinaus. Und dann kommt sie: eine grosse Welle, die direkt auf mich zurollt und mich erfasst. Kompletter Wipeout.
Dieses Bild passt erstaunlich gut zu dem Gefühl, das viele Organisationen bei der Einführung von AI begleitet. Die Technologie ist da. Die Erwartungen sind hoch. Viele Menschen stehen am Ufer und denken: „Ich will auf der AI-Welle surfen, aber ich weiss nicht wie.“
Eines habe ich an diesem Morgen in San Sebastián gelernt: Es braucht nicht nur Talent und ein gutes Gleichgewichtsgefühl. Man braucht auch jemanden, der das Wasser kennt, einem erklärt, wie die Welle läuft und wie die Strömung ist, und einem sagt, wann man paddeln soll und wann man sich die Kraft für einen perfekten Take-off besser aufspart.
Und so verhält es sich auch mit Veränderungen in Unternehmen. Niemand meistert eine AI-Transformation allein erfolgreich. Es braucht jemanden, der das Terrain kennt, der erklärt, wie der Wandel abläuft, wann der richtige Zeitpunkt zum Handeln ist und wann es klüger ist, erst Kraft zu sammeln.
2. Warum Veränderung so schwerfällt und was wirklich hilft
Das menschliche Gehirn ist kein neutraler Entscheidungsapparat. Es ist ein Überlebenssystem, das über Jahrtausende hinweg darauf optimiert wurde, Energie zu sparen und Risiken zu meiden. In ihrer bahnbrechenden Forschung zur Verhaltensökonomik haben Daniel Kahneman und Amos Tversky gezeigt, dass Menschen systematisch irrational entscheiden – nicht aus Dummheit, sondern aufgrund tief verankerter kognitiver Muster. Drei davon sind im Change-Kontext besonders relevant:
2.1. Status-quo-Bias
Menschen bevorzugen den Status Quo, selbst dann, wenn eine Veränderung objektiv besser wäre. Das Neue muss nicht nur gut sein. Es muss deutlich besser sein, um die psychologische Hürde des Wechsels zu überwinden. Dieser Effekt wurde erstmals von Samuelson und Zeckhauser (1988) beschrieben und von Kahneman, Knetsch und Thaler (1991) weitergeführt: https://www.aeaweb.org/articles?id=10.1257%2Fjep.5.1.193
2.2. Verlustaversion (Loss Aversion)
Kahneman und Tversky haben gezeigt, dass der Schmerz eines Verlusts psychologisch ungefähr doppelt so schwer wiegt, wie die Freude über einen gleichwertigen Gewinn. Wer im Change-Prozess nur den Nutzen kommuniziert, ignoriert somit die Hälfte der menschlichen Entscheidungslogik. Menschen fragen sich zuerst: „Was verliere ich?” und nicht: „Was gewinne ich?” (Kahneman & Tversky (1979): https://www.econometricsociety.org/publications/econometrica/1979/03/01/prospect-theory-analysis-decision-under-risk
2.3. Hyperbolisches Diskontieren (Hyperbolic Discounting)
Menschen neigen dazu, unmittelbare Vorteile stark zu gewichten und zukünftige Vorteile zu unterschätzen. So verliert ein AI-Tool, das in sechs Monaten die Arbeit erleichtert, gegen den vertrauten Excel-Prozess, der heute funktioniert, auch wenn er ineffizient ist (Laibson (1997): https://academic.oup.com/qje/article-abstract/112/2/443/1870925)
Hinweis: Das hyperbolische Diskontieren wird häufig im Zusammenhang mit Kahneman und Tversky genannt, da es konzeptionell an die Prospect Theory anschliesst. Als eigenständiges Konzept wurde es jedoch massgeblich von David Laibson formalisiert, sein einflussreicher Aufsatz „Golden Eggs and Hyperbolic Discounting“ (1997) gilt als Schlüsselreferenz.
3. Was bedeutet das für die Praxis der Kommunikation von Change-Prozessen?
Das evolutionäre Gehirn reagiert auf unmittelbare Bedrohungen: Ein Hai löst beispielsweise sofortige Bewegung aus. Organisationaler Wandel funktioniert jedoch anders. Er ist kein Schockmoment, das eine reflexartige Reaktion erzwingt. Und das ist auch gut so. Angst mag kurzfristig mobilisieren, aber sie ist kein tragfähiges Fundament für nachhaltige Veränderung.
Was wirklich wirkt, ist Befähigung.
Wer nicht schwimmen kann, wird sich nicht ins offene Wasser wagen – egal, wie motivierend die Botschaft ist. Wer die Strömung nicht kennt, wird zögern, auch wenn das Ziel noch so verlockend klingt. Nachhaltiger Wandel beginnt deshalb nicht mit einem Appell, sondern mit Vorbereitung: Menschen müssen die entsprechenden Fähigkeiten entwickeln, den Kontext verstehen und sich sicher genug fühlen, um den ersten Schritt zu wagen.
Es geht also weniger darum, Menschen dazu zu bringen, sich zu verändern, als vielmehr darum, sie dazu zu befähigen. Change Management ist in diesem Sinne vor allem Kompetenzaufbau, Orientierung und psychologische Sicherheit.
Deshalb ist Kommunikation im Change kein Begleitthema, sondern ein strategisches Instrument. Sie muss die kognitive Realität der Menschen ernst nehmen.
Sagt nicht: „Nutze AI, oder du wirst abgehängt.“
Sage besser: „AI kann deine Arbeit einfacher machen. AI-Kompetenz hilft dir, zu wachsen.“
Die Frage ist nicht, ob Menschen bereit sind, Risiken einzugehen. Die Frage ist, ob sie sich vorbereitet und begleitet genug fühlen, um es zu tun.
4. Exkurs: Das Tal der Tränen: die emotionale Reise durch Veränderung
Menschen, die Veränderung erleben, durchlaufen typischerweise eine emotionale Kurve (siehe Abbildung 1). Das von Elisabeth Kübler-Ross ursprünglich für Trauerprozesse entwickelte Modell lässt sich erstaunlich gut auf grosse IT-Transformationen oder die Einführung neuer Technologien anwenden.
Am Anfang stehen Schock und Verneinung. Ein neues ERP-System wird eingeführt, ein AI-Tool soll den bisherigen Prozess effizienter gestalten, oder das vertraute Dashboard wird abgelöst. Die erste Reaktion vieler Mitarbeitenden ist Unglaube. „Das wird so nicht funktionieren.“ „Das brauchen wir nicht.“ Die Stimmung fällt, noch bevor das erste Training stattgefunden hat.
Dann kommen Wut und Widerstand. Das ist der tiefste Punkt der Kurve, das sogenannte Tal der Tränen. Meetings werden genutzt, um Kritik zu äussern. Die alte Lösung wird verklärt. Jeder Fehler des neuen Systems wird dokumentiert und weitergegeben. Das ist kein Zeichen von Schwäche oder Sturheit, sondern eine völlig normale, menschliche Reaktion auf Kontrollverlust.
Irgendwann beginnt die Phase des Verhandelns und Ausprobierens. Mitarbeitende fangen an, das neue Tool in kleinen Schritten zu nutzen, oft zunächst parallel zum alten System. Sie finden erste Workarounds, entdecken einzelne Features, die ihnen tatsächlich helfen. Die Stimmung stabilisiert sich. Genau hier ist Begleitung besonders wichtig: wer jetzt Unterstützung bekommt, kommt schneller aus dem Tal heraus.
Am Ende stehen Akzeptanz und Integration. Das neue System ist Teil des Alltags geworden. Neue Tools werden nicht mehr als Bedrohung wahrgenommen, sondern als Werkzeug. Oft steigt die Stimmung sogar über das ursprüngliche Niveau, weil neue Kompetenzen entstanden sind und die Arbeit tatsächlich leichter geworden ist.
5. Erfolgsfaktoren für Change im Überblick
Erfolgsfaktor | Was das konkret bedeutet |
Klares Warum | Den Sinn der Veränderung verständlich und ehrlich kommunizieren |
Frühe Einbindung | Betroffene zu Beteiligten machen, so früh wie möglich |
Kleine Erfolge sichtbar machen | Quick Wins feiern, um Momentum aufzubauen |
Führungskräfte als Vorbilder | Change beginnt oben. Führung muss vorleben, was sie fordert |
Psychologische Sicherheit schaffen | Fehler als Lernchance etablieren, nicht als Versagen |
Kontinuierliche Kommunikation | Nicht einmal erklären, immer wieder, in verschiedenen Formaten |
|
Lesen Sie in diesem Wiki mehr über das Thema Faktoren für AI Adoption.
5. Fazit: Die Rolle von AI im Change-Kontext
AI ist aktuell einer der stärksten Treiber von Veränderung in Unternehmen. Gleichzeitig ist sie ein Paradebeispiel für alles, was Change schwer macht:
- Sie ist abstrakt und schwer greifbar
- Sie verändert Rollen und Tätigkeiten fundamental
- Sie erzeugt Unsicherheit über die eigene Zukunft im Unternehmen
Deshalb ist Change Management keine Nebensache bei der AI-Einführung. Es ist die Hauptaufgabe.
Technologie allein verändert keine Organisationen. Was über Erfolg oder Misserfolg einer Transformation entscheidet, ist nicht die Qualität der Lösung, sondern die Fähigkeit der Menschen, sie anzunehmen.
Die Verhaltensökonomie liefert dafür eine klare Erklärung: Kognitive Muster wie Status-quo-Bias, Verlustaversion und hyperbolisches Diskontieren sind keine Hindernisse, die sich durch bessere Kommunikation überwinden lassen. Sie sind strukturelle Merkmale menschlicher Entscheidungsfindung, die im Change-Design von Anfang an berücksichtigt werden müssen.
Daraus folgt: Effektives Change Management ist kein Begleitprogramm zur Implementierung. Es ist eine eigenständige Disziplin: mit Methodik, Phasenlogik und messbaren Erfolgskriterien. Wer AI einführt, ohne diesen Rahmen zu schaffen, optimiert Technologie auf Kosten der Menschen, die sie nutzen sollen.
Für konkrete Unterstützung bei IT Change Management und Adoption-KPIs:
Vereinbaren Sie hier einen Austausch mit Robert zu diesem Thema. Im Gespräch geht es um IT Change Management von Stakeholder-Alignment und Kommunikation bis zu Adoption-KPIs und nachhaltiger Verankerung im Alltag.
Quellenverzeichnis und weiterführende Literatur
Im Text zitierte Quellen:
- Samuelson, W. & Zeckhauser, R. (1988): Status Quo Bias in Decision Making, Journal of Risk and Uncertainty https://link.springer.com/article/10.1007/BF00055564
- Kahneman, D., Knetsch, J.L. & Thaler, R.H. (1991): Anomalies: The Endowment Effect, Loss Aversion, and Status Quo Bias, Journal of Economic Perspectives https://www.aeaweb.org/articles?id=10.1257%2Fjep.5.1.193
- Kahneman, D. & Tversky, A. (1979): Prospect Theory: An Analysis of Decision under Risk, Econometrica https://www.econometricsociety.org/publications/econometrica/1979/03/01/prospect-theory-analysis-decision-under-risk
- Laibson, D. (1997): Golden Eggs and Hyperbolic Discounting, Quarterly Journal of Economics https://academic.oup.com/qje/article-abstract/112/2/443/1870925
- Kübler-Ross, E. (1969): On Death and Dying https://www.simonandschuster.com/books/On-Death-and-Dying/Elisabeth-Kubler-Ross/9781476775548
Weiterführende Leseempfehlungen:
- Kotter, J.P. (1996): Leading Change, Harvard Business Review Press https://www.hbsp.harvard.edu/product/leading-change
- Kahneman, D. (2011): Thinking, Fast and Slow, Farrar, Straus and Giroux https://us.macmillan.com/books/9780374533557/thinkingfastandslow
_________________________________________________________________
Dieses Wiki basiert auf dem Vortrag von Yvonne Avaro beim Analytics Summer Apéro 2026. Hier kann man den Vortrag anschauen: https://s-peers.com/analytics-analytics-summer-apero-2026-aufzeichnungen/
_________________________________________________________________
