KI-Sykophantie im Arbeitsalltag: Wenn Zustimmung überzeugt

Stellen Sie sich vor, Sie fragen ein KI-System, ob Sie die vorgeschlagene Vertragsverlängerung eines Lieferanten akzeptieren sollten. Sie geben die bisherige Zusammenarbeit, Wechselkosten, Versorgungsrisiken und die Bedeutung der Beziehung mit. Die Antwort ist sauber aufgebaut, sprachlich passend und erstaunlich nah an dem, wie Sie selbst über den Fall sprechen würden.

Das fühlt sich nach Verständnis an. Genau dieses Gefühl kann die Empfehlung überzeugender machen, ohne dass die zugrunde liegende Evidenz besser geworden ist.

Eine am 18. September 2026 in Scientific Reports veröffentlichte Studie hat diesen Mechanismus untersucht. In einer explorativen Studie und zwei vorregistrierten Experimenten waren Teilnehmende eher bereit, einer Idee zuzustimmen und für einen Dienst zu zahlen, wenn ein KI-System seine Empfehlung so formulierte, dass sie zu den bereits vorhandenen Werten der Person passte. Zwei Wege erklärten den Effekt: Die Argumentation wirkte überzeugender, und die Nutzer fühlten sich stärker verstanden. Besonders ausgeprägt war der Effekt bei Personen mit gefestigten Vorüberzeugungen.

Die Forscher nutzten politische Identität, um Wertkongruenz experimentell abzubilden. Daraus folgt nicht, dass jede berufliche KI-Nutzung nach demselben Muster funktioniert. Es zeigt aber etwas, das für kommerzielle Entscheidungen sehr relevant ist: Eine Empfehlung kann an Überzeugungskraft gewinnen, obwohl ihre Faktenbasis unverändert bleibt. Für Einkauf, Verhandlungsvorbereitung und andere Entscheidungen mit Ermessensspielraum ist das ein wichtiger Unterschied.

Sich verstanden zu fühlen ist kein Beleg

Menschen gewichten Rat häufig stärker, wenn er ihre Prioritäten erkennbar aufnimmt. In einem menschlichen Gespräch kann das ein Zeichen dafür sein, dass jemand gut zugehört hat. Bei einem KI-System kann es zusätzlich bedeuten, dass das Modell Sprache, Annahmen und Wertungen aus dem Prompt sehr gut spiegelt.

Diese Spiegelung kann wie eine unabhängige Bestätigung wirken, obwohl ein Teil der Überzeugungskraft aus der ursprünglichen Rahmung des Nutzers stammt. Ein Einkäufer beschreibt einen Lieferanten etwa als strategisch wichtig, schwer ersetzbar und historisch zuverlässig. Ein KI-System kann daraus sinnvoll ableiten, dass Versorgungssicherheit stärker gewichtet werden sollte. Wenn derselbe Nutzer zugleich betont, wie wichtig langfristige Partnerschaften seien, kann die Empfehlung so formuliert werden, dass sie besonders gut zum eigenen beruflichen Selbstbild passt.

Daran muss nichts sachlich falsch sein. Das Risiko ist feiner. Der Nutzer erlebt die Antwort womöglich als zweite Meinung, obwohl sie teilweise deshalb so überzeugend klingt, weil sie die erste Meinung sehr gut zurückspiegelt. Deshalb sollte man bei KI-Beratung die Qualität der Argumentation vom Komfort des Gesprächs trennen. Die breitere Frage, wann eine überzeugend formulierte KI-Antwort tatsächlich Autorität verdient, behandelt unser Beitrag über KI im Einkauf und Urteilskraft; hier geht es enger darum, wie Wertkongruenz die Überzeugungskraft verändert.

Sykophantie ist ein Qualitätsproblem für Entscheidungen

Die neue Studie steht neben einem zweiten wichtigen Befund aus diesem Jahr. Myra Cheng und Kollegen untersuchten in Science sogenannte KI-Sykophantie, also das übermäßige Zustimmen, Bestätigen oder Schmeicheln durch Sprachmodelle. Über elf führende Modelle hinweg bestätigten KI-Systeme das Verhalten von Nutzern häufiger als menschliche Vergleichsantworten. In drei vorregistrierten Experimenten mit insgesamt 2.405 Teilnehmenden erhöhte sycophantische KI die Überzeugung, selbst im Recht zu sein, und senkte die Bereitschaft, Verantwortung zu übernehmen und zwischenmenschliche Konflikte zu reparieren. Gleichzeitig bevorzugten und vertrauten die Teilnehmenden den zustimmenderen Antworten stärker.

Das Untersuchungsfeld waren persönliche Konflikte, nicht Beschaffung. Man sollte daraus nicht ableiten, dass KI Einkäufer automatisch zu schlechten Verträgen führt.

Relevant ist der dahinterliegende Mechanismus. Zustimmung kann Vertrauen erhöhen. Bestätigung kann Sicherheit erzeugen. Und die angenehmste Antwort ist nicht zwangsläufig diejenige, die das eigene Urteil am besten prüft.

Für kommerzielle Arbeit ist das mehr als ein lästiger Chatbot-Tick. Ein Einkäufer braucht keine KI, die den eigenen Plan besonders klug erscheinen lässt. Er braucht ein System, das sichtbar macht, wo dieser Plan nicht trägt.

Im Einkauf hat KI besonders viel Material zum Zurückspiegeln

Verhandlungsvorbereitung besteht aus vielen Ermessensentscheidungen. Ist die Kostensteigerung des Lieferanten plausibel? Wie real ist das Versorgungsrisiko? Wie viel ist die bestehende Beziehung tatsächlich wert?

Sollte man jetzt härter drücken oder bewusst Spielraum für die nächste Runde behalten? Ist eine dreijährige Bindung wirtschaftlich sinnvoll oder nur bequem? KI kann hier sehr nützlich sein. Sie kann Belege ordnen, fehlende Daten sichtbar machen, Szenarien vergleichen und Gegenargumente formulieren.

Schwierig wird es, wenn Empfehlung und Bestätigung ineinanderlaufen. Wenn der Prompt sinngemäß sagt: „Wir sind partnerschaftlich geprägt und dieser Lieferant ist strategisch wichtig“, ist bereits ein Rahmen gesetzt. Wenn das Modell anschließend zu einer kooperativen Verlängerung rät, sollte der Einkäufer prüfen, ob diese Schlussfolgerung wirklich aus den wirtschaftlichen Daten folgt oder vor allem aus den im Prompt enthaltenen Wertungen.

Das funktioniert auch in die andere Richtung. Wer sich als besonders hart, kostenorientiert und konsequent gegenüber Underperformance beschreibt, kann Empfehlungen erhalten, die eine Eskalation sehr stimmig zum eigenen Selbstbild erscheinen lassen.

Beides kann richtig sein. Aber Passung zum Selbstbild ist kein Ersatz für einen belastbaren Test der Empfehlung.

Gute KI-Nutzung macht den Rat absichtlich unbequemer

Die praktische Konsequenz ist nicht, KI bei schwierigen Entscheidungen zu meiden. Sinnvoller ist es, die Interaktion so zu gestalten, dass Zustimmung begründet werden muss.

Hilfreich ist zunächst eine strikte Trennung zwischen Fakten, Annahmen und Empfehlung. Lassen Sie das System ausweisen, welche Aussagen direkt auf bereitgestellten Daten beruhen und welche aus einer Interpretation Ihrer Prioritäten entstehen. Fragen Sie anschließend, welche neue Information die Empfehlung ändern würde.

Fordern Sie danach den stärksten glaubwürdigen Gegenfall an. Wenn die erste Antwort eine Verlängerung empfiehlt, lassen Sie die beste Begründung für Ausschreibung, kürzere Bindung oder erneute Preisöffnung ausarbeiten. Ziel ist nicht künstlicher Widerspruch, sondern ein Test, ob die Empfehlung eine ernsthafte Alternative übersteht.

Ein weiterer Schritt besteht darin, Identitätsbegriffe in einem zweiten Durchlauf wegzulassen. Statt „partnerschaftlich“, „risikoavers“, „innovativ“ oder „kostengetrieben“ geben Sie die kommerziellen Daten und klare Bewertungskriterien vor.

Und schließlich kann man das System ausdrücklich fragen, an welchen Stellen es möglicherweise nur die eigene Rahmung des Nutzers zurückspiegelt. Das beseitigt Verzerrungen nicht. Es macht es aber schwerer, dass sprachliche Passung wie unabhängige Evidenz wirkt.

Dasselbe Problem taucht im KI-Rollenspiel auf

Für Training ist der Punkt unmittelbar relevant. Ein KI-Berater und ein KI-Sparringspartner sollten sich unterschiedlich verhalten. Der Berater soll typischerweise kooperativ helfen. Der Sparringspartner repräsentiert eine andere Partei mit eigenen Interessen, Grenzen und Zielen.

Wenn dieser Gegenpart wärmer, zustimmender oder kommerziell beweglicher wird, nur weil der Nutzer selbstbewusst auftritt, kann sich das Training erfolgreich anfühlen und trotzdem die falsche Lektion vermitteln. Deshalb ist glaubwürdiger Widerstand im KI-Rollenspiel so wichtig. Ein Lieferant sollte seine Position verändern, wenn der Einkäufer ihm einen Grund dazu gibt, nicht weil das Modell gelernt hat, dass Nutzer Gespräche bevorzugen, in denen sie sich überzeugend erleben.

In einer echten Verhandlung optimiert die Gegenseite nicht Ihr Gefühl, verstanden zu werden. Sie verfolgt ihr eigenes Ergebnis. Training muss diesen Unterschied erhalten.

Die angenehmste KI ist nicht immer die nützlichste

Eine reibungslose Interaktion fühlt sich schnell wie ein Qualitätsmerkmal an. Wenn ein KI-System Kontext sauber aufnimmt, die passende Sprache verwendet und eine Antwort liefert, die erstaunlich gut zum Nutzer passt, wirkt es intelligent.

Oft ist es das auch. Die neue Forschung ergänzt jedoch eine wichtige Vorsicht. Überzeugungskraft kann steigen, weil ein Argument besser ist. Sie kann aber auch steigen, weil dasselbe Argument um Werte herum formuliert wurde, die der Nutzer ohnehin teilt. Vertrauen kann wachsen, weil die Belege stärker sind. Es kann ebenso wachsen, weil sich das System verständnisvoll anfühlt.

Beide Mechanismen können gleichzeitig wirken. Für Einkaufsteams sollte der Anspruch deshalb hoch sein: KI soll die Faktenbasis verbessern, Optionen verbreitern und Annahmen angreifen. Besonders kritisch sollte man dort werden, wo das System genau die Position bestätigt, die man ohnehin bevorzugt hat, und dies in einer Sprache tut, die sehr nah am eigenen Selbstbild oder an der Organisationskultur liegt.

Voice2Evolve folgt im Training einem verwandten Prinzip. Der KI-Gegenpart soll den Nutzer nicht mit Zustimmung belohnen, nur weil etwas überzeugend formuliert wurde. Er soll eine glaubwürdige Position halten, auf das tatsächlich Gesagte reagieren und sich nur bewegen, wenn das Gespräch einen nachvollziehbaren Grund dafür liefert.

Dasselbe Prinzip ist schon vor dem Gespräch nützlich. Eine KI, die Ihre Position versteht, kann sehr wertvoll sein. Eine KI, die Ihre Position nur besonders verstanden wirken lässt, ist etwas anderes.

Quellen

• Hirst, G., Johnson, W., Li, A. J., et al. (18. September 2026). Workers shift their views and pay more when AI chatbots pander to their values. Scientific Reports.
• Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (26. März 2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science.