6 Denkfehler, die fast alle KMU schon mal erwischt haben.

Worum es geht

Nach über zwei Jahrzehnten in der Beratung von Software-Teams, Marketing-Abteilungen und Geschäftsleitungen sehe ich täglich dasselbe Phänomen: Was Digital-Business-Projekte scheitern lässt, ist selten die Technologie, oft sogar nicht einmal das Budget. Es ist die Art, wie wir denken. Genauer: wie wir uns systematisch täuschen, ohne es zu merken. Genau deshalb beginnt bei uns jede Vision-und-Strategie-Arbeit mit einem ehrlichen Blick auf die eigenen Denkmuster.

Bekannt wurde diese Beobachtung vor allem durch Rolf Dobellis "Die Kunst des klaren Denkens" — ein Buch, das 52 typische Cognitive Biases auf jeweils zwei Seiten unterhaltsam aufschlüsselt. Für die Welt der digitalen Transformation in Schweizer KMU lassen sich davon 13 Denkfehler herausschälen, die ich in der Beratungspraxis besonders häufig antreffe — und die richtig Geld, Zeit und Reputation kosten können.

"Es ist schwieriger, eine vorgefasste Meinung zu zertrümmern als ein Atom." — Albert Einstein

Diese Serie hat zwei Teile. Teil 1 — den du gerade liest — bringt die sechs Klassiker, die wir aus dem Alltag kennen und die uns in Software-Projekten und Digital-Strategien immer wieder auf die Füsse fallen. Teil 2 vertieft sieben fortgeschrittene Stolperfallen rund um Anreizsysteme, Outcome-Verzerrung, Knappheit, Anker — und neu auch einen Denkfehler, der erst mit dem Einzug von Generative AI 2023–2026 zur Massen-Realität geworden ist.

Pro Denkfehler bekommst du die gleiche, praxistaugliche Struktur:

1. Um was geht's — was ist der Denkfehler konkret?
2. Warum passiert uns das? — psychologische Wurzel
3. Beispiele aus Wirtschaft & KMU-Praxis — moderne, konkrete Fälle
4. Wie verhindern? — Gegenstrategien, die in der Beratung funktionieren

1. Overconfidence Bias — wenn das eigene Können masslos überschätzt wird

Um was geht's

Ein typisches Muster: Eine Geschäftsleitung hat ein paar erfolgreiche Jahre hinter sich, die App im Smartphone sieht "eigentlich machbar" aus, und plötzlich klingt der Satz "Sowas könnten wir doch auch — und besser" wie eine vernünftige Strategie. Selbstüberschätzung trifft uns nicht nur als Auftraggeberinnen oder Auftraggeber, sondern auch als Projektmanager:innen, Entwickler:innen und Designer:innen — gerade bei Aufwand- und Zeitschätzungen.

Warum passiert uns das?

Unser Gehirn neigt dazu, Komplexität auszublenden, sobald die Oberfläche eines Produkts einfach aussieht. Dazu kommt der sogenannte Dunning-Kruger-Effekt: gerade in Feldern, in denen wir wenig wirkliche Expertise haben, fühlen wir uns am sichersten. Und bei Aufwandschätzungen mischt sich noch Anreiz-Sensitivität dazu (siehe Teil 2): wer knapper schätzt, hat gefühlt grössere Chancen auf den Auftrag — auch wenn die Realität später bitter wird.

Beispiele aus Wirtschaft & KMU-Praxis

• Der "wir machen es besser als Instagram"-Pitch: Bei AHEAD OF TIME landet regelmässig die Anfrage "Wir hätten da diese soziale Plattform-Idee, aber besser als Facebook — wie teuer wäre das?" Was die meisten nicht auf dem Schirm haben: Facebook hat über die Jahre dutzende Millionen Zeilen Code entwickelt, und ein soziales Netzwerk lebt von Netzwerkeffekten, nicht von Features. Ohne ausreichende Userbase entsteht schlicht kein Mehrwert.
• AI-Hype 2024–2025: Mehrere Schweizer Mittelständler beschlossen nach ein paar ChatGPT-Demos, ein eigenes Foundation-Modell zu trainieren, um "unabhängig zu werden". Ergebnis: Millionen-Investitionen, die zwischen "produziert nette E-Mail-Entwürfe" und "ersetzt unseren Sales-Prozess" verpuffen.
• Die eigene Aufwandschätzung: Wir alle kennen das Phänomen — wir kalkulieren von Best-Case-Szenarien aus, vergessen Reserven für Unvorhersehbares und sind dann überrascht, wenn ein Projekt 40 % länger braucht. Das hat nichts mit Schlampigkeit zu tun, sondern mit der psychologischen Tendenz, das Optimum zu sehen.

Wie verhindern?

• Vom Worst-Case statt vom Best-Case ausgehen. Pessimistische Szenarien sind statistisch oft die treffenderen
• Vielfalt einholen — verschiedene Menschen schätzen unterschiedlich. Lass jemanden, der nicht im Tunnel-Modus deines Vorhabens steckt, deine Annahmen prüfen, idealerweise ohne deine eigene Konklusion vorab zu zeigen
• Annahmen explizit machen und gegen messbare Ziele testen. Implizite Erwartungen sind der Anfang vieler Konflikte
• Reserve fix einplanen. Bei Software-Projekten 20–30 % Puffer für Unvorhergesehenes ist keine Inkompetenz — es ist Erfahrungswissen
• Sokrates wusste schon: "Ich weiss, dass ich nichts weiss." Eine Dosis Demut schlägt selbst die beste Methode

2. Sunk Cost Fallacy — wenn die Vergangenheit die Zukunft kapert

Um was geht's

Du steckst in einem Projekt, das einfach nicht funktionieren will. Die Zahlen stimmen nicht, das Team ist ausgelaugt, der Markt reagiert nicht. Trotzdem machst du weiter — "weil wir schon so viel investiert haben". Du gibst vergangenen Aufwendungen ein Gewicht in Entscheidungen über die Zukunft, das ihnen rational nicht zusteht.

Warum passiert uns das?

Aussteigen heisst zugeben, sich vorher getäuscht zu haben. Das ist kognitiv anstrengend und emotional schmerzhaft. Wir Menschen wollen ausserdem als konsistent gelten — nach aussen wie nach innen. Ein Projekt mittendrin abzubrechen, fühlt sich wie ein Bruch in dieser Konsistenz an, auch wenn es die richtige Entscheidung wäre. Lieber ein Ende mit Schrecken als Schrecken ohne Ende — der Spruch trifft den Kern dieses Denkfehlers ziemlich genau. Dass sich der mutige Schnitt lohnt, zeigt unser art24-Case, wo der Schritt auf eine moderne Plattform jahrelange Reibung beendet hat.

Beispiele aus Wirtschaft & KMU-Praxis

• BlackBerry 10 — das Lehrstück: BlackBerry pumpte Hunderte von Millionen in das eigene Betriebssystem BlackBerry 10 und liess es nicht los, obwohl Apple iOS und Google Android den Markt längst dominierten. Eine frühere Migration auf Android hätte BlackBerry vermutlich vor der Insolvenz bewahrt. Aber jeder Schritt zurück hätte zugleich die Bestätigung gewesen, dass die jahrelangen Investitionen ein Fehler waren.
• Die Webshop-Plattform, die seit Jahren nervt: Klassiker aus dem KMU-Alltag. Ein Online-Shop, der seit drei Jahren Probleme macht — Performance-Issues, Wartungs-Albträume, fehlende Integrationen. Eine Migration auf Shopify oder eine moderne Headless-Plattform würde ein paar Monate Schmerz und vielleicht 60'000 CHF kosten. Aber die nächsten fünf Jahre Reibung und entgangenen Umsatz vermeiden. Trotzdem bleibt man — wegen der bereits versenkten Investition.
• Concorde-Fallacy: Die anglo-französische Concorde wurde jahrelang weitergebaut, obwohl klar war, dass sie wirtschaftlich nicht tragbar sein wird. Der Begriff "Sunk Cost Fallacy" wird in der Literatur oft auch synonym mit "Concorde-Fallacy" verwendet — beide bezeichnen dasselbe Muster.

Wie verhindern?

• Klare, messbare Ziele zu Beginn definieren — und Entscheidungen daran knüpfen, nicht an gefühlter Investitionshöhe
• Lieber früh als spät die Reissleine ziehen. Je länger man wartet, umso teurer wird der Ausstieg
• Neutrale Stimmen einholen. Wer nicht emotional in das Projekt investiert ist, sieht klarer
• Opportunitätskosten ehrlich rechnen: Was könnte das Budget noch beitragen, wenn es in ein anderes Projekt fliesst?

3. Confirmation Bias — wenn nur noch zählt, was die eigene Meinung stützt

Um was geht's

Du hast eine These zu deiner Zielgruppe, deinem Produkt oder deinem Marktverhalten. Und auf einmal scheint die ganze Welt diese These zu bestätigen — Studien tauchen auf, Anekdoten passen, Trends bestätigen. Gleichzeitig ignorierst du Hinweise, die gegen deine These sprechen, oder erklärst sie als Spezialfälle. Das ist Confirmation Bias in Reinkultur. Ein konsequenter Customer-First-Ansatz ist hier ein gutes Gegenmittel, weil er dich zwingt, von der Kundschaft aus zu denken statt von der eigenen Annahme.

Warum passiert uns das?

Eine bestehende Überzeugung ist Teil unseres Selbstbildes. Sie zu hinterfragen heisst, sich selbst zu hinterfragen. Das ist kognitiv anstrengend und emotional unangenehm. Das Gehirn wählt automatisch den bequemen Weg: Was passt, wird wahrgenommen und gewichtet; was nicht passt, wird kleingeredet oder ignoriert. Besonders teuer wird das in der Conversion-Optimierung, wo selektiv gelesene Daten schnell ganze Kampagnen-Budgets in die falsche Richtung lenken.

Beispiele aus Wirtschaft & KMU-Praxis

• Der öffentliche Diskurs: Spannend zu beobachten — egal welches Thema, jede Position findet im Netz mühelos genug Material, um sich bestätigt zu fühlen. Wer skeptisch gegenüber einer Technologie ist, findet die kritischen Stimmen sofort; wer pro ist, ebenso die euphorischen. Wir konsumieren bevorzugt, was uns recht gibt.
• Software-Testing-Falle: Ein subtiler Fall im Engineering: Entwickler:innen testen tendenziell darauf, dass ihr Code funktioniert — also positive Tests. Negative Tests, die Schwachstellen aufdecken sollen, sind unbeliebter, weil sie als "Widerlegung" der eigenen Arbeit empfunden werden. Genau deshalb arbeiten gute Engineering-Teams mit weitestgehend unabhängigen QA-Teams.
• App-Performance-Verzerrung: Marketing- oder Produktverantwortliche, die nur Daten sammeln, welche den Erfolg ihrer Strategie belegen, und Hinweise auf Misserfolge entweder gar nicht erst suchen oder als Ausreisser einordnen. Die Disconfirming Evidence — also Daten, die gegen die eigene Annahme sprechen — wird systematisch ausgeblendet.

Wie verhindern?

Albert Einstein hatte ein wunderbar pragmatisches Rezept: Er investierte gezielt Energie darin, Beweise gegen seine eigenen Thesen zu finden — bevor jemand anders es tat. Übertragen in den KMU-Alltag bedeutet das:

• Hypothesen vor Daten festschreiben. Schon vor einem Test definieren: "Welche Daten würden mich vom Gegenteil überzeugen?"
• Devil's-Advocate-Rolle institutionalisieren. In Strategie-Meetings rotierend eine Person beauftragen, alle Annahmen zu zerlegen
• Datenquellen kreuzen: GA4 gegen CRM gegen echte Kundengespräche. Wer nur eine Quelle nutzt, bestätigt sich meist selbst
• Unabhängige Reviews bei wichtigen Entscheidungen — vom Code-Review bis zum Strategie-Audit durch externe Berater:innen

4. Authority Bias — Autoritäten kritisch hinterfragen, gerade im KI-Zeitalter

Um was geht's

Stanley Milgrams berühmtes Experiment von 1961 zeigte eindrücklich, wie stark Menschen dem Urteil einer als Autorität wahrgenommenen Instanz vertrauen — sogar gegen das eigene Gewissen. Im Digital-Business-Kontext erweitert sich das Bild: Wir vertrauen Tech-Vordenkern, Branchen-Influencern, etablierten Unternehmen — und neuerdings auch KI-Tools, die schlicht kompetent klingen.

Dieser Denkfehler hat zwei moderne Spielarten:

1. Die klassische: blindes Vertrauen in menschliche Autoritäten (Branchengrössen, Berater, Lehrbücher)
2. Die neue: blindes Vertrauen in KI-generierte Antworten, weil sie selbstbewusst, strukturiert und plausibel klingen

Warum passiert uns das?

Autoritätshörigkeit ist evolutionär verankert — Gruppen mit klaren Hierarchien überlebten besser. Unser Gehirn nimmt deshalb gerne mentale Abkürzungen: Wenn eine Quelle "wichtig wirkt", ersparen wir uns die eigene Analyse. Bei KI-Tools kommt etwas Neues dazu: die Sprache selbst wirkt autoritativ. Präzise Formulierungen, strukturierte Argumente, Quellenangaben (manchmal frei erfunden) — das alles aktiviert dieselben Vertrauens-Heuristiken wie ein guter menschlicher Experte. Plus: Wenn wir Stunden in einen ChatGPT-Prompt investiert haben, wollen wir, dass die Antwort stimmt. Cognitive Dissonance verstärkt unser Vertrauen zusätzlich.

Beispiele aus Wirtschaft & KMU-Praxis

Klassische Autoritäts-Beispiele:

• Zuckerbergs Chatbot-Prophezeiung 2016: Auf der Facebook-F8-Konferenz verkündete Mark Zuckerberg, dass smarte Chatbots in wenigen Jahren native Apps weitgehend ablösen würden. Resultat: Hunderte Firmen — auch in der Schweiz — sprangen auf den Zug auf, gründeten Chatbot-Agenturen, schoben native Roadmaps zur Seite. 2026 sehen wir: der App-Markt wuchs munter weiter, wirklich verbreitete Chatbots gibt es nur wenige. Eine Tech-Autorität reichte aus, um eine ganze Branche fehlzuleiten.
• Blockchain- und Krypto-Hype 2017–2022: Auch hier ein Klassiker. Schweizer Mittelständler bauten Blockchain-Strategien rund um die Aussagen von Krypto-Vordenkern, ohne die Aussagen kritisch zu durchleuchten. Viele dieser Strategien führten nie zu einem tragfähigen Geschäftsmodell.

Moderne KI-Autoritäts-Beispiele (NEU 2024–2026):

• Mata v. Avianca (New York, 2023): Ein US-Anwalt liess ChatGPT Präzedenzfälle für eine Klageschrift recherchieren — und übernahm die Zitate ungeprüft ins Gericht. Das Problem: Die KI hatte Fälle frei erfunden. Sanktionen, ramponierte Reputation, internationaler Lehrfall. Die zentrale Schwäche war nicht ChatGPTs Halluzination (zu der kommen wir in Teil 2, Denkfehler 13). Die zentrale Schwäche war, ihr ungeprüft zu glauben — klassischer Authority Bias mit neuem Sender.
• Sam Altman, Dario Amodei & Co. als Wegweiser: Aussagen von KI-Labor-Chefs ("AGI in 5 Jahren", "50 % aller Wissensarbeit ersetzbar bis 2030") beeinflussen Geschäftsleitungs-Entscheide in Schweizer KMU massiv. Vielleicht haben sie recht. Vielleicht aber auch nicht. Beide Möglichkeiten kritisch durchspielen ist die Pflichtaufgabe — nicht das Echo der lautesten Stimme verstärken.
• ChatGPT-Statistiken in Strategiepräsentationen: "Laut ChatGPT setzen 73 % der Schweizer KMU bereits KI ein." Quelle: nirgends nachweisbar. Trotzdem landet die Zahl in Geschäftsleitungs-Folien, in Vorträgen, sogar in Pressetexten. Das ist nicht Hallucination der KI als Problem — das Problem ist, der KI ungeprüft zu folgen.
• Junior-Entwickler:innen mit Copilot-/Cursor-Vollvertrauen: Ein junges Teammitglied übernimmt KI-Code-Vorschläge ungeprüft, ohne wirklich zu verstehen, warum eine bestimmte Lösung gewählt wurde. Die Code-Base sammelt subtile Bugs, die nur eine starke Senior-Review-Kultur abfangen kann.

Wie verhindern?

Für klassische Autoritäten:

• Eigene Annahmen prüfen. War das eine Entscheidung aus eigener Analyse oder aus Vertrauen in eine Autorität? Welche Autorität war das, und woher beziehe ich ihre Glaubwürdigkeit?
• Aktiv nach Gegenstimmen suchen. Bei jedem Hype-Thema gibt es seriöse Skeptiker:innen — sie sind nur weniger laut als die Begeisterten
• Diversität in Entscheidungs-Gremien. Eine homogene Gruppe verstärkt Authority Bias. Heterogene Teams hinterfragen viel eher

Speziell für KI-Tools (das ist neu):

• KI-Output als Erst-Entwurf behandeln, nicht als Endprodukt. Was du nicht selbst verifizieren kannst, gehört nicht ungeprüft nach extern (an Kund:innen, in Verträge, in Pressetexte)
• Crosscheck mit Primärquellen bei jeder Statistik, jedem Zitat, jedem rechtlichen oder fachlichen Statement
• Critical-Prompt-Pattern: Nach der ersten KI-Antwort konkret nachhaken: "Wo könntest du falsch liegen? Welche Annahmen hast du gemacht, die ich prüfen sollte? Liste deine Unsicherheiten auf." Erstaunlich oft kommen dabei brauchbare Selbstkorrekturen
• Team-Regel etablieren: Kein KI-Output, der nicht von einem Menschen verstanden und überprüft wurde, geht nach extern. Verständnis vor Geschwindigkeit
• Multi-Model-Cross-Check bei kritischen Aussagen: dieselbe Frage an Claude + ChatGPT + Gemini. Bei signifikanten Abweichungen lohnt sich vertieftes Prüfen

5. Survivorship Bias — wenn nur die Gewinner-Geschichte erzählt wird

Um was geht's

Du liest die nächste Erfolgsstory eines Startups, eines Produkts, einer App — und denkst: "Sollte ja machbar sein, schau, wie die das hingekriegt haben." Was du nicht siehst: die hunderten oder tausenden Projekte, die mit derselben Idee, demselben Setup, derselben Strategie krachend gescheitert sind. Die Erfolgreichen geniessen die Sichtbarkeit, die Gescheiterten verschwinden still im Hintergrund.

Warum passiert uns das?

Erfolg ist sichtbar, Misserfolg wird leise eingestellt. Medien, LinkedIn, Konferenz-Talks — alles bevorzugt die Gewinner-Geschichten. Unsere Wahrnehmung ist auf das Sichtbare optimiert, nicht auf das, was unsichtbar verschwindet. Daraus entsteht eine systematische Verzerrung: Wir überschätzen unsere eigenen Erfolgschancen, weil wir nur die anderen Erfolge sehen. Wer Wachstum stattdessen strukturiert plant — etwa entlang einer Wachstumsstrategie-Matrix — zwingt sich, auch die riskanten Felder ehrlich zu bewerten.

Beispiele aus Wirtschaft & KMU-Praxis

• Rovio und Angry Birds — die wahre Geschichte: Das finnische Game-Studio Rovio mag wie ein Erfolg über Nacht wirken. War es nicht. 2009 stand Rovio am Rande des Bankrotts und beschäftigte noch 12 Mitarbeitende. 51 Spiele hatten sie davor entwickelt — keines erfolgreich. Angry Birds war Game Nummer 52. Die 51 Misserfolge sind heute praktisch unbekannt, weil Rovio durch Angry Birds zur erinnerten Marke wurde. Hätten sie nach Spiel 30 oder 40 aufgegeben — wir wüssten heute nicht, dass es Rovio je gab.
• Der Tech-Friedhof: Nokia, BlackBerry, Microsoft Windows Phone, MySpace, Xing, Google+, Google Stadia, 3D-Fernseher, Quibi, Theranos, FTX. Jede dieser Marken wurde mal als "the next big thing" gefeiert. Heute sind sie Lehrstücke — wenn überhaupt noch im Gedächtnis. Wer sich an erfolgreichen Marken orientiert, sollte zwingend auch diese Liste studieren.
• KI-Startup-Hype 2023–2026: Ein paar sichtbare Erfolge (OpenAI, Anthropic, Mistral, Lovable) verdecken Hunderte gescheiterter KI-Startups, die kaum über die Seed-Phase hinauskamen. Wer als KMU eine "eigene KI-Strategie" plant und sich dabei nur an den überlebenden Stars orientiert, kalibriert seine Erwartungen systematisch zu hoch.

Wie verhindern?

• Auch den Friedhof studieren. Vor jedem grösseren Vorhaben drei vergleichbare Misserfolge im gleichen Markt finden und ehrlich analysieren — was hat dort nicht funktioniert?
• Eigene Erfolgswahrscheinlichkeit konservativ kalkulieren. Wenn die "Vergleichbaren-Erfolge" eher Ausnahmen als Regel sind, sollte das in der Planung sichtbar sein
• Annahmen explizit machen, die zum Erfolg führen müssen — und regelmässig prüfen, ob sie noch tragen
• Worst-Case-Szenario durchspielen. Wenn schon optimistisch geschätzt wird, lieber doppelt sichern statt einmal hoffen
• Pre-Mortem-Übung: Im Team durchspielen — "Das Projekt ist in 12 Monaten gescheitert. Was war die wahrscheinlichste Ursache?" Bringt erstaunlich realistische Antworten

6. Swimmer's Body Illusion — Ursache und Wirkung verwechseln

Um was geht's

Du schaust auf erfolgreiche Schwimmerinnen und siehst diese eindrückliche, athletisch geformte Körperhaltung. Naheliegende Schlussfolgerung: "Wenn ich genug schwimme, sehe ich auch so aus." Was leicht übersehen wird: Wahrscheinlich war dieser Körperbau bereits die Voraussetzung dafür, dass diese Person professionelle Schwimmerin geworden ist — nicht das Resultat des Trainings. Ursache und Wirkung sind verwechselt.

Warum passiert uns das?

Unser Gehirn liebt einfache Kausalketten — A führt zu B. Komplexere oder umgekehrte Zusammenhänge sind kognitiv anstrengender. Hinzu kommt: Bücher, Vorträge und Beratungsangebote, die einfache Erfolgsrezepte verkaufen, sind viel populärer als ehrliche Analysen, die zugeben, dass Erfolg multikausal, oft glückabhängig und selten replizierbar ist.

Beispiele aus Wirtschaft & KMU-Praxis

• "In 7 Schritten zum Erfolg": Es gibt unzählige Bücher und Trainings, die das Erfolgsrezept gefunden haben wollen — "Das Google Prinzip", "Wie Apple denkt", "Die 10 Habits erfolgreicher Gründerinnen". Was die Bücher selten erwähnen: Hunderte Unternehmen haben dieselben Prinzipien angewandt und sind trotzdem gescheitert. Weil eben nicht die Prinzipien den Unterschied gemacht haben, sondern dutzende andere Faktoren.
• Wasserfall versus Agil — der ewige Methodenstreit: Manche grandios erfolgreichen Produkte entstanden in striktem Wasserfall-Modus. Andere ebenso erfolgreichen mit voll agilem Setup. Wer behauptet, eine Methode sei der Schlüssel, betreibt Swimmer's Body Illusion. Tatsächlich tragen Team-Qualität, Markt-Timing und Kundenproblem-Klarheit viel mehr bei als die Wahl der Projektmethode.
• Startup-Gründer-Storys 2023–2026: "Wie wir Stripe / Notion / Lovable gegründet haben" — fast jede dieser Storys ist von Survivorship Bias und retrospektiver Glättung von Misserfolgs-Etappen durchzogen. Lese-Empfehlungen sind in Ordnung — aber nicht als 1:1-Rezeptbuch.

Wie verhindern?

• Vor dem Kopieren fragen: Was war Ursache, was Wirkung? Hatten die Erfolgreichen Voraussetzungen, die ich nicht habe? Welche?
• Kritisch sein bei einfachen Rezepten, besonders wenn sie als "der" Schlüssel zum Erfolg verkauft werden. Komplexe Realität braucht differenzierte Analyse
• Erfolg ist oft harte Arbeit plus Glück plus Timing. Wer das verinnerlicht hat, kalkuliert realistischer und ist weniger anfällig für überzogene Erwartungen

Zwischenfazit Teil 1

Diese sechs Denkfehler sind die Stolperfallen, die in der KMU-Beratungspraxis am häufigsten auftreten. Selbstüberschätzung, Festhalten an versunkenen Kosten, selektive Wahrnehmung, Autoritätshörigkeit (klassisch und neu bei KI), die Verlockung der Gewinner-Geschichten und die Verwechslung von Ursache und Wirkung — sie alle haben in den letzten Jahren konkrete Projekte konkret Geld gekostet.

Die gute Nachricht: Wer sie kennt, erkennt sie früher. Wer sie früh erkennt, kann gegensteuern.

Was diese sechs gemeinsam haben: Sie sind allgemeine Denkfehler, die seit Jahrzehnten beschrieben sind. In KI-Denkfehler gehen wir tiefer in spezifischere Stolperfallen — Anreizsysteme, Outcome-Bias, Kontrollillusion, kognitive Dissonanz, Ankereffekt, Knappheitsirrtum. Und einen Denkfehler, der erst mit Generative AI 2023–2026 zur Massenrealität geworden ist: das Halluzinieren von KI-Systemen und wie KMU damit umgehen.

So wendest du das im Team an

Mach mit deinem Team einen kurzen 60-Min-Check:

1. Die sechs durchgehen und ehrlich fragen: "Welche zwei davon erwischen uns gerade am stärksten?"
2. Pro priorisierten Denkfehler eine konkrete Gegenstrategie für die nächsten vier Wochen vereinbaren — mit verantwortlicher Person und Check-in-Termin

Klein und konkret schlägt gross und vage. Wer alle sechs gleichzeitig adressieren will, scheitert an Punkt eins. Wenn ihr eine neutrale Aussensicht auf eure Entscheidungs-Prozesse wollt, helfen unsere Advisory-Mandate genau an dieser Stelle weiter.

KI als Reflexions-Werkzeug — mit klarem Vorbehalt

KI-Tools können dabei helfen, eigene Denkfehler zu erkennen — vorausgesetzt, das Team weiss, wie es sie kritisch einsetzt. Wie strukturierte Wissensvermittlung dafür aussieht, zeigt unser HSO-Coaching-Mandat. Praktische Anwendungen 2026:

• Pre-Mortem mit Claude oder ChatGPT: "Hier ist mein Vorhaben. Stell dir vor, es ist in 12 Monaten gescheitert. Liste die 10 wahrscheinlichsten Ursachen, nach Wahrscheinlichkeit geordnet." Bringt oft Punkte zum Vorschein, an die du selbst nicht gedacht hättest
• Disconfirming-Evidence-Suche: "Hier ist meine These zu [Markt / Produkt]. Welche Gegenargumente gibt es? Welche Daten würden meine These widerlegen?"
• Bias-Audit: "Welche Cognitive Biases könnten meine Sichtweise zu [Thema] verzerren?" — KI kennt das Cognitive-Bias-Vokabular gut und kann erstaunlich präzise hinweisen

Wichtig: KI hat ihre eigenen Denkfehler. Siehe Teil 2, Denkfehler 4 oben (Authority Bias bei KI) und Denkfehler 13 (Hallucination). Das Werkzeug ist nützlich, aber nicht neutral.

Q&A — die häufigsten Fragen

Welcher Denkfehler erwischt KMU am häufigsten? In meiner Beratungspraxis: Sunk Cost Fallacy gekoppelt mit Confirmation Bias. KMU bleiben zu lange bei Tools, Lieferanten oder Strategien, die nicht mehr passen — und finden gleichzeitig immer Gründe, warum die Daten "eigentlich schon passen".

Wie erkenne ich, ob ich gerade in einer Denkfalle stecke? Achte auf Entscheidungen, die sich emotional richtig anfühlen, rational aber schwer zu begründen sind. Formulierungen wie "Das machen wir schon immer so" oder "Nun sind wir schon so weit gekommen..." sind statistisch zuverlässige Frühwarnsignale.

Warum gerade jetzt eine neue Auflage zum Thema Denkfehler? Drei Gründe: Erstens haben sich die alten Denkfehler im digitalen Kontext verstärkt, nicht abgeschwächt. Zweitens bringen KI-Tools eigene neue Spielarten mit, die es vor drei Jahren noch nicht gab. Drittens sehe ich in der Beratung 2026 deutlich mehr Schweizer KMU, die konkret unter diesen Mustern leiden.

Gibt es Tools gegen Denkfehler? Ja — strukturierte Decision-Templates (Pre-Mortem, Decision Matrix, Devil's Advocate), klare KPI-Dashboards (keine Vanity Metrics), externe Beratung als regelmässige Aussensicht und 2026 zunehmend auch KI-Tools als Sparring-Partner (mit Vorbehalt).

Quellen und weiterführende Literatur

• Dobelli, R. (2011). Die Kunst des klaren Denkens. Hanser. — Grundlage für die in diesem Beitrag besprochenen sechs klassischen Cognitive Biases.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. — Vertiefung zu System-1- vs. System-2-Denken.
• Milgram, S. (1963). Behavioral Study of Obedience. Journal of Abnormal and Social Psychology, 67(4), 371–378. — Klassisches Experiment zum Authority Bias.
• Tversky, A. & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131. — Fundamentale Arbeit zu Cognitive Biases.

Die Auflistung umfasst die primären Quellen für die in diesem Beitrag besprochenen Konzepte. Sie ist nicht erschöpfend, sondern soll Interessierten den Einstieg in die Vertiefung erleichtern.