KI-Akzeptanz: Warum Menschen KI annehmen oder ablehnen und was hilft

KI-Akzeptanz bei Team und Kunden: was Studien über Nutzen, Transparenz und Verantwortung zeigen und wie kleine Unternehmen Vertrauen in ihre KI aufbauen.

KI & Automation · · 8 Min.

Titelbild zum Artikel „KI-Akzeptanz: Warum Menschen KI annehmen oder ablehnen und was hilft“ von Felix Schmitz (KI & Automation)

Kurz gesagt

  • KI-Akzeptanz beschreibt, wie bereit Menschen sind, KI zu nutzen und ihren Ergebnissen zu folgen, im eigenen Team ebenso wie bei Kunden.
  • In einer Befragung von 202 Startup-Verantwortlichen bremsten Geld, fehlende Technikkenntnisse und ethische Bedenken die Einführung, wahrgenommener Nutzen, einfache Bedienung und das Umfeld schwächten diese Bremsen ab.
  • KI-Empfehlungen, die auf Erfahrungen anderer Kunden beruhen, schufen in einer Tourismusstudie mehr Vertrauen als Empfehlungen nach Produktmerkmalen, und Transparenz verstärkte die Wirkung.
  • Eine Befragung von über 1.500 Menschen zeigt, dass kein einzelnes Verantwortungssignal reicht, Vertrauen entsteht aus mehreren Signalen zusammen.
  • Glaubwürdigkeit und erlebter Nutzen senkten in einem Laborexperiment die Skepsis gegenüber KI-Empfehlungen, eine minimale Personalisierung dagegen nicht.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt7 Abschnitte

KI-Akzeptanz beschreibt, wie bereit Menschen sind, KI zu nutzen und ihren Ergebnissen zu folgen. Im eigenen Team hängt sie vor allem davon ab, ob der Nutzen spürbar ist, ob der Einstieg einfach ist und ob andere schon mitmachen. Bei Kunden kommen Vertrauen in den Anbieter, Transparenz über das Zustandekommen einer Empfehlung und sichtbare Verantwortung dazu.

Ich baue Produkte, in denen KI eine Rolle spielt. In quik OS arbeiten KI-Assistenten wie Claude über einen rechtebasierten Zugang direkt im Workspace. Eine solche Funktion kann technisch hervorragend sein und trotzdem ungenutzt bleiben, wenn die Menschen ihr nicht trauen. Akzeptanz ist für mich deshalb keine weiche Nebensache. Sie entscheidet, ob ein Feature überhaupt Wirkung entfaltet.

Für diesen Artikel habe ich vier Studien ausgewählt. Eine befragt Startup-Verantwortliche zu KI-Werkzeugen, drei untersuchen, wann Konsumenten KI-Empfehlungen annehmen, in Tourismus, Smart Home und Ernährung. Keine davon kommt aus Deutschland, und zwei der Kontexte sind weit weg vom Alltag einer Agentur oder Beratung. Die Muster, die sie zeigen, halte ich trotzdem für übertragbar, und ich sage jeweils dazu, wo ich unsicher bin.

Was KI-Akzeptanz bedeutet

Akzeptanz ist mehr als einmaliges Ausprobieren. Ein Werkzeug ist akzeptiert, wenn Menschen es freiwillig wieder nutzen und seinen Ergebnissen so weit vertrauen, dass sie danach handeln. Bei KI ist dieser zweite Teil der schwierigere. Eine Textverarbeitung muss niemandem etwas empfehlen. Eine KI tut genau das ständig.

Die Forschung arbeitet meist mit zwei bekannten Modellen. Das Technology Acceptance Model, kurz TAM, erklärt die Nutzung neuer Technik vor allem über zwei Fragen: Hilft sie mir, und ist sie leicht zu bedienen. Die Unified Theory of Acceptance and Use of Technology, kurz UTAUT, ergänzt unter anderem den sozialen Einfluss, also die Frage, ob Menschen in meinem Umfeld sie nutzen und gutheißen.

Für die Praxis unterscheide ich zwei Seiten:

  • Akzeptanz nach innen: Du selbst und dein Team nutzen KI im Alltag.
  • Akzeptanz nach außen: Deine Kunden nehmen KI an, die du ihnen anbietest, etwa einen Chatbot, eine Empfehlung oder ein KI-Feature in deinem Produkt.

Beide Seiten folgen ähnlichen Regeln. Nach außen kommt aber eine Frage dazu, die nach innen kaum eine Rolle spielt: Kann ich diesem Anbieter trauen.

KI-Akzeptanz im eigenen Unternehmen: was Startups bremst

Baes und Torres (2026) haben auf der Konferenz IC4e 202 Gründerinnen, Gründer und Führungskräfte aus Startups verschiedener Branchen befragt. Sie wollten wissen, wie finanzielle, technische und ethische Hürden die Absicht beeinflussen, KI-gestützte Werkzeuge einzuführen.

Das Ergebnis hat zwei Teile. Alle drei Hürden wirkten sich negativ aus: knappe Mittel, fehlende Technikkenntnisse und ethische Bedenken. Diese negativen Effekte wurden aber teilweise abgeschwächt, und zwar durch drei Dinge aus den Akzeptanzmodellen: den wahrgenommenen Nutzen, die wahrgenommene einfache Bedienung und den sozialen Einfluss. Wer KI als nützlich, machbar und von Gleichgesinnten unterstützt erlebte, ließ sich von den Hürden weniger bremsen.

Die Studie ist ein Konferenzbeitrag und eine Querschnittsbefragung, sie zeigt Zusammenhänge und keine Ursachen. Die Stichprobe stammt laut Abstract aus einem sich entwickelnden Gründungsumfeld. Für mich stützt sie trotzdem eine einfache Vermutung. Ein überzeugender Anwendungsfall und eine Person, die ihn vormacht, bewegen ein kleines Team vermutlich mehr als ein größeres Budget für Werkzeuge.

Daraus ergeben sich für ein kleines Team drei Hebel, die direkt aus der Studie folgen:

  1. Nutzen an einer echten Aufgabe zeigen. Eine Aufgabe, die alle kennen und die alle nervt, etwa das Zusammenfassen von Meetings oder das Vorbereiten von Angeboten.
  2. Den Einstieg einfach machen. Eine fertige Vorlage, ein gespeicherter Prompt, eine kurze Anleitung. Wer erst lange überlegen muss, wie er anfängt, fängt nicht an.
  3. Das Umfeld nutzen. Eine Person im Team, der die anderen vertrauen, geht voran und teilt, was funktioniert und was nicht.

Ein Beispiel, wie das zusammenspielt. Angenommen, ein Steuerbüro mit sechs Mitarbeitenden will KI für Antworten auf Mandantenfragen einführen. Die Inhaberin kauft Lizenzen und schickt eine Mail mit dem Hinweis, alle sollten es jetzt nutzen. Nach vier Wochen nutzt es eine Person. Im zweiten Anlauf wählt sie eine einzige Aufgabe, die Antwort auf die immer gleiche Frage nach fehlenden Belegen. Sie legt eine fertige Vorlage an, ein erfahrener Kollege testet sie eine Woche lang und erzählt im Teammeeting, wie viel Zeit er gespart hat und wo er nachbessern musste. Das ist dasselbe Werkzeug, aber diesmal mit Nutzen, einfachem Einstieg und sozialem Einfluss.

Welche Fähigkeiten dein Team für den Umgang mit KI braucht, beschreibe ich im Artikel über KI-Kompetenz.

Erfahrung schlägt Merkmal: wie Empfehlungen angenommen werden

Nach außen wird es spannender. Wang, Miao, Xiong und Wang (2026) haben in Current Issues in Tourism untersucht, wann Reisende Empfehlungen eines KI-Gesprächsassistenten annehmen. Verglichen wurden zwei Arten von Empfehlungen. Die eine stützt sich auf Produktmerkmale, also auf das, was über ein Angebot bekannt ist. Die andere stützt sich auf Mundpropaganda, also auf das, was andere Kunden darüber gesagt haben.

Vergleichsgrafik zur KI-Akzeptanz: Empfehlungen nach Produktmerkmalen gegenüber Empfehlungen nach Erfahrungen anderer Kunden, die mehr Vertrauen und Akzeptanz schufen, mit Transparenz als Verstärker
Empfehlungen, die sich auf Erfahrungen anderer stützen, schaffen mehr Vertrauen, und Transparenz verstärkt die Wirkung beider Arten.

Die erfahrungsbasierten Empfehlungen wirkten stärker auf Vertrauen und Akzeptanz, und das Vertrauen vermittelte diese Wirkung. Höhere Transparenz verstärkte den Effekt. Gleichzeitig schrumpfte der Unterschied zwischen den beiden Arten, wenn die Transparenz hoch war. Eine Stichprobengröße nennt das Abstract nicht.

Mich überrascht das wenig. Es ist dasselbe Prinzip, das ich im Artikel über Social Proof beschreibe, nur dass jetzt eine KI die Erfahrungen anderer weitergibt. Für einen kleinen Anbieter heißt das: Wenn dein Chatbot oder deine Website etwas empfiehlt, begründe es mit echten Erfahrungen deiner Kunden und sag offen, woher die Empfehlung kommt. Wann ein Chatbot im Kundenservice hilft, steht im Artikel über Chatbots im Kundenservice.

Ein Beispiel für den Unterschied. Eine merkmalsbasierte Antwort deines Chatbots wäre: „Das Paket Basis passt zu deinem Budget.“ Eine erfahrungsbasierte Antwort wäre: „Die meisten Kunden mit einem ähnlichen Projekt haben mit dem Paket Basis angefangen und später erweitert.“ Mit Transparenz ergänzt: „Das sage ich auf Grundlage der bisherigen Projekte, die in meinem Wissen hinterlegt sind.“ Die zweite Antwort funktioniert natürlich nur, wenn sie stimmt.

Kein Signal reicht allein: wie Verantwortung sichtbar wird

Li, Yigitcanlar, Li, Browne und Nili (2026) haben in der Fachzeitschrift Internet of Things über 1.500 Menschen in Australien, den USA und Großbritannien zu vernetzten KI-Geräten im Smart Home befragt. Ihre Ausgangsfrage: Wie beurteilen Menschen, ob ein Anbieter verantwortungsvoll mit Datenschutz, Sicherheit und Daten umgeht, wenn sie das selbst gar nicht prüfen können.

Die Antwort: über indirekte Signale. Die Autoren unterscheiden Signale auf Unternehmensebene und auf Produktebene. Beide zusammen bilden eine Art Ersatzvertrauen, mit dem Menschen die Unsicherheit überbrücken. Verantwortung senkte das wahrgenommene Risiko und stärkte so das Vertrauen. Der für mich wichtigste Satz aus dem Abstract: Kein einzelnes Verantwortungssignal reicht aus. Hohe Akzeptanz entstand über verschiedene Kombinationen mehrerer Signale.

Smart Homes sind weit weg von einer Agentur. Das Grundproblem ist aber dasselbe. Wenn ein Kunde dir Daten in ein KI-gestütztes System gibt, kann er nicht hineinsehen. Er braucht Signale. Übertragen auf kleine Unternehmen könnten sie so aussehen:

Ebene Mögliche Signale für ein kleines Unternehmen
Unternehmen Klare Datenschutzerklärung, Sitz und Ansprechpartner sichtbar, offener Umgang mit dem eigenen KI-Einsatz
Produkt Hinweis, dass eine KI antwortet, Erklärung, welche Daten sie nutzt, einfacher Weg zu einem Menschen
Ablauf Freigabe durch einen Menschen bei wichtigen Antworten, Möglichkeit, Daten zu löschen

Die Beispiele in der rechten Spalte sind meine eigenen, die Studie untersucht Smart-Home-Anbieter. Bei quik OS ist ein solches Produktsignal eingebaut: Die KI arbeitet über einen rechtebasierten Zugang, also mit den Rechten der Person, die sie nutzt. Mehr zum Workspace steht auf der Seite zu quik OS. Wie du KI-Einsatz ehrlich kennzeichnest, beschreibe ich im Artikel über KI-Kennzeichnung.

Vertrauen in KI wächst, wenn mehrere kleine Belege in dieselbe Richtung zeigen. Ein einzelnes Versprechen trägt es nie allein.

Skepsis abbauen: Glaubwürdigkeit und Nutzen vor Personalisierung

Die vierte Studie dreht sich um Skepsis. Phan, Nguyen und Nguyen (2026) haben im International Journal of Human-Computer Interaction untersucht, wie junge Erwachsene auf Ernährungsempfehlungen von ChatGPT reagieren. Die Teilnehmenden arbeiteten im Labor direkt mit dem Werkzeug. Gemessen wurden drei mögliche Einflüsse: Personalisierung, die Glaubwürdigkeit der Plattform und der wahrgenommene Wert.

Glaubwürdigkeit und wahrgenommener Wert steigerten die Absicht, den Empfehlungen zu folgen, und senkten die Skepsis. Die Personalisierung hatte in der minimalen Form, in der sie in der Studie umgesetzt war, keinen nachweisbaren Einfluss. Skepsis erwies sich als zentraler Vermittler: Sie entschied mit, ob Menschen die KI-Empfehlungen annahmen.

Die Einschränkung zur Personalisierung ist wichtig. Die Studie testet nur eine minimale Form. Ob eine stärkere Personalisierung hilft, bleibt offen. Für kleine Teams lese ich daraus trotzdem eine Prioritätenliste. Bevor du Zeit in persönliche Ansprache durch KI steckst, sorg dafür, dass dein Angebot glaubwürdig ist und der Nutzen sofort erkennbar wird.

Wo Akzeptanz endet: Fehler und Abneigung

Akzeptanz ist zerbrechlich. Ein einziger sichtbarer Fehler kann aufgebautes Vertrauen schnell wieder abbauen. Wie erfundene Angaben in KI-Antworten das Vertrauen über die wahrgenommene Genauigkeit senken, beschreibe ich im Artikel über KI-Halluzinationen.

Dazu kommt eine grundsätzliche Abneigung mancher Menschen gegenüber Entscheidungen durch Algorithmen, besonders nachdem sie einen Fehler gesehen haben. Die Forschung nennt das Algorithm Aversion, mehr dazu im Artikel über Algorithm Aversion. Für dich als Anbieter heißt das: Plane den Fall ein, dass die KI danebenliegt, und zeig, was dann passiert. Ein einfacher Weg zu einem Menschen ist oft das stärkste Akzeptanzsignal, das du anbieten kannst.

Nach innen gibt es eine eigene Bruchstelle: die Sorge um den eigenen Job. Wenn Mitarbeitende glauben, dass sie mit jeder guten KI-Vorlage ihren Arbeitsplatz wegautomatisieren, werden sie die Werkzeuge kaum mit Begeisterung nutzen. Ich würde das offen ansprechen und konkret sagen, was mit der gewonnenen Zeit passieren soll. Mehr Zeit für Kundengespräche ist eine Antwort, die Menschen annehmen können. Schweigen ist keine.

Aus allen vier Studien lässt sich ein Kreislauf ableiten, wie Akzeptanz wächst. Er ist meine Zusammenfassung, keine der Studien testet ihn als Ganzes.

Grafik als Kreislauf der KI-Akzeptanz: glaubwürdige Signale senden, Nutzen erleben lassen, Vertrauen entsteht, Nutzung wird zur Gewohnheit und Erfahrungen werden geteilt
Jede gute Erfahrung macht das nächste Signal glaubwürdiger, jeder versteckte Fehler bricht den Kreis.

Fazit

KI-Akzeptanz entsteht nach innen über spürbaren Nutzen, einen einfachen Einstieg und Menschen, die vorangehen. Nach außen kommen Transparenz, Glaubwürdigkeit und mehrere Signale für Verantwortung dazu. Die Studien zeigen außerdem, dass Empfehlungen mit echten Kundenerfahrungen mehr Vertrauen schaffen und eine minimale Personalisierung wenig bewirkt.

Mein Vorschlag für diese Woche: Nimm eine KI-Funktion, die du deinen Kunden oder deinem Team anbietest, und zähl die Vertrauenssignale aus der Tabelle. Wenn es weniger als drei sind, ergänze zuerst den Weg zu einem Menschen. Was ich beim Bauen von KI-Funktionen über Vertrauen lerne, 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 KI-Akzeptanz?

KI-Akzeptanz ist die Bereitschaft von Menschen, KI-Systeme zu nutzen, ihren Empfehlungen zu folgen und sie dauerhaft in ihren Alltag einzubauen. Sie hängt vor allem von erlebtem Nutzen, einfacher Bedienung, Vertrauen und dem sozialen Umfeld ab.

Wie erhöht man die Akzeptanz von KI im Unternehmen?

Zeig an einer konkreten Aufgabe, welchen Nutzen KI bringt, mach den Einstieg einfach und lass Kollegen, denen das Team vertraut, vorangehen. Sprich Sorgen wie Datenschutz und Jobverlust offen an. Laut einer Studie mit 202 Startups schwächen Nutzen, einfache Bedienung und soziales Umfeld die Bremsen deutlich ab.

Warum vertrauen Kunden KI nicht?

Häufige Gründe sind Fehler und erfundene Angaben, fehlende Transparenz darüber, wie eine Empfehlung zustande kommt, und Zweifel daran, wer Verantwortung übernimmt. Studien zeigen, dass glaubwürdige Anbieter, erkennbarer Nutzen und mehrere Signale für verantwortungsvollen Umgang die Skepsis senken.

Welche Modelle erklären die Akzeptanz von KI?

Häufig genutzt werden das Technology Acceptance Model (TAM) und die Unified Theory of Acceptance and Use of Technology (UTAUT). Beide stellen wahrgenommenen Nutzen und einfache Bedienung in den Mittelpunkt, UTAUT ergänzt das soziale Umfeld und unterstützende Bedingungen.

Quellen4 Quellen
  1. Baes, Torres (2026): Examining the Influence of Business Challenges on Startups' Adoption Intentions Toward AI-Assisted Tools: The Mediating Role of Technology Acceptance Constructs. International Conference on E-Education, E-Business, E-Management and E-Learning (IC4e) (öffnet in neuem Tab)
  2. Wang, Miao, Xiong et al. (2026): Do word-of-mouth-based conversational AI recommendations enhance tourism consumers' acceptance? The moderating role of transparency. Current Issues in Tourism (öffnet in neuem Tab)
  3. Li, Yigitcanlar, Li et al. (2026): Responsibility signalling in domestic AIoT ecosystems: The roles of proxy trust formation in consumer acceptance. Internet of Things (öffnet in neuem Tab)
  4. Phan, Nguyen, Nguyen (2026): „Hey AI, What Should I Eat?“ Navigating Skepticism and Trust in AI-Powered Meal Recommendations Through Personalized Persuasion. International Journal of Human-Computer Interaction (öffnet in neuem Tab)

Passt dazu

Alle Artikel