top of page

Die unsichtbaren Hürden: Kognitive Bias in der Welt der Innovation


Wichtigkeit des Innovationsmanagement

Bild: Nein, ich habe keinen Bias, die anderen schon


In der schillernden Welt der Innovation und Kreativität steht uns eine schier unendliche Möglichkeit an Fortschritt und Technologie zur Verfügung. Doch während wir uns bemühen, die Grenzen des Möglichen stetig zu erweitern, sind wir oft blind für die unsichtbaren Hürden, die unsere Denkprozesse prägen. Diese unsichtbaren Hürden sind kognitive Bias, tief verankerte Denkmuster, die unbewusst unsere Entscheidungen und Urteile beeinflussen.

Innovationsprozesse, sei es in der Wirtschaft, Technologie oder Gesellschaft, sind nicht immun gegenüber diesen Bias. Im Gegenteil, sie können die kreative Entfaltung erheblich beeinflussen, indem sie den Weg zu neuen Ideen und Lösungen blockieren. Von der Bestätigungstendenz über den Anker-Bias bis hin zum Kultur- und Gender-Bias – diese kognitiven Verzerrungen spielen eine bedeutende Rolle, ohne dass wir es bewusst realisieren.


Eine nicht abschliessende Übersicht über kognitive Bias Typen


1. Bestätigungsfehler (Confirmation Bias):

Beispiel: Ein Forscher, der nur nach Studien sucht, die seine Hypothese unterstützen, und solche ignoriert, die dagegen sprechen.

Referenz: Nickerson, R.S. (1998). Confirmation Bias: A Ubiquitous Phenomenon in Many Guises. Review of General Psychology, 2(2), 175–220.


2. Gruppendenken (Groupthink):

Beispiel: Ein Team von Ingenieuren, das aufgrund des Drucks von der Geschäftsleitung auf einen gehypten Technologietrend zu setzen oder der eigenen Technologieverliebtheit, eine innovative oder weniger angesagte Lösung nicht diskutiert.

Referenz: Janis, I. L. (1972). Victims of groupthink. Boston: Houghton Mifflin.


3. Anker-Bias (Anchoring Bias):

Beispiel: Ein Teammitglied nennt einen hohen Preis eines Premium-Smartphones als Vergleichspunkt für Verkaufspreis. Dieser Preis wird zum Anker, um den sich die Preis-/Kostendiskussion dreht, was die Wahrnehmung des Teampreises beeinflussen kann.

Referenz: Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science, 185(4157), 1124–1131.


4. Status-quo-Bias:

Beispiel: Eine Organisation, die sich gegen die Einführung neuer Technologien sträubt, weil sie die aktuelle Arbeitsweise bevorzugen.

Referenz: Samuelson, W., & Zeckhauser, R. (1988). Status quo bias in decision making. Journal of Risk and Uncertainty, 1(1), 7–59.


5. Verfügbarkeitsheuristik (Availability Heuristic):

Beispiel: In der Produktentwicklung neigen Teams aufgrund der Verfügbarkeitsheuristik dazu, bewährte Ideen aus vergangenen Projekten zu bevorzugen, selbst wenn neue innovative Ansätze möglicherweise effektiver wären, einfach weil ihnen die bewährten Lösungen leichter in den Sinn kommen.

Referenz: Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232.


6. Framing-Effekt:

Beispiel: Die erfolgreiche Einführung eines neuen Produkts wird durch den Framing-Effekt beeinflusst, wenn es als "revolutionär" statt "evolutionär" präsentiert wird, was die Wahrnehmung der Innovation positiv beeinflusst.

Referenz: Tversky, A., & Kahneman, D. (1981). The Framing of Decisions and the Psychology of Choice. Science, 211(4481), 453–458.


7. Overconfidence-Bias:

Beispiel: Der Overconfidence-Bias kann in der Innovation auftreten, wenn ein technischer Produktentwickler überzeugt ist, dass seine innovative Idee alle Marktherausforderungen überwinden wird, obwohl er nie/nicht mit den Usern geredet hat und denkt alle möglichen Hürden angemessen berücksichtigt zu haben.

Referenz: Lichtenstein, S., Fischhoff, B., & Phillips, L. D. (1982). Calibration of Probabilities: The State of the Art to 1980. Heuristics and Biases: The Psychology of Intuitive Judgment, 306–334.


8. Technologiebias:

Beispiel: Die Annahme, dass eine neuere Software-Version automatisch besser ist, ohne ihre tatsächlichen Mehrwert bei den Usern zu überprüfen.

Referenz: Moore, G. C., & Benbasat, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information Systems Research, 2(3), 192–222.


9. Kultur-Bias:

Beispiel: Die Bewertung von Produktfeatures basierend auf westlichen kulturellen Präferenzen, ohne die Vielfalt globaler Märkte zu berücksichtigen.

Referenz: Hofstede, G. (1980). Culture's Consequences: International Differences in Work-Related Values. Sage.


10. Gender-Bias:

Beispiel: Die Unterschätzung der technischen Fähigkeiten einer weiblichen Ingenieurin aufgrund von Geschlechterstereotypen.

Referenz: Eagly, A. H., & Karau, S. J. (2002). Role Congruity Theory of Prejudice Toward Female Leaders. Psychological Review, 109(3), 573–598.


11. Attributionsfehler:

Beispiel: Die Zuschreibung von schlechter Leistung eines Teammitglieds auf dessen mangelnde Fähigkeiten anstelle auf die schwierige Aufgabenstellung.

Referenz: Ross, L. (1977). The Intuitive Psychologist and His Shortcomings: Distortions in the Attribution Process. Advances in Experimental Social Psychology, 10, 173–220.


12. Self-Serving Bias:

Beispiel: Ein Team, das den Erfolg eines Projekts den eigenen Fähigkeiten zuschreibt, während bei Misserfolgen externe Faktoren für das Versagen verantwortlich gemacht werden.

Referenz: Miller, D. T., & Ross, M. (1975). Self-serving biases in the attribution of causality: Fact or fiction? Psychological Bulletin, 82(2), 213–225.


13. Hindsight-Bias:

Beispiel: Teammitglieder glauben nach dem Abschluss eines Projekts, dass der Erfolg vorhersehbar war, obwohl die Unsicherheit während der Planung nicht berücksichtigt wurde.

Referenz: Fischhoff, B. (1975). Hindsight ≠ Foresight: The effect of outcome knowledge on judgment under uncertainty. Journal of Experimental Psychology: Human Perception and Performance, 1(3), 288–299.


14. Sunk-Cost-Problem:

Beispiel: Ein Unternehmen entscheidet sich dafür, ein fehlgeschlagenes Projekt fortzusetzen, um die bereits investierten Mittel zu rechtfertigen, obwohl es besser wäre, es abzubrechen.

Referenz: Arkes, H. R., & Blumer, C. (1985). The psychology of sunk cost. Organizational Behavior and Human Decision Processes, 35(1), 124–140.


15. Zeitpunkt- oder Synchronisations-Bias:

Beispiel: In der Entwicklung von Künstlicher Intelligenz (KI) kann der Zeitpunkt- oder Synchronisations-Bias auftreten, wenn ein bestimmtes KI-Produkt inmitten eines breiten Hypes um KI-Technologien auf den Markt kommt. Die öffentliche Aufmerksamkeit und das Interesse an KI könnten das Produkt fälschlicherweise als bahnbrechend und erfolgreicher erscheinen lassen, da es mit dem Zeitpunkt des allgemeinen KI-Enthusiasmus synchronisiert ist. Dieser Bias könnte dazu führen, dass die tatsächlichen Leistungen des KI-Produkts im Vergleich zu anderen Innovationen überbewertet werden, die möglicherweise nicht im gleichen Masse von der aktuellen Aufmerksamkeit profitieren.

Referenz: Tversky, A., & Kahneman, D. (1973). Availability: A heuristic for judging frequency and probability. Cognitive Psychology, 5(2), 207–232, Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263–292.


Es ist wichtig zu beachten, dass die genannten Referenzen einige der grundlegenden Arbeiten sind, die die Konzepte hinter den jeweiligen Bias erörtern. Es gibt viele weitere Forschungsarbeiten und Artikel, die diese Phänomene vertiefen und verschiedene Aspekte beleuchten, würden aber den Umfang dieses Artikels sprengen.


Yetvart Artinyan

P.S: Willst du vertiefter wissen wie du dein Innovationsprojekt erfolgreich starten kannst und die klassischen Fallen umgehst?

  1. Ergänze dein Team auf Zeit oder permanent: Kontaktiere mich für ein Gespräch

  2. Vermittlung des Wissens: Buche eines der Innovation-Bootcamps

  3. Keynote und Impuls zu diesem Thema: Buche eine inspirierende Keynote

3 Ansichten

Aktuelle Beiträge

Alle ansehen

Comentarios


Los comentarios se han desactivado.
bottom of page