KI-Akzeptanz: Beispiele und Musterfragen

Ein Beispiel für die Messung von KI-Akzeptanz ist eine kurze Befragung, die zu jeder Aufgabe drei Dinge holt: was heute genutzt wird, was abhält und was Vertrauen schaffen würde. Was eine Musterfrage gut macht, ist nicht das Thema, sondern ihre Bauart: Sie ruft eine konkrete Situation ab statt eine Meinung, und sie fragt nach der Aufgabe, nicht nach der Meinung zur KI.

Dieser Artikel zeigt konkrete Musterfragen in drei Blöcken, mit den Nachfragen, die aus einer knappen Antwort einen Befund machen, dazu die Regel, warum man nach der Aufgabe fragt und nicht nach der KI, und wie man die Selbstauskunft mit Nutzungslogs trianguliert.

Auf einen Blick

• Drei Blöcke, eine Logik. Nutzung erhebt das tatsächliche Verhalten, Hindernisse die Bremsen, Vertrauen die Bedingungen. Zusammen ergeben sie ein Bild, das eine einzelne Skala nie liefert.
• Fragen Sie nach der Aufgabe, nicht nach der KI. „Finden Sie KI gut?” misst eine Haltung zu einem Schlagwort. „Für welche Aufgabe haben Sie KI zuletzt genutzt?” misst gelebte Praxis.
• Die Warum-nicht-Fragen sind die wertvollsten. Die Nicht-Nutzung verrät mehr über die Bremse als die Nutzung über den Erfolg. Vier Bremsen sind gemeint: Zeit, Erlaubnis, Werkzeug, Vertrauen.
• Jede Frage braucht eine Nachfrage. Die erste Antwort ist meist knapp. Die interessante Information steht in der Nachfrage, die eine geschlossene Skala verschluckt.
• Selbstauskunft ist nicht Nutzung. Eine Befragung misst Haltung. Triangulieren Sie sie mit Nutzungslogs, sonst verwechseln Sie Zustimmung mit Praxis.
• Ein Beispiel ist erst gut, wenn eine Massnahme folgt. Alles davor ist Erhebung.

Inhaltsverzeichnis

1. Musterfragen in drei Blöcken
2. Die Regel: nach der Aufgabe fragen, nicht nach der Meinung zur KI
3. Gute und schlechte Frage im direkten Vergleich
4. Selbstauskunft mit Nutzungslogs triangulieren
5. Häufige Fehler in Beispielfragebogen
6. Wo Beispiele an ihre Grenzen stossen
7. Häufig gestellte Fragen

Musterfragen in drei Blöcken

Der Kern des Verfahrens ist, Haltung und Nutzung sauber zu trennen und die Gründe für Nicht-Nutzung sichtbar zu machen. Das gelingt am besten in drei Blöcken. Wichtiger als die Liste selbst ist, wie eine Frage gebaut ist. Eine gute Akzeptanzfrage ist mit der ersten Antwort nicht fertig. Sie besteht aus einer Einstiegsfrage, die eine konkrete Situation abruft, und einer Nachfrage, die den Grund in eigenen Worten holt. Die folgenden Beispiele sind deshalb immer mit ihrer Nachfrage notiert.

Block A: Nutzung

Erhebt das tatsächliche Verhalten: was heute genutzt wird, wofür und wie oft.

• Nutzen Sie heute ein KI-Werkzeug für Ihre Arbeit? → Nachfrage: Wenn ja, wofür zuletzt ganz konkret, für welche Aufgabe und in welchem Schritt?
• Wie oft nutzen Sie es typischerweise? → Nachfrage: täglich, wöchentlich, selten, nie?
• Gab es eine Aufgabe, bei der Sie es hätten nutzen können und es nicht getan haben? → Nachfrage: welche, und was hat Sie zögern lassen?

Block B: Hindernisse (Zeit, Erlaubnis, Werkzeug, Vertrauen)

Erhebt, was abhält. Vier Bremsen sind gemeint, und die Frage nennt sie in der Nachfrage, damit die Person sie einordnen kann.

• Was hält Sie am ehesten davon ab, KI zu nutzen? → Nachfrage: fehlt Zeit, Erlaubnis, ein passendes Werkzeug oder Vertrauen?
• Ist klar, ob Sie KI für diese Aufgabe überhaupt einsetzen dürfen und welche Daten hinein dürfen? → Nachfrage: woran machen Sie das fest?
• Fehlt Ihnen ein Werkzeug, das zur Aufgabe passt, oder eine klare Anleitung? → Nachfrage: was genau?

Block C: Vertrauen

Erhebt, worauf Menschen achten und was gegeben sein müsste, damit sie KI annehmen.

• Worauf achten Sie, bevor Sie einer KI eine Aufgabe anvertrauen? → Nachfrage: Datenverarbeitung, Nachvollziehbarkeit, Verantwortung für das Ergebnis?
• Was müsste gegeben sein, damit Sie KI öfter und selbstverständlicher nutzen? → Nachfrage: eine konkrete Bedingung nennen.
• Haben Sie die Sorge, dass KI Ihre Rolle langfristig ersetzt, statt sie zu ergänzen? → Nachfrage: was würde den Unterschied machen?

Wie das als Dialog aussieht

Der Unterschied zwischen einem Formular und einem Gespräch lässt sich am kürzesten an einem Verlauf zeigen. Aus einer Frage werden dabei nicht mehr Fragen für alle, sondern genau eine gezielte Nachfrage für die Person, die gerade geantwortet hat:

Frage: Gab es eine Aufgabe, bei der Sie KI hätten nutzen können und es nicht getan haben?

Antwort: ja, eigentlich schon

Nachfrage: Danke. Welche war das, und was hat Sie zögern lassen?

Antwort: Ich hätte den Protokollentwurf machen lassen können, aber ich war nicht sicher, ob ich die Sitzungsnotizen da überhaupt reingeben darf.

Nachfrage: Was hätte in dem Moment geholfen?

Antwort: Eine klare Ansage, welche Daten erlaubt sind und wer im Zweifel geradesteht.

Aus einem knappen „ja, eigentlich schon” ist ein benennbarer Sachverhalt geworden: Die Bremse ist nicht Können, sondern eine unklare Erlaubnis. Das ist der Unterschied zwischen einer Antwort, über die man spekulieren muss, und einem Befund, aus dem sich eine Massnahme formulieren lässt. Genau so führt Moodtalk Befragungen: als Dialog, in dem der KI-Interview-Agent nach einer knappen Antwort nachfragt, in der Sprache der antwortenden Person und wahlweise per Chat oder Sprachinput.

Die Regel: nach der Aufgabe fragen, nicht nach der Meinung zur KI

Die wichtigste Regel für gute Beispielfragen ist zugleich die, die am häufigsten verletzt wird: Fragen Sie nach der Aufgabe und der gesparten Zeit, nicht nach der Meinung zur KI. „Finden Sie KI gut?” misst eine Haltung zu einem Schlagwort, nicht das, was die Person tut. „Welche Aufgabe ist Ihnen zuletzt leichter gefallen und wodurch?” führt zur gelebten Praxis.

Der Grund liegt tiefer als in der Formulierung. In manchen Teams aktiviert schon das Wort KI eine diffuse Abwehr, bevor der Nutzen sichtbar wird. Diese Label-Aversion ist ein realer Effekt, und Teams gehen von sich aus dazu über, den Begriff nicht offensiv zu verwenden. Eine Befragung, die schon in der Frage offensiv mit dem Begriff wirbt, riskiert genau die Beteiligung zu senken, die sie messen will. Das ist der praktische Kern: Wer über die Aufgabe fragt, umgeht die Abwehr und erfährt trotzdem alles, was er über die Akzeptanz wissen muss, nämlich ob die Arbeit leichter wird und was im Weg steht.

Wichtig ist dabei die Ehrlichkeit über die Rolle der KI. Das überzeugendste Framing ist nicht das grosse Versprechen, sondern die nüchterne Aussage, dass die KI ergänzt und nicht ersetzt. Sie nimmt die lästige Vorarbeit ab, damit der Mensch für das Urteil, das Gespräch und die Entscheidung frei wird. Wo das Framing hält, was es sagt, schürt die Frage keine Angst, die sie später nicht einlösen kann.

Gute und schlechte Frage im direkten Vergleich

Der Unterschied ist fast immer derselbe: Meinung zum Schlagwort gegen abgerufene Situation.

Unbrauchbar	Brauchbar	Warum
Finden Sie KI gut?	Für welche Aufgabe haben Sie KI zuletzt genutzt?	Haltung zum Schlagwort gegen abgerufene Situation.
Wie zufrieden sind Sie mit dem KI-Tool?	Gab es eine Aufgabe, bei der Sie es hätten nutzen können und es nicht getan haben?	Sammelbegriff erzeugt einen Wert ohne Handlungsansatz.
Trauen Sie KI?	Worauf achten Sie, bevor Sie einer KI eine Aufgabe anvertrauen?	Ja-Nein-Urteil gegen konkret nennbare Bedingung.
Nutzen Sie KI ausreichend?	Was hält Sie am ehesten davon ab, KI zu nutzen?	Bewertung von aussen gegen benennbare Bremse.

Dieselbe Unterscheidung gilt für die offene Nachfrage, und dort wird sie noch häufiger falsch gemacht. Eine offene Frage ist nicht automatisch gut, nur weil sie offen ist. Sie muss so eng geführt sein, dass die Antwort einen Sachverhalt enthält und nicht eine Stimmung.

Unbrauchbare offene Frage	Typische Antwort darauf	Brauchbare offene Nachfrage	Typische Antwort darauf
Was halten Sie von KI?	„Kommt drauf an.”	Welche Aufgabe ist Ihnen zuletzt leichter gefallen und wodurch?	„Das Protokoll, das hat die KI vorbereitet.”
Haben Sie Bedenken?	„Nicht wirklich.” bzw. leer	Was müsste gegeben sein, damit Sie KI öfter nutzen?	„Eine klare Ansage, welche Daten erlaubt sind.”
Warum nutzen Sie KI nicht mehr?	„Keine Zeit.”	Gab es eine Aufgabe, bei der Sie es hätten nutzen können und es nicht getan haben, und warum?	„Ja, ich war nicht sicher, ob ich das darf.”

Der Unterschied in der rechten Spalte ist der eigentliche Ertrag des Verfahrens. Aus „keine Zeit” lässt sich keine Massnahme bauen, aus „ich war nicht sicher, ob ich das darf” schon. Und weil solche Antworten in Sätzen und nicht in Zahlen ankommen, entscheidet die Auswertung darüber, ob sie nutzbar sind: Bei einer Handvoll Antworten liest man sie noch selbst, bei mehreren Teams nicht mehr. Dann braucht es eine Verdichtung, die aus vielen Einzelaussagen wenige klare Themen mit Priorität macht, statt eine Textwüste weiterzureichen. Wer stattdessen nur eine Likertskala zur KI-Zufriedenheit auswertet, sieht, dass etwas ist, und verschweigt, was.

Selbstauskunft mit Nutzungslogs triangulieren

Der wichtigste Vorbehalt zu jeder Beispielfrage: Selbstauskunft misst Haltung, nicht Nutzung. Wer sagt, er nutze ein Werkzeug regelmässig, über- oder unterschätzt sich leicht, in beide Richtungen. Eine Akzeptanzmessung, die nur auf den Antworten beruht, misst deshalb eine Haltung und nennt sie fälschlich Nutzung.

Der Ausweg ist die Triangulation. Die Befragung liefert das Warum und die Haltung, die Nutzungslogs liefern das Ob und Wie oft. Beides zusammengeführt ergibt erst ein ehrliches Bild, und die interessanteste Information liegt genau dort, wo die beiden Quellen auseinandergehen:

• Selbstauskunft hoch, Logs niedrig: eine überschätzte Nutzung. Die Person findet KI gut und meint, sie nutze sie viel, tut es aber kaum. Das ist meist ein Erlaubnis- oder Aufgabenproblem, keine Ablehnung.
• Selbstauskunft niedrig, Logs hoch: eine unsichtbare Nutzung. Die Person nutzt KI längst selbstverständlich, ohne es als KI-Nutzung wahrzunehmen. Das ist oft das Zeichen einer gesunden Akzeptanz, in der das Werkzeug hinter der Aufgabe verschwunden ist.
• Beide hoch oder beide niedrig: ein konsistentes Bild, das die Befragung durch das Warum vertieft, statt es zu korrigieren.

Eine Warnung gehört dazu: Nutzungslogs sind kein Freibrief zur Einzelüberwachung. Sie gehören aggregiert und nach denselben Regeln behandelt wie jede andere Erhebung, für die eine anonyme Mitarbeitendenbefragung die Grundlage ist. Und sie ersetzen die Befragung nicht: Ein Log zeigt, dass jemand ein Werkzeug wenig nutzt, aber nie, ob die Bremse Zeit, Erlaubnis, Werkzeug oder Vertrauen heisst. Die Zahl zeigt, dass etwas ist. Der Satz aus der Befragung zeigt, was.

Häufige Fehler in Beispielfragebogen

• Nach der Meinung zur KI fragen. „Finden Sie KI gut?” misst ein Schlagwort und aktiviert in manchen Teams die Abwehr, statt die Nutzung zu erheben.
• Nur nach der Nutzung fragen, nicht nach der Nicht-Nutzung. Die Warum-nicht-Fragen sind die wertvollsten, weil sie die Bremse zeigen. Wer sie weglässt, misst nur die Hälfte.
• Keine Nachfrage. Eine reine Skala liefert eine Zahl ohne Begründung. Ohne die Nachfrage nach dem Warum bleibt der Grund im Dunkeln.
• Selbstauskunft als Nutzungsbeleg nehmen. Aus hoher Zustimmung wird auf hohe Nutzung geschlossen, obwohl niemand die tatsächliche Nutzung gemessen hat. Ohne Triangulation ist das ein Trugschluss.
• Zu viele Fragen. Ein langer Katalog wird gegen Ende nur noch durchgeklickt und verstärkt die allgemeine Survey-Fatigue. Wenige Fragen mit Nachfrage schlagen viele ohne.

Wo Beispiele an ihre Grenzen stossen

Ein Beispielfragebogen aus dem Netz passt nie ohne Anpassung. Die Fragen müssen zur Rolle, zu den erlaubten Werkzeugen und zur Sprache des Hauses passen, sonst antworten die Leute an der Sache vorbei. Ausserdem gilt: Auch die beste Frage misst nur die Haltung und die Gründe, nie die Nutzung selbst, dafür braucht es die Nutzungslogs. Und die Messung ersetzt nicht die Arbeit an den Bremsen. Ein Fragebogen macht sichtbar, dass Erlaubnis oder Vertrauen fehlen, aber er stellt sie nicht her.

Der wichtigste Vorbehalt: Auch der beste Fragebogen rettet keine Akzeptanz, die von oben erzwungen wird oder auf die nichts folgt. Wird die Nutzung verpflichtend gemacht, ohne die Bremsen zu lösen, entsteht Scheinnutzung, und die Befragung misst dann eine Abwehr mit, die die Verpflichtung erzeugt hat. Die ausführliche Auseinandersetzung mit diesen Grenzen steht in KI-Akzeptanz: Nachteile und Kritik.

Fazit

Ein gutes Beispiel für die Messung von KI-Akzeptanz erkennt man an vier Dingen: Es fragt in drei Blöcken nach Nutzung, Hindernissen und Vertrauen, es ruft konkrete Situationen ab statt Meinungen zum Schlagwort, es lässt auf jede knappe Antwort eine Nachfrage nach dem Warum folgen, und es trianguliert die Selbstauskunft mit Nutzungslogs. Die Zahl zeigt, dass etwas ist. Der Satz dahinter zeigt, was.

Genau an dieser Stelle setzt Moodtalk an, und zwar früher, als man erwartet: nicht erst bei der Auswertung, sondern schon bei der Erhebung. Die Befragung läuft als Dialog. Auf jede knappe Antwort stellt der KI-Interview-Agent die Nachfrage, die zu dieser Antwort passt, in der Sprache der antwortenden Person und wahlweise per Chat oder Sprachinput, und ohne offensiv mit dem Begriff KI zu werben. Dadurch kommen ganze Sachverhalte zurück statt Stichworte, und die Gründe für Nicht-Nutzung werden sichtbar, statt in einer Skala zu verschwinden. Einen fertigen Fragebogen mit allen drei Blöcken und den Nachfrage-Hinweisen gibt es als Vorlage zum Download. Wie eine Organisation aus den Antworten konkrete Schritte ableitet, zeigt der Beitrag Massnahmen ableiten nach der Mitarbeiterbefragung. Wenn Sie wissen wollen, wer in Ihrer Organisation KI wirklich nutzt, wo, und warum nicht, sehen Sie sich Moodtalk an.

Verwandte Inhalte

• KI-Akzeptanz: Nachteile und Kritik
• Massnahmen ableiten nach der Mitarbeiterbefragung
• Anwendungsfall Mitarbeitendenbefragung
• Kundengeschichten
• Im Lexikon: KI-Akzeptanz und KI-Adoption (Haupteintrag)
• Im Lexikon: Mitarbeiterengagement
• Im Lexikon: Mitarbeiterzufriedenheit
• Im Lexikon: anonyme Mitarbeitendenbefragung
• Im Lexikon: Likertskala
• Im Lexikon: Survey-Fatigue