Inhaltsverzeichnis
Warum statistische Mehrheiten Orientierung geben, aber Entscheidungen nicht abnehmen
„Studien zeigen …“
Kaum eine Formulierung verleiht einer Aussage so schnell Autorität. Sobald eine Prozentzahl fällt, verändert sich der Charakter einer Diskussion. Eine Vermutung wirkt objektiv, eine Empfehlung wissenschaftlich abgesichert und eine offene Frage beinahe entschieden.
90 Prozent der Projekte scheitern.
80 Prozent der Unternehmen profitieren von einer bestimmten Methode.
Nur drei Prozent einer untersuchten Gruppe sind langfristig erfolgreich.
Die Zahlen können korrekt sein. Die Datenerhebung kann wissenschaftlichen Standards entsprechen, die Stichprobe sorgfältig gewählt und die Berechnung fehlerfrei durchgeführt worden sein. Trotzdem kann die daraus abgeleitete Handlung falsch sein.
Nicht, weil Statistiken bedeutungslos wären. Im Gegenteil: Sie liefern wertvolle Hinweise auf Risiken, Wahrscheinlichkeiten und wiederkehrende Muster. Das Problem beginnt dort, wo eine Aussage über eine Gruppe ohne weitere Prüfung in eine Prognose für einen einzelnen Fall verwandelt wird.
Eine Studie beschreibt, was unter bestimmten Bedingungen bei einer bestimmten Gruppe beobachtet wurde. Eine strategische Entscheidung betrifft dagegen ein konkretes Unternehmen, ein bestimmtes Team, ein einzelnes Projekt oder einen Menschen mit einer individuellen Ausgangslage.
Zwischen beidem liegt eine Frage, die in vielen datenbasierten Entscheidungen kaum sichtbar wird:
Lässt sich das statistische Ergebnis tatsächlich auf unseren Fall übertragen?
Wer diese Prüfung überspringt, verwechselt Häufigkeit mit Gewissheit.
Kurzdefinition: Statistiken beschreiben Häufigkeiten, Verteilungen und Zusammenhänge innerhalb von Gruppen. Bevor daraus eine konkrete Entscheidung abgeleitet wird, muss geprüft werden, ob Stichprobe, Rahmenbedingungen und Wirkmechanismus auf den vorliegenden Fall übertragbar sind.
Was eine hohe Scheiterquote wirklich aussagt
Nehmen wir an, eine Untersuchung kommt zum Ergebnis, dass 90 Prozent vergleichbarer Vorhaben scheitern.
Das ist ein ernstes Warnsignal. Es wäre fahrlässig, diese Quote zu ignorieren oder sie mit der blossen Überzeugung abzutun, man selbst werde schon zu den erfolgreichen zehn Prozent gehören.
Die allgemeine Häufigkeit eines Ereignisses wird in der Statistik als Basisrate bezeichnet. Sie ist ein wichtiger Ausgangspunkt, weil sie davor schützt, einzelne Erfolgsgeschichten zu überschätzen und vorhandene Risiken zu romantisieren.
Wer die Basisrate ausblendet und stattdessen persönliche Merkmale oder besonders auffällige Einzelfälle überbewertet, läuft Gefahr, dem sogenannten Base Rate Neglect zu unterliegen. Dabei werden allgemeine Häufigkeiten bei der Beurteilung eines konkreten Falls zu wenig berücksichtigt.
Was die Quote allein jedoch nicht erklärt, ist die Struktur hinter dem Resultat.
Warum scheiterten so viele Vorhaben? Fehlte Kapital? War die Vorbereitung mangelhaft? Wurden unrealistische Ziele verfolgt? Verfügten die Beteiligten nicht über die notwendigen Kenntnisse? Lag es an der Methode, an der Ausführung oder an Bedingungen, die ausserhalb ihres Einflusses lagen?
Ebenso relevant ist die Frage, wodurch sich die erfolgreichen Fälle unterschieden. Besassen sie mehr Erfahrung, bessere technische Voraussetzungen oder ein konsequenteres Risikomanagement? Verfolgten sie eine andere Strategie? Hatten sie Zugang zu Ressourcen, die der Mehrheit fehlten? Oder beruhte ihr Erfolg zumindest teilweise auf Umständen, die sich nicht gezielt wiederholen lassen?
Auch die Definition des Erfolgs spielt eine Rolle. Ein positives Resultat über wenige Monate ist etwas anderes als eine nachhaltige Entwicklung über mehrere Jahre. Ein Gewinn vor Kosten ist nicht dasselbe wie ein Ertrag, der Zeitaufwand, Gebühren, Risiken und gebundenes Kapital berücksichtigt. Ein Projekt kann formal abgeschlossen und wirtschaftlich dennoch gescheitert sein.
Solange diese Zusammenhänge ungeklärt bleiben, kennen wir eine Quote. Wir verstehen aber noch nicht vollständig, wie sie entstanden ist.
Aus der Feststellung
90 Prozent der untersuchten Fälle scheiterten
folgt daher nicht zwangsläufig:
Unser Vorhaben wird ebenfalls scheitern.
Damit dieser Schluss trägt, müsste zusätzlich gelten, dass die eigene Ausgangslage in den entscheidenden Merkmalen jener der gescheiterten Mehrheit entspricht.
Genau diese Annahme wird häufig nicht geprüft. Sie bleibt unsichtbar, obwohl sie die gesamte Schlussfolgerung trägt.
Eine Gruppenwahrscheinlichkeit wird dadurch zum Urteil über einen Einzelfall.
Anders zu sein genügt nicht
Die notwendige Prüfung der Übertragbarkeit darf allerdings nicht als Einladung verstanden werden, jede ungünstige Statistik beiseitezuschieben.
„Ich bin anders“ ist noch kein Argument.
Beinahe jedes Unternehmen und jeder Mensch findet Eigenschaften, durch die eine Abgrenzung von der untersuchten Mehrheit möglich wird. Mehr Erfahrung, höhere Motivation, besondere Fachkenntnisse, eine ungewöhnliche Biografie, innovative Technologie oder ein besseres Netzwerk können tatsächlich relevant sein. Für das betrachtete Resultat können sie aber ebenso bedeutungslos bleiben.
Alter kann die Urteilsfähigkeit verbessern, weil Lebenserfahrung vorhanden ist und Risiken realistischer eingeschätzt werden. Es kann zugleich keinerlei Einfluss auf die massgeblichen Mechanismen haben.
Neurodivergenz kann in bestimmten Tätigkeiten eine aussergewöhnliche Mustererkennung, intensive Fokussierung oder unkonventionelle Problemlösung begünstigen. In einem anderen Umfeld können dieselben Voraussetzungen zusätzliche Belastungen erzeugen oder für das Resultat keine erkennbare Rolle spielen.
Auch Berufserfahrung ist nicht automatisch ein Vorteil. Sie kann vor bekannten Fehlern schützen, aber ebenso dazu führen, dass überholte Annahmen mit besonderer Selbstsicherheit weitergeführt werden.
Nicht jede Abweichung verändert die Erfolgswahrscheinlichkeit.
Bedeutsam wird ein Merkmal erst, wenn es mit dem Mechanismus verbunden ist, der das Resultat beeinflusst. Entscheidend ist daher nicht, ob wir uns irgendwie von der Mehrheit unterscheiden, sondern ob genau jene Unterschiede vorliegen, die für Erfolg oder Scheitern relevant sind.
Eine Besonderheit ist zunächst eine Beobachtung. Erst durch einen plausiblen Wirkzusammenhang, belastbare Daten oder eine überprüfbare Hypothese wird daraus ein Argument.
Eine Ausnahme ist keine Selbsteinschätzung. Sie ist eine Hypothese, die geprüft werden muss.
Damit wird die Minderheit weder ignoriert noch idealisiert. Sie bleibt analytisch relevant, ohne zum Freipass zu werden.
Zwischen sichtbaren Ausnahmen und blindem Vertrauen in den Durchschnitt
Beim Umgang mit Erfolgsquoten begegnen uns zwei entgegengesetzte Denkfehler.
Der erste ist gut bekannt: der Survivorship Bias, auf Deutsch Überlebendenverzerrung. Dabei richtet sich die Aufmerksamkeit auf jene, die sichtbar erfolgreich waren, während gescheiterte Versuche aus dem Blickfeld verschwinden.
Wir lesen die Bücher erfolgreicher Unternehmer, hören Interviews mit Investoren, die ein Vermögen aufgebaut haben, und analysieren Organisationen, die schwierige Phasen überstanden haben. Diejenigen, die mit ähnlichen Methoden scheiterten, keine Öffentlichkeit erhielten oder bereits vom Markt verschwunden sind, hinterlassen deutlich weniger Spuren.
Die sichtbaren Gewinner können wertvolle Erkenntnisse liefern. Sie beweisen jedoch nicht, dass ihre Vorgehensweise allgemein funktioniert. Ohne die erfolglosen Fälle lässt sich kaum beurteilen, ob ein bestimmtes Merkmal ursächlich war, lediglich häufig gemeinsam mit Erfolg auftrat oder erst im Nachhinein zur Erklärung erhoben wurde.
Der zweite Fehler verläuft in die entgegengesetzte Richtung. Hier wird das Resultat einer Gruppe so behandelt, als müsse es für jedes einzelne Mitglied gelten. Eine hohe Scheiterquote wird zur Gewissheit, dass auch der nächste Versuch misslingen wird. Ein positiver Durchschnittseffekt führt zur Erwartung, eine Massnahme werde bei allen Menschen oder Unternehmen ähnlich wirken.
Eine solche Übertragung kann einem ökologischen Fehlschluss entsprechen: Aus Daten oder Zusammenhängen auf Gruppenebene werden Schlussfolgerungen über einzelne Mitglieder gezogen, obwohl die Gruppenwerte diese Aussage nicht ausreichend tragen.
Beide Fehler verkürzen die Realität.
Der Survivorship Bias überschätzt die Aussagekraft sichtbarer Ausnahmen. Die unkritische Übertragung eines Gruppenwertes überschätzt dessen Bedeutung für den konkreten Fall.
Wer Statistiken richtig interpretieren will, muss beides gleichzeitig vermeiden. Die Mehrheit liefert die Basisrate und damit einen wichtigen Ausgangspunkt. Die Minderheit kann Hinweise auf Untergruppen, Bedingungen oder Wirkmechanismen enthalten, die im Gesamtwert nicht sichtbar werden.
Die entscheidende Frage lautet daher weder:
Was machen die Erfolgreichen?
noch:
Was geschieht der Mehrheit?
Sie lautet:
Welche Bedingungen verändern die Wahrscheinlichkeit eines bestimmten Ergebnisses?
Der Durchschnitt kann eine Realität zeigen, die niemand erlebt
Unternehmen arbeiten täglich mit Durchschnittswerten. Sie messen Produktivität, Kundenzufriedenheit, Abschlussquoten, Bearbeitungszeiten und Leistungssteigerungen. Solche Kennzahlen helfen, Komplexität zu reduzieren, Entwicklungen zu erkennen und Vergleiche herzustellen.
Problematisch werden sie erst, wenn der Mittelwert mit der Wirklichkeit einzelner Gruppen verwechselt wird.
Der durchschnittliche Kunde ist keine konkrete Person. Das durchschnittliche Unternehmen besitzt keine bestimmte Kultur. Der durchschnittliche Mitarbeitende arbeitet in keinem realen Team.
Ein positiver Gesamtwert kann sehr unterschiedliche Entwicklungen verdecken. Eine Massnahme verbessert möglicherweise die Situation einer Gruppe deutlich, bleibt bei einer zweiten wirkungslos und erzeugt bei einer dritten sogar Nachteile. Im Mittel kann das Resultat dennoch positiv erscheinen.
Für jene, die durch die Massnahme schlechter gestellt werden, ist der Durchschnitt keine sinnvolle Entscheidungsgrundlage.
Das lässt sich auf zahlreiche unternehmerische Bereiche übertragen.
Eine Marketingstrategie kann in vielen Branchen hervorragend funktionieren und in einer hoch spezialisierten Nische wirkungslos bleiben. Social Media ist für zahlreiche Geschäftsmodelle ein relevanter Kommunikations- und Vertriebskanal. Daraus folgt jedoch nicht, dass jedes Produkt über LinkedIn, TikTok oder Instagram erfolgreich vermarktet werden kann.
Eine Führungsmethode kann bei einem grossen Teil der Belegschaft zu guten Resultaten führen und bestimmte neurodivergente Mitarbeitende dennoch systematisch benachteiligen. Die allgemeine Wirksamkeit wird dadurch nicht zwingend widerlegt. Unvollständig ist lediglich die Annahme, sie gelte für alle Beschäftigten in derselben Form.
Ähnliches gilt für Technologie. Eine neue Software kann Bearbeitungszeiten verkürzen und Prozesse beschleunigen. Sind die zugrunde liegenden Abläufe schlecht gestaltet, führt die Automatisierung jedoch nicht zwangsläufig zu besseren Ergebnissen. Möglicherweise wird lediglich der bestehende Fehler schneller ausgeführt.
Eine durchschnittliche Verbesserung sagt deshalb noch wenig darüber aus, wie sich die Wirkung verteilt und welche Voraussetzungen erfüllt sein müssen.
Gerade dort, wo Entscheidungen erhebliche Folgen haben, genügt es nicht zu wissen, ob etwas im Mittel funktioniert. Es muss geklärt werden, für wen, unter welchen Bedingungen und mit welchen Nebenwirkungen.
Von der Studie zur eigenen Realität
Damit eine statistische Aussage als Grundlage einer strategischen Entscheidung dienen kann, müssen drei Ebenen auseinandergehalten werden:
die tatsächlich untersuchte Stichprobe,
die grössere Grundgesamtheit, über die eine Aussage gemacht werden soll,
und der konkrete Fall, auf den das Ergebnis angewendet wird.
Bereits zwischen Stichprobe und Grundgesamtheit können erhebliche Verzerrungen entstehen.
Wer nahm an der Untersuchung teil? Welche Gruppen wurden nicht erreicht? Wer brach vorzeitig ab? Welche Unternehmen waren bereit, ihre Resultate offenzulegen? Welche gescheiterten Projekte wurden nie dokumentiert? Wurden nur Organisationen betrachtet, die bereits über bestimmte finanzielle, technische oder personelle Voraussetzungen verfügten?
Solche Auswahlverzerrungen werden als Selection Bias bezeichnet. Sie können dazu führen, dass innerhalb der vorhandenen Daten zwar korrekt gerechnet wird, die betrachteten Fälle aber kein repräsentatives Bild der relevanten Population liefern.
Selbst eine geeignete Stichprobe beantwortet noch nicht, ob die Erkenntnisse auf eine andere Situation übertragbar sind. In der Forschung wird diese Frage unter dem Begriff externe Validität oder Generalisierbarkeit behandelt.
Für ein Unternehmen bedeutet das: Sind die Bedingungen der Untersuchung den eigenen Verhältnissen tatsächlich ähnlich genug?
Eine Analyse internationaler Technologiekonzerne ist nicht automatisch eine passende Entscheidungsgrundlage für ein Schweizer Familienunternehmen. Resultate aus einem stark regulierten Markt lassen sich nicht ohne Weiteres auf eine andere Branche übertragen. Erkenntnisse aus einer Studie mit Berufseinsteigern beantworten nicht zwingend, wie erfahrene Fachkräfte reagieren. Ein vierwöchiger Produktivitätstest sagt wenig über mögliche Folgen nach drei Jahren aus.
Die externe Validität betrifft genau diese Reichweite: Tragen die Erkenntnisse über die ursprünglichen Untersuchungsbedingungen hinaus, oder verlieren sie ausserhalb dieses Rahmens ihre Aussagekraft?
Eine Studie kann innerhalb ihres Kontextes vollkommen gültig sein und für eine andere Situation dennoch nur begrenzten Wert besitzen.
Daten benötigen Kontext. Ohne ihn wird Präzision schnell zur Scheingenauigkeit.
Dazu kommt ein weiterer Punkt: Korrelation ist nicht Kausalität.
Wenn erfolgreiche Unternehmen häufiger eine bestimmte Software einsetzen, beweist dies noch nicht, dass die Software ihren Erfolg verursacht hat. Vielleicht konnten sie sich die Einführung leisten, weil sie bereits profitabel waren. Möglicherweise verfügen sie über weitere Eigenschaften, die sowohl den Erfolg als auch den Technologieeinsatz erklären. Eventuell wurde nur jener Teil des Marktes betrachtet, der öffentlich sichtbar war.
Doch selbst ein plausibler Ursache-Wirkungs-Zusammenhang genügt noch nicht. Zusätzlich muss geklärt werden, unter welchen Voraussetzungen der Mechanismus funktioniert.
Ein CRM-System verbessert den Vertrieb nicht von selbst. Seine Wirkung hängt von Prozessen, Datenqualität, Verantwortlichkeiten, Schulung und tatsächlicher Nutzung ab. Fehlen diese Grundlagen, bleibt der erwartete Nutzen aus – unabhängig davon, wie erfolgreich dieselbe Lösung in anderen Organisationen war.
Die relevante Frage lautet deshalb nicht bloss, ob eine Methode funktioniert.
Sie lautet:
Warum funktioniert sie, unter welchen Bedingungen – und sind diese Bedingungen bei uns vorhanden?
Auch eine Erfolgsquote von 90 Prozent kann täuschen
Bei einer hohen Misserfolgsquote reagieren die meisten Unternehmen zumindest mit einer gewissen Vorsicht. Deutlich weniger Skepsis entsteht, wenn eine Studie feststellt, dass 90 Prozent der untersuchten Organisationen ihre Produktivität steigern konnten.
Eine solche Aussage wirkt beruhigend. Sie scheint das Risiko beinahe zu beseitigen.
Dabei enthält die Zahl gleichzeitig eine zweite Information: Bei zehn Prozent trat der erwartete Nutzen nicht ein.
Vielleicht fehlte eine technische Voraussetzung. Möglicherweise passte die Lösung nicht zur Unternehmensgrösse. Eventuell verursachte die Einführung mehr Reibung als Entlastung. Vielleicht kollidierte sie mit regulatorischen Anforderungen, der vorhandenen Kultur oder dem Geschäftsmodell.
Für eine Organisation, die genau diese Merkmale aufweist, ist die hohe allgemeine Erfolgsquote weniger relevant, als sie zunächst erscheint.
Die kleinere Gruppe verdient daher nicht nur Aufmerksamkeit, wenn sie entgegen einer ungünstigen Basisrate erfolgreich ist. Sie muss ebenso untersucht werden, wenn sie trotz hoher durchschnittlicher Wirksamkeit scheitert.
Das Prinzip funktioniert in beide Richtungen.
Wenn 90 Prozent scheitern, muss geklärt werden, wodurch sich die erfolgreichen zehn Prozent unterscheiden.
Wenn 90 Prozent erfolgreich sind, muss geprüft werden, weshalb die Massnahme bei den übrigen zehn Prozent nicht trägt.
Wer nur jene Abweichungen betrachtet, die die eigene Hoffnung stützen, sucht keine Erkenntnis. Er sucht Bestätigung.
Wenn LLMs aus allgemeinen Mustern konkrete Empfehlungen formen
Durch generative künstliche Intelligenz gewinnt diese Frage zusätzlich an Bedeutung.
Menschen wenden sich heute nicht mehr nur an Suchmaschinen, Fachpersonen oder Beratungsunternehmen. Sie fragen ChatGPT, Gemini und andere Large Language Models:
Welche Strategie ist am erfolgreichsten?
Lohnt sich dieses Geschäftsmodell?
Wie führen moderne Unternehmen ihre Mitarbeitenden?
Welche Marketingmassnahmen funktionieren?
Was machen erfolgreiche Organisationen anders?
Ein LLM kann grosse Informationsmengen verdichten, Studien zusammenfassen, wiederkehrende Muster erkennen und unterschiedliche Perspektiven gegenüberstellen. Es kann dabei helfen, eine Fragestellung zu strukturieren und mögliche Risiken sichtbar zu machen.
Seine Antwort bleibt jedoch von den Informationen abhängig, die ihm zur Verfügung stehen.
Das Modell kennt ein Unternehmen nur so weit, wie dessen Situation beschrieben wurde. Informelle Machtstrukturen, unausgesprochene Konflikte, historische Erfahrungen, fehlende Fähigkeiten oder interne Abhängigkeiten bleiben häufig unsichtbar.
Eine Empfehlung kann daher allgemein plausibel und für den konkreten Fall dennoch ungeeignet sein.
Gerade die sprachliche Qualität erhöht das Risiko. Je klarer, professioneller und ausgewogener eine Antwort formuliert ist, desto leichter wird übersehen, wie viele ungesicherte Annahmen zwischen einem allgemeinen Muster und einer tragfähigen Entscheidung liegen.
LLMs ersetzen die Prüfung nicht.
Sie verschieben sie.
Die entscheidende Kompetenz besteht künftig weniger darin, Informationen überhaupt zu finden. Wichtiger wird die Fähigkeit, deren Reichweite, Voraussetzungen und Grenzen zu erkennen.
Künstliche Intelligenz kann falsche Annahmen nicht nur übernehmen, sondern schneller formulieren, überzeugender darstellen und in grösserem Umfang verbreiten. Wird ein LLM in einen ungeprüften Denkrahmen eingebettet, entsteht aus sprachlicher Qualität noch keine bessere Entscheidungslogik.
Wie algorithmische Plausibilität fragwürdige Annahmen stabilisieren kann, behandelt nexoPreneur ausführlicher im Beitrag KI und Strategie: Wenn algorithmische Plausibilität Fehlannahmen stabilisiert.
Decision Intelligence beginnt mit sichtbaren Annahmen
Unter dem Begriff Decision Intelligence werden Ansätze zusammengefasst, die Daten, Analytik, künstliche Intelligenz und menschliches Urteilsvermögen miteinander verbinden sollen.
Die Idee ist sinnvoll, solange sie nicht auf technische Systeme reduziert wird.
Entscheidungsintelligenz entsteht nicht dadurch, dass ein Unternehmen mehr Informationen sammelt, zusätzliche Dashboards einführt oder komplexere Prognosemodelle nutzt. Sie beginnt dort, wo sauber zwischen drei Ebenen unterschieden wird:
Was zeigen die Daten tatsächlich?
Welche Schlussfolgerung wird daraus gezogen?
Welche Annahmen müssen gelten, damit diese Schlussfolgerung trägt?
Auch eine falsche Entscheidung kann datenbasiert sein. Ein ungeeignetes Modell kann präzise rechnen. Eine verzerrte Stichprobe kann beeindruckende Resultate liefern. Eine korrekte Studie kann auf den falschen Fall angewendet werden.
Data-driven Decision Making ist deshalb nicht automatisch gute Entscheidungsfindung.
Evidenzbasierte Entscheidungen benötigen nicht nur Zahlen, sondern eine nachvollziehbare Logik, die erklärt, weshalb diese Zahlen für den vorliegenden Fall relevant sind.
Vor einer strategischen Handlung sollten Unternehmen daher prüfen, wer tatsächlich untersucht wurde, was in der Studie als Erfolg oder Misserfolg galt und welche Fälle in den Daten fehlen. Ebenso wichtig ist die Verteilung hinter dem Gesamtwert: Gibt es Teilgruppen, bei denen die Wirkung deutlich stärker, schwächer oder sogar gegensätzlich ausfällt?
Darauf folgt die Frage nach dem Wirkmechanismus. Ist nachvollziehbar, weshalb eine Methode funktioniert oder ein Vorhaben scheitert? Sind die notwendigen Ressourcen, Fähigkeiten und Rahmenbedingungen im eigenen Unternehmen vorhanden?
Schliesslich braucht es ein Kriterium, an dem eine falsche Annahme erkennbar wird.
Gerade dieser letzte Punkt wird häufig vernachlässigt.
Menschen und Organisationen sind ausserordentlich gut darin, nachträglich Gründe zu finden, weshalb ein Vorhaben lediglich mehr Zeit, weiteres Kapital oder zusätzliche Geduld benötigt. Wer davon ausgeht, zu einer erfolgreichen Minderheit zu gehören, muss deshalb im Voraus festlegen, woran das Gegenteil erkennbar wäre.
Erst dadurch wird aus Überzeugung eine überprüfbare Hypothese.
Warum eine interne Prüfung trotz Kennzahlen, Szenarien und dokumentierter Entscheidungswege häufig nicht ausreicht, zeigt der Beitrag Interne Entscheidungsprüfung: Warum sie oft nicht genügt.
Aus Statistik wird Entscheidungsarchitektur
Angenommen, 90 Prozent vergleichbarer Projekte scheitern.
Eine vorschnelle Reaktion wäre, das Vorhaben sofort aufzugeben. Ebenso unzureichend wäre die selbstbewusste Behauptung, man gehöre bestimmt zu den erfolgreichen zehn Prozent.
Eine tragfähige Entscheidungsarchitektur wählt einen anderen Weg.
Zunächst werden die häufigsten Ursachen des Scheiterns untersucht. Anschliessend wird geprüft, welche davon im eigenen Unternehmen vorhanden sind. Danach können erfolgreiche Fälle analysiert werden – nicht, um oberflächliche Gemeinsamkeiten zu sammeln, sondern um jene Faktoren zu identifizieren, die tatsächlich mit dem Wirkmechanismus verbunden sein könnten.
Auf dieser Grundlage lässt sich ein begrenzter Versuch gestalten: mit einem klaren Budget, einem überschaubaren Pilotprojekt, definierten Erfolgskriterien, messbaren Zwischenzielen, einer Gegenhypothese und einem festen Zeitpunkt für Beendigung oder Neubewertung.
Die Statistik wird dadurch weder ignoriert noch zum Urteil erhoben.
Sie wird in ein Verfahren übersetzt, das Risiken ernst nimmt und zugleich prüft, ob die eigene Ausgangslage tatsächlich anders ist.
Aus der Feststellung
90 Prozent scheitern
entsteht so eine deutlich präzisere Frage:
Was müssten wir anders gestalten, damit wir die bekannten Ursachen des Scheiterns nicht wiederholen – und wie erkennen wir frühzeitig, ob uns das gelingt?
Genau darin liegt der Unterschied zwischen einer Zahl und einer Entscheidung.
Die Zahl beschreibt eine beobachtete Realität.
Die Entscheidungsarchitektur bestimmt, wie verantwortungsvoll mit dieser Information umgegangen wird.
Dazu gehört auch die Bereitschaft, ein Vorhaben zu stoppen, bevor investierte Zeit, Geld und internes Ansehen seine Korrektur nahezu unmöglich machen. Der Beitrag Fehlentscheidungen im Unternehmen: Warum der Stopp oft zu spät kommt untersucht diese Dynamik ausführlicher.
Die Mehrheit ist Evidenz, kein Urteil
Unternehmen benötigen Studien, Kennzahlen, Benchmarks und Erfahrungswerte. Ohne sie würden viele Entscheidungen auf Intuition, Einzelbeobachtungen oder blosser Überzeugung beruhen.
Doch keine dieser Informationen nimmt ihnen die eigentliche Beurteilung ab.
Eine Mehrheit zeigt, was häufig geschieht. Sie beweist nicht, was in einem einzelnen Fall geschehen wird.
Eine Minderheit zeigt, dass andere Resultate möglich sind. Sie beweist nicht, dass man selbst zu ihr gehört.
Zwischen diesen beiden Aussagen liegt professionelle Entscheidungsprüfung.
Dort wird die Basisrate weder ausgeblendet noch der Einzelfall unter einem Durchschnitt begraben. Dort wird untersucht, welche Bedingungen gelten, welche Unterschiede tatsächlich eine Wirkung entfalten und welche stillen Annahmen eine scheinbar eindeutige Schlussfolgerung tragen.
Das gilt für risikoreiche Projekte ebenso wie für Marketing, Führung, Personalentscheidungen, neue Technologien oder den Einsatz künstlicher Intelligenz.
Eine Arbeitsumgebung kann für 80 Prozent der Mitarbeitenden gut funktionieren und für die übrigen 20 Prozent erhebliche Barrieren erzeugen. Eine Marketingmethode kann in zahlreichen Branchen erfolgreich sein und in einer spezialisierten Nische versagen. Eine KI-Anwendung kann im Durchschnitt viel Zeit sparen und zugleich in wenigen, besonders folgenreichen Fällen Fehler verursachen, deren Kosten den gesamten Nutzen infrage stellen.
Die Grösse einer Gruppe bestimmt nicht allein ihre strategische Bedeutung.
Manchmal liegen gerade in den Abweichungen die grössten Risiken, die wertvollsten Chancen oder die entscheidenden Hinweise auf einen fehlerhaften Denkrahmen.
Die Mehrheit ist kein Beweis.
Die Minderheit ist kein Freipass.
Beides ist ein Prüfauftrag.
Strategische Urteilsfähigkeit beginnt nicht dort, wo eine Zahl die Diskussion beendet.
Sie beginnt dort, wo diese Zahl die richtigen Fragen auslöst.
Häufige Fragen
Eine Statistik beschreibt zunächst Häufigkeiten oder Zusammenhänge innerhalb einer untersuchten Gruppe. Wie aussagekräftig sie für einen einzelnen Menschen, ein Unternehmen oder ein Projekt ist, hängt davon ab, ob die relevanten Voraussetzungen und Wirkmechanismen vergleichbar sind.
Die Basisrate bezeichnet die allgemeine Häufigkeit eines Ereignisses innerhalb einer definierten Population. Sie zeigt beispielsweise, wie oft vergleichbare Projekte erfolgreich waren oder scheiterten, bevor zusätzliche Informationen über den konkreten Fall berücksichtigt werden.
Base Rate Neglect bezeichnet die Vernachlässigung einer allgemeinen Grundwahrscheinlichkeit. Einzelne Erfolgsgeschichten oder persönliche Besonderheiten werden stärker gewichtet als die Häufigkeit des Ergebnisses innerhalb der Gesamtgruppe.
Ein Durchschnitt kann erhebliche Unterschiede zwischen Teilgruppen verdecken. Eine Massnahme kann bei einem Teil der untersuchten Fälle gut wirken, bei einem anderen wirkungslos bleiben und bei einer dritten Gruppe sogar Nachteile verursachen.
Survivorship Bias oder Überlebendenverzerrung entsteht, wenn vor allem erfolgreiche und weiterhin sichtbare Fälle betrachtet werden. Gescheiterte, abgebrochene oder nicht dokumentierte Versuche fehlen, wodurch eine Methode erfolgreicher erscheinen kann, als sie tatsächlich ist.
Externe Validität beschreibt, ob sich die Erkenntnisse einer Untersuchung auf andere Menschen, Unternehmen, Märkte, Länder oder Zeiträume übertragen lassen. Eine Studie kann innerhalb ihres eigenen Rahmens korrekt sein und ausserhalb dieses Kontextes dennoch nur begrenzte Aussagekraft besitzen.
Unternehmen sollten neben der Erfolgs- oder Misserfolgsquote auch die Stichprobe, die Definition des Ergebnisses, mögliche Auswahlverzerrungen, relevante Teilgruppen und den zugrunde liegenden Wirkmechanismus prüfen. Zusätzlich braucht es vorab definierte Kriterien, an denen erkennbar wird, ob die eigene Annahme falsch war.
LLMs können Informationen strukturieren, Studien zusammenfassen und Argumente gegenüberstellen. Sie kennen jedoch nicht automatisch alle Besonderheiten eines Unternehmens. Ihre Antworten sollten deshalb als Grundlage einer weiteren Prüfung und nicht als abschliessendes strategisches Urteil behandelt werden.
Die unbequeme Frage
Beruht Ihre Entscheidung auf belastbarer Evidenz?
Oder wurde eine statistische Häufigkeit zur Gewissheit erklärt, weil die Zahl professionell genug wirkte?
nexoPreneur prüft nicht nur, ob Daten korrekt sind. Geprüft wird, ob die daraus entwickelte Entscheidung trägt.
* Bildhinweis: Das Titelbild wurde KI-gestützt mit ChatGPT/Bildgenerierung erstellt. Redaktionelle Vorgabe, Auswahl und Veröffentlichung: Kerstin Milde.
Hinweis zur Erstellung: Dieser Beitrag wurde von Roger Kern konzipiert, geprüft und final bearbeitet. KI-Systeme wurden unterstützend für Struktur, Gegenperspektiven, SEO und sprachliche Varianten eingesetzt.
