Es gibt eine merkwürdige Auslassung im Zentrum der KI-Adoptionsdebatte. Die Anbieterseite spricht über Leistungsfähigkeit. Die Beratung spricht über Strategie. Die Führung spricht über ROI. Fast niemand spricht über Vertrauen, und wenn doch, erscheint es als seichtes Misstrauen: die Art Anmerkung, die ernsthafte Leute im Vorbeigehen kurz machen, bevor sie zu etwas Messbarerem übergehen.

Das ist falsch, und es ist auf eine ungewöhnliche Weise falsch. Vertrauen in Technologie ist eine der am gründlichsten untersuchten Variablen im gesamten Feld der Organisations- und Konsumentenforschung. Es wurde über dreißig Jahre und Dutzende große Studien hinweg gemessen, modelliert und empirisch validiert. Die Instrumente existieren. Die Befunde sind konsistent. Das Konstrukt ist nicht weich.

Stattdessen ist es so, dass die Leute, die KI-Werkzeuge bauen und verkaufen, ein kommerzielles Interesse daran haben, Vertrauen nicht zu messen. Denn Vertrauen zu messen würde den tatsächlichen Engpass offenlegen, an den sie stoßen, und dieser Engpass ist nicht Leistungsfähigkeit.

Die Akzeptanzforschung erzählt seit den späten 1980ern eine konsistente Geschichte. Ob eine Person eine neue Technologie übernimmt, hängt von einer kleinen Zahl an Faktoren ab, die in gut verstandenen Mustern zusammenwirken: dem erwarteten Leistungszuwachs, dem erwarteten Aufwand, dem Einfluss des sozialen Umfelds, der verfügbaren Infrastruktur, dem hedonischen Erleben beim Benutzen, und (als Mediator der meisten dieser Faktoren) Vertrauen. Vertrauen selbst zerfällt in spezifischere Risiken: Leistungsrisiko (wird es tatsächlich tun, was es behauptet), Sicherheitsrisiko (schadet es mir oder denen, für die ich Verantwortung trage), Datenschutzrisiko, finanzielles Risiko, soziales Risiko.

Wenn man die Zahlen durchrechnet, tauchen immer wieder zwei Befunde auf. Der erste: Vertrauen ist kein Gefühl. Es ist ein strukturiertes Urteil, aus spezifischen Risiken zusammengesetzt, von denen jedes gemessen und jedes adressiert werden kann. Der zweite: die stärksten Vertrauensprädiktoren sind meist die operativsten. Leistungsrisiko und Sicherheitsrisiko dominieren. Menschen lehnen neue Technologie nicht ab, weil sie fortschrittsfeindlich wären. Sie lehnen sie ab, weil sie richtig eingeschätzt haben, dass der versprochene Nutzen noch nicht zuverlässig genug ist, um ihre Arbeit darauf zu setzen.

Die aktuelle KI-Debatte ignoriert beide Befunde systematisch.

Die erste Ignoranz zeigt sich als die Annahme, Adoption sei ein Marketingproblem. Würden wir die Vorteile nur besser kommunizieren, würden die Leute es schon nutzen. Das ist falsch, und die Akzeptanzforschung weist seit dem ursprünglichen Technology Acceptance Model von 1989 darauf hin, dass es falsch ist. Kommunikation bewegt kein Vertrauen. Leistung bewegt Vertrauen. Sicherheit bewegt Vertrauen. Wiederholtes, beobachtetes, verlässliches Verhalten des Systems bewegt Vertrauen. Foliensätze nicht.

Die zweite Ignoranz zeigt sich als die Annahme, Vertrauen sei eine nachgelagerte Konsequenz von Fähigkeit. Sobald das Modell gut genug ist, folgt Vertrauen. Auch das ist falsch, und die Datenlage dazu ist sogar älter als die KI-Debatte. Vertrauen hinkt der Fähigkeit hinterher, manchmal um Jahre, manchmal um Jahrzehnte, weil Vertrauen eine Funktion von erlebter Zuverlässigkeit ist, nicht von angekündigter Zuverlässigkeit. Selbstfahrende Autos haben die technische Fähigkeitsschwelle für viele Anwendungsfälle Jahre vor der Vertrauensschwelle erreicht, und die Lücke dazwischen ist der eigentliche Grund, warum der Rollout langsamer verläuft, als die Technologen vorhergesagt haben. Genau dieselbe Lücke entsteht gerade jetzt rund um KI in Organisationen.

Die interessante Konsequenz ist, dass der Hebel, an dem fast niemand zieht, der wirkungsvollste verfügbare ist. Wer Adoption in der eigenen Organisation will, braucht kein besseres Modell, kein besseres Dashboard, keinen besseren Foliensatz. Man braucht eine strukturierte, wiederholbare Demonstration, dass das Ding im eigenen Kontext, an den eigenen Aufgaben funktioniert, mit benannten und eingegrenzten Fehlermodi. Vertrauen wird durch das Entfernen spezifischer Risiken aufgebaut, nicht durch zusätzliche allgemeine Begeisterung.

Das klingt offensichtlich. In der Praxis wird es trotzdem fast nie gemacht.

Es gibt eine schärfere Version dieses Punkts für Organisationen. Vertrauen in KI wird nicht von der Organisation gehalten. Es wird von einzelnen Menschen gehalten, einer nach der anderen, jede Person mit ihrer eigenen, privaten Akzeptanzrechnung. Eine Organisation “vertraut” weder Claude noch Copilot noch sonst einem System: ihre Mitarbeitenden tun es, oder tun es nicht, in Zahlen, die sich aus der Distanz zu etwas zusammenfügen, das wie organisatorische Adoption aussieht. Die Frage lautet also nie vertraut unser Unternehmen der KI, sondern wie verteilt sich Vertrauen über unser Team, und welche spezifischen Risiken dominieren bei welchen Personen.

Das ist eine messbare Frage. Sie wird nicht gemessen. Die Anbieterseite, die sie messen könnte, hat kein Interesse daran. Die Beratung, die sie messen könnte, hat keine Instrumente. Die Führung, die das in Auftrag geben könnte, weiß nicht, dass die Literatur dazu existiert.

Die Lizenz ist bezahlt. Das Vertrauen nicht. Das ist die Lücke.

Apparat: Der referenzierte Akzeptanzforschungs-Strang ist Davis, Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology (MIS Quarterly, 1989, das ursprüngliche TAM); Venkatesh, Morris, Davis & Davis, User Acceptance of Information Technology: Toward a Unified View (MIS Quarterly, 2003, UTAUT); und Venkatesh, Thong & Xu, Consumer Acceptance and Use of Information Technology: Extending UTAUT (MIS Quarterly, 2012, UTAUT2). Die Risiko-Zerlegung des Vertrauenskonstrukts stützt sich auf Featherman & Pavlou, Predicting E-Services Adoption: A Perceived Risk Facets Perspective (International Journal of Human-Computer Studies, 2003). Komposite Operator- und Führungs-Gespräche aus dem DACH-Bio-Sektor, Q1–Q2 2026.