Führung wird beobachtbar.

Von Mario A. Brückner · 6. Juli 2026

Es gibt in der Debatte über Künstliche Intelligenz und Führung einen Satz, der unbequemer ist als die meisten Heilsversprechen: Eine durchschnittliche KI gibt einer Führungskraft heute womöglich präziseres Feedback zur eigenen Kommunikation, als eine durchschnittliche Führungskraft es ihren Mitarbeitenden gibt.

Der Satz überhöht keine Technologie. Sein Reiz liegt woanders: Er verschiebt die Frage. Die verbreitete Frage lautet, ob KI Führungskräfte ersetzt. Die Antwort ist unspektakulär — nein. Die produktivere Frage lautet: Welche Anteile heutiger Führungsarbeit erfordern tatsächlich menschliche Urteilskraft, und welche sind wiederholbare Muster, die bislang schlicht niemand systematisch beobachtet hat?

Was KI wirklich sichtbar macht

Katharina Lange und José Parra Moyano vom IMD Lausanne entwickelten ein sprachmodellgestütztes Werkzeug und testeten es mit 167 Führungskräften aus verschiedenen Branchen und Ländern. Der Aufbau war bewusst schlicht: Führungskräfte coachten einander in realen beruflichen Situationen, während das Werkzeug zuhörte. Anschließend baten sie um eine Einschätzung — welchen Stil habe ich verwendet, welche Muster wiederholen sich, was erkennst du, das ich selbst nicht sehe?

Dass ein Sprachmodell Gesprächsstrukturen klassifizieren kann, überrascht wenig. Auffällig war die Größe der Lücke. Rund fünfundfünfzig Prozent der Rückmeldungen fielen in eine Lernzone, in der das Feedback zugleich unerwartet und nützlich war: Es forderte Annahmen heraus und legte blinde Flecken offen. Etwa zehn Prozent landeten in einer Irritationszone — meist dann, wenn die Rückmeldung dem Selbstbild widersprach.

Diese Zahlen sollte man nüchtern betrachten. Sie stammen aus einer einzelnen, methodisch begrenzten Untersuchung. Ein Modell ist nur so gut wie seine Daten, es kann halluzinieren, und kulturelle Feinheiten oder unausgesprochene Signale erfasst es unzureichend. Das Fazit der Autoren ist ausdrücklich: KI ist eine Ergänzung menschlicher Expertise, kein Ersatz.

Ein altes Problem, neu vermessen

Die Führungsforschung kannte den Befund lange vor den Sprachmodellen. Seit den Arbeiten von Leanne Atwater und Francis Yammarino gilt die Selbst-Fremd-Übereinstimmung als etablierter Indikator für Führungswirkung. Der robusteste Befund über viele Studien hinweg: Wer sich systematisch überschätzt, wird als weniger wirksam eingeschätzt — und reagiert zugleich schwächer auf Entwicklungsfeedback.

Führung war lange ein Feld, in dem Selbstbild, Fremdbild und tatsächliche Wirkung schwer auseinanderzuhalten waren. Nicht aus Unfähigkeit, sondern weil verlässliches, häufiges, unverstelltes Feedback teuer und selten ist. Was Sprachmodelle verändern, ist nicht die Erkenntnis, dass die Lücke existiert. Es ist der Preis, zu dem sie beobachtbar wird.

Führung verschiebt sich damit von einer Eigenschaft, die man einer Person zuschreibt, zu einem beobachtbaren Verhalten im System. Die entscheidende Frage lautet nicht mehr: Wie habe ich es gemeint? Sondern: Welche Wirkung hat mein Verhalten erzeugt?

Warum der Spiegel angenommen wird — und wo nicht

Die Forschung kennt zwei gegenläufige Muster. Logg, Minson und Moore beschrieben die algorithm appreciation: Unter bestimmten Bedingungen gewichten Menschen den Rat eines Algorithmus stärker als den eines Menschen — auch, weil ein Modell nicht zu urteilen scheint und keine soziale Beziehung belastet. Wer einer Maschine zuhört, muss kein Gesicht wahren.

Das Muster ist aber nicht stabil. Dietvorst, Simmons und Massey zeigten die algorithm aversion: Sehen Menschen einen Algorithmus einen Fehler machen, wenden sie sich schneller und deutlicher ab, als sie es bei einem Menschen täten. Besonders ausgeprägt bei Fachleuten und bei Aufgaben, die als wertbehaftet gelten — also genau im Terrain der Führung.

Daraus folgt eine unbequeme Ambivalenz: Dieselbe Führungskraft, die das Feedback in der Lernzone dankbar aufnimmt, kann es in der Irritationszone reflexhaft entwerten. Und dieselbe scheinbare Objektivität, die Vertrauen schafft, kann zur neuen Form der Verantwortungsdiffusion werden. Formulierungen wie „die Daten sprechen dafür" wirken nüchtern — und verschieben doch unmerklich Verantwortung von einem Menschen auf ein Modell.

Entwicklung oder Kontrolle — eine Gestaltungsfrage

Dasselbe Instrument kann zwei sehr unterschiedliche soziale Logiken erzeugen. Ein geschützter Reflexionsraum, in dem Führungskräfte freiwillig ihre Kommunikationsmuster analysieren, kann außerordentlich wertvoll sein. Ein System, das Führungskräfte fortlaufend vermisst, vergleicht und bewertet, wird kaum bessere Führung hervorbringen. Es wird vor allem Anpassung produzieren. Menschen sprechen dann glatter, agieren vorsichtiger, riskieren weniger.

Daraus folgt: KI-Governance darf nicht auf Datenschutz, Werkzeugfreigaben und technische Sicherheit reduziert werden. Diese Aspekte sind notwendig, greifen aber zu kurz. Governance muss auch klären, welche soziale Logik entsteht — ob das System Reflexion fördert oder Kontrolle, ob es Verantwortung erhöht oder verschiebt. Zu klären ist außerdem, wer die Auswertungen sehen darf, ob sie der Entwicklung oder der Bewertung dienen und ob Teilnahme freiwillig ist.

In der Praxis entscheidet sich diese Logik früher, als viele glauben — bei scheinbar technischen Weichenstellungen. Ein Spiegel, dessen Auswertungen allein die Führungskraft sieht, erzeugt Entwicklung. Derselbe Spiegel, dessen Daten in Zielvereinbarungen wandern, erzeugt Anpassung.

Was Führung bleibt

Der Grund liegt in einer Eigenschaft von KI, die in Effizienzdebatten untergeht: Sie verstärkt, was vorhanden ist. Eine Organisation mit unklaren Entscheidungswegen wird durch KI nicht entscheidungsstärker. Wer Fehler kaschiert, wird durch bessere Analytik nicht lernfähiger. Die Vorfrage lautet deshalb nicht, welche Prozesse schneller werden, sondern ob eine Organisation reif genug ist, mit der Transparenz umzugehen, die KI erzeugt.

Gerade deshalb wird menschliche Urteilskraft wichtiger, nicht unwichtiger. Eine KI kann eine Gesprächssequenz auswerten, aber sie kennt die Vorgeschichte eines Konflikts nicht. Sie kann eine Entscheidungsoption strukturieren, aber sie trägt nicht die sozialen Folgen einer Fehlentscheidung.

Peter Drucker formulierte vor Jahrzehnten, die erste Führungsaufgabe bestehe darin, sich selbst zu führen. KI macht diese Aufgabe nicht überflüssig — sie macht sie überprüfbar.

Ob KI Führungskräfte ersetzt, ist damit nicht die entscheidende Frage. Wichtiger ist, ob Führungskräfte bereit sind, durch KI sichtbarer zu werden. KI nimmt Führung nicht die Verantwortung ab. Sie nimmt ihr die Ausreden.

Hinweis zur KI-Nutzung: Dieser Beitrag entstand nicht ausschließlich, aber unterstützend mithilfe von KI — insbesondere für Quellenrecherche, Quellenprüfung und sprachliche Qualitätssicherung.

Quellen

• Lange, K. / Parra Moyano, J.: Research — How AI Helped Executives Improve Communication — Harvard Business Review, Februar 2025; Studie mit 167 Führungskräften, IMD Lausanne
• John Heron: Six Categories of Intervention — Interventionsrahmen aus Beratung, Coaching und Supervision
• Atwater, L. / Yammarino, F. — Forschung zur Selbst-Fremd-Übereinstimmung in der Führung
• Lee, A. / Carpenter, N. (2018) — Metaanalyse zur Abweichung von Selbst- und Fremdbild
• Logg, J. / Minson, J. / Moore, D. (2019): Algorithm Appreciation — Annahme algorithmischer Urteile
• Dietvorst, B. / Simmons, J. / Massey, C. (2015): Algorithm Aversion — Ablehnung nach beobachtetem Fehler
• Leadership-Interview mit José Parra Moyano — manager magazin, Juli 2026

Dieser Beitrag gibt eine fachliche Einordnung wieder und ersetzt keine Rechts- oder Unternehmensberatung.