In der Führungskräfteentwicklung vollzieht sich eine stille Umstrukturierung. Sie taucht in den meisten Programmen zur Führungskräfteentwicklung noch nicht auf und wird bisher selten als eigenständige Fähigkeit wahrgenommen. Doch ihr Fehlen führt bereits zu einer messbaren Leistungslücke zwischen Organisationen, die echten Wert aus ihren KI-Investitionen ziehen, und solchen, denen dies nicht gelingt.
Diese Fähigkeit ist die Qualität der Fragestellung.
Wenn KI-Systeme die Arbeit der Analyseerstellung, Informationssynthese und Empfehlungsgenerierung übernehmen, verlagert sich der entscheidende menschliche Beitrag stromaufwärts. Er verlagert sich auf die Klarheit und Präzision der gestellten Frage: Was genau fordern Sie die KI auf zu tun, ist das die richtige Frage, und welches strukturierte Denken bringen Sie mit, um die zurückgelieferte Antwort zu bewerten?
Hierbei handelt es sich nicht um technische Fragen dazu, wie man einen besseren Prompt schreibt. Es sind Fragen der unternehmerischen Urteilskraft darüber, wie man klar denkt – bevor und nachdem die KI ihre Arbeit verrichtet.
Diese Verschiebung hat erhebliche Auswirkungen darauf, wie Organisationen Führungskräfte entwickeln, wie sie KI-gestützte Arbeitsabläufe strukturieren und wo in einer KI-Welt die nachhaltigen Wettbewerbsvorteile tatsächlich liegen.Warum die Frage jetzt die eigentliche Arbeit ist
Im vor-digitalen Organisationsleben bestand ein erheblicher Teil der analytischen Arbeit in der Beschaffung und Aufbereitung von Informationen. Ein Team wurde beauftragt, die Wettbewerbslandschaft zu bewerten, eine Marktchance zu verstehen oder die finanziellen Auswirkungen einer strategischen Option zu analysieren. Man verbrachte erhebliche Zeit damit, relevante Informationen zu suchen, zu strukturieren und zu präsentieren. Die Qualität des analytischen Ergebnisses hing stark vom Zugang zu guten Informationen und dem Aufwand ab, der in deren Zusammenstellung gesteckt wurde.
KI hat diesen Zyklus drastisch verkürzt. Ein gut konfiguriertes KI-System kann eine strukturierte Bewertung der Wettbewerbslandschaft, eine Zusammenfassung von Marktchancen oder eine finanzielle Szenarioanalyse in einem Bruchteil der Zeit erstellen, die ein menschliches Team benötigen würde. Das Problem der Informationsbeschaffung und -organisation ist weitgehend gelöst.
Was KI nicht leisten kann, ist zu beurteilen, ob die gestellte Frage überhaupt die richtige ist. Sie kann nicht beurteilen, ob die Rahmung (Framing) der Analyse die tatsächliche strategische Fragestellung der Organisation widerspiegelt oder nur ein Stellvertreterproblem darstellt. Sie kann nicht wissen, dass das reale Problem nicht das im Prompt formulierte ist. Und sie kann nicht bewerten, ob ihre eigenen Ergebnisse von den empfangenden Personen korrekt interpretiert werden.
Diese Fähigkeiten sind menschlich. In einer KI-gestützten Organisation bestimmen genau diese Fähigkeiten, ob die Geschwindigkeit und der Umfang KI-generierter Analysen zu besseren Entscheidungen führen – oder lediglich zu schnelleren.
Hackman und Johnson kategorisierten das Hinterfragen als eine zentrale Führungskompetenz und hoben dessen Bedeutung für das Erreichen von Gruppen- und Organisationszielen hervor. Robuste Lösungen für organisatorische Probleme erfordern zielgerichtetes Nachfragen.
Quelle: Johnson, C. E., & Hackman, M. Z. (2018). Leadership: A communication perspective (7th ed.). Waveland Press.
KI kann nicht feststellen, ob die gestellte Frage die richtige ist. Diese Fähigkeit ist menschlich. In einer KI-gestützten Organisation entscheidet sie darüber, ob KI-generierte Analysen zu besseren oder lediglich zu schnelleren Entscheidungen führen.
Die vier Dimensionen der Fragequalität
Fragequalität im KI-Kontext ist keine einzelne Fähigkeit. Sie umfasst vier verschiedene Dimensionen, von denen jede eine gezielte Entwicklung erfordert und bei deren Fehlen jeweils unterschiedliche Risikoklassen entstehen:
Problemklarheit (Problem Clarity)
Verfügt die Führungskraft oder das Team vor der Fragestellung an ein KI-System über eine präzise Definition des eigentlichen Problems, das gelöst werden soll? Dies ist die diagnostische Disziplin, angewendet auf die KI-Interaktion selbst. Vage oder schlecht definierte Probleme führen zu Analysen, die zwar zum Prompt passen, aber nicht notwendigerweise relevant für die zugrundeliegende geschäftliche Herausforderung sind. Die KI beantwortet die gestellte Frage – der Mensch muss sicherstellen, dass es die richtige Frage ist.
Zielausrichtung (Objective Alignment)
Welche Entscheidung soll durch diese Analyse unterstützt werden und wie sieht ein gutes Ergebnis aus? Führungskräfte, die auf höchstem Niveau agieren, identifizieren vor der Erstellung der KI-Analyse die Kriterien, anhand derer das Ergebnis bewertet wird. Dies verhindert das häufige Fehlermuster, bei dem KI-generierte Analysen zwar umfassend und gut strukturiert sind, die entscheidenden Kriterien aber verfehlen. Ein hohes Analysevolumen ist nicht gleichbedeutend mit Relevanz.
Bewusstsein für Annahmen (Assumption Awareness)
KI-Tools arbeiten innerhalb ihres effektiven Bereichs mit hoher Zuverlässigkeit und außerhalb mit abnehmender Verlässlichkeit – ohne dem Nutzer ein klares Signal zu geben, wo diese Grenze verläuft. Führungskräfte mit ausgeprägter Grenzeinschätzung fragen sich vor der Nutzung von KI-Ergebnissen für wichtige Entscheidungen, ob es sich um eine Situation handelt, in der KI voraussichtlich verlässlich ist. Neuartige Situationen, Brüche mit historischen Mustern und Entscheidungen, die von der Beurteilung menschlichen Verhaltens abhängen, sind Kategorien, in denen Grenzen der KI besonders ins Gewicht fallen.
Grenzerkennung (Boundary Recognition)
Das Erkennen der strukturellen Leistungsgrenzen von Modellen bei neuartigen, historisch präzedenzlosen Szenarien oder komplexen menschlich-politischen Dynamiken.
Die Qualität der Fragestellung umfasst vier Dimensionen: Problemklarheit, Zielausrichtung, Bewusstsein für Annahmen und Grenzerkennung. Jede Dimension erzeugt bei ihrem Fehlen eine andere Art von Risiko.
Was schlechte Fragen kosten
Die Kosten schlechter Fragequalität in einer KI-gestützten Organisation unterscheiden sich grundlegend von den Kosten schlechter Analysen in traditionellen Arbeitsabläufen:
In einem traditionellen Arbeitsablauf führt eine schlecht gerahmte Analyse typischerweise zu Ergebnissen, die sichtbar unvollständig oder offensichtlich am Thema vorbei sind. Der menschliche Aufwand bei der Erstellung macht die Fehlbewertung rasch erkennbar, sodass korrigiert werden kann, bevor wesentliche Entscheidungen getroffen werden.
Eine KI-generierte Analyse auf eine schlecht formulierte Frage wirkt dagegen vollständig. Sie ist gut strukturiert, in ihrem Rahmen umfassend und wird mit scheinbarer Sicherheit präsentiert. Die Diskrepanz zwischen der gestellten Frage und der Frage, die hätte gestellt werden müssen, ist im Ergebnis nicht direkt sichtbar. Sie erfordert vom bewertenden Menschen ein klares Gefühl dafür, wie eine relevante Antwort aussehen müsste, und das Erkennen, dass das Ergebnis – so gut strukturiert es auch sein mag – diese Definition nicht erfüllt.
Fehlt diese Fähigkeit, machen Organisationen einen spezifischen und kostspieligen Fehler: Sie treffen fundierte Entscheidungen zur falschen Sache. Die Analyse war gründlich, der Entscheidungsprozess effizient, aber das Ergebnis verfehlte die eigentliche geschäftliche Herausforderung, weil die ursprüngliche Frage unpräzise war. Durch das Tempo KI-gestützter Arbeitsabläufe kann sich diese Fehlrichtung weit in das operative Handeln fortpflanzen, bevor sie bemerkt wird.
Die Forschung zur Entscheidungsqualität identifiziert die Problemrahmung (Problem Framing) durchweg als die folgenreichste Einzelvariable. Eine bahnbrechende Studie von Paul Nutt (Ohio State University), die 356 strategische Entscheidungen untersuchte, ergab, dass die Rahmung des Entscheidungsproblems zu Beginn die Entscheidungsqualität stärker vorhersagte als die spätere analytische Sorgfalt. Führungskräfte, die Zeit in die klare Definition des Problems investierten, erzielten signifikant bessere Ergebnisse als jene, die schnell von der Problemidentifikation zur Lösungsbewertung übergingen.
In einem KI-geprägten Umfeld gewinnt diese Erkenntnis an Dringlichkeit. KI komprimiert die Zeit zwischen Frage und Analyse drastisch. Organisationen, die Fragequalität nicht als gezielte Fähigkeit aufgebaut haben, nutzen diese Geschwindigkeit nur, um schneller von schlecht gerahmten Fragen zu wohldurchdachten Antworten auf genau diese falschen Fragen zu gelangen. Der Effizienzgewinn ist real – die Verbesserung der Entscheidungsqualität ist es nicht.
Die sokratische Tradition als wettbewerbsrelevante Infrastruktur
Die hier beschriebene Fähigkeit ist keineswegs neu. Ihre Wurzeln liegen in der sokratischen Tradition des disziplinierten Hinterfragens: der Praxis, die gestellten Fragen zu prüfen, bevor man die angebotenen Antworten akzeptiert. Neu ist, dass diese Fähigkeit, die lange als intellektuelle Tugend galt, zu einem praktischen organisatorischen Vorteil mit messbaren finanziellen Konsequenzen geworden ist.
Die konsequenteste moderne Ausformulierung dieser Disziplin im Unternehmenskontext stammt aus dem Bereich der strukturierten Entscheidungsfindung. Die Anforderung, das Problem explizit zu definieren, Ziele zu klären, mehrere Alternativen zu generieren und Annahmen offenzulegen, bevor man sich auf einen Kurs festlegt, ist keine bürokratische Hürde. Es ist ein systematischer Ansatz, um sicherzustellen, dass die beantwortete Frage tatsächlich die entscheidende Frage ist.
Organisationen, die diese Disziplin verankert haben, berichten von nachhaltigen Vorteilen:
Schnellere Abstimmung unter Führungskräften, da die bearbeitete Frage explizit und gemeinsam geteilt wird.
Weniger späte Entscheidungsänderungen, weil die Evaluierungskriterien vor der Analyse festgelegt wurden.
Bessere Ergebnisse bei wichtigen Entscheidungen, da sich der analytische Aufwand auf das richtige Problem konzentrierte.
Diese Vorteile waren bereits vor der KI bedeutend. In einer KI-gestützten Umgebung verstärken sie sich. Die Disziplin der strukturierten Befragung wird zur Governance-Schicht, die sicherstellt, dass KI-Analysen auf die richtigen Fragen angewendet, an den richtigen Kriterien gemessen und mit angemessener Skepsis gegenüber ihren eingebetteten Annahmen interpretiert werden.
Fragequalität als organisatorische Fähigkeit aufbauen
Einzelne Führungskräfte, die eine starke Intuition für die Qualität von Fragen entwickeln, schaffen Wert für ihre eigenen Entscheidungen. Organisationen, die diese Fähigkeit systematisch aufbauen, schaffen einen strukturellen Vorteil, der schwer zu kopieren ist.
Eine systematische Entwicklung erfordert drei Elemente:
Ein gemeinsames Framework für strukturiertes Hinterfragen
Eine einheitliche Sprache und ein Prozess, der es Teams ermöglicht, Probleme gemeinsam präzise zu definieren, Entscheidungskriterien zu klären, Annahmen offenzulegen und KI-Ergebnisse nach einem strukturierten Standard zu bewerten. Ohne ein gemeinsames Framework hängt die Qualität der Fragen von einzelnen Personen ab und ist im großen Maßstab unzuverlässig. Mit einem solchen Framework wird sie zu einer organisatorischen Disziplin.
Gezielte Praxis in Kontexten mit geringerem Risiko
Fragequalität wird nicht erst entwickelt, wenn der Ernstfall eintritt. Organisationen, die strukturiertes Hinterfragen in alltägliche KI-Arbeitsabläufe einbetten – Projektanalysen, Marktberichte, operative Reviews –, bauen die nötige Routine auf, die unter Druck zuverlässig funktioniert. Vorleben durch die Führungsebene
Wenn das Top-Management sichtbar in Problemklarheit investiert, bevor KI-Analysen angefordert werden, explizit nach den Annahmen hinter den KI-Ergebnissen fragt und Teams anerkennt, die innezuhalten, um die richtige Frage zu stellen, verändert sich die Organisationskultur.
Wenn das Top-Management sichtbar in Problemklarheit investiert, bevor es KI-Analysen anfordert, wird dieses Verhalten zur kulturellen Erwartungshaltung für die gesamte Organisation.
Der unersetzliche menschliche Beitrag
Es gibt eine Vision der KI-Zukunft, in der der Großteil der analytischen Arbeit automatisiert ist und menschliche Fähigkeiten für Entscheidungsergebnisse immer unwichtiger werden. Diese Annahme basiert darauf, dass sich die Qualität KI-generierter Analysen so weit verbessert, dass das menschliche Urteil zu einer vernachlässigbaren Größe wird.
Die Evidenz stützt diese Annahme nicht. Typische Fehlermuster – wie selbstbewusste Halluzinationen, Musterextrapolationen über den gültigen Bereich hinaus oder das Verharren in einem vorgegebenen Rahmen (Framing Lock) – sind keine rein technischen Einschränkungen, die sich einfach wegentwickeln lassen. Es sind strukturelle Eigenschaften von Systemen, die aus historischen Daten lernen und auf gestellte Fragen reagieren.
Die Beurteilung, welche Frage gestellt werden muss, welche Annahmen zu prüfen sind und wann man den Ergebnissen vertrauen oder sie hinterfragen sollte, ist keine Lücke, die KI füllt. Es ist die Arbeit, die unveränderlich menschlich bleibt. Die wichtigsten Entscheidungen für Unternehmensergebnisse betreffen neuartige Situationen, konkurrierende Werte, Einschätzungen von Stakeholdern und strategische Weichenstellungen ohne ausreichende historische Präzedenzfälle. Genau in diesen Situationen sind Fragequalität, strukturiertes Hinterfragen und unabhängiges kritisches Urteilsvermögen am folgenreichsten.
Die neue Führungsaufgabe besteht nicht darin, die Bedienung von KI-Tools zu erlernen – das tun die meisten Führungskräfte ohnehin bereits. Die neue Führungskompetenz besteht im Aufbau der Fähigkeit zum strukturierten Hinterfragen, die sicherstellt, dass KI-Tools genutzt werden, um die richtigen Fragen mit der gebotenen Sorgfalt im Dienste gut gerahmter Entscheidungen zu beantworten.
Diese Fähigkeit ist nicht in der Plattform integriert. Sie muss in den Menschen aufgebaut werden.
NÄCHSTER ARTIKEL IN DER SERIE: Was die Apollo-13-Krise moderne Führungskräfte im operativen Bereich lehren kann
Die bisherigen Artikel dieser Serie haben gezeigt, dass strukturiertes Denken eine Wettbewerbsfähigkeit bei Problemlösung, Entscheidungsfindung und der Bewertung KI-generierter Analysen darstellt.
Artikel 5 wechselt die Perspektive: Er untersucht eines der am besten dokumentierten Beispiele für strukturiertes Denken unter extremem Druck in der Geschichte und arbeitet die spezifischen Lektionen heraus, die für moderne Führungskräfte gelten, die anspruchsvolle Situationen ohne den Luxus von Zeit meistern müssen.
Über Kepner-Tregoe
Seit mehr als sechzig Jahren hilft Kepner-Tregoe Organisationen, Probleme zu lösen, Entscheidungen zu treffen, Risiken zu managen und Kulturen des kritischen Denkens aufzubauen. Die strukturierten Methoden von KT – Situationsanalyse, Problemanalyse, Entscheidungsanalyse, Potenzielle Problemanalyse und Potenzielle Chancenanalyse – bieten die Denkstruktur, die es Führungskräften und Teams ermöglicht, in den wichtigsten Momenten ihre beste Leistung zu erbringen.
Abonnieren
Treten Sie unserer Mailingliste bei, um über unsere neuesten Erkenntnisse, Blogs und Artikel, Podcasts, Webinare und Veranstaltungen, bevorstehende Kursdaten und mehr auf dem Laufenden zu bleiben.
