KI-Skepsis im Unternehmen: Die Torpfosten wandern

Marcus Machon
12. März
8 Min. Lesezeit

Aktualisiert: 28. Mai

Seit Ende 2022 beobachte ich ein Muster in dem, wie Menschen über KI urteilen.

Wer nach „KI-Skepsis Unternehmen” sucht, findet oft zwei Extreme: die einen verkaufen KI als unausweichliche Revolution, die anderen sammeln Einwände, warum gerade jetzt noch nicht der richtige Zeitpunkt sei. Beides greift zu kurz. KI-Skepsis ist gesund. Problematisch wird sie erst, wenn sie nicht mehr lernt.

Meine Beobachtung aus LinkedIn-Debatten, Kundengesprächen und meiner eigenen Arbeit mit Agentensystemen: Viele Einwände gegen generative KI verschwinden nicht. Sie wandern. Eine Abwehrposition wird aufgegeben, sobald sie nicht mehr gut hält. Danach kommt sofort die nächste. Erst „stochastischer Papagei”, dann „nur Spielerei”, dann „nur Beschleuniger”, dann „ohne perfekte Daten nutzlos”.

Jede einzelne Position kann im jeweiligen Moment nachvollziehbar sein. Der Fehler liegt nicht im Zweifel. Der Fehler liegt darin, dass die alte Einschätzung nie sichtbar korrigiert wird.

Was ist Goalpost Moving bei KI?

Kurzantwort: Goalpost Moving bei KI bedeutet, dass der Maßstab immer dann verschoben wird, wenn die bisherige Kritik nicht mehr trägt. Die Sorge bleibt oft ähnlich, aber die Begründung wechselt.

Goalpost Moving ist nicht automatisch böse Absicht. Oft ist es Selbstschutz unter Evidenzdruck.

Der Begriff „stochastischer Papagei” kommt nicht aus irgendeinem Kommentarspalten-Reflex. Bender, Gebru, McMillan-Major und Shmitchell haben 2021 in ihrem FAccT-Paper reale Risiken großer Sprachmodelle beschrieben: Trainingsdaten, Skalierungskosten, Dokumentation, Bias und die Frage, wann größere Modelle gesellschaftlich mehr schaden als nützen Bender et al., 2021. Das war kein dummer Einwand.

Aber aus einer differenzierten wissenschaftlichen Kritik wurde in vielen Diskussionen eine Pauschalformel: „Versteht nichts, erledigt.” Als ChatGPT, Claude, Gemini und Microsoft Copilot dann in immer mehr realen Arbeitsprozessen brauchbare Ergebnisse lieferten, wurde die alte Kritik selten explizit beantwortet. Sie verschob sich.

Die Sequenz sieht in vielen Diskussionen ungefähr so aus:

2022/23: „ChatGPT plappert nur nach.”
2023/24: „Beeindruckend, aber für echte Arbeit irrelevant.”
2024: „KI ist eine Blase, wie Dotcom.”
2024/25: „Vibe Coding ist nett, aber kein ernsthaftes Arbeiten.”
2025/26: „KI ist nur ein Beschleuniger. Der Mensch bleibt der eigentliche Wert.”
Jetzt häufiger: „Seht ihr, bringt doch nichts Messbares.”

Das Spannende ist: Einige dieser Einwände sind stärker geworden, nicht schwächer. Halluzinationen, Deskilling, Datenabfluss, Urheberrecht, Abhängigkeit von wenigen Anbietern und Qualitätskontrolle sind echte Themen. Genau deshalb ist „KI Kritik wandert” mehr als Polemik. Es ist ein Diagnosemuster: Wird ein Einwand präziser, oder wird nur die Verteidigungslinie abstrakter? Die Antwort liegt selten im einzelnen Satz. Entscheidend ist, ob die Organisation daraus eine überprüfbare Bedingung macht oder nur den nächsten Grund findet, nichts zu ändern.

Warum verschiebt sich KI-Skepsis in Unternehmen?

Kurzantwort: KI-Skepsis in Unternehmen ist selten reine Technikbewertung. Häufig geht es auch um Status, Kontrolle, Kompetenzgefühl, Haftung und die Angst, dass bestehende Expertise plötzlich weniger exklusiv wirkt.

Die Psychologie beschreibt solche Muster seit Jahrzehnten. Kognitive Dissonanz meint den Spannungszustand, wenn Überzeugungen nicht mehr zusammenpassen: „Meine Expertise ist schwer ersetzbar” und „ein KI-System erledigt Teile davon in Minuten” Festinger, 1957. Motivated Reasoning beschreibt, wie Menschen Evidenz so prüfen, dass ein gewünschtes Ergebnis wahrscheinlicher wird Kunda, 1990.

Das ist menschlich, kein persönlicher Vorwurf. Und es betrifft nicht nur Skeptiker.

Ich habe selbst Phasen erlebt, in denen ich dachte: Vielleicht ist jetzt erst einmal eine Grenze erreicht. Dann kamen bessere Modelle, Agenten-Workflows, lokale Automatisierung und plötzlich waren Dinge möglich, für die ich kurz vorher noch Entwickler, SaaS-Abos und viel mehr Zeit einkalkuliert hätte. Meine eigene KI-Skepsis musste sich auch bewegen. Der Unterschied ist nicht, nie falschzuliegen. Der Unterschied ist, ob man die eigene Verschiebung bemerkt.

In Unternehmen klingt psychologischer Selbstschutz selten wie Angst. Er klingt professionell:

„Für unsere Branche ist das noch nicht relevant.”
„Wir müssen erst die Datenqualität perfektionieren.”
„Ohne Drei-Jahres-Roadmap ist das unseriös.”
„Das rechnet sich erst, wenn die Tools fehlerfrei sind.”
„Das ist nur für Texte, nicht für unsere echte Arbeit.”

Ein Teil davon ist berechtigt. Ein Teil davon ist Abwehr. Der Unterschied zeigt sich daran, ob die Bedingung überprüfbar ist.

Warum fällt uns das Verschieben selbst kaum auf?

Ein guter Begriff dafür ist der AI Effect, oft mit Tesler verbunden: Intelligenz ist immer das, was Maschinen noch nicht können. Sobald eine Fähigkeit alltäglich wird, behandeln wir sie nicht mehr als KI.

Navigation, Spamfilter, Übersetzung, Texterkennung und Bildklassifikation waren einmal beeindruckende KI-Beispiele. Heute sind sie Hintergrundrauschen. Bei generativer KI passiert dasselbe schneller: Sobald ein Modell eine Aufgabe kann, wird die Aufgabe abgewertet.

Das sieht man auch an Benchmarks. Der Stanford AI Index 2026 schreibt, dass KI-Fähigkeiten die Benchmarks, mit denen sie gemessen werden, zunehmend überholen. Aufgaben, die für Jahre anspruchsvoll sein sollten, werden teilweise in Monaten gesättigt; bei Humanity's Last Exam legten Frontier-Modelle innerhalb eines Jahres stark zu Stanford HAI, 2026. Gleichzeitig scheitern Agenten weiterhin an einem relevanten Teil strukturierter Aufgaben. Beides stimmt.

Genau hier entsteht der Denkfehler: Wer nur die Fortschritte sieht, wird naiv. Wer nur das Scheitern sieht, wird blind für Geschwindigkeit.

Wie sieht die aktuelle Abwehrposition in der Praxis aus?

Die eleganteste Verteidigungslinie lautet gerade: „KI ist nur ein Beschleuniger.” Sie lehnt KI nicht ab. Sie ordnet KI ein. Und zwar so, dass bestehende Rollen, Hierarchien und Beratungsmodelle unangetastet bleiben.

Ich habe dazu in einem LinkedIn-Post 21 KI-Argumente gesammelt und in Phasen sortiert. Das Muster war klarer als mir lieb war: Die Argumente werden nicht einfach schwächer. Sie wandern die Abstraktionsleiter hoch. Von testbar („halluziniert”) über diskutierbar („DSGVO”) zu kaum widerlegbar („kein Bewusstsein”).

Typische Varianten:

Entwickler: „LLMs können Boilerplate, aber bei Architektur und Produktlogik wird es schwierig.”
Architekten: „Das Modell versteht nicht, warum der Code so aussieht.”
Datenschutz: „Darf man gar nicht einsetzen.”
Change-Beratung: „Das braucht erst einen langen Kulturprozess.”
Strategie: „Wir machen KI, wenn der ROI eindeutig ist.”
Philosophie: „Ohne Bewusstsein ist das keine Intelligenz.”

Das Problem ist nicht, dass diese Aussagen falsch sind. Manche sind sehr gut. Das Problem ist das Wort „nur”. Nur Boilerplate. Nur Texte. Nur Standardaufgaben. Nur ein Beschleuniger.

Dieses „nur” ist oft der Ort, an dem KI-Skepsis Unternehmen bremst. Denn wirtschaftlich ist nicht entscheidend, ob ein System „wirklich versteht”. Entscheidend ist, ob es eine Aufgabe zuverlässig genug, schnell genug und kontrollierbar genug erledigt, um Kosten, Qualität oder Geschwindigkeit zu verändern.

Kennen wir dieses Muster aus der Technikgeschichte?

Ja, aber mit Vorsicht. Der historische Vergleich ist nützlich, wenn man ihn nicht als Beweis missbraucht.

Larry Ellison spottete 2008/2009 öffentlich über Cloud Computing; Berichte aus der Zeit halten Begriffe wie „gibberish”, „nonsense” und „water vapor” fest TechCrunch, 2009. Oracle wurde später trotzdem Cloud-Anbieter. Steve Ballmer sagte 2007 sinngemäß, das iPhone habe keine Chance auf relevanten Marktanteil Ars Technica, 2007. Geoffrey Hinton warnte 2016 vor der Ausbildung neuer Radiologen; 2026 wird das Beispiel eher als Lehrstück dafür diskutiert, dass KI Radiologie verändert, aber nicht einfach ersetzt HealthManagement.org, 2026.

Der Punkt ist nicht: Skeptiker liegen immer falsch. Das wäre Unsinn. Wir erinnern uns an iPhone und Cloud, aber vergessen Metaverse, Google Glass, 3D-TV und unzählige Hypes, bei denen Skepsis richtig war.

Der Punkt ist enger: Menschen aktualisieren ihre Position oft still. Aus „wird nie funktionieren” wird „war ja klar, dass es nur in bestimmten Fällen funktioniert”. Aus „ersetzt alles” wird „war ja immer als Assistenz gemeint”. Beides ist Goalpost Moving.

Ist KI-Skepsis in Unternehmen rational?

Kurzantwort: Ja, wenn sie überprüfbare Bedingungen formuliert. Nein, wenn sie jede neue Evidenz in eine neue Ausrede umbaut.

Ja. Rationale KI-Skepsis ist notwendig.

Goldman Sachs fragte 2024 öffentlich, ob generative KI bei den erwarteten Infrastrukturinvestitionen genug Nutzen liefern werde Goldman Sachs, 2024. NBER-Daten aus 2026 zeigen ebenfalls ein wichtiges Gegenbild: Viele Unternehmen nutzen oder testen KI, berichten aber rückblickend über die letzten drei Jahre noch keinen messbaren Effekt auf Beschäftigung oder Produktivität NBER, 2026. Das ist ein starkes Argument gegen naive ROI-Folien.

Gleichzeitig zeigen deutsche Daten, dass Nichtstun keine neutrale Position ist. Bitkom Research berichtet im März 2026, dass 41 Prozent der deutschen Unternehmen ab 20 Beschäftigten KI einsetzen und weitere 48 Prozent den Einsatz planen oder diskutieren Bitkom Research, 2026. KfW Research meldet für den Mittelstand, dass 20 Prozent der mittelständischen Unternehmen KI nutzen; bei Unternehmen mit Forschung und Entwicklung sind es deutlich mehr KfW Research, 2026.

Diese Zahlen widersprechen sich nicht. Sie beschreiben das eigentliche Dilemma hinter dem Suchbegriff „KI Adoption Mittelstand”: Nutzung nimmt zu, aber messbarer Nutzen entsteht nicht automatisch. Deloitte-Zahlen, Bitkom-Daten oder NBER-Papers lösen dieses Spannungsfeld nicht auf. Sie zeigen nur, dass „alle machen KI” und „KI bringt nichts” beide zu grob sind.

Rationale KI-Skepsis sagt:

„Wir testen drei konkrete Use Cases mit unkritischen Daten.”
„Wir messen Zeitersparnis, Qualität, Risiko und Akzeptanz.”
„Wir definieren vorher, wann wir stoppen.”
„Wir prüfen Datenschutz, Berechtigungen und Verantwortlichkeiten.”
„Wir aktualisieren unsere Annahmen sichtbar.”

Abwehr sagt:

„Dafür sind wir noch nicht bereit.”
„Das muss erst perfekt sein.”
„Das ist nur Hype.”
„Das ist nur etwas für große Konzerne.”
„Wir schauen uns das später an.”

Der erste Ansatz lernt. Der zweite konserviert.

Wie unterscheiden Unternehmen rationale KI-Skepsis von Abwehr?

Der Unterschied zeigt sich nicht an der Meinung, sondern daran, ob eine alte Einschätzung sichtbar aktualisiert wird.

Ich nutze dafür inzwischen fünf Fragen:

Was müsste passieren, damit wir unsere Einschätzung ändern?
Haben wir in den letzten zwölf Monaten eine alte KI-Annahme sichtbar korrigiert?
Verschieben wir die Anforderung, oder präzisieren wir sie?
Ist unser Einwand testbar, oder so abstrakt, dass er nie widerlegt werden kann?
Welche kleine, reversible Entscheidung wäre trotz Skepsis vertretbar?

Diese Fragen wirken simpel. Aber sie trennen erstaunlich gut zwischen Lernen und Selbstschutz.

Wenn ein Unternehmen 2023 gesagt hat „KI kann keine brauchbaren Texte schreiben” und 2026 sagt „Texte sind egal, echte Arbeit liegt woanders”, fehlt ein Zwischenschritt: „Unsere erste Einschätzung war zu grob.”

Ohne diesen Satz bleibt die Organisation in der Verteidigung.

Was bedeutet das für Microsoft 365 und Copilot?

Microsoft Copilot ist ein gutes Praxisbeispiel, weil hier beide Lager leicht überziehen.

Die Hype-Version lautet: Lizenz kaufen, Produktivität steigt. Die Abwehrversion lautet: Unsere Daten sind nicht perfekt, also warten wir. Beides ist gefährlich.

Microsoft selbst beschreibt für Microsoft 365 Copilot eine sichere und geregelte Datenbasis als Voraussetzung. Der Copilot kann Informationen aus Daten ableiten, auf die Nutzende bereits Zugriff haben; deshalb gehören Oversharing, Guardrails, Berechtigungen und Governance vor oder spätestens während der Einführung auf den Tisch Microsoft Learn, 2026.

Das ist genau die Stelle, an der KI Readiness praktisch wird: als Arbeitsprogramm statt als Großwort.

Welche SharePoint-Bereiche sind für Copilot besonders riskant?
Welche Teams enthalten alte, breit geteilte Dateien?
Welche Pilotgruppen haben echte Aufgaben statt nur Neugier?
Welche Daten bleiben bewusst draußen?
Welche Prompts, Ergebnisse und Entscheidungen müssen dokumentiert werden?

Wenn Sie das vertiefen wollen, passen dazu zwei Anschlussbeiträge: der Einstieg in Copilot Chat für Anfänger und der Beitrag zur Frage, wie ein Microsoft 365 Copilot Agent Kundendaten sauber getrennt hält. Für die strategische Ebene ist außerdem der Beitrag zur KI-Strategie im Mittelstand der bessere nächste Schritt.

Was sollten Unternehmen jetzt konkret tun?

Mein Rat ist bewusst unspektakulär: nicht mit „KI-Transformation” starten. Starten Sie mit einer Annahme.

Beispiele:

„Copilot Chat hilft unseren Mitarbeitenden, lange interne Texte schneller zu verstehen.”
„Ein isolierter Recherche-Agent spart Zeit in der Marktbeobachtung.”
„Eine interne Wissenssuche auf freigegebenen SharePoint-Inhalten reduziert Suchzeit.”
„Power BI wird nützlicher, wenn KI Berichte erklärt, aber keine Entscheidung trifft.”
„Ein Prozess mit Microsoft Lists und Power Automate ersetzt eine riskante Excel-Datei.”

Dann bauen Sie einen kleinen Test:

ein Use Case,
eine Pilotgruppe,
unkritische oder sauber freigegebene Daten,
klare Messpunkte,
ein Stoppsignal,
ein kurzes Review nach zwei bis vier Wochen.

Das klingt kleiner als die meisten KI-Keynotes. Genau deshalb funktioniert es besser.

KI-Skepsis Unternehmen wird produktiv, wenn sie in überprüfbare Tests übersetzt wird. Sie wird destruktiv, wenn sie nur Gründe sammelt, warum noch nichts passieren darf.

Skepsis behalten, Ausreden entfernen

Ich misstraue jeder KI-Einführung, die nur aus Begeisterung besteht. Aber ich misstraue inzwischen auch jeder Skepsis, die nie ihre eigenen alten Aussagen überprüft.

Goalpost Moving KI ist nicht automatisch böse Absicht. Oft ist es Selbstschutz unter Evidenzdruck. Das gilt für Skeptiker genauso wie für Enthusiasten.

Die bessere Frage lautet deshalb nicht: „Sind wir für KI oder gegen KI?”

Die bessere Frage lautet: „Welche Annahme testen wir als Nächstes, ohne unnötiges Risiko?”

Wenn Ihr Unternehmen diese Frage konkret beantworten kann, ist es wahrscheinlich weiter als viele Firmen mit einer großen KI-Roadmap.

KI-Readiness pragmatisch prüfen

Über den Autor: Marcus Machon berät mittelständische Unternehmen bei Microsoft 365 Governance, SharePoint-/Teams-Struktur, Power-Platform-Automatisierung und Copilot-/KI-Readiness.

LinkedIn-Profil · Über Marcus