{"id":1108061,"date":"2025-11-23T15:00:23","date_gmt":"2025-11-23T14:00:23","guid":{"rendered":"https:\/\/infodienst.info\/?p=1108061"},"modified":"2025-11-23T15:29:41","modified_gmt":"2025-11-23T14:29:41","slug":"wenn-mensch-und-maschine-gemeinsam-in-die-zukunft-blicken","status":"publish","type":"post","link":"https:\/\/infodienst.info\/?p=1108061","title":{"rendered":"Wenn Mensch und Maschine gemeinsam in die Zukunft blicken"},"content":{"rendered":"
Die neue Kunst des Vorhersagens \u2013 und warum sie unsere politische Zukunft ver\u00e4ndern k\u00f6nnte<\/span><\/strong><\/h5>\n

Von weitem wirkt das B\u00fcro von Barbara Mellers<\/a> unspektakul\u00e4r. Eine Tasse Kaffee, Papierstapel, eine Uhr, die leise tickt. Doch wer der Psychologie-Professorin von der University of Pennsylvania zuh\u00f6rt, merkt schnell: Hier denkt jemand \u00fcber die Zukunft nach \u2013 nicht im metaphysischen, sondern im messbaren Sinn. \u00bbDie Frage ist nicht, ob wir die Zukunft vorhersagen k\u00f6nnen<\/em>\u00ab, sagt sie. \u00bbDie Frage ist, wie pr\u00e4zise \u2013 und wer dabei die bessere Arbeit leistet: Mensch oder Maschine.<\/em>\u00ab<\/span><\/p>\n

Ihre Forschung, gemeinsam mit John McCoy<\/a>, Louise Lu<\/a> und Philip E. Tetlock<\/a>, erschien 2024 im Fachjournal \u203aPerspectives on Psychological Science\u2039. Der n\u00fcchterne Titel \u2013 \u203aHuman and Algorithmic Predictions in Geopolitical Forecasting<\/a>\u00b9\u2039 \u2013 verbirgt eine kleine Revolution. Denn die Studie beschreibt, wie sich aus menschlicher Intuition und algorithmischer Berechnung eine neue, hybride Intelligenz formen l\u00e4sst \u2013 pr\u00e4ziser als alles, was allein denkende K\u00f6pfe oder lernende Maschinen bislang hervorbrachten.<\/span><\/p>\n

Der uralte Wettstreit: Intuition versus Statistik<\/span><\/strong><\/h5>\n

Die Debatte um Vorhersagekraft begann lange vor der \u00c4ra k\u00fcnstlicher Intelligenz. Schon 1954 ver\u00f6ffentlichte der US-amerikanische Psychologe Paul E. Meehl ein Buch, das ganze Generationen von Forschenden pr\u00e4gte: \u203aClinical versus Statistical Prediction\u2039. Meehl wollte wissen, wer besser vorhersagt \u2013 der Arzt, der Patientinnen nach Bauchgef\u00fchl beurteilt, oder das mathematische Modell, das ihre Daten auswertet.<\/span><\/p>\n

Das Ergebnis war unbequem: Statistische Modelle lagen fast immer vorn. Nicht spektakul\u00e4r, aber konstant. Ob in der Medizin, der Kriminalpsychologie oder der Finanzanalyse \u2013 Maschinen machten weniger Fehler. Doch Meehl wusste auch: Es gibt Bereiche, in denen Daten fehlen, Vergleichsf\u00e4lle rar sind und Intuition unersetzlich bleibt. Einer davon ist die Geopolitik.<\/span><\/p>\n

Wenn die Geschichte sich nur einmal ereignet<\/span><\/strong><\/h5>\n

Wer die Zukunft der Weltpolitik vorhersagen will, steht vor einem Dilemma: Es gibt keine zweiten Durchl\u00e4ufe. Wie viele \u00bbSyrienkriege\u00ab oder \u00bbKubakrisen\u00ab gab es in der Geschichte? Nur je einen oder eine. Und wie sollte ein Algorithmus aus einem einzigen Beispiel lernen?<\/span><\/p>\n

\u00bbIn der Medizin kann man aus tausend F\u00e4llen von Herzinfarkt R\u00fcckschl\u00fcsse ziehen<\/em>\u00ab, erkl\u00e4rt Mellers. \u00bbIn der Geopolitik erleben wir jedes Ereignis nur einmal.<\/em>\u00ab Darum tun sich Maschinen schwer, in diesem Feld Muster zu erkennen. Die Datenlage ist d\u00fcnn, die Ursachen vielschichtig \u2013 wirtschaftlich, kulturell, psychologisch, manchmal schlicht zuf\u00e4llig. Und dennoch m\u00fcssen politische Entscheidungstr\u00e4ger Prognosen wagen: Wird China Taiwan angreifen? Wird ein Staat zerfallen? Wird eine W\u00e4hrung kollabieren?<\/span><\/p>\n

Fehlt die Datentiefe, bleibt nur eine Vorhersagem\u00f6glichkeit: der Mensch.<\/span><\/p>\n

Die Wette der Geheimdienste<\/span><\/strong><\/h5>\n

2011 beschlossen die US-Geheimdienste, das R\u00e4tsel systematisch anzugehen. Die Forschungsagentur IARPA<\/a> (Intelligence Advanced Research Projects Activity) rief internationale Wissenschaftsteams auf, in einem Wettbewerb gegeneinander anzutreten. Das Ziel: bessere politische Vorhersagen.<\/span><\/p>\n

Jedes Team durfte eigene Strategien entwickeln \u2013 mit Menschen, Maschinen oder beidem. Die Genauigkeit wurde mit einer pr\u00e4zisen Metrik gemessen: dem \u203aBrier Score\u2039, einer mathematischen Formel, die misst, wie weit eine probabilistische Wahrscheinlichkeitsprognose von der Realit\u00e4t entfernt liegt.<\/span><\/p>\n

Unter den Teilnehmenden: ein Team der Universit\u00e4t Pennsylvania \u2013 das sp\u00e4ter weltber\u00fchmte \u203aGood Judgment Project<\/a>\u2039 von Mellers und Tetlock.<\/span><\/p>\n

Die Geburt der \u00bbSuperforecaster\u00ab<\/span><\/strong><\/h5>\n

Das Prinzip war einfach, aber genial. Tausende Freiwillige aus aller Welt meldeten sich online an, um Fragen zu beantworten, etwa:<\/span><\/p>\n

    \n
  1. Wird der \u00d6lpreis bis Jahresende \u00fcber 100 Dollar steigen?<\/span><\/li>\n
  2. Wird Nordkorea innerhalb von zw\u00f6lf Monaten einen Atomtest durchf\u00fchren?<\/span><\/li>\n
  3. Wird Griechenland aus der Eurozone austreten?<\/span><\/li>\n<\/ol>\n

    Jeder durfte tippen \u2013 nicht mit Ja oder Nein, sondern mit einer Wahrscheinlichkeitsrelation, etwa 70 zu 30 Prozent. Und jeder konnte seine Einsch\u00e4tzungen laufend anpassen, wenn sich neue Informationen ergaben. Nach kurzer Zeit zeigte sich: Manche Teilnehmer lagen deutlich h\u00e4ufiger richtig als andere. Diese \u00bbElite\u00ab nannte das Team bald \u00bbSuperforecaster\u00ab \u2013 Menschen, die komplexe Zusammenh\u00e4nge intuitiv gewichten und in pr\u00e4zise, realistische Wahrscheinlichkeiten \u00fcbersetzen k\u00f6nnen.<\/span><\/p>\n

    Ihre Geheimwaffe war kein geheimes Wissen, sondern eine bestimmte Denkweise. Sie dachten langsam, \u00fcberpr\u00fcften Annahmen, verglichen Szenarien, und sie \u00e4nderten ihre Meinung \u2013 oft und gern.<\/span><\/p>\n

    Was gute Prognostiker wirklich ausmacht<\/span><\/strong><\/h5>\n

    In den Daten zeigte sich ein klares Muster. Gute Vorhersager sind keine Genies, sondern intellektuell bescheidene Rationalisten. Sie zeichnen sich durch drei Eigenschaften aus:<\/span><\/p>\n

      \n
    • Analytische Klarheit: Sie verstehen Zahlen, Logik und Wahrscheinlichkeiten.<\/span><\/li>\n
    • Offenheit: Sie lassen widersprechende Informationen zu und verarbeiten sie.<\/span><\/li>\n
    • Selbstreflexion: Sie wissen, wie leicht sie sich t\u00e4uschen k\u00f6nnen \u2013 und korrigieren sich fortlaufend.<\/span><\/li>\n<\/ul>\n

      Ein Beispiel: Statt zu fragen, \u00bbWird Russland angreifen?\u00ab, fragen sie, \u00bbWie oft haben Staaten in \u00e4hnlicher Lage tats\u00e4chlich angegriffen?\u00ab \u2013 und beginnen, aus historischen Analogien Wahrscheinlichkeiten zu sch\u00e4tzen. Diese Denkschulung l\u00e4sst sich trainieren. Interaktive Kurse halfen den Teilnehmenden, systematische Denkfehler wie Selbst\u00fcbersch\u00e4tzung (Overconfidence) oder Best\u00e4tigungsfehler (Confirmation Bias) zu vermeiden. Das Ergebnis: bis zu elf Prozent h\u00f6here Genauigkeit.<\/span><\/p>\n

      Zur Erinnerung: In der wissenschaftlichen Literatur bezeichnet \u203aOverconfidence\u2039 die \u00dcbersch\u00e4tzung der Genauigkeit des eigenen Wissens bzw. Entscheider, die ihre eigenen Urteile f\u00fcr pr\u00e4ziser halten als sie es tats\u00e4chlich sind. Unter \u203aConfirmation Bias\u2039 wird die kognitive Neigung verstanden, sich Informationen so auszusuchen, zu interpretieren und zu erinnern, dass sie die eigenen bestehenden Ansichten und Erwartungen best\u00e4tigen.<\/span><\/p>\n

      Wenn Teams kl\u00fcger sind als Einzelne<\/span><\/strong><\/h5>\n

      Noch besser funktionierte die Vorhersage, wenn Menschen gemeinsam dachten. In Online-Teams diskutierten je zehn bis f\u00fcnfzehn Teilnehmer ihre Einsch\u00e4tzungen, stritten und korrigierten sich. Ergebnis: Die Gruppenprognosen \u00fcbertrafen die Einzelleistungen deutlich.<\/span><\/p>\n

      Teamarbeit wirkt wie ein Resonanzboden, der extreme Meinungen abschw\u00e4cht und begr\u00fcndete Argumente verst\u00e4rkt \u2013 solange Vielfalt und Disziplin im Gleichgewicht bleiben. Denn wo zu viel Harmonie herrscht, droht das ber\u00fcchtigte Gruppendenken (Groupthink), bei dem der Wunsch nach Harmonie und Konformit\u00e4t in einer Gruppe dazu f\u00fchrt, dass Mitglieder ihre eigene kritische Denkf\u00e4higkeit unterdr\u00fccken, um einen Konsens zu erzielen. Das f\u00fchrt zum Schweigen durch Anpassung. Auch das untersuchten Mellers und Tetlock \u2013 und fanden Wege, Teams so zu kalibrieren, dass sie kritisch bleiben.<\/span><\/p>\n

      Wenn Algorithmen die Weisheit der Vielen veredeln<\/span><\/strong><\/h5>\n

      Doch der eigentliche Durchbruch kam, als die Forschenden begannen, menschliche Urteile algorithmisch zu kombinieren. Das Grundprinzip war bekannt: Der Durchschnitt vieler Meinungen liegt oft erstaunlich nah an der Wahrheit \u2013 ein Effekt, den schon Aristoteles kannte und der US-amerikanische Journalist James Surowiecki 2004 popul\u00e4r machte mit seinem Buch \u203aDie Weisheit der Vielen\u2039 (Wisdom of Crowds).<\/span><\/p>\n

      Das \u203aGood-Judgment\u2039-Team verfeinerte die Methode. Es gewichtete einzelne Stimmen nach ihrer bisherigen Trefferquote, nach Aktualit\u00e4t und Konsistenz. Dann kam der Trick des \u00bbExtremizing\u00ab: Wenn viele unabh\u00e4ngige Beobachter ein Ereignis f\u00fcr \u00bbwahrscheinlich\u00ab hielten (z.B. 70 %), wurde diese kollektive Meinung algorithmisch verst\u00e4rkt \u2013 etwa auf 90 Prozent.<\/span><\/p>\n

      So entstand eine Form von rechnerisch kalibriertem Selbstvertrauen: Die Menge irrt weniger, wenn sie von der Maschine gez\u00e4hmt wird.<\/span><\/p>\n

      Das BIN-Modell: Wenn der Zufall verschwindet<\/span><\/strong><\/h5>\n

      Um zu verstehen, warum diese Verfahren funktionierten, entwickelten die Forscher das sogenannte BIN-Modell \u2013 kurz f\u00fcr \u203aBias, Information, Noise\u2039. Es teilt Prognosefehler in drei Komponenten:<\/span><\/p>\n

        \n
      • Bias \u2013 systematische Verzerrungen, etwa politisches Wunschdenken.<\/span><\/li>\n
      • Information \u2013 echtes Wissen \u00fcber relevante Zusammenh\u00e4nge.<\/span><\/li>\n
      • Noise \u2013 zuf\u00e4llige Schwankungen, also das Rauschen bzw. Hintergrundrauschen in menschlichen Urteilen.<\/span><\/li>\n<\/ul>\n

        Das Ergebnis war verbl\u00fcffend: Mehr als die H\u00e4lfte aller Verbesserungen durch Training und Teamarbeit beruhten schlicht auf Rauschreduktion. Die teilnehmenden Personen urteilten stabiler, nicht unbedingt \u00bbkl\u00fcger\u00ab. Anders gesagt: Vorhersage ist weniger die Kunst der Eingebung als vielmehr die Disziplin der Konsistenz.<\/span><\/p>\n

        Hybride Intelligenz: Mensch plus Maschine<\/span><\/strong><\/h5>\n

        Die Forschenden betonen, dass es keine R\u00fcckkehr zu reiner Intuition geben wird \u2013 aber auch keine Zukunft rein algorithmischer Kontrolle. Die L\u00f6sung liegt in hybriden Modellen, die beide Welten verbinden. In medizinischen Studien etwa kombinierten Radiologen ihre Diagnosen mit KI-Systemen zur Bildanalyse \u2013 die Genauigkeit stieg signifikant. \u00c4hnliches zeigte sich in der Politik: Ein hybrides Prognosemodell, das menschliche Urteile mit algorithmischer Gewichtung verband, schlug sowohl KI-Modelle als auch Experten allein.<\/span><\/p>\n

        \u00bbHybride Systeme sind mehr als die Summe ihrer Teile<\/em>\u00ab, sagt Tetlock. \u00bbMenschen liefern Kontext und Kreativit\u00e4t, Algorithmen die Struktur und Stabilit\u00e4t.<\/em>\u00ab<\/span><\/p>\n

        Wie erkennt man ein Prognosetalent?<\/span><\/strong><\/h5>\n

        Eine der spannendsten Fragen f\u00fcr die Zukunft lautet: Kann man \u00bbSuperforecaster\u00ab vorab erkennen? Studien deuten darauf hin, dass bestimmte Denk- und Pers\u00f6nlichkeitsmerkmale verl\u00e4sslich mit hoher Prognoseleistung einhergehen \u2013 etwa analytische Rationalit\u00e4t, Offenheit f\u00fcr Korrektur und Freude an pr\u00e4ziser Formulierung (s. oben).<\/span><\/p>\n

        Doch es geht nicht nur um Individuen. Auch die Teamarchitektur spielt eine Rolle: Gruppen sind dann am besten, wenn die kompetentesten Mitglieder auch die selbstbewusstesten sind \u2013 eine Balance, die die Forschenden \u00bbkollektive Kalibrierung\u00ab nennen. Nur dann h\u00f6ren Teams auf die Richtigen.<\/span><\/p>\n

        Diversity versus Exzellenz \u2013 die ewige Spannung<\/span><\/strong><\/h5>\n

        Ein weiteres Dilemma betrifft die Zusammensetzung der Menge. Sollen Vorhersageplattformen m\u00f6glichst vielf\u00e4ltige Perspektiven sammeln \u2013 oder lieber die besten K\u00f6pfe b\u00fcndeln? Die Antwort lautet: Beides.<\/span><\/p>\n

        Vielfalt bringt frische Argumente, reduziert gemeinsame Blindflecken. Doch zu viel Heterogenit\u00e4t kann das Rauschen erh\u00f6hen. K\u00fcnftig, so hoffen die Autorinnen und Autoren, k\u00f6nnten adaptive Systeme beide Prinzipien vereinen: erst die Vielfalt einfangen, dann durch kluge Gewichtung die st\u00e4rksten Signale herausfiltern.<\/span><\/p>\n

        Die Zukunft der Vorausschau<\/span><\/strong><\/h5>\n

        Wenn Mellers und Tetlock \u00fcber ihre Vision sprechen, klingt sie erstaunlich pragmatisch. Sie tr\u00e4umen nicht von Orakeln, sondern von Werkzeugen, die helfen, Unsicherheit systematisch zu quantifizieren. Algorithmen k\u00f6nnten Vorhersagende k\u00fcnftig auf \u00fcbersehene Datenquellen hinweisen, Denkfehler markieren oder Wahrscheinlichkeiten dynamisch visualisieren. Das Ziel ist nicht Unfehlbarkeit, sondern Transparenz im Irrtum \u2013 das Wissen darum, wie sicher man unsicher ist.<\/span><\/p>\n

        Eine neue Aufkl\u00e4rung des Vorhersagens<\/span><\/strong><\/h5>\n

        Geopolitische Zukunftsforschung war lange ein Feld der Mutma\u00dfungen \u2013 von Bauchentscheidungen und diplomatischer Intuition. Doch die neue Forschung zeigt: Pr\u00e4zision ist kein Privileg der Maschine und kein Mysterium des Menschen. Sie entsteht dort, wo beide ihre St\u00e4rken b\u00fcndeln.<\/span><\/p>\n

        Wenn Menschen lernen, wie Algorithmen zu denken, und Algorithmen lernen, menschliche Unsicherheiten zu verstehen, entsteht eine neue Form der Intelligenz \u2013 kollektiv, selbstreflektiert, lernf\u00e4hig. Vielleicht, sagt Barbara Mellers, ist das die eigentliche Lehre ihrer Arbeit: \u00bbVorhersagen ist keine Kunst des Sehens, sondern des Verstehens. Die Zukunft geh\u00f6rt nicht den Propheten \u2013 sondern den Lernenden.<\/em>\u00ab<\/span><\/p>\n

        \u00b9Mellers, B. A., McCoy, J. P., Lu, L., & Tetlock, P. E. (2023). Human and Algorithmic Predictions in Geopolitical Forecasting: Quantifying Uncertainty in Hard-to-Quantify Domains. Perspectives on Psychological Science, 19(5), 711-721. https:\/\/doi.org\/10.1177\/17456916231185339 (Original work published 2024)
        \n\u00a9 \u00c6ON-Z e.V. Thinktank. Hinweis: Bei der Recherche und Analyse dieses Beitrags wurde unterst\u00fctzend K\u00fcnstliche Intelligenz eingesetzt. Die redaktionelle Verantwortung f\u00fcr den Inhalt liegt bei der Redaktion. Alle Rechte vorbehalten, all rights reserved. Nachdruck und Weitergabe an Dritte untersagt.<\/small><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

        Die neue Kunst des Vorhersagens \u2013 und warum sie unsere politische Zukunft ver\u00e4ndern k\u00f6nnte Von weitem wirkt das B\u00fcro von Barbara Mellers unspektakul\u00e4r. Eine Tasse Kaffee, Papierstapel, eine Uhr, die leise tickt. Doch wer der Psychologie-Professorin von der University of Pennsylvania zuh\u00f6rt, merkt schnell: Hier denkt jemand \u00fcber die Zukunft nach \u2013 nicht im metaphysischen, …<\/p>\n","protected":false},"author":1,"featured_media":1108062,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[61,288],"tags":[],"class_list":["post-1108061","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-ki","category-zukunft"],"_links":{"self":[{"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/posts\/1108061","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/infodienst.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1108061"}],"version-history":[{"count":1,"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/posts\/1108061\/revisions"}],"predecessor-version":[{"id":1108063,"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/posts\/1108061\/revisions\/1108063"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/infodienst.info\/index.php?rest_route=\/wp\/v2\/media\/1108062"}],"wp:attachment":[{"href":"https:\/\/infodienst.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1108061"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/infodienst.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1108061"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/infodienst.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1108061"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}