Weiteres zu Cluster B
KI‑Strategieberatung: Der Trendslop‑Effekt
Die zunehmende Nutzung großer Sprachmodelle (LLMs) wie ChatGPT verspricht, komplexe Sachverhalte zusammenzufassen und in Sekundenschnelle klare strategische Empfehlungen zu liefern. Doch eine empirische Studie von Angelo Romasanta, Llewellyn D. W. Thomas und Natalia Levina zeigt, dass LLMs bei strategischen Entscheidungen systematische Verzerrungen aufweisen. Sie folgen modischen Schlagworten anstatt die konkreten Umstände des Unternehmens zu berücksichtigen – ein Phänomen, das die Autor:innen „Trendslop“ nennen.
Forschungsdesign
Für die Untersuchung wurden sieben führende LLMs auf sieben grundlegende strategische Spannungsfelder getestet. Die Modelle mussten sich jeweils zwischen zwei Alternativen entscheiden. Variiert wurden sowohl die Unternehmenskontexte (z. B. Startup vs. Konzern) als auch die Prompts (offene Frage vs. Pro‑/Contra‑Anweisung). Die sieben Spannungsfelder lauteten:
- Exploration vs. Exploitation
- Zentralisierung vs. Dezentralisierung
- Kurzfristig vs. Langfristig
- Wettbewerb vs. Kooperation
- Radikal vs. Inkrementell
- Differenzierung vs. Kommodifizierung
- Automatisierung vs. Augmentierung
Schlüsselbefunde
Die Analysen ergaben, dass LLMs bei den meisten Spannungsfeldern konsistent dieselbe Option bevorzugen, unabhängig von Kontext und exakter Fragestellung. Unten werden die wichtigsten Verzerrungen kompakt dargestellt.
Differenzierung > Kommodifizierung
Fast alle LLMs empfehlen Unternehmen, sich durch einzigartige Leistungen und Marken zu differenzieren, statt über niedrige Kosten zu konkurrieren. Die Modelle ignorieren damit die etablierte strategische Option der Kostenführerschaft.
Augmentierung > Automatisierung
Die Systeme befürworten nahezu ausnahmslos die Ergänzung menschlicher Arbeit durch KI, anstatt Prozesse vollständig zu automatisieren. Dies spiegelt die positive Konnotation von „Augmentierung“ im aktuellen Diskurs.
Langfristig > Kurzfristig
LLMs bevorzugen langfristige Strategien – auch in Situationen, in denen kurzfristige Maßnahmen überlebenswichtig sein können. Dadurch verstärken sie den Trend zu langfristigem Denken.
Exploration vs. Exploitation
Nur bei diesem Spannungsfeld zeigen sich spürbare Unterschiede zwischen den Modellen. ChatGPT tendiert beispielsweise zum explorativen Ansatz, während andere Modelle stärker auf die Ausbeutung bestehender Kompetenzen setzen.
Die Hybrid‑Falle
Werden die Modelle nicht zu einer Entscheidung gezwungen, empfehlen sie häufig „alles zugleich“: z. B. Differenzierung und Kostenführerschaft. Solche Hybride gelten in der Strategie‑Literatur als riskant und führen zu unklaren Prioritäten.
Ursachen der Verzerrungen
LLMs werden auf riesigen Mengen öffentlich verfügbarer Texte trainiert. Begriffe wie „Differenzierung“, „Augmentierung“ oder „Kollaboration“ besitzen im zeitgenössischen Wirtschaftsdiskurs eine positive Aura, während „Kommodifizierung“ oder „Hierarchie“ eher negativ besetzt sind. Da LLMs Worte anhand ihrer statistischen Attraktivität auswählen, reproduzieren sie diese kulturell verankerten Vorlieben. Zusätzlich verarbeiten sie bevorzugt moderne Management‑Narrative und ignorieren klassische Strategietheorien wie Michael Porters Empfehlung der Kostenführerschaft.
Empfehlungen für die Nutzung von LLMs
- LLMs als Ideenquelle nutzen: Die Modelle eignen sich zur Generierung von Alternativen, Risiken und Stakeholderperspektiven, dürfen aber nie die endgültige Entscheidung ersetzen.
- Bias bewusst kontern: Fordern Sie das Modell explizit auf, auch die weniger trendigen Optionen (z. B. Kommodifizierung, kurze Fristen) ausführlich zu begründen.
- Hybrid‑Empfehlungen hinterfragen: Wenn das Modell zu Mischstrategien rät, behandeln Sie dies als Warnsignal. Erarbeiten Sie für jede Option getrennt eine Risiko‑/Nutzen‑Analyse.
- Kontext reicht nicht aus: Detaillierte Unternehmensbeschreibungen reduzieren die Verzerrungen nur geringfügig; das Modell bleibt bei seinen modisch geprägten Vorlieben.
- Strategische Urteilsfähigkeit bewahren: Führungskräfte müssen die Entscheidungshoheit behalten und sich der kulturellen Prägungen von LLMs bewusst sein.
Passend zu Cluster B – Prüfungsadministrationsinnovation / Next Gen Admin.
Die Studie zur „Trendslop“‑Verzerrung zeigt, dass LLMs moderne Management‑Trends ungeprüft reproduzieren. Damit unterstreicht sie zentrale Anliegen des Cluster B: Ausbilder:innen müssen Lernende für KI‑Literacy sensibilisieren, rechtliche Rahmenbedingungen (Transparenz, menschliche Aufsicht, Datenqualität) einhalten und die Kennzeichnungspflicht von KI‑Systemen beachten. Gleichzeitig ist eine kritische Urteilskompetenz erforderlich, um KI‑Outputs zu bewerten und Fehlleistungen zu identifizieren. Die Ergebnisse belegen somit die Relevanz von Governance, rechtlicher Absicherung und menschlichem Ermessen, wie sie im Cluster B diskutiert werden.