Strategy Trendslop: Wenn die KI der Konkurrenz dieselbe Strategie empfiehlt

Ich höre das oft in Sitzungen, ob Verwaltungsrat, Stiftungsrat oder Geschäftsleitung: Frag doch mal ChatGPT, Claude oder Gemini. Meist geht es dabei um Fragen, die komplexer sind, grössere Datenmengen nötig machen würden und deshalb ein längeres Nachdenken und eine längere Analyse erfordern würden. Auch bei der Erarbeitung von Strategien wird KI immer öfter eingesetzt.

Grundsätzlich sind wir Menschen geneigt, schnelle Antworten zu geben. Das liegt in unserer Natur und es wäre weder effizient noch praktikabel, über alles und jedes längere Denkprozesse zu starten. Daniel Kahneman hat in Thinking, Fast and Slow deshalb zwei Arten des Denkens unterschieden. System 1 antwortet schnell und ohne Anstrengung. System 2 rechnet, prüft und wägt ab, und es verbraucht dabei messbar mehr Energie. Deshalb springt es nur an, wenn es muss.

In der Sitzung muss es heute oft nicht mehr. Es gibt eine dritte Möglichkeit: an die KI delegieren. Der Mensch ist effizient, oder er ist schlicht bequem.

Nur ist das, was am anderen Ende ankommt, weniger neutral als angenommen. Fragen Sie ein Sprachmodell nach Ihrer Strategie, empfiehlt es Ihnen mit hoher Wahrscheinlichkeit zu Differenzierung und zu einem langen Planungshorizont. Kosteneinsparungen und schnelle Massnahmen stehen selten in der Antwort. Dieses Resultat ist unabhängig von Ihrer Branche oder Ihrer momentanen wirtschaftlichen Lage. Die schlechte Nachricht: Ihr Konkurrent, der dieselbe oder eine ähnliche Frage stellt, erhält dasselbe Resultat.

Die falsche Erwartung

Angelo Romasanta von der Esade Business School, Llewellyn Thomas von der University of Sydney und Natalia Levina von der NYU Stern beschreiben in der Harvard Business Review vom März 2026 genau die Annahme, die diesem Reflex zugrunde liegt.

Führungskräfte gehen davon aus, ein Sprachmodell liefere eine unvoreingenommene Aussensicht. Bei einem System, das auf riesigen Textmengen trainiert wurde, wirkt das plausibel. Die Autoren halten das für einen Irrtum. Ein Sprachmodell ist nicht der Kollege, der bestehende Überlegungen kritisch prüft, sich in die Besonderheiten der Lage vertieft, Annahmen unter Druck setzt und dann widerspricht, wenn es sich alle bequem gemacht haben. In Strategiefragen ähnle es eher, so ihre Formulierung, einem «freshly minted MBA or junior consultant», der nachplappert, was gerade populär ist.

Genau das ist der Punkt, an dem die Erwartung kippt. Man holt sich eine Aussensicht und bekommt eine Innenansicht des Zeitgeists.

Die Delegation des Denkens in zwei Stufen

Dass Menschen das Nachdenken auslagern, wenn sie können, wenn es effizienter erscheint oder die Situation es erfordert, statt in den komplexen Denkprozess einzusteigen, ist spätestens seit Kahnemans Forschung zur Entscheidungsökonomie bekannt. Michael Gerlich von der SBS Swiss Business School hat 2025 in Societies 666 Personen befragt und getestet und fand einen starken Zusammenhang zwischen KI-Nutzung und kognitiver Auslagerung sowie einen deutlich negativen zwischen KI-Nutzung und kritischem Denken. Hao-Ping Lee und Kollegen von Microsoft Research und der Carnegie Mellon University kamen 2025 an der CHI-Konferenz zu einem verwandten Befund: Je grösser das Vertrauen in die KI ist, desto geringer die Bereitschaft zum eigenen kritischen Denken. Je grösser das Vertrauen in die eigene Kompetenz, desto wahrscheinlicher wird kritisch analysiert und Antworten in Frage gestellt. Beide Arbeiten beruhen auf Befragung und zeigen Korrelationen, keine bewiesenen Kausalitäten.

Auf der zweiten Stufe, die der Mensch nun an die KI auslagert, passiert das Entscheidende. Die KI orientiert sich an statistischen Werten der Datengrundlagen und optimiert nach positiv bewerteten Trends.

Die Autoren der HBR-Studie haben sieben Modelle geprüft, darunter ChatGPT, Claude, Gemini, Grok, DeepSeek und Mistral, und ihnen sieben unternehmerische Spannungsfelder als klare Entweder-oder-Frage vorgelegt. Jeder Messpunkt bildet die durchschnittliche Präferenz eines Modells über fünfzig Läufe ab.

Wären die Modelle neutral, würden sich die Werte um die Mitte verteilen. Sie gruppieren sich stattdessen eng auf einer Seite, über fast alle Anbieter hinweg. Bei den Gegenüberstellungen kam meist dasselbe heraus:

• Differenzierung schlägt Kosteneinsparungen: Die Modelle rieten fast durchgehend zur einzigartigen Positionierung mit Preisaufschlag und mieden den Weg über Standardisierung und Kosteneffizienz.
• Augmentierung schlägt Automatisierung: Technologie soll die Fähigkeiten der bestehenden Belegschaft erweitern. Menschliche Arbeit durch Technik zu ersetzen, wurde selten empfohlen.
• Langfristigkeit schlägt Kurzfristigkeit: Die Modelle bevorzugten mehrjährige Vorhaben, auch wenn die Lage dringend war und eine kurzfristige Massnahme angezeigt gewesen wäre.

Echte Unterschiede zwischen den Modellen fanden sich nur bei einem der sieben Felder, nämlich bei Exploration gegen Exploitation. Das entlastet die Modelle jedoch nicht. Jedes einzelne bleibt in sich verzerrt, ChatGPT etwa neigt weiterhin deutlich zur Exploration. Da die meisten Führungskräfte ohnehin nur ein Modell nutzen, hilft die Streuung zwischen den Anbietern im Einzelfall wenig.

Die Autoren nennen das Muster Strategy Trendslop und führen es darauf zurück, dass die Modelle die sozial am stärksten erwünschte Antwort vorhersagen, gemessen am «average of the internet».

Ein besserer Prompt hilft kaum

Der naheliegende Einwand lautet, man müsse eben besser fragen und somit andere Prompts aufsetzen. Die Autoren haben ihn mit über 15 000 Durchläufen an ChatGPT-5 geprüft und dabei Reihenfolge, Rollenrahmen, Pro-und-Contra-Aufforderung sowie Erfolgsanreize variiert. Bei Differenzierung und Augmentierung bewegte sich der Anteil verzerrter Antworten um weniger als zwei Prozent. Bei den übrigen fünf Feldern lag die Bewegung im Mittel bei 22 Prozent. Mehr Kontext half ebenfalls nur begrenzt, im Mittel um elf Prozent, mal in die eine, mal in die andere Richtung.

Der aufschlussreichste Teil dieser Messung steckt darin, woher diese 22 Prozent kamen. Fast die gesamte Bewegung ging auf einen einzigen Faktor zurück, nämlich auf die Reihenfolge, in der die beiden Optionen im Prompt standen. Wer sie umdrehte, senkte die Wahrscheinlichkeit der verzerrten Antwort um 19 Prozent.

Das Modell reagiert also am stärksten auf die Reihenfolge im Prompt. Für die Praxis bedeutet das zweierlei. Die scheinbare Verbesserung durch geschicktes Prompting ist zu einem grossen Teil ein Reihenfolge-Effekt. Und die Richtung der Verzerrung hängt damit teilweise davon ab, wie jemand die Frage zufällig aufgeschrieben hat. Beherrschbar wird sie dadurch nicht.

Daraus folgt eine Prüfung, die eigentlich nichts kostet. Stellen Sie dieselbe Frage ein zweites Mal mit vertauschten Optionen. Fällt die Empfehlung anders aus, haben Sie ein Artefakt der Formulierung vor sich und keine Analyse.

Die Hybrid-Falle

Der zweite Befund der Studie ist im Sitzungsalltag noch gefährlicher, weil er sich als Qualität tarnt: Sobald die Autoren den Zwang zur binären Entscheidung entfernten, empfahl das Modell häufig zwei Optionen zugleich. Differenzierung und Kostenführerschaft, radikale und inkrementelle Innovation. Das liest sich zwar ausgewogen und ist oft schwierig angreifbar. Es ist die Sorte Vorlage, die das Potential hat, in einem Gremium ohne Gegenfrage durchzugehen, weil sich niemand exponieren muss.

Leider beschreibt diese Antwort eine Position, vor der die Strategieforschung seit Jahrzehnten warnt. Michael Porter nennt sie das Steckenbleiben in der Mitte. Differenzierung und Kostenführerschaft verlangen gegensätzliche Fähigkeiten in der Organisation, andere Prozesse, andere Kostenstrukturen, andere Mitarbeitende. Wer beides gleichzeitig verfolgt, baut keine von beiden Fähigkeiten auf.

Die Ursache ist mechanisch: Legt man einem Sprachmodell mehrere Optionen in einem Prompt vor, neigt es dazu, sie zu gewichten, zu ordnen oder zu vermischen. Strategie besteht aber darin, unter Unsicherheit auszuwählen. Was man weglässt, entscheidet ebenso stark wie das, was man tut.

Für die Praxis bedeutet dies zweierlei.

• Eine Empfehlung, die beides zugleich vorschlägt, gehört als Warnsignal behandelt und nicht als Kompromiss.
• Wer eine KI zur Erarbeitung von Strategien nutzen will, lässt jede Variante in einem eigenen Durchgang prüfen und führt die Abwägung selbst durch.

Ein zweites Modell und ein Vergleich zwischen Modellen löst das Problem nicht

Als ich diesen Befund gelesen habe, war ich der Meinung, ich könne in der Praxis den Strategielauf einfach zusätzlich mit einem anderen Anbieter durchführen und so eine höhere Varianz erhalten. Leider sagt auch hier die Wissenschaft im Moment etwas anderes.

Elliot Kim, Avi Garg, Kenny Peng und Nikhil Garg haben das an über 350 Modellen bereits untersucht und 2025 an der ICML vorgestellt. Die Fehler verschiedener Modelle hängen stark zusammen. In einem der Datensätze stimmten zwei Modelle in 60 Prozent der Fälle überein, wenn beide falsch lagen. Entscheidend ist der zweite Teil: Gerade die grösseren und genaueren Modelle zeigen hoch korrelierte Fehler, auch bei unterschiedlicher Architektur und unterschiedlichem Anbieter. Wer Claude gegen ChatGPT gegenrechnet, kauft weniger Unabhängigkeit, als er annimmt.

Auch der Advocatus Diaboli, den ich für gewisse Aufgabenstellungen entwickelt habe, hilft nicht immer weiter und ist für rein strategische Fragestellungen fast wertlos. Die Forschung zu Debatten zwischen mehreren Modellen weist in dieselbe Richtung. Die Agenten neigen dazu, sich der wahrgenommenen Mehrheit anzuschliessen und der erreichte Konsens bildet Konformität ab statt Richtigkeit. In einer Untersuchung dieses Effekts kippten die Modelle in der Mehrzahl der beobachteten Meinungswechsel von einer richtigen zu einer falschen Antwort.

Was das für den Verwaltungsrat bedeutet

Bis hierhin ist es ein Problem der einzelnen Firma. Der eigentliche Punkt liegt eine Ebene höher, und Jon Kleinberg und Manish Raghavan haben ihn 2021 in den PNAS formal gezeigt.

Stellen Sie sich vor: Zehn Unternehmen beurteilen dieselbe Marktfrage, jedes mit eigenem, unvollkommenem Urteil. Sie irren sich unterschiedlich. Manche liegen daneben, andere treffen es, und der Markt sortiert dies über die Zeit aus. Heute greifen jedoch alle zehn zum selben Werkzeug, das für sich genommen besser urteilt als jedes von ihnen. Für jedes einzelne Unternehmen ist das ein Fortschritt. Für alle zusammen wird es schlechter, weil sie sich nun gleichzeitig und in dieselbe Richtung irren. Ein Fehlgriff trifft nicht mehr nur den einen, er trifft alle.

Daraus folgen vier Aspekte, welche Geschäftsleitungen und Verwaltungsräte beachten sollten:

• Das Modell erweitert Optionen, trifft aber keine Wahl. Für Risiken, blinde Flecken und fehlende Perspektiven ist es brauchbar. Für den Entscheid ist es das nicht.
• Die bekannte Neigung wird gezielt gegen die KI eingesetzt. Verlangen Sie ausdrücklich die stärkste Begründung für die Option, die das Modell nicht vorschlägt.
• Jede Frage wird in verschiedenen Reihenfolgen gestellt. Kippt die Empfehlung, war sie eine Formulierungsfrage.
• Ein Vorschlag, der beides zugleich empfiehlt, ist ein Warnsignal. Er beschreibt in der Regel die Position zwischen den Stühlen.

Am Anfang steht eine Delegation komplexer Denkvorgänge. Der Mensch reicht die schwierige Frage an die Maschine weiter und die Maschine bewertet diese basierend auf dem Durchschnitt des Internets. Was am Ende auf dem Tisch liegt, ist stimmig formuliert, klingt nach tiefer Analyse, beeindruckt oft mit einer grossen Datenmenge und vielen Argumenten, gleicht aber vermutlich stark dem, worauf die Konkurrenz ebenfalls aufbaut. Spätestens jetzt wird es Zeit, Kahnemans System 2 zu aktivieren und in die eigene, kritische Denkphase zu gehen.

Wer im Verwaltungsrat oder in der Geschäftsleitung eine Strategievorlage prüft, sollte deshalb künftig eine Frage stellen, die vor drei Jahren noch keinen Sinn ergeben hätte: Woher stammt dieser Vorschlag, und wie viele andere bauen vermutlich auf derselben Empfehlung auf, sollte dieser auf einer KI basieren.

---

Referenzen

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Romasanta, A., Thomas, L. D. W., & Levina, N. (2026, 16. März). Researchers Asked LLMs for Strategic Advice. They Got “Trendslop” in Return. Harvard Business Review. https://hbr.org/2026/03/researchers-asked-llms-for-strategic-advice-they-got-trendslop-in-return
• Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006 (Korrektur: Societies, 15(9), 252)
• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3706598.3713778
• Porter, M. E. (1980). Competitive Strategy: Techniques for Analyzing Industries and Competitors. Free Press.
• Kim, E., Garg, A., Peng, K., & Garg, N. (2025). Correlated Errors in Large Language Models. Proceedings of the 42nd International Conference on Machine Learning (ICML). https://arxiv.org/abs/2506.07962
• Hao, X., Wu, Z., Qiu, Y.-X., Xiao, C., Xu, R., Zheng, S., & Qin, J. (2026). Not All Flips Are Conformity: Decomposing Stance Convergence in Multi-Agent LLM Debate. arXiv:2606.00820 (Preprint, nicht begutachtet). https://arxiv.org/abs/2606.00820
• Kleinberg, J., & Raghavan, M. (2021). Algorithmic monoculture and social welfare. PNAS, 118(22), e2018340118. https://doi.org/10.1073/pnas.2018340118