Entscheiden heißt, sich festzulegen, bevor man alles weiß
von Christoph J. Zingg (Autor)
Einleitung
Wir treffen jeden Tag Entscheidungen.
Manche sind banal: Was esse ich? Welchen Weg nehme ich? Antworte ich jetzt oder später?
Andere verändern Organisationen, Karrieren oder Leben:
Stellen wir diese Person ein?
Melden wir diesen Fehler?
Brechen wir eine Behandlung ab?
Schließen wir eine Station?
Investieren wir?
Kündigen wir?
Evakuieren wir?
Warten wir noch?
Und fast nie besitzen wir zum Zeitpunkt der Entscheidung alle Informationen, die wir gerne hätten.
Das ist vielleicht der wichtigste Ausgangspunkt der Entscheidungsforschung:
Entscheiden bedeutet nicht, die Zukunft zu kennen. Entscheiden bedeutet, unter unvollständigem Wissen handlungsfähig zu werden.
Noch komplizierter wird es, wenn nicht ein einzelner Mensch entscheidet, sondern eine Gruppe.
Eigentlich müsste eine Gruppe überlegen sein. Mehr Menschen besitzen mehr Wissen, mehr Erfahrung, mehr Perspektiven und mehr Möglichkeiten, Fehler gegenseitig zu korrigieren.
Manchmal geschieht genau das.
Manchmal geschieht das Gegenteil.
Eine Gruppe aus intelligenten Menschen kann eine Entscheidung treffen, die rückblickend geradezu absurd erscheint.
Warum?
⸻
1. Die Grundfrage: Was ist überhaupt eine gute Entscheidung?
Eine gute Entscheidung ist nicht zwingend eine Entscheidung mit einem guten Ergebnis.
Das klingt zunächst widersprüchlich.
Stellen wir uns eine medizinische Entscheidung vor.
Aufgrund aller verfügbaren Informationen spricht mit hoher Wahrscheinlichkeit alles für Therapie A. Das Behandlungsteam entscheidet sich sorgfältig begründet für A.
Der Patient erleidet dennoch eine seltene Komplikation.
War die Entscheidung deshalb falsch?
Nicht notwendigerweise.
Umgekehrt kann jemand eine völlig unvernünftige Entscheidung treffen und zufällig Erfolg haben.
Das Ergebnis allein sagt deshalb wenig über die Qualität des Entscheidungsprozesses.
Das ist für Organisationen enorm wichtig.
Denn Menschen neigen im Rückblick zum Outcome Bias: Wir beurteilen die Qualität einer früheren Entscheidung danach, wie sie ausgegangen ist.
Gute Entscheidungsqualität bedeutet dagegen eher:
Die relevanten Informationen wurden gesucht.
Unsicherheiten wurden sichtbar gemacht.
Alternativen wurden geprüft.
Widerspruch war möglich.
Risiken wurden berücksichtigt.
Ziele und Werte waren geklärt.
Und aufgrund des Wissens, das zu diesem Zeitpunkt vorhanden war, wurde eine nachvollziehbare Wahl getroffen.
Eine moderne Fehler- und Sicherheitskultur muss deshalb fragen:
„War der Entscheidungsprozess gut?“
und nicht ausschließlich:
„Ist es gut ausgegangen?“
⸻
2. Herbert Simon: Der Mensch entscheidet nicht vollkommen rational
Die klassische Ökonomie ging lange von einem idealisierten Menschen aus: dem rationalen Entscheider, der Alternativen kennt, Wahrscheinlichkeiten abschätzen kann und jene Option auswählt, die seinen Nutzen maximiert.
Herbert A. Simon stellte dieses Bild fundamental infrage.
Er entwickelte das Konzept der Bounded Rationality – begrenzten Rationalität.
Menschen verfügen über begrenzte:
- Informationen,
- Zeit,
- Aufmerksamkeit,
- Rechenkapazität,
- Erfahrung
- und kognitive Ressourcen.
Deshalb optimieren wir häufig nicht.
Wir suchen eine Lösung, die gut genug erscheint.
Simon nannte dies Satisficing – eine Verbindung aus „satisfy“ und „suffice“.
Das ist keine menschliche Schwäche.
Es ist häufig eine notwendige Anpassung an die Realität.
Niemand kann vor jeder Entscheidung sämtliche theoretisch möglichen Alternativen berechnen.
Die entscheidende Frage lautet deshalb nicht:
„Warum entscheiden Menschen nicht vollkommen rational?“
Sondern:
„Welche Entscheidungsstrategie funktioniert unter den real vorhandenen Bedingungen ausreichend gut?“
Damit begann eine Entwicklung, die unser Verständnis von Entscheidungen grundlegend veränderte.
⸻
3. Kahneman und Tversky: Unser Denken verwendet Abkürzungen
Amos Tversky und Daniel Kahneman zeigten in einer Reihe berühmter Untersuchungen, dass Menschen unter Unsicherheit systematisch mentale Abkürzungen – Heuristiken – benutzen.
Diese funktionieren häufig hervorragend.
Sie können aber systematische Verzerrungen erzeugen.
Zu den bekanntesten gehören:
Verfügbarkeitsheuristik:
Was uns leicht einfällt, erscheint wahrscheinlicher.
Repräsentativitätsheuristik:
Was einem typischen Muster ähnelt, wird für wahrscheinlicher gehalten.
Ankereffekt:
Eine zuerst genannte Zahl oder Information beeinflusst spätere Einschätzungen.
Dazu kommen zahlreiche weitere Effekte:
Confirmation Bias, Overconfidence, Framing, Status-quo-Bias, Verlustaversion, fundamentaler Attributionsfehler und viele andere.
Damit entstand ein entscheidender Gedanke:
Menschen machen nicht einfach zufällige Denkfehler. Viele Fehler sind systematisch vorhersehbar.
⸻
4. Prospect Theory: Verluste fühlen sich anders an als Gewinne
1979 entwickelten Kahneman und Tversky die Prospect Theory.
Sie zeigte unter anderem, dass Menschen Gewinne und Verluste nicht symmetrisch bewerten.
Ein Verlust von 100 Franken fühlt sich typischerweise stärker negativ an als ein Gewinn von 100 Franken positiv.
Menschen reagieren außerdem unterschiedlich auf Risiken, abhängig davon, ob eine Situation als Gewinn oder Verlust dargestellt wird.
Das nennt man Framing.
Damit kann dieselbe sachliche Situation unterschiedliche Entscheidungen hervorrufen.
In der Medizin ist das besonders eindrücklich.
„90 Prozent überleben den Eingriff.“
und
„10 Prozent sterben trotz des Eingriffs.“
beschreiben mathematisch dasselbe Risiko.
Psychologisch sind es jedoch nicht dieselben Botschaften.
Entscheidungen entstehen also nicht nur aus Fakten.
Sie entstehen auch daraus, wie Wirklichkeit sprachlich konstruiert und gerahmt wird.
Damit führt Entscheidungsforschung unmittelbar zur Kommunikationsforschung.
⸻
5. Sind Heuristiken wirklich Denkfehler?
Hier beginnt eine der wichtigen wissenschaftlichen Kontroversen.
Gerd Gigerenzer und andere Forscher kritisierten eine zu einseitige Interpretation von Heuristiken als kognitive Defizite.
Ihre Perspektive der Ecological Rationality lautet vereinfacht:
Eine einfache Entscheidungsregel kann in einer bestimmten Umwelt rationaler sein als ein kompliziertes Modell.
Unter echter Unsicherheit kann „mehr rechnen“ sogar schlechter funktionieren.
Fast-and-frugal heuristics – schnelle und sparsame Heuristiken – können robust sein, gerade wenn Daten begrenzt, verrauscht oder Veränderungen schwer vorhersehbar sind.
Damit stehen sich nicht einfach zwei Lager gegenüber.
Vielmehr entstand eine produktive wissenschaftliche Spannung:
Kahneman und Tversky zeigten:
Intuition kann systematisch irren.
Gigerenzer und andere zeigten:
Intuition und Heuristiken können unter passenden Umweltbedingungen ausgesprochen intelligent sein.
Die moderne Frage lautet deshalb weniger:
„Sind Heuristiken gut oder schlecht?“
sondern:
„Unter welchen Bedingungen funktioniert welche Heuristik?“
⸻
6. Gary Klein: Wie Experten unter Zeitdruck entscheiden
Eine weitere Perspektive stammt aus der Naturalistic Decision Making Research.
Gary Klein untersuchte Menschen, die Entscheidungen nicht in ruhigen Laborbedingungen treffen, sondern beispielsweise bei Bränden, militärischen Operationen, in der Luftfahrt oder anderen dynamischen Situationen.
Er entwickelte das Recognition-Primed Decision Model.
Erfahrene Menschen vergleichen eine Situation häufig nicht bewusst mit zehn Alternativen.
Sie erkennen Muster.
Eine Situation „kommt ihnen bekannt vor“.
Dadurch entsteht schnell eine plausible Handlungsoption.
Diese wird mental überprüft:
Würde das funktionieren?
Wenn ja, wird gehandelt.
Expertise besteht damit teilweise aus einer riesigen Bibliothek gespeicherter Situationen und Muster.
Intuition kann deshalb etwas völlig anderes sein als Bauchgefühl.
Expertisebasierte Intuition ist komprimierte Erfahrung.
Aber auch sie hat Grenzen.
Sie funktioniert besonders gut, wenn die Umwelt wiederkehrende Muster besitzt und Menschen ausreichend Rückmeldung über die Folgen ihrer Entscheidungen erhalten.
Wo beides fehlt, kann Selbstvertrauen leicht mit Kompetenz verwechselt werden.
⸻
7. Warum sollten Gruppen eigentlich besser entscheiden?
Die theoretische Stärke einer Gruppe ist gewaltig.
Person A weiß etwas, das B nicht weiß.
B besitzt Erfahrung, die C fehlt.
C erkennt ein Risiko, das A übersieht.
Wenn diese Informationen zusammengeführt werden, entsteht etwas Neues:
kollektive Intelligenz.
Anita Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi und Thomas Malone fanden Hinweise auf einen allgemeinen Faktor kollektiver Intelligenz – einen sogenannten c-factor.
Interessanterweise hing die Gruppenleistung nicht einfach davon ab, ob die intelligenteste Person im Raum saß.
Wichtiger waren unter anderem soziale Sensitivität und eine relativ ausgeglichene Beteiligung an Gesprächen.
Eine Gruppe wird also nicht automatisch intelligent, weil intelligente Menschen darin sitzen.
Kollektive Intelligenz entsteht aus der Qualität ihrer Interaktion.
⸻
8. Das Hidden-Profile-Problem: Das wichtigste Wissen wird häufig nicht ausgesprochen
Eine der faszinierendsten Entdeckungen der Gruppenforschung stammt von Garold Stasser und William Titus.
Sie entwickelten sogenannte Hidden-Profile-Experimente.
Stellen wir uns vier Personen vor, die einen Bewerber auswählen müssen.
Alle kennen einige positive Informationen über Kandidat A.
Zusätzlich besitzt jede Person eine andere, nur ihr bekannte Information über Kandidat B.
Würden alle Informationen zusammengetragen, wäre klar:
B ist der bessere Kandidat.
Doch häufig geschieht genau das nicht.
Gruppen diskutieren überproportional jene Informationen, die alle bereits kennen.
Warum?
Weil gemeinsames Wissen sozial angenehm ist.
Ich sage:
„A hat viel Erfahrung.“
Du antwortest:
„Genau, das habe ich auch gelesen.“
Wir bestätigen uns gegenseitig.
Meine exklusive Information dagegen lautet vielleicht:
„Ich habe allerdings gesehen, dass B in einem entscheidenden Bereich wesentlich stärker ist.“
Damit störe ich das entstehende gemeinsame Bild.
Das Ergebnis kann paradox sein:
Die Gruppe besitzt gemeinsam genügend Wissen für die richtige Entscheidung – und entscheidet trotzdem falsch, weil sie ihr Wissen nicht zusammenführt.
Das ist eines der zentralen Probleme organisationaler Entscheidungsfindung.
⸻
9. Information ist nicht dasselbe wie Informationsaustausch
Das führt zu einer entscheidenden Unterscheidung.
Eine Organisation kann enormes Wissen besitzen und trotzdem schlecht entscheiden.
Denn Wissen kann verteilt sein.
Die Pflege weiß etwas.
Der ärztliche Dienst weiß etwas anderes.
Die Physiotherapie beobachtet etwas anderes.
Angehörige kennen wieder einen anderen Teil.
Das Management verfügt über andere Daten.
Wenn diese Informationen nicht in einen gemeinsamen Denkraum gelangen, besitzt zwar das System das Wissen – aber die Entscheidung besitzt es nicht.
Hier berührt Entscheidungsforschung das Konzept der Transactive Memory Systems:
Nicht jeder muss alles wissen.
Aber das Team muss wissen:
Wer weiß was?
Und es muss dieses Wissen abrufen können.
⸻
10. Groupthink: Wenn Harmonie wichtiger wird als Wahrheit
Irving Janis prägte Anfang der 1970er-Jahre den Begriff Groupthink.
Er analysierte politische Fehlentscheidungen und fragte, wie hochkompetente Gruppen Entscheidungen treffen konnten, die rückblickend schwer nachvollziehbar waren.
Seine These:
Stark kohäsive Gruppen können so sehr nach Einigkeit streben, dass kritische Prüfung verloren geht.
Typische Symptome sind:
- Illusion der Unverwundbarkeit,
- Rationalisierung von Warnsignalen,
- moralische Selbstgewissheit,
- Stereotypisierung von Gegnern,
- Druck auf Abweichler,
- Selbstzensur,
- Illusion der Einstimmigkeit,
- Abschirmung störender Informationen.
Ein besonders gefährlicher Satz lautet:
„Wir sind uns doch eigentlich alle einig.“
Vielleicht sind wir das gar nicht.
Vielleicht schweigen nur diejenigen, die anderer Meinung sind.
⸻
11. Die Kritik an Groupthink
Janis’ Modell wurde enorm populär.
Aber wissenschaftlich ist es nicht unumstritten.
Spätere Forschung zeigte, dass Kohäsion allein keineswegs automatisch schlechte Entscheidungen erzeugt.
Ein eng verbundenes Team kann hervorragend entscheiden.
Entscheidend sind weitere Bedingungen:
Wie wird geführt?
Ist Kritik erlaubt?
Wie hoch ist der Konformitätsdruck?
Gibt es unabhängige Informationen?
Wie wird mit Abweichung umgegangen?
Ist das Team von Außenperspektiven isoliert?
Die modernere Sicht lautet deshalb:
Nicht Zusammenhalt ist das Problem. Zusammenhalt ohne epistemische Offenheit kann zum Problem werden.
Ein Team darf menschlich sehr eng verbunden sein und gleichzeitig intellektuell hart miteinander ringen.
Das wäre sogar ein Idealzustand:
hohe Beziehungssicherheit bei hoher sachlicher Widerspruchsfähigkeit.
⸻
12. Psychologische Sicherheit: Darf ich widersprechen?
Damit kommen wir zu Amy Edmondson und der Forschung zur Psychological Safety.
Psychologische Sicherheit bedeutet nicht Harmonie.
Sie bedeutet nicht:
„Alle sind nett zueinander.“
Sie bedeutet:
Ich kann eine Frage stellen.
Ich kann einen Fehler zugeben.
Und ich kann Unsicherheit zeigen.
Ich kann einer ranghöheren Person widersprechen.
Und ich kann sagen:
„Ich glaube, wir übersehen etwas.“
ohne damit rechnen zu müssen, persönlich abgestraft, lächerlich gemacht oder ausgegrenzt zu werden.
Für Entscheidungsqualität ist das zentral.
Denn Informationen, die niemand auszusprechen wagt, existieren für die Entscheidung praktisch nicht.
⸻
13. Macht verändert Entscheidungen
Gruppen sind selten hierarchiefrei.
Lies mehr dazu unter Macht und Status – Die unsichtbaren Kräfte der Kommunikation und Gruppendynamik
Ein Chefarzt, CEO, Stationsleiter oder Projektleiter spricht nicht mit demselben sozialen Gewicht wie ein Lernender, Praktikant oder neues Teammitglied.
Selbst wenn formal gesagt wird:
„Hier darf jeder seine Meinung sagen.“
bedeutet das nicht, dass jede Meinung dieselben sozialen Kosten verursacht.
Macht beeinflusst:
Wer zuerst spricht.
Wer unterbrochen wird.
Welche Information ernst genommen wird.
Wer Fragen stellen darf.
Wer Zweifel äußert.
Und wessen Interpretation schließlich als „Realität“ gilt.
Damit entsteht ein grundlegendes Problem:
Hierarchie kann Koordination ermöglichen – und gleichzeitig Informationsqualität zerstören.
Die Lösung besteht deshalb nicht zwingend darin, Hierarchie abzuschaffen.
Sie besteht darin, Entscheidungsprozesse so zu gestalten, dass Hierarchie notwendige Informationen nicht unterdrückt.
⸻
14. Warum sollte die Führungskraft manchmal zuletzt sprechen?
Stellen wir uns eine Sitzung vor.
Die Leitung sagt zu Beginn:
„Ich denke, Variante A ist eindeutig die beste Lösung. Was meint ihr?“
Formal wurde nach Meinungen gefragt.
Psychologisch wurde bereits ein Anker gesetzt.
Nun widerspricht ein Mitarbeiter nicht einfach einer Idee.
Er widerspricht seiner Führungskraft.
Deshalb kann eine erstaunlich einfache Regel Entscheidungsqualität verbessern:
Informationen zuerst sammeln – Bewertung später.
Und bei wichtigen Entscheidungen:
Die ranghöchste Person äußert ihre Präferenz möglichst spät.
Das verhindert nicht jeden Ankereffekt.
Aber es reduziert unnötige soziale Vorstrukturierung.
⸻
15. Abilene-Paradox: Alle stimmen einer Entscheidung zu, die niemand will
Jerry B. Harvey beschrieb ein weiteres faszinierendes Gruppenphänomen: das Abilene Paradox.
Eine Gruppe kann gemeinsam etwas beschließen, obwohl praktisch jedes Mitglied privat dagegen ist.
Warum?
Jeder glaubt, die anderen wollten es.
Niemand möchte die Gruppe enttäuschen.
Also stimmt jeder zu.
Am Ende fahren alle symbolisch „nach Abilene“, obwohl niemand dorthin wollte.
Das Problem ist hier nicht zu viel Konflikt.
Es ist zu wenig authentischer Konflikt.
Organisationen scheitern deshalb manchmal nicht daran, dass Menschen unterschiedliche Meinungen haben.
Sie scheitern daran, dass niemand überprüft, ob die scheinbare Einigkeit überhaupt real ist.
⸻
16. Informationskaskaden: Wenn wir anderen folgen
Menschen beobachten andere Menschen.
Wenn drei Kollegen sagen:
„Das funktioniert nicht“,
wird es schwieriger, als vierte Person zu sagen:
„Ich glaube schon.“
Vielleicht besitzen die ersten drei aber gar keine unabhängigen Informationen.
Vielleicht hat Person B lediglich A geglaubt.
C hat A und B beobachtet.
D sieht nun drei scheinbar unabhängige Meinungen.
So entstehen Information Cascades.
Aus einer einzigen Einschätzung kann scheinbarer Konsens werden.
Das erklärt Herdenverhalten in Organisationen, Finanzmärkten, sozialen Medien und politischen Bewegungen.
⸻
17. Die Wisdom of Crowds – wann viele Menschen klüger werden
Francis Galton beobachtete Anfang des 20. Jahrhunderts ein berühmtes Phänomen.
Bei einem Wettbewerb sollten Menschen das Gewicht eines Ochsen schätzen.
Einzelne lagen erheblich daneben.
Die aggregierte Schätzung der Menge war jedoch erstaunlich präzise.
Später wurde daraus das populäre Konzept der Wisdom of Crowds.
Aber Menschenmengen sind nicht automatisch weise.
Damit Fehler sich gegenseitig ausgleichen können, braucht es Bedingungen wie:
Vielfalt.
Unabhängigkeit.
Dezentral verteiltes Wissen.
Eine geeignete Methode zur Aggregation.
Wenn dagegen alle voneinander abschreiben, entsteht keine Weisheit der Vielen.
Dann vervielfältigt man denselben Fehler.
⸻
18. Vielfalt allein genügt nicht
Das führt zu einem Punkt, der für Multiversität besonders wichtig ist.
Diverse Teams besitzen potenziell mehr Perspektiven.
Aber:
Potenzielle Vielfalt ist noch keine genutzte Vielfalt.
Ein Team kann aus zwölf Nationalitäten, zehn Berufsgruppen und verschiedenen Generationen bestehen und trotzdem epistemisch homogen entscheiden – wenn am Ende immer dieselben zwei Menschen sprechen.
Diversität wird erst dann zur Ressource, wenn unterschiedliche Perspektiven:
gehört,
verstanden,
ernst genommen,
integriert
und gegebenenfalls gegen die Mehrheitsmeinung geschützt werden.
Deshalb könnte man sagen:
Diversität beschreibt die vorhandene Verschiedenheit. Kollektive Intelligenz beschreibt, was ein System daraus macht.
Lies mehr dazu unter Von der Diversität zur Multiversität
⸻
19. Mehrheitsentscheidungen sind nicht automatisch gute Entscheidungen
Demokratische Abstimmungen besitzen hohe Legitimität.
Aber Wahrheit wird nicht durch Stimmenzahl erzeugt.
Wenn zehn Menschen eine medizinische Frage diskutieren und nur eine Person die relevante Fachkompetenz besitzt, bedeutet 9:1 nicht automatisch, dass neun recht haben.
Umgekehrt darf Expertise nicht bedeuten:
„Ich bin Experte, deshalb habe ich immer recht.“
Die entscheidende Frage lautet:
Welche Art von Entscheidung liegt vor?
Geht es um Fakten?
Werte?
Präferenzen?
Risiken?
Fachwissen?
Ressourcen?
Ethik?
Akzeptanz?
Je nach Problem braucht es unterschiedliche Entscheidungsverfahren.
⸻
20. Konsens ist nicht immer das Ziel
Konsens klingt positiv.
Aber er kann gefährlich werden, wenn die Gruppe so lange diskutiert, bis Abweichler resignieren.
Dann entsteht kein echter Konsens.
Es entsteht Erschöpfung.
Ein guter Entscheidungsprozess muss deshalb zwischen verschiedenen Dingen unterscheiden:
Konsens: Wir tragen die Lösung gemeinsam.
Consent: Es gibt keinen schwerwiegenden begründeten Einwand.
Mehrheitsentscheidung: Die Mehrheit entscheidet.
Expert Decision: Eine fachlich zuständige Person entscheidet.
Hierarchische Entscheidung: Die verantwortliche Führung entscheidet.
Delegation: Eine Person oder Gruppe erhält Entscheidungskompetenz.
Keine Methode ist immer richtig.
Professionelle Organisationen klären deshalb vor der Diskussion:
Wer entscheidet am Ende – und nach welchem Verfahren?
⸻
21. Delphi-Methode: Experten urteilen unabhängig voneinander
Die Delphi-Methode, entwickelt im Umfeld der RAND Corporation, versucht einige Probleme klassischer Gruppendiskussionen zu reduzieren.
Experten geben Einschätzungen zunächst unabhängig voneinander ab.
Die Antworten werden zusammengefasst.
Die Teilnehmer erhalten strukturiertes Feedback.
Danach können sie ihre Einschätzung erneut abgeben.
Das geschieht über mehrere Runden.
Vorteile:
Dominante Persönlichkeiten beeinflussen die Diskussion weniger.
Hierarchieeffekte können reduziert werden.
Menschen können ihre Meinung ändern, ohne öffentlich „das Gesicht zu verlieren“.
Nachteile:
Auch Experten können dieselben blinden Flecken besitzen.
Die Auswahl der Experten beeinflusst das Resultat.
Und „Konsens“ ist methodisch keineswegs einheitlich definiert.
Eine systematische Untersuchung von Delphi-Studien zeigte beispielsweise erhebliche Unterschiede darin, wie Konsens überhaupt operationalisiert wurde.
Konsens darf deshalb nicht mit Wahrheit verwechselt werden.
⸻
22. Nominal Group Technique
Eine weitere Möglichkeit ist die Nominal Group Technique.
Menschen entwickeln ihre Ideen zunächst individuell.
Danach werden sie gesammelt.
Erst anschließend werden sie diskutiert und bewertet.
Das ist bemerkenswert effektiv gegen ein einfaches Problem klassischer Meetings:
Wer zuerst redet, beeinflusst, worüber anschließend gedacht wird.
Individuelles Nachdenken vor der Gruppendiskussion schützt deshalb kognitive Vielfalt.
⸻
23. Pre-Mortem: Stellen wir uns vor, unsere Entscheidung ist gescheitert
Gary Klein popularisierte eine besonders elegante Methode:
das Pre-Mortem.
Normalerweise analysieren wir nach einem Scheitern („Post Mortem“)
„Warum ging das schief?“
Beim Pre-Mortem machen wir das vorher.
Die Gruppe erhält die Anweisung:
„Stellen wir uns vor, es ist ein Jahr später. Unsere Entscheidung ist katastrophal gescheitert. Was ist passiert?“
Plötzlich verändert sich die psychologische Situation.
Wer Risiken nennt, ist nicht mehr der ewige Pessimist.
Er erfüllt seine Aufgabe.
Dadurch können Informationen sichtbar werden, die vorher sozial unbequem waren.
⸻
24. Devil’s Advocate – aber richtig
Eine bekannte Methode besteht darin, jemanden bewusst zum Advocatus Diaboli zu bestimmen.
Diese Person soll Gegenargumente suchen.
Das kann helfen.
Aber es gibt ein Problem.
Wenn alle wissen:
„Peter muss dagegen sein“,
kann sein Widerspruch leicht ignoriert werden.
Stärker kann deshalb authentischer Dissens sein: Menschen widersprechen, weil sie tatsächlich eine andere Analyse vertreten.
Noch besser ist häufig:
Red Teaming.
Ein unabhängiges Team versucht aktiv, die Entscheidung, Strategie oder Annahmen des ersten Teams zu widerlegen.
Nicht um zu gewinnen.
Sondern um Schwachstellen sichtbar zu machen.
⸻
25. Entscheiden unter Risiko und Entscheiden unter Unsicherheit
Hier lohnt sich eine wichtige Unterscheidung.
Unter Risiko kennen wir zumindest ungefähr die möglichen Ergebnisse und ihre Wahrscheinlichkeiten.
Beim Roulette kennen wir Wahrscheinlichkeiten ziemlich genau.
Unter Unsicherheit kennen wir möglicherweise nicht einmal alle denkbaren Ergebnisse oder ihre Wahrscheinlichkeiten.
Eine Pandemie.
Ein Krieg.
Eine neue Technologie.
Eine Reorganisation.
Eine neuartige klinische Situation.
Hier fehlen stabile Wahrscheinlichkeiten.
Und genau deshalb funktionieren mathematisch hochpräzise Modelle nicht automatisch besser.
Man kann Unsicherheit nicht wegmodellieren, indem man ihr mehr Dezimalstellen gibt.
⸻
26. Bayes: Entscheidungen als Lernen
Die Bayes’sche Perspektive bietet eine andere Denkweise.
Wir beginnen mit einer Annahme – einer Prior Probability.
Dann erhalten wir neue Evidenz.
Daraufhin aktualisieren wir unsere Einschätzung.
Das Ergebnis wird zum neuen Ausgangspunkt.
Entscheiden wird damit weniger zu einem einmaligen Akt und mehr zu einem kontinuierlichen Lernprozess.
Das ist für Organisationen enorm wertvoll.
Nicht:
„Wir haben entschieden, also ziehen wir es jetzt durch.“
Sondern:
„Aufgrund der damaligen Informationen war dies unsere beste Entscheidung. Welche neuen Informationen würden uns veranlassen, sie zu ändern?“
Das ist epistemische Bescheidenheit.
⸻
27. OODA Loop: Entscheiden als Kreislauf
John Boyd entwickelte im militärstrategischen Kontext den bekannten:
Observe – Orient – Decide – Act Loop.
Beobachten.
Einordnen.
Entscheiden.
Handeln.
Danach beginnt der Kreislauf erneut.
Das Modell erinnert daran:
Eine Entscheidung ist selten das Ende.
Sie verändert die Situation.
Diese Veränderung erzeugt neue Informationen.
Darauf muss erneut reagiert werden.
Besonders in komplexen Systemen wird Entscheidungsfähigkeit deshalb wichtiger als der Versuch, einmal die perfekte Entscheidung zu treffen.
⸻
28. Cynefin: Nicht jedes Problem braucht dieselbe Entscheidungslogik
Dave Snowden entwickelte mit dem Cynefin Framework eine weitere wichtige Perspektive.
Probleme unterscheiden sich.
Bei klaren Situationen können bekannte Regeln funktionieren.
Bei komplizierten Situationen braucht es Expertise und Analyse.
Und bei komplexen Situationen sind Ursache-Wirkungs-Beziehungen häufig erst im Nachhinein erkennbar.
Dann sollte man kleine Experimente ermöglichen:
Probe – Sense – Respond.
Bei chaotischen Situationen muss zunächst gehandelt werden, um Stabilität herzustellen.
Das Entscheidungsmodell muss also zur Struktur des Problems passen.
Das ist eine der wichtigsten Lektionen moderner Organisationsforschung:
Es gibt kein universell bestes Entscheidungsverfahren.
⸻
29. Warum Organisationen trotzdem immer wieder falsch entscheiden
Viele schlechte Entscheidungen entstehen nicht durch fehlende Intelligenz.
Sie entstehen durch Strukturen.
Information erreicht die entscheidende Stelle nicht.
Menschen schweigen.
Hierarchie erzeugt Anpassung.
Ziele sind unklar.
Zeitdruck verkürzt Reflexion.
Verantwortung wird diffus.
Gemeinsame Informationen dominieren.
Früh geäußerte Meinungen erzeugen Anker.
Kritiker gelten als schwierig.
Erfolg wird mit Entscheidungsqualität verwechselt.
Fehler werden rückblickend individualisiert.
Und irgendwann entsteht der Satz:
„Das konnte damals niemand wissen.“
Manchmal stimmt er.
Manchmal wussten es durchaus Menschen.
Sie wurden nur nicht gehört.
⸻
30. Was unterscheidet gute Entscheidungsgruppen?
Aus den unterschiedlichen Forschungsrichtungen lässt sich kein einzelnes Zauberrezept ableiten.
Aber einige Prinzipien tauchen immer wieder auf.
Gute Entscheidungsgruppen:
- trennen Informationssammlung und Bewertung;
- lassen Menschen zunächst unabhängig nachdenken;
- machen Unsicherheit explizit;
- suchen aktiv nach widersprechenden Informationen;
- geben Minderheiten eine Stimme;
- nutzen Expertise, ohne sie mit Unfehlbarkeit zu verwechseln;
- verhindern, dass Hierarchie zu früh einen Anker setzt;
- fragen nach fehlenden Informationen;
- definieren vorher, wer entscheidet;
- dokumentieren Annahmen;
- führen Pre-Mortems durch;
- überprüfen Entscheidungen später anhand neuer Informationen.
Vor allem aber unterscheiden sie:
Widerspruch gegen eine Idee ist kein Angriff auf eine Person.
⸻
31. Ein einfaches Entscheidungsmodell für Teams
Aus der Forschung lässt sich ein pragmatischer Ablauf ableiten.
Schritt 1 – Die Frage definieren
Was entscheiden wir eigentlich?
Erstaunlich viele Meetings beginnen, bevor diese Frage geklärt wurde.
Schritt 2 – Ziel definieren
Was bedeutet eine gute Lösung?
Patientensicherheit?
Kosten?
Zeit?
Mitarbeiterzufriedenheit?
Qualität?
Nachhaltigkeit?
Schritt 3 – Fakten von Annahmen trennen
Was wissen wir?
Was glauben wir?
Und was vermuten wir?
Was wissen wir nicht?
Schritt 4 – Informationen individuell sammeln
Bevor diskutiert wird, schreibt jeder seine Einschätzung auf.
Schritt 5 – Ungeteiltes Wissen suchen
Jede Person beantwortet:
„Welche Information besitze ich möglicherweise, die die anderen nicht besitzen?“
Schritt 6 – Alternativen erzeugen
Nicht nur:
A oder B.
Sondern:
Gibt es C?
D?
Oder können wir A und B kombinieren?
Schritt 7 – Gegenhypothese suchen
Was müsste wahr sein, damit unsere bevorzugte Lösung falsch ist?
Schritt 8 – Pre-Mortem
Angenommen, wir scheitern.
Warum?
Schritt 9 – Unsicherheit benennen
Welche Annahmen sind sicher?
Welche wahrscheinlich?
Und welche spekulativ?
Schritt 10 – Entscheidung treffen
Und ausdrücklich festhalten:
Wer entscheidet?
Schritt 11 – Revisionskriterien definieren
Welche neue Information würde unsere Entscheidung verändern?
Schritt 12 – Lernen
Später nicht nur fragen:
„Was kam heraus?“
Sondern:
„Wie gut war unser damaliger Denkprozess?“
⸻
32. Die modernste Entwicklung: Mensch und künstliche Intelligenz entscheiden gemeinsam
Mit generativer künstlicher Intelligenz entsteht derzeit eine neue Forschungsfrage.
Nicht mehr nur:
Mensch oder Maschine?
Sondern:
Wie organisiert man kollektive Intelligenz aus Menschen und Maschinen?
KI kann große Informationsmengen durchsuchen, Muster vergleichen, Szenarien erzeugen und Gegenargumente formulieren.
Das eröffnet enorme Möglichkeiten.
Eine KI könnte beispielsweise systematisch fragen:
Welche Alternative wurde nicht diskutiert?
Welche Annahme wird von allen ungeprüft übernommen?
Und welche Evidenz spricht gegen die Mehrheitsmeinung?
Welche Risiken fehlen?
Damit könnte KI eine Art permanentes Red Team darstellen.
Aber dieselbe Technologie erzeugt neue Risiken.
KI kann überzeugend falsch liegen.
Menschen können Automation Bias entwickeln und einer maschinellen Empfehlung zu stark vertrauen.
Mehrere Menschen können dieselbe KI benutzen und dadurch scheinbar unabhängige Einschätzungen erzeugen, die in Wahrheit aus derselben Quelle stammen.
Dann entsteht eine völlig neue Form des Hidden-Profile-Problems:
Wir glauben, unterschiedliche Stimmen zu hören – dabei wiederholt ein Algorithmus dieselbe Denkstruktur.
Deshalb richtet sich moderne Forschung zunehmend auf Human-AI Teaming, Vertrauen, Kalibrierung, Aufgabenteilung und gemeinsame Situationsmodelle.
Der entscheidende Wettbewerb der Zukunft könnte deshalb nicht lauten:
Mensch gegen KI.
Sondern:
schlecht organisierte gegen gut organisierte hybride Intelligenz.
⸻
33. Die vielleicht wichtigste Erkenntnis
Nach Jahrzehnten Entscheidungsforschung bleibt ein bemerkenswertes Ergebnis:
Mehr Intelligenz garantiert keine bessere Entscheidung.
Und mehr Informationen ebenfalls nicht.
Mehr Expertise ebenfalls nicht.
Und mehr Menschen ebenfalls nicht.
Und mehr Diskussion ebenfalls nicht.
Entscheidend ist, wie ein System mit Wissen, Unsicherheit, Macht, Widerspruch und Irrtum umgeht.
Eine Gruppe wird intelligent, wenn sie ihre Unterschiede nutzen kann.
Sie wird gefährlich, wenn sie ihre Unterschiede zum Schweigen bringt.
⸻
34. Verbindung zu Kommunikation, psychologischer Sicherheit und Multiversität
Damit verbindet sich Entscheidungsforschung mit vielen anderen Konzepten.
Mit Psychological Safety, weil relevantes Wissen ausgesprochen werden muss.
Mit Transactive Memory Systems, weil Teams wissen müssen, wer welches Wissen besitzt.
Und mit Collective Intelligence, weil Wissen durch Interaktion zu Gruppenleistung werden kann.
Mit Shared Mental Models, weil Teams ein gemeinsames Situationsverständnis benötigen.
Mit Team Reflexivity, weil Entscheidungen überprüft werden müssen.
Und mit Double Loop Learning, weil nicht nur Handlungen, sondern auch zugrunde liegende Annahmen hinterfragt werden sollten.
Mit Sensemaking, weil Menschen zunächst interpretieren müssen, was überhaupt geschieht.
Mit Cynefin, weil unterschiedliche Situationen unterschiedliche Entscheidungslogiken verlangen.
Und mit Human Factors und CRM, weil Hierarchie, Kommunikation und Situational Awareness in Hochrisikosystemen über Sicherheit entscheiden können.
Und mit Multiversität, weil Unterschiedlichkeit erst dann zur Stärke wird, wenn ein System sie in gemeinsames Denken übersetzen kann.
Die Verbindung all dieser Konzepte lässt sich vielleicht auf eine einfache Formel bringen:
Unterschiedlichkeit + Sicherheit + Informationsaustausch + Widerspruch + Reflexion = Potenzial für kollektive Intelligenz.
Nicht automatisch.
Aber wesentlich wahrscheinlicher.
⸻
35. Ein letzter Widerspruch
Organisationen verlangen häufig:
„Wir müssen schneller entscheiden.“
Darauf reagieren sie mit:
weniger Diskussion,
kleineren Entscheidungskreisen,
stärkerer Hierarchie
und schnellerem Konsens.
Kurzfristig kann das tatsächlich schneller sein.
Langfristig kann es sehr teuer werden.
Denn Geschwindigkeit besitzt zwei Dimensionen:
Wie schnell treffen wir eine Entscheidung?
und
wie schnell erkennen und korrigieren wir eine falsche Entscheidung?
Eine lernfähige Organisation muss deshalb nicht immer langsam entscheiden.
Sie muss reversibel denken.
Bei leicht korrigierbaren Entscheidungen darf sie schnell sein.
Bei schwer reversiblen Entscheidungen braucht sie mehr epistemische Sorgfalt.
Das Ziel lautet nicht maximale Vorsicht.
Das Ziel lautet:
angemessene Entscheidungsqualität für die jeweilige Unsicherheit und Tragweite.
⸻
⸻
Schlussgedanke
Vielleicht besteht die größte Illusion des Entscheidens darin, zu glauben, wir müssten zuerst Gewissheit besitzen.
Diese Gewissheit gibt es häufig nicht.
Wir müssen handeln, obwohl Informationen fehlen.
Wir müssen entscheiden, obwohl Menschen unterschiedlich urteilen.
Und wir müssen Verantwortung übernehmen, obwohl niemand garantieren kann, dass wir recht haben.
Deshalb ist eine reife Entscheidungskultur nicht daran erkennbar, dass sie keine Zweifel kennt.
Im Gegenteil.
Sie kann Zweifel zulassen, ohne handlungsunfähig zu werden.
Sie kann widersprechen, ohne Beziehungen zu zerstören.
Und sie kann entscheiden, ohne ihre Entscheidung zur ewigen Wahrheit zu erklären.
Und sie kann später sagen:
„Aufgrund dessen, was wir damals wussten, war dies unsere beste Entscheidung. Heute wissen wir mehr – also entscheiden wir neu.“
Vielleicht ist genau das die höchste Form organisationaler Intelligenz:
Nicht immer recht zu haben.
Sondern Strukturen zu schaffen, in denen Irrtum entdeckt, ausgesprochen und korrigiert werden kann.
Ein Punkt ist mir bei der Recherche besonders wichtig geworden: Die aktuelle Forschung spricht immer weniger dafür, nach dem einen besten Entscheidungsmodell zu suchen. Gigerenzers Forschung zur „ecological rationality“ zeigt beispielsweise, dass einfache Heuristiken unter echter Unsicherheit komplexere Verfahren schlagen können. Kleins Naturalistic-Decision-Making-Forschung ergänzt das durch die Frage, wie erfahrene Menschen tatsächlich unter Zeitdruck und Unsicherheit handeln.
Stassers Forschung zeigt das Informationsproblem sehr schön, während Woolley et al. zeigen, dass kollektive Intelligenz eben nicht einfach die Summe der klügsten Köpfe ist.
„Eine gute Entscheidung entsteht nicht dort, wo niemand mehr widerspricht. Sie entsteht dort, wo auch der Widerspruch Teil der gemeinsamen Intelligenz werden darf.“
– Christoph J. Zingg
⸻
Wissenschaftliche Grundlagen und weiterführende Literatur
Janis, I. L. (1972). Victims of Groupthink. Houghton Mifflin.
Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263–291.
Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185, 1124–1131.
Simon, H. A. (1955). A Behavioral Model of Rational Choice. Quarterly Journal of Economics, 69(1), 99–118.
Stasser, G., & Titus, W. (1985). Pooling of Unshared Information in Group Decision Making. Journal of Personality and Social Psychology, 48, 1467–1478.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330, 686–688.
Klein, G. (1998). Sources of Power: How People Make Decisions. MIT Press.
Lipshitz, R., Klein, G., Orasanu, J., & Salas, E. (2001). Taking Stock of Naturalistic Decision Making. Journal of Behavioral Decision Making, 14, 331–352.
Gigerenzer, G., & Goldstein, D. G. (1996). Reasoning the Fast and Frugal Way. Psychological Review, 103, 650–669.
Luan, S., Reb, J., & Gigerenzer, G. (2020). Ecological Rationality: Fast-and-Frugal Heuristics for Managerial Decision Making under Uncertainty. Academy of Management Journal, 63, 1735–1759.
Edmondson, A. C. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44, 350–383.
Harvey, J. B. (1974). The Abilene Paradox: The Management of Agreement. Organizational Dynamics, 3(1), 63–80.
Rowe, G., & Wright, G. (1999). The Delphi Technique as a Forecasting Tool: Issues and Analysis. International Journal of Forecasting, 15, 353–375.
Snowden, D. J., & Boone, M. E. (2007). A Leader’s Framework for Decision Making. Harvard Business Review, 85(11), 68–76.
Lies auch: Die Möbiusschleife des Menschlichen