Innovation: Wo KI grandios gegen die Wand fährt

Generative KI kann Innovationsprozesse beschleunigen. Doch gerade bei Ideen, Auswahlentscheidungen und Kundenforschung droht sie bestehende Denkfehler zu reproduzieren – schneller, überzeugender und im großen Maßstab.

Generative KI verspricht Unternehmen eine Innovationsmaschine: mehr Ideen, schnellere Analysen, virtuelle Kunden und eine nahezu unbegrenzte Zahl an Textauswertungen. Doch dasselbe Werkzeug kann auch jene kognitiven, sozialen und organisatorischen Schwächen verstärken, die Innovation seit jeher ausbremsen. Die zentrale Frage lautet deshalb nicht, welches Modell ein Unternehmen nutzt. Entscheidend ist, auf welches Problem die Technologie trifft. KI ist stark, wenn sie große Informationsmengen strukturiert. Sie ist deutlich schwächer, wenn Erfahrung, Urteilskraft, Machtinteressen oder irrationales Verhalten im Spiel sind. Die Fachzeitschrift Design Science kommt zu einem ähnlichen Befund: KI kann Aufmerksamkeit erweitern und Feedback beschleunigen, ersetzt menschliches Urteil aber nicht. (Mirzaei, A. et al. (2026): “Artificial intelligence across design thinking: a qualitative review.” Design Science, Cambridge University Press, veröffentlicht am 17. Januar 2026).

Ideenmaschine mit Hang zur Mitte

Bei der Ideenfindung scheint KI zunächst ideal: Statt fünf Vorschlägen liefert sie fünfzig, und das ohne Workshop, Whiteboard und kalten Kaffee. Doch Innovation braucht nicht primär Masse. Eine außergewöhnliche Idee kann wertvoller sein als hundert brauchbare Varianten. Sprachmodelle erzeugen Antworten aus gelernten statistischen Mustern. Das macht sie nützlich für Varianten, Zusammenfassungen und Kombinationen – kann aber auch zu erwartbaren Lösungen führen. Werden ihre ersten Vorschläge zur Vorlage für Teams, droht Fixierung: Der KI-Entwurf wird zum gedanklichen Anker, um den sich die weitere Diskussion dreht. Das muss nicht zwangsläufig passieren. KI kann auch ungewöhnliche Kombinationen, Perspektivwechsel und alternative Problemrahmen liefern. Entscheidend ist der Prozess: Teams sollten zuerst eigene Ansätze entwickeln, dann KI gezielt zur Erweiterung oder Gegenposition einsetzen. Der erste KI-Vorschlag darf nicht die kreative Leitplanke des ganzen Meetings werden.

Hochglanz ist kein Beweis

Die zweite Falle lauert bei der Auswahl. Innovationsgremien müssen unter Unsicherheit entscheiden, welche Ideen Geld und Personal erhalten. Schon ohne KI bevorzugen sie oft Vertrautes: Neue Konzepte wirken riskant, schwer vergleichbar und schwer zu verteidigen. Generative KI verschärft dieses Problem potenziell, weil sie mittelmäßige Vorschläge außergewöhnlich professionell aussehen lassen kann. Eine überzeugende Struktur, ein sauberer Business Case und ein selbstbewusster Ton werden leicht mit inhaltlicher Qualität verwechselt. Die Gegenmaßnahme ist eher organisatorisch als technisch. Ideen sollten vor der Bewertung in ein einheitliches Format gebracht werden. Entscheider sollten nicht wissen, ob ein Vorschlag von Menschen, KI oder einer Kombination stammt. Historische Annahme- und Ablehnungsentscheidungen dürfen zudem nicht ungeprüft zur Trainingsbasis automatisierter Auswahlmodelle werden: Modelle können Verzerrungen aus ihren Daten übernehmen und verstärken.

Der künstliche Kunde

Virtuelle Personas und digitale Zwillinge versprechen Marktforschung in Minuten. Sie können Hypothesen sortieren, Fragebögen vorbereiten oder erste Nutzungsszenarien durchspielen. Als Ersatz für echte Kunden taugen sie jedoch nur begrenzt. Ein Sprachmodell ist keine repräsentativ gezogene Zielgruppe und kennt keine reale Kaufentscheidung. Gerade bei konkreten Produkten, Marken oder Preisen können Antworten plausibel klingen, ohne tatsächliches Marktverhalten abzubilden. Das gilt besonders für radikale Innovationen. Menschen kaufen nicht nur nach Logik: Sie hängen an Gewohnheiten, scheuen Wechselkosten, reagieren auf Framing und treffen widersprüchliche Entscheidungen. Virtuelle Kunden sind deshalb ein schneller Filter für Hypothesen – nicht der Ersatz für Interviews, Beobachtung, Experimente und Tests mit frühen Nutzern.

Nach dem Launch wird KI stark

Nach der Markteinführung verschiebt sich die Lage. Dann fehlt es nicht an Realität, sondern an Kapazität, sie auszuwerten. Bewertungen, Supporttickets, Retouren, Foren und soziale Netzwerke erzeugen mehr Text, als ein Analystenteam vollständig lesen kann. Hier kann KI tatsächlich einen klassischen Engpass beseitigen: Sie gruppiert Feedback, erkennt wiederkehrende Probleme und macht Muster sichtbar. Unternehmen sollten ihre Auswertungen aber nicht ausschließlich nach Häufigkeit priorisieren. Ein seltener, ungewöhnlicher Anwendungsfall oder eine kleine Kundengruppe, die still abspringt, kann strategisch wichtiger sein als tausend bekannte Beschwerden. Auch die Frage entscheidet über die Qualität der Antwort. Wer ein Modell auf Bestätigung eines Lieblingsprojekts promptet, erhält leicht eine überzeugend formulierte Bestätigung. KI kann Confirmation Bias nicht nur mindern, sondern ihm auch eine präsentationsreife Sprache geben.

Nicht alles automatisieren

Die praktische Regel ist simpel: KI gehört dorthin, wo Informationsmengen, Mustererkennung und Standardisierung den Engpass bilden. Sie eignet sich, um Kundenfeedback zu sortieren, Varianten zu entwickeln, Ideen vergleichbar zu machen oder große Textbestände zu durchsuchen. Schlechter geeignet ist sie als Ersatz für Verantwortung und Wirklichkeitskontakt. Ein Modell erkennt nicht zuverlässig, welche ungewohnte Idee langfristig trägt; menschliche Erfahrung und Urteilskraft bleiben bei strategischen Innovationsentscheidungen zentral. Das größte Risiko liegt in der vollständigen Automatisierungsschleife: KI erzeugt Ideen, KI bewertet sie, künstliche Kunden testen sie und KI fasst das Feedback zusammen. Jeder Schritt kann effizient wirken. Doch das Unternehmen entfernt sich mit jeder zusätzlichen Modellschicht ein Stück weiter von echten Kunden und echten Entscheidungen. Die Konsequenz ist keine Absage an KI. Unternehmen sollten sie als Werkzeug für Tempo und Struktur einsetzen – aber menschliche Originalität, reale Markttests und verantwortliche Entscheidungen bewusst im Prozess verankern. Sonst macht eine sehr schnelle Maschine am Ende nur einen uralten Denkfehler effizienter.