Algorithm Aversion: Warum wir Algorithmen misstrauen und wann nicht

Algorithm Aversion erklärt: warum Menschen Algorithmen misstrauen, wann sie ihnen lieber folgen und wie du KI-Angebote so gestaltest, dass Kunden vertrauen.

KI & Automation · · 8 Min.

Titelbild zum Artikel „Algorithm Aversion: Warum wir Algorithmen misstrauen und wann nicht“ von Felix Schmitz (KI & Automation)

Kurz gesagt

  • Algorithm Aversion ist die Neigung, Rat oder Entscheidungen eines Algorithmus seltener anzunehmen als die eines Menschen, auch wenn der Algorithmus gleich gut oder besser ist.
  • Das Gegenstück heißt Algorithm Appreciation, und welche Reaktion auftritt, hängt stark von Aufgabe und Darstellung ab.
  • Hou und Jung erzeugten in Experimenten Aversion und Wertschätzung allein dadurch, wie sie Mensch und Algorithmus beschrieben.
  • Bei klar strukturierten Aufgaben vertrauen Konsumenten eher Algorithmen, bei offenen Aufgaben eher Menschen, weil sie ihnen mehr Flexibilität zutrauen.
  • Wer mit Algorithmen vertraut ist, vertraut ihnen eher, deshalb helfen offen gezeigte Leistung und gute erste Erfahrungen mehr als lange Erklärungen.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt8 Abschnitte

Algorithm Aversion, auf Deutsch etwa Algorithmus-Abneigung, ist die Neigung, Rat oder Entscheidungen eines Algorithmus seltener anzunehmen als die eines Menschen, selbst wenn der Algorithmus nachweislich gleich gut oder besser ist. Das Gegenstück heißt Algorithm Appreciation: Menschen folgen einem Algorithmus lieber als einem Menschen. Welche der beiden Reaktionen auftritt, hängt vor allem von der Aufgabe ab und davon, wie der Algorithmus vorgestellt wird.

Für Gründer hat das Thema zwei Seiten. Die erste betrifft deine Kunden. Wenn du ein KI-Feature anbietest, einen Chatbot einsetzt oder Angebote mit KI erstellst, entscheidet ihre Haltung darüber, ob sie das annehmen. Die zweite betrifft dich selbst. Viele von uns ignorieren Empfehlungen von Werkzeugen, die es besser wissen könnten, und merken es nicht.

Dieser Artikel konzentriert sich auf die Psychologie dahinter. Welche Entscheidungen du überhaupt an Algorithmen abgeben solltest, beschreibe ich im Artikel über algorithmische Entscheidungen. Das andere Extrem, blindes Vertrauen in die Maschine, behandle ich im Artikel zum Automation Bias. Und wie Menschen KI ganz allgemein annehmen, steht im Artikel zur KI-Akzeptanz.

Was Algorithm Aversion ist und woher der Begriff kommt

Bekannt wurde der Begriff durch Experimente von Berkeley Dietvorst und Kollegen aus dem Jahr 2015. Sie zeigten, dass Menschen das Vertrauen in einen Algorithmus schneller verlieren als in einen Menschen, nachdem sie ihn einen Fehler machen sahen. Ein Mensch, der danebenliegt, bekommt eine zweite Chance. Ein Algorithmus, der danebenliegt, gilt schnell als unbrauchbar.

Für kleine Unternehmen ist das der wichtigste Satz der ganzen Forschung. Angenommen, der Chatbot auf deiner Website nennt einem Kunden einmal eine falsche Öffnungszeit. Der Kunde steht vor verschlossener Tür. Hätte ihm eine Mitarbeiterin dieselbe falsche Auskunft gegeben, wäre das ärgerlich, aber verzeihlich. Beim Chatbot zieht er einen anderen Schluss: Dem Ding kann man nicht trauen. Beim nächsten Mal ruft er an oder fragt gar nicht mehr.

Seitdem ist viel geforscht worden, mit widersprüchlichen Ergebnissen. Manche Studien finden Abneigung, andere das Gegenteil. Jussupow, Benbasat und Heinzl (2024) haben deshalb in MIS Quarterly, einer der wichtigsten Zeitschriften der Wirtschaftsinformatik, eine Ordnung vorgeschlagen. Ihr Ausgangspunkt: Es fehlt ein gemeinsames Verständnis davon, was die Begriffe bedeuten und wie man sie misst. Dadurch lassen sich Ergebnisse schwer zusammenführen.

Die Autoren definieren Algorithm Aversion als Bevorzugung von Menschen gegenüber Algorithmen beim Entscheiden. Sie weisen darauf hin, dass es einen Unterschied macht, ob man einen Algorithmus als reines Rechenverfahren versteht oder als etwas, das in einem Gegenstand oder Dienst steckt. Und sie unterscheiden vier Entscheidungssituationen, je nachdem, was Menschen bewerten: einen Algorithmus, einen menschlichen Berater, ihr eigenes Urteil oder Kombinationen daraus.

Für die Praxis ist dieser letzte Punkt hilfreich. „Vertrauen meine Kunden der KI?“ ist eine unscharfe Frage. Schärfer ist: Womit vergleichen sie die KI gerade? Mit dir als Berater, mit ihrem eigenen Bauchgefühl oder mit einer Kombination aus dir und KI?

Was Kunden vergleichen Beispiel Typische Frage im Kopf
Algorithmus gegen Mensch Chatbot oder Mitarbeiterin am Telefon Wer versteht mein Anliegen besser
Algorithmus gegen eigenes Urteil Produktempfehlung im Shop Weiß das System mehr als ich
Mensch mit Algorithmus gegen Mensch allein Beraterin, die KI-Auswertungen nutzt Macht die KI die Beratung besser oder unpersönlicher

Die Beschreibung entscheidet mit

Eine Studie hat mich besonders überrascht, weil sie zeigt, wie formbar diese Haltung ist. Hou und Jung (2022) haben in drei Experimenten untersucht, warum Studien mal Abneigung und mal Wertschätzung finden. Ihr Hebel war denkbar klein: Sie änderten nur die Beschreibung des menschlichen und des algorithmischen Beraters.

In einem Experiment erzeugten sie damit Algorithm Appreciation, in einem anderen Algorithm Aversion. Im dritten zeigten sie, wie unterschiedliche Beschreibungen zu den widersprüchlichen Ergebnissen früherer Studien führen können. Vermittelt wurde der Effekt über die wahrgenommene Kompetenz, also darüber, wem die Teilnehmenden mehr Fachwissen zutrauten.

Für dich heißt das: Wie du ein KI-Feature beschreibst, ist Teil des Produkts. Angenommen, eine Steuerberaterin bietet eine automatische Belegprüfung an. „Ein Algorithmus prüft Ihre Belege“ wirkt austauschbar. „Die Prüfung arbeitet mit denselben Regeln, die ich seit Jahren bei jeder Steuererklärung anwende, und markiert alles, was ich mir selbst ansehe“ beschreibt Kompetenz und eine klare Rolle. Beides beschreibt dasselbe Werkzeug. Ob die zweite Fassung wirklich mehr Vertrauen schafft, müsste sie testen, die Studie liefert dafür aber eine gute Begründung.

Wichtig ist dabei Ehrlichkeit. Die Beschreibung soll Kompetenz sichtbar machen, die wirklich da ist. Wer einer KI Fähigkeiten zuschreibt, die sie nicht hat, verliert beim ersten Fehler umso mehr Vertrauen.

Wann Kunden Algorithmen vertrauen und wann Menschen

Jin und Li (2025) haben im International Journal of Consumer Studies untersucht, wie Konsumenten bei offenen Aufgaben reagieren. Sie kombinieren eine Textanalyse von Douyin, der chinesischen Version von TikTok, mit drei Experimenten.

Ihr Befund: Konsumenten zeigen beides, Abneigung und Wertschätzung, je nach Aufgabe. Bei Aufgaben, die nur wenig offen sind, vertrauen sie Algorithmen mehr als Menschen. Der Grund ist die wahrgenommene Genauigkeit. Bei sehr offenen Aufgaben vertrauen sie Menschen mehr, weil sie ihnen mehr Flexibilität zutrauen.

Vergleichsgrafik zu Algorithm Aversion bei klar strukturierten und offenen Aufgaben: wer mehr Vertrauen bekommt, warum, ein Beispiel und was du daraus machen solltest
Bei klar strukturierten Aufgaben zählt Genauigkeit und der Algorithmus gewinnt, bei offenen Aufgaben zählt Flexibilität und der Mensch gewinnt.

Die Studie kommt aus China, und Douyin ist nicht LinkedIn. Ich halte das Muster trotzdem für übertragbar, weil es zu meiner Erfahrung passt. Einen automatischen Terminvorschlag nimmt fast jeder gern an. Eine automatisch erzeugte Markenstrategie erzeugt Misstrauen, auch wenn sie gut ist. Wo ein Chatbot im Kundenservice deshalb hilft und wo er nervt, beschreibe ich im Artikel zum Chatbot im Kundenservice.

Vertrautheit schafft Vertrauen

Die vierte Studie liefert den praktischsten Hebel. Mahmud, Islam, Luo und Mikalef (2024) haben in Decision Support Systems mit einer Szenariostudie und 327 Teilnehmenden drei Formen von Vertrautheit untersucht: mit Algorithmen allgemein, mit der Aufgabe und mit der bisherigen Leistung des Algorithmus.

Die Ergebnisse:

  • Wer mit Algorithmen vertraut ist, vertraut ihnen deutlich eher.
  • Wie vertraut jemand mit der Aufgabe ist, spielte keine nennenswerte Rolle.
  • Vertrauen ist der zentrale Treiber dafür, dass Menschen sich auf Algorithmen stützen. Es vermittelt den Zusammenhang zwischen Vertrautheit und Wertschätzung vollständig.
  • Wie gut Menschen die bisherige Leistung des Algorithmus kennen, beeinflusst, wie stark Vertrautheit in Vertrauen übersetzt wird.

Daraus ergibt sich ein Kreislauf, den du bewusst anstoßen kannst. Er ist meine Zusammenfassung, die Studie hat ihn nicht so als Ablauf getestet.

Grafik als Kreislauf gegen Algorithm Aversion: erste gute Erfahrung, wachsende Vertrautheit, sichtbare Leistung, Vertrauen und häufigere Nutzung verstärken sich gegenseitig
Jede gute Erfahrung mit sichtbarer Leistung macht den nächsten Schritt leichter, ein früher Fehler kann den Kreislauf aber auch umdrehen.

Die Aufgabenvertrautheit ist für mich der interessanteste Befund. Man könnte denken, Fachleute seien misstrauischer gegenüber Algorithmen in ihrem eigenen Feld. In dieser Studie spielte das keine Rolle. Entscheidend war die Vertrautheit mit Algorithmen selbst.

Für ein kleines Unternehmen heißt sichtbare Leistung nicht, dass du ein Dashboard bauen musst. Es reicht, ehrlich mitzuzählen. Angenommen, du nutzt eine KI, die Anfragen vorsortiert. Wenn du einen Monat lang notierst, wie oft die Sortierung stimmte, hast du eine Zahl, die du deinem Team oder deinen Kunden zeigen kannst. Ohne diese Zahl bleibt jede Aussage über die Qualität eine Behauptung.

Algorithm Aversion bei dir selbst

Bisher ging es um Kunden. Die unbequemere Frage ist, wo du selbst Algorithmen misstraust, die es besser wissen. Typische Stellen bei Gründern sind Gebotsstrategien in Werbeanzeigen, Prognosen in Analysewerkzeugen oder Preisempfehlungen.

Nicht jedes Misstrauen ist falsch. Manchmal fehlt einem Werkzeug Wissen über deinen Markt, und dann ist dein Einwand berechtigt. Der Unterschied liegt darin, ob du deinen Einwand begründen kannst. „Das fühlt sich falsch an“ ist ein Signal zum Nachdenken. „Das ignoriere ich, weil es ein Algorithmus ist“ ist Aversion.

Ein Beispiel, das viele Gründer kennen. Angenommen, du schaltest Anzeigen und das Werbesystem empfiehlt, das Budget auf eine Zielgruppe zu verlagern, die du selbst nie gewählt hättest. Der erste Reflex ist Ablehnung, weil du deine Kunden doch kennst. Ein besserer Weg wäre ein kleiner, begrenzter Test mit einem festen Teil des Budgets. Dann entscheidet das Ergebnis über das Budget.

Ein bekanntes Beispiel für die Folgen kommt aus dem Preisbereich, wo viele Menschen ein kostenloses Preiswerkzeug kaum nutzten. Das beschreibe ich im Artikel zur algorithmischen Preisgestaltung. Auch beim Wissensmanagement zeigt sich, dass Abneigung gegen Algorithmen bremst, ob ein Team eine KI überhaupt um Rat fragt. Mehr dazu steht im Artikel zum KI-Wissensmanagement.

Was gegen Algorithm Aversion hilft: sechs Hebel

Aus den Studien ergeben sich sechs Hebel, die du bei jedem KI-Angebot und jedem neuen Werkzeug im Team nutzen kannst:

  1. Die passende Aufgabe wählen. Starte mit klar strukturierten Aufgaben, bei denen Genauigkeit zählt. Offene Aufgaben folgen später oder bleiben beim Menschen.
  2. Kompetenz konkret beschreiben. Sag, worauf der Algorithmus beruht und wofür er gut ist, ohne zu übertreiben.
  3. Leistung offen zeigen. Wenn du gemessen hast, wie oft das Werkzeug richtig liegt, teile das. Wenn nicht, miss es, bevor du es behauptest.
  4. Den Menschen sichtbar lassen. Bei offenen Aufgaben sollte erkennbar sein, wer am Ende verantwortet.
  5. Eingreifen erlauben. Frühere Forschung von Dietvorst und Kollegen deutet darauf hin, dass Menschen einen unvollkommenen Algorithmus eher nutzen, wenn sie sein Ergebnis zumindest ein wenig anpassen dürfen.
  6. Den ersten Eindruck schützen. Weil Fehler von Algorithmen schwerer verziehen werden, sollte der Einstieg dort liegen, wo das Werkzeug sicher ist.

Selbstcheck, wie viel Vertrauen weckt dein KI-Angebot

Hake ab, was auf dein KI-Feature oder dein KI-gestütztes Angebot zutrifft.

Selbstcheck, wie viel Vertrauen weckt dein KI-Angebot

0 von 6

Vertrauen auf Pump Dein Angebot verlangt Vertrauen, ohne es aufzubauen. Fang mit einer klar strukturierten Aufgabe und einer ehrlichen Beschreibung an.

Wie ich darüber denke

Eines meiner Prinzipien lautet: Menschen kaufen von Menschen. Das klingt nach einem Widerspruch zu KI-Angeboten. Für mich ist es eher die Erklärung, warum Algorithm Aversion existiert. Bei offenen, persönlichen Fragen wollen Menschen einen Menschen, der versteht und Verantwortung übernimmt.

Bei ai-website.com gibt es zwei Wege. Wer selbst mit KI-Werkzeugen weiterbauen will, nimmt ein Template für 99 €, mit Designregeln, Projektwissen und Skills für Werkzeuge wie Claude Code. Wer lieber einen Menschen an seiner Seite hat, bucht den Service für 899 €. Ich finde es richtig, beide Wege anzubieten, statt Kunden in eine Richtung zu drängen.

Vertrauen in einen Algorithmus wächst mit jeder Erfahrung, die Menschen selbst damit machen.

Bei mir selbst versuche ich, Aversion von Vorsicht zu trennen. Wenn ich einer Empfehlung eines Werkzeugs nicht folge, schreibe ich kurz auf, warum. Wenn mir kein Grund einfällt außer einem Gefühl, probiere ich die Empfehlung beim nächsten Mal aus.

Fazit

Algorithm Aversion ist keine feste Eigenschaft von Menschen. Die Studien zeigen, dass sie von der Aufgabe abhängt, von der Beschreibung des Algorithmus und von der Vertrautheit mit Algorithmen. Bei klar strukturierten Aufgaben vertrauen Konsumenten Algorithmen sogar eher als Menschen. Bei offenen Aufgaben bleibt der Mensch gefragt.

Mein Vorschlag für diese Woche: Nimm ein KI-Feature oder einen KI-gestützten Ablauf aus deinem Angebot und geh die sechs Hebel durch. Formuliere die Beschreibung so um, dass sie konkret sagt, worauf die KI beruht und wer am Ende verantwortet. Was ich bei meinen eigenen Produkten dazu teste, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was bedeutet Algorithm Aversion?

Algorithm Aversion bedeutet, dass Menschen einem Algorithmus weniger vertrauen als einem Menschen, selbst wenn der Algorithmus genauso gut oder besser entscheidet. Besonders deutlich zeigt sich das, nachdem Menschen einen Fehler des Algorithmus gesehen haben.

Was ist der Unterschied zwischen Algorithm Aversion und Algorithm Appreciation?

Bei Algorithm Aversion bevorzugen Menschen den Rat eines Menschen, bei Algorithm Appreciation den Rat eines Algorithmus. Beides kommt vor. Welche Reaktion auftritt, hängt unter anderem davon ab, wie offen die Aufgabe ist und wie kompetent der Algorithmus beschrieben wird.

Wie kann man Algorithm Aversion verringern?

Setz Algorithmen zuerst bei klar strukturierten Aufgaben ein, beschreibe ihre Kompetenz konkret und zeig ehrlich, wie gut sie bisher waren. Gib Nutzern die Möglichkeit, Ergebnisse anzupassen, und lass bei offenen Aufgaben einen Menschen sichtbar mitentscheiden.

Gilt Algorithm Aversion auch für KI wie ChatGPT?

Die Forschung zu Algorithm Aversion ist älter als die heutigen Sprachmodelle, die Mechanismen lassen sich aber übertragen. Auch bei generativer KI hängt das Vertrauen davon ab, wie vertraut Menschen mit ihr sind, wie die Aufgabe beschaffen ist und welche Fehler sie bereits erlebt haben.

Quellen4 Quellen
  1. Jussupow, Benbasat, Heinzl (2024): An Integrative Perspective on Algorithm Aversion and Appreciation in Decision-Making. MIS Quarterly (öffnet in neuem Tab)
  2. Hou, Jung (2022): Who is the Expert? Reconciling Algorithm Aversion and Algorithm Appreciation in AI-Supported Decision Making. Proceedings of the ACM on Human-Computer Interaction (öffnet in neuem Tab)
  3. Jin, Li (2025): The Influence of „Algorithm Aversion“ and „Algorithm Appreciation“ Among Consumers in Unstructured Tasks. International Journal of Consumer Studies (öffnet in neuem Tab)
  4. Mahmud, Islam, Luo et al. (2024): Decoding algorithm appreciation: Unveiling the impact of familiarity with algorithms, tasks, and algorithm performance. Decision Support Systems (öffnet in neuem Tab)

Passt dazu

Alle Artikel