Treiber und Einfluss sozialer Konformität auf Entscheidungsfindung in Mensch‑KI‑Teams

Warum Ihr künftiger Arzt auf KI‑Kollegen hören könnte

Während Krankenhäuser künstliche Intelligenz zur Unterstützung bei Diagnose und Behandlung einsetzen, arbeiten Ärztinnen und Ärzte zunehmend in gemischten Teams mit menschlichen und KI‑„Kollegen“. Das wirft eine überraschend menschliche Frage auf: Empfinden Menschen denselben subtilen sozialen Druck, KI‑Ratschlägen zu folgen, wie bei Ratschlägen von anderen Menschen? Zu verstehen, wann wir Maschinen folgen, wann wir sie ignorieren und warum, ist wichtig für die Sicherheit und Fairness von Entscheidungen über Gesundheit, Finanzen und mehr.

Zwei Arten von Druck: Recht haben vs. dazugehören

Jahrzehnte der Psychologie zeigen, dass Menschen aus zwei Hauptgründen konform gehen. Der eine ist informationaler Einfluss: Wir orientieren uns an anderen, weil diese etwas wissen könnten, was wir nicht wissen, besonders wenn wir uns unsicher fühlen. Der andere ist normativer Einfluss: Wir stimmen überein, um Zustimmung zu gewinnen oder nicht aufzufallen, selbst wenn wir innerlich widersprechen. Diese Studie fragte, ob dieselben Kräfte wirken, wenn unsere Teammitglieder neben Menschen auch KI‑Systeme umfassen. Die Autorinnen und Autoren konzentrierten sich auf ein realistisches Setting—medizinische Diagnosen—bei dem Unsicherheit besteht und keine auf den ersten Blick „offensichtlich richtige“ Antwort vorhanden ist, was ideal ist, um echten Informationsgebrauch von sozialem Druck zu trennen.

Ein simuliertes Krankenhaus, in dem Menschen und KI Ratschläge geben

In zwei Online‑Experimenten übernahmen Freiwillige die Rolle von Assistenzärztinnen und ‑ärzten, die Patienten mit einer von zwei Bauchkrankheiten diagnostizierten. Für jeden Fall erhielten sie einen privaten Hinweis (ein Symptom) und öffentliche Ratschläge von mehreren Beraterinnen und Beratern, die entweder als menschliche Kliniker oder als KI‑Systeme gekennzeichnet waren. Alle Informationen wurden abstrakt präsentiert—keine freundlichen Roboter‑Gesichter oder Fotos—um eine Reaktion allein auf das Erscheinungsbild zu vermeiden. In Studie 1 war jede Informationsquelle gleich genau. In Studie 2 variierten die Genauigkeiten: Einige Berater waren verlässlicher als andere, und Säulendiagramme zeigten dies explizit. Nach jedem Fall wählten die Teilnehmenden eine Diagnose und gaben an, wie zuversichtlich sie waren. Die Forschenden verglichen diese Entscheidungen anschließend mit dem, was eine ideale statistische Regel (ein Bayes‑Modell) empfohlen hätte.

Wenn KI genauso informativ wirkt wie Menschen—aber weniger sozial überzeugend ist

In beiden Studien verhielten sich die Teilnehmenden so, als wollten sie wirklich gute Entscheidungen treffen. Je stärker die kombinierte Evidenz eine der Krankheiten unterstützte, desto eher wählten sie diese und wurden zuversichtlicher, unabhängig davon, ob die Evidenz von Menschen oder KI stammte. Statistisch ausgeprägt übten menschliche und KI‑Berater sehr ähnliche informationelle Einflüsse aus: Menschen behandelten beide als nützliche Beweisquellen. In Studie 1—wo alle Berater gleich zuverlässig waren—ergab sich jedoch ein weiteres Muster. Stimmen menschliche Berater mit dem eigenen ersten Eindruck der Teilnehmenden überein, neigten die Teilnehmenden stärker dazu, dieser geteilten Sicht zu folgen, und fühlten sich sicherer, als wenn dieselbe Übereinstimmung von KI kam. Detaillierte Modellanalysen zeigten, dass Menschen menschlichen Ratschlägen etwas mehr Gewicht gaben als KI‑Ratschlägen und ihrer eigenen privaten Information mehr Gewicht als jedem fremden Rat. Dieser zusätzliche Zug menschlicher Übereinstimmung, der über die bloße Genauigkeit hinausgeht, spiegelt normativen Einfluss wider: den subtilen Trost, auf der Seite anderer Menschen zu stehen.

Komplexe Genauigkeitssignale können den menschlichen Vorteil beseitigen

Studie 2 machte die Situation realistischer—und geistig anspruchsvoller—indem sie die Genauigkeit jedes Beraters variierte und diese Wahrscheinlichkeiten anzeigte. Unter diesen reichhaltigeren Bedingungen verschwand der besondere Vorteil menschlicher Ratschläge weitgehend. Die Teilnehmenden zogen insgesamt weiterhin ihre eigene private Information vor, doch menschliche und KI‑Berater hatten nun beinahe identisches Gewicht. Die Ratschläge aller—menschlich wie maschinell—wurden im Vergleich zum idealen Bayes‑Benchmark unternutzt, was darauf hindeutet, dass das Jonglieren mehrerer Genauigkeitsanzeichen und Mehrheitsmeinungen die kognitiven Ressourcen der Teilnehmenden beanspruchte. Wenn viele Berater sprachen, folgten die Teilnehmenden nicht blind der Masse. Sie neigten dazu, der Mehrheit nur dann zu folgen, wenn diese mit der statistisch wahrscheinlicheren Diagnose übereinstimmte, und waren deutlich weniger bereit, dem Mehrheitsurteil zu folgen, wenn es den Zahlen widersprach. Dies zeigt, dass die Teilnehmenden versuchten, sowohl die Anzahl der Zustimmungen als auch die Verlässlichkeit der Berater zu integrieren.

Was das für reale Mensch‑KI‑Teams bedeutet

Die Ergebnisse legen nahe, dass Menschen bereit sind, KI als Informationsquelle zu vertrauen, aber KI nicht automatisch denselben sozialen Druck zur Konformität auslöst wie ein menschlicher Teamkollege. Dieser menschliche Vorteil ist fragil: Sobald Berater sich in ihrer Genauigkeit unterscheiden und diese Unterschiede explizit gemacht werden, konzentrieren sich Menschen stärker auf informationelle Hinweise und weniger darauf, wer spricht. Gleichzeitig kann diese zusätzliche Komplexität jedoch auch dazu führen, dass gute Ratschläge von Menschen und KI untergenutzt werden. Für Designerinnen und Designer von Entscheidungsunterstützungssystemen lautet die Lehre, Genauigkeitsinformationen so zu präsentieren, dass sie unterstützen statt überfordern, und anzuerkennen, dass Menschen und KI in unterschiedlichen Rollen am besten eingesetzt sein könnten—Maschinen für präzise, konsistente Evidenz, Menschen für den sozialen Einfluss, der andere motivieren kann, auf diese Evidenz zu reagieren.

Zitation: Zhong, H., McKinlay, J., Yoon, J. et al. Drivers and influence of social conformity on decision making in human-AI teams. Sci Rep 16, 13438 (2026). https://doi.org/10.1038/s41598-026-43042-5

Schlüsselwörter: Mensch‑KI‑Zusammenarbeit, soziale Konformität, medizinische Entscheidungsfindung, Algorithmusaversion, Entscheidungszuversicht