Wenn Lernen wie Enteignung wirkt: Warum Widerstand gegen KI rational sein kann

Autorin: Prof. Dr. Eugenia Schmitt, MBR – Professorin, Mathematikerin, Co-Founder Trenz Institut | Trenz Institut  |  Teil 1 von 2    

Die gefühlte Enteignung

In unseren Gesprächen mit Teams erleben wir regelmäßig, dass Beschäftigte den Nutzen von KI durchaus erkennen, aber keine Klarheit über die Folgen für ihre eigene Rolle haben.

Viele KI-Einführungen beginnen mit einem plausiblen Versprechen: Arbeit soll leichter werden. Prozesse sollen schneller laufen. Wissen soll besser verfügbar sein. Entscheidungen sollen fundierter werden.
Aus Organisationssicht klingt das vernünftig.
Aus Sicht der Menschen, deren Wissen, Erfahrung, Sprache, Stil oder Prozesskenntnis in KI-gestützte Systeme einfließt, kann dieselbe Entwicklung jedoch ganz anders wirken.

Warum soll ich ein System verbessern, das mich später ersetzt?

Diese Frage ist unbequem. Sie ist aber zentral. Denn Widerstand gegen KI ist nicht immer Technikangst. Manchmal ist er eine präzise Wahrnehmung eines unausgesprochenen Interessenkonflikts.

Widerstand gegen KI ist dann rational, wenn Mitarbeitende befürchten, durch die Weitergabe ihres Wissens an Status, Kontrolle, Sicherheit oder beruflicher Bedeutung zu verlieren. Entscheidend ist daher nicht nur, welchen Nutzen KI für die Organisation schafft, sondern auch, wie fair Beschäftigte an Einführung, Wertschöpfung und Entscheidungen beteiligt werden.

Wenn menschliches Können zur Wissensgrundlage für KI wird

Besonders sichtbar ist diese Spannung in der Kreativbranche. Künstlerinnen, Autoren, Designerinnen und Illustratorinnen kritisieren, dass Werke, Stile und Ausdrucksformen als Trainingsmaterial für generative KI genutzt werden. Verfahren wie Andersen v. Stability AI [9] – ein US-Urheberrechtsverfahren von Künstlerinnen und Künstlern gegen Anbieter generativer Bild-KI, u. a. Stability AI, Midjourney, DeviantArt und später auch Runway AI – zeigen, dass die Frage, ob und unter welchen Bedingungen KI-Systeme aus urheberrechtlich geschützten Werken lernen dürfen, juristisch und gesellschaftlich noch nicht abschließend geklärt ist. Das Verfahren ist kein endgültiges Urteil über KI-Training insgesamt, aber es macht den Konflikt sichtbar: Es geht um Kontrolle, Zustimmung, Anerkennung, Vergütung und die Sorge, dass menschliches Können zur Grundlage von Systemen wird, die dieses Können später ökonomisch entwerten könnten.

Für Organisationen ist die Situation juristisch nicht deckungsgleich. Interne Prozesskenntnis, Erfahrungswissen und Arbeitsroutinen sind etwas anderes als urheberrechtlich geschützte Werke. Dennoch gibt es eine strukturelle Ähnlichkeit: Menschliches Können wird zur Ressource für KI-gestützte Systeme. Diejenigen, die dieses Können einbringen, fragen sich oft, ob sie dadurch gestärkt oder entwertet werden.

Mitarbeitende dokumentieren Prozesse. Sie erklären Ausnahmen. Sie korrigieren KI-Ausgaben. Sie testen Prompts. Sie geben Erfahrungswissen weiter, das bisher oft nur in der Praxis, in Routinen, in Gesprächen und in situativem Urteilsvermögen sichtbar war.

Aus Sicht der Organisation ist das ein notwendiger Lern- und Effizienzprozess.
Aus Sicht der Betroffenen kann es sich anders anfühlen:

Ich mache das System besser. Und danach bin ich weniger wichtig.

An diesem Punkt des Widerstands gegen KI ist dies nicht mehr nur eine Technologiefrage. Sie wird zur Fairness-, Führungs- und Vertrauensfrage.

Die Ambivalenz ist theoretisch gut erklärbar

Die Forschung zur KI in der Arbeitswelt zeigt kein einfaches Bild. Die OECD-AI-Surveys [4] in Produktion und Finanzdienstleistungen in sieben Ländern zeigen, dass viele Beschäftigte und Unternehmen KI am Arbeitsplatz durchaus positiv bewerten, etwa mit Blick auf Leistung und Arbeitsbedingungen. Gleichzeitig bestehen Sorgen, unter anderem hinsichtlich Arbeitsplatzverlust. Die OECD betont außerdem, dass Vertrauen, Training und Konsultation von Beschäftigten wichtige Faktoren für bessere Ergebnisse sind.

Diese Ambivalenz ist wichtig.

Menschen lehnen KI nicht automatisch ab. Viele sehen den Nutzen: Arbeit kann leichter, sicherer oder effizienter werden. Aber Nutzen allein schafft noch kein Vertrauen. Entscheidend ist, ob Beschäftigte erleben, dass KI ihre Rolle stärkt oder ob ihr Wissen in ein System wandert, das sie später weniger sichtbar, weniger wichtig oder sogar leichter ersetzbar macht.

Ein aktuelles Working Paper der Harvard Business School aus 2026 liefert dafür einen hilfreichen Begriff: self-disruptive technologies. Gemeint sind Technologien, die für eine Organisation objektiv nützlich sein können, aber zugleich die Rolle, Expertise oder berufliche Identität der Menschen berühren, die sie anwenden, freigeben oder legitimieren [6]. Der begleitende HBS-Beitrag fasst den Kern so zusammen: Beschäftigte vermeiden KI nicht unbedingt, weil sie schlecht funktioniert, sondern weil sie ihre Expertise bedrohen kann. [1]

Darin liegt die Ambivalenz vieler KI-Einführungen: Widerstand gegen KI entsteht nicht, weil Menschen den Nutzen nicht erkennen.
Er entsteht, weil der Nutzen für die Organisation mit einem möglichen Status-, Kontroll- oder Identitätsverlust für Einzelne verbunden ist. Lesen Sie dazu auch meinen Artikel hier.

Der blinde Fleck vieler KI-Einführungen

Viele Organisationen schauen bei KI-Projekten zuerst auf Produktivität:

• Welche Aufgaben lassen sich automatisieren?
• Wo sparen wir Zeit?
• Welche Prozesse werden effizienter?
• Welche Kosten sinken?
• Welche Kennzahlen verbessern sich?

Diese Fragen sind legitim. Aber sie reichen nicht aus. KI verändert nicht nur Abläufe. Sie verändert auch Rollen, Machtverhältnisse, Sichtbarkeit, Status und Zukunftserwartungen.

Für eine Führungskraft kann ein erfolgreiches KI-Projekt bedeuten: Prozesse verschlankt, Kosten gesenkt, Ziel erreicht.
Für eine Mitarbeiterin kann dasselbe Projekt bedeuten: Mein Erfahrungswissen wurde eingebracht, mein Beitrag ist weniger sichtbar, meine Rolle wird unsicherer.

Beide Perspektiven können gleichzeitig wahr sein!

Deshalb bin ich der Meinung, KI-Einführung braucht einen Perspektivenwechsel als Voraussetzung für organisationale Handlungsfähigkeit!

Warum Widerstand gegen KI rationaler sein kann, als er wirkt

Aus verhaltenswissenschaftlicher Sicht ist es zu einfach, Widerstand gegen KI pauschal als „Veränderungsresistenz“ zu deuten. Mehrere Mechanismen können erklären, warum KI-Einführung starke Reaktionen auslöst. Das sind zum Beispiel:

Verlustaversion: 

Menschen gewichten mögliche Verluste oft stärker als gleich große Gewinne. Wenn KI also Effizienzgewinne verspricht, zugleich aber Status, Sicherheit, Einkommen oder berufliche Zukunft bedroht, ist Skepsis nicht überraschend. Diese Logik ist anschlussfähig an die Prospect Theory von Kahneman und Tversky. [3]

Identitätsbedrohung:

Arbeit ist nicht nur Einkommen. Sie ist auch Kompetenz, Anerkennung, Rolle und Selbstbild. Studien zur AI Identity Threat zeigen, dass Veränderungen der Arbeit, Statusverlust und die eigene Identifikation mit KI bedeutsame Einflussfaktoren für Bedrohungswahrnehmungen am Arbeitsplatz sind. Mirbabaie et al. [5] identifizieren insbesondere Veränderungen der Arbeit, den Verlust von Statusposition und AI Identity als zentrale Prädiktoren.

Algorithm Aversion und Automation Bias:

Menschen können Algorithmen zu stark misstrauen, besonders wenn sie Fehler sehen. Das tun sie selbst dann, wenn diese Algorithmen im Vergleich zu Menschen leistungsfähig sind [2]. Gleichzeitig können Führungskräfte und Organisationen Automatisierung auch überschätzen und menschliches Kontextwissen unterschätzen. Die Automationsforschung kennt beide Muster: Nichtnutzung, Fehlgebrauch und Übervertrauen in automatisierte Systeme [7].

Anreizverzerrung:

Wenn Führungskräfte für Kostensenkung, Automatisierung oder Produktivitätsgewinne belohnt werden, können andere Wirkungen aus dem Blick geraten: Vertrauensverlust, Statusunsicherheit, Wissenszurückhaltung oder das Gefühl, dass eigenes Können abgeschöpft wird. Das ist keine individuelle „Bosheit“. Es ist eher eine organisationale Selektivität: Manche Effekte sind leichter messbar, berichtbar und belohnbar als andere.

Damit wird deutlich: Psychologische Verzerrungen wirken nicht nur auf der Seite der Beschäftigten. Auch Führung und Organisationen können systematisch einseitig wahrnehmen. Effizienzgewinne, Kostensenkung und Prozessgeschwindigkeit sind oft sehr sichtbar. Schwerer sichtbar sind Vertrauen, Anerkennung, Identität, Fairness und die Bereitschaft, Wissen zu teilen.

KI-Einführung scheitert also nicht nur an mangelnder Kompetenz oder mangelnder Offenheit. Sie kann auch daran scheitern, dass Organisationen die sozialen und motivationalen Nebenwirkungen ihrer eigenen Effizienzlogik unterschätzen.

Was genau fühlt sich bedroht an?

SCARF ist kein Beweisrahmen, aber ein hilfreicher Diagnose-Rahmen. Das Modell von David Rock (2008) [8] beschreibt fünf soziale Dimensionen, in denen Menschen Veränderungen als bedrohlich oder unterstützend erleben können: Status, Sicherheit, Autonomie, Zugehörigkeit und Fairness. Bei KI-Einführungen hilft dieser Rahmen, nicht nur auf die Technologie zu schauen, sondern auf die soziale Wirkung der Veränderung.

1. Status: 
Bin ich weiterhin Expertin? Oder wird mein Können entwertet, weil eine KI es schneller, günstiger oder skalierbarer liefert?

2. Sicherheit:
Weiß ich, was mit meiner Rolle passiert? Oder bleibt unklar, ob das, was ich heute in KI-gestützte Prozesse einbringe, morgen gegen mich verwendet wird?

3. Autonomie:
Kann ich mitgestalten, wie KI eingesetzt wird? Oder soll ich lediglich Daten, Feedback und Erfahrungswissen liefern?

4. Zugehörigkeit:
Erleben wir KI als gemeinsames Entwicklungsprojekt? Oder entsteht ein Gegeneinander zwischen Management, IT, Fachbereichen und Mitarbeitenden?

5. Fairness:
Wer gibt Wissen? Wer profitiert? Wer trägt das Risiko? Und wer wird beteiligt, wenn durch KI Wert entsteht?

Aus meiner Sicht erklärt SCARF nicht alles. Aber es macht sichtbar, warum KI-Einführung soziale Bedrohung auslösen kann, auch wenn die technische Lösung plausibel erscheint. Widerstand ist dann nicht nur Störung. Er ist ein Signal.

Wie geht es weiter?

Die fünf SCARF-Dimensionen erklären, warum Widerstand gegen KI entsteht. Sie beantworten aber noch nicht die Frage, wie Organisationen daraus konkret Handlungsfähigkeit gestalten. Das ist Thema von Teil 2 dieser Reihe: „Von Widerstand zu Handlungsfähigkeit: Wie faire KI-Einführung wirklich gelingt“ – mit einem praktischen Diagnoserahmen aus der Organizational-Justice-Forschung. Bleiben Sie auf dem Laufenden hier.

Verwendete Quellen

[1] Blanding, M. (2026, June 24). Why employees resist AI and how companies can win them over. Harvard Business School Working Knowledge.

[2] Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126.

[3] Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.

[4] Lane, M., Williams, M., & Broecke, S. (2023). The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers (OECD Social, Employment and Migration Working Papers No. 288). OECD Publishing, Paris.

[5] Mirbabaie, M., Brünker, F., Möllmann Frick, N. R. J., & Stieglitz, S. (2022). The rise of artificial intelligence: Understanding the AI identity threat at the workplace. Electronic Markets, 32, 73–99.

[6] Narayandas, D., & Zhang, S. (2026). Selling self-disruptive technologies: Identity-compatible advantage and the role-level microfoundations of automation adoption (Harvard Business School Working Paper No. 26-050). Harvard Business School.

[7] Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253.

[8] Rock, D. (2008). SCARF: A brain-based model for collaborating with and influencing others. NeuroLeadership Journal, 1, 44–52. [9] United States District Court for the Northern District of California. (2024, August 12). Andersen et al. v. Stability AI Ltd. et al., No. 3:23-cv-00201-WHO, Document 223: Order granting in part and denying in part motions to dismiss first amended complaint.

Autorin