Warum KI-Akzeptanz beim Menschen beginnt.

Veronika Rubahn: Wenn über KI gesprochen wird, steht oft zuerst die Technologie im Mittelpunkt. Was kann ein Tool? Welche Prozesse lassen sich automatisieren? Wo entsteht Effizienz? Das sind wichtige Fragen. Aber sie reichen nicht aus. Am Ende entscheiden Menschen, ob eine Technologie wirklich Teil ihres Arbeitsalltags wird. Nutze ich sie? Vertraue ich ihr? Verstehe ich ihren Nutzen? Habe ich das Gefühl, dass sie meine Arbeit unterstützt?
Genau hier setzt die psychologische Perspektive an. Technologieakzeptanz hängt nicht nur davon ab, ob eine Lösung funktional gut ist. Es geht auch um Erwartungen, Erfahrungen, soziale Einflüsse, Rahmenbedingungen und den wahrgenommenen Nutzen. Diese Faktoren werden in der Psychologie schon lange untersucht. Spannend ist, diese Erkenntnisse auf KI und konkrete Unternehmenskontexte zu übertragen. 

Veronika: Für mich bedeutet es, KI nicht isoliert als Technologie zu betrachten. Man muss verstehen, wie Menschen arbeiten, welche Aufgaben sie haben, wo sie Potenziale sehen und welche Bedenken sie mitbringen. 
Gerade bei KI ist das entscheidend, weil Akzeptanz nicht nur eine technische Frage ist. Es geht auch darum, wie Menschen Informationen verstehen, wie sie Entscheidungen treffen, welchen Wert sie darin sehen und ob eine Lösung zu realen Arbeitsprozessen passt.

Veronika: Der Ausgangspunkt war die Frage, wo KI wirklich Mehrwert schaffen kann und wie mögliche Lösungen später auch angenommen werden. Dafür habe ich Interviews mit Mitarbeitenden aus unterschiedlichen Funktionen und Bereichen geführt. Ich wollte verstehen, wie sie heute arbeiten, wo sie bereits KI nutzen, wo sie Potenzial sehen und welche Aufgaben besonders zeitintensiv oder herausfordernd sind. Genauso wichtig waren Fragen, Unsicherheiten und Bedenken. 
Aus diesen Gesprächen entstanden konkrete Use Cases. Manche wurden bereits ausprobiert, andere waren eher Ideen für die Zukunft. Gleichzeitig wurde sichtbar, unter welchen Bedingungen diese Use Cases funktionieren könnten. Es ging also nicht nur darum, eine Liste möglicher Anwendungsbereiche zu erstellen, sondern auch darum, die Voraussetzungen für den Einsatz von KI besser zu verstehen. 

Veronika: Interessant war, dass sich bestimmte Themen über verschiedene Bereiche hinweg wiederholt haben. Obwohl die Rollen und Aufgaben unterschiedlich waren, tauchten ähnliche Potenziale mehrfach auf. Es lohnte sich damit, nicht nur auf einzelne Teams zu schauen, sondern Muster über die Organisation hinweg zu erkennen. 
Ein weiteres Learning war: KI ist nicht automatisch die beste Lösung. Es geht nicht darum, für jedes Problem eine KI-Anwendung zu entwickeln. Manchmal ist eine andere Lösung einfacher, sicherer oder wirkungsvoller. Das wurde zum Beispiel beim Umgang mit sensiblen Daten deutlich. Wenn Informationen erst aufwendig anonymisiert oder umformuliert werden müssen, bevor sie in ein KI-Tool eingegeben werden können, kann der Aufwand größer sein als der Nutzen. Solche Erkenntnisse helfen, KI realistisch und verantwortungsvoll einzusetzen. 

Veronika: Nach den Interviews haben wir die Use Cases in einem Workshop priorisiert. Dafür haben wir unter anderem mit einer Impact-Effort-Matrix gearbeitet. Dabei betrachtet man, wie groß der potenzielle Nutzen eines Use Cases ist und wie hoch der Aufwand für die Umsetzung wäre.
Zusätzlich haben wir ein Success Criteria Grid genutzt. Damit konnten wir die Use Cases anhand konkreter Kriterien bewerten. Zum Beispiel: Sind die notwendigen Daten verfügbar? Gibt es technische oder organisatorische Voraussetzungen? Ist der Use Case realistisch umsetzbar? Das Ziel war, nicht nur nach Bauchgefühl zu entscheiden. Gerade bei KI gibt es oft viele Ideen und viel Dynamik. Eine strukturierte Priorisierung hilft, die Use Cases zu identifizieren, die einen klaren Nutzen versprechen und gleichzeitig umsetzbar sind. 

Veronika: Eine sehr große. Erwartungen und Bedenken zeigen, was Menschen brauchen, um eine Technologie anzunehmen. Manche fragen sich, ob KI ihre Arbeit erleichtert. Andere wollen verstehen, wie zuverlässig Ergebnisse sind oder welche Daten sie verwenden dürfen. Wieder andere sind unsicher, welche Aufgaben sie künftig selbst übernehmen und wo KI unterstützen soll.
Diese Fragen sollte man nicht erst am Ende eines Projekts behandeln. Sie gehören von Anfang an dazu. Wenn man sie früh versteht, kann man daraus konkrete Maßnahmen ableiten. Zum Beispiel klare Kommunikation, Guidelines, Trainings oder Anpassungen im Prozess. Adoption passiert nicht automatisch, nur weil ein Tool verfügbar ist. Menschen müssen den Nutzen erkennen, Vertrauen aufbauen und die Möglichkeit haben, KI sinnvoll in ihren Arbeitsalltag zu integrieren. 

Veronika: Wenn KI in Kundenerlebnisse eingebunden wird, verändert sie die Beziehung zwischen Kund:innen und Organisationen. Eine KI kann Interaktionen schneller, zugänglicher oder persönlicher machen. Sie kann aber auch Distanz erzeugen, wenn Menschen nicht verstehen, wie Entscheidungen entstehen oder ob sie noch Kontrolle haben.
Deshalb zählt aus psychologischer Sicht nicht nur, was am Ende einer Interaktion passiert, sondern auch, wie Menschen diese Interaktion erleben. Wurde ich verstanden? Ist transparent, was passiert? Kann ich eingreifen? Gibt es eine Person, an die ich mich wenden kann, wenn die KI nicht weiterhilft? KI sollte deshalb so gestaltet und eingeführt werden, dass sie Vertrauen stärkt. Besonders in Beziehungen zu Kund:innen kann das entscheidend sein.

Veronika: Unternehmen sollten Menschen früh einbeziehen. Nicht nur, um Ideen für Use Cases zu sammeln, sondern um Bedürfnisse, Pain Points und mögliche Widerstände zu verstehen. Außerdem braucht es Fokus. KI eröffnet viele Möglichkeiten, aber nicht jede Idee sollte sofort verfolgt werden. Es ist wichtig, realistisch zu prüfen, wo KI echten Mehrwert schafft, welche Voraussetzungen fehlen und welche Risiken es gibt.
Für mich ist der zentrale Punkt: KI kann nur dann nachhaltig Wirkung entfalten, wenn sie für Menschen sinnvoll, verständlich und vertrauenswürdig ist. Erfolgreiche KI-Adoption beginnt deshalb nicht beim Tool, sondern beim Menschen.