Kennt ihr diese Leute, die nach drei Stunden ChatGPT plötzlich „Prompt-Engineer“ auf LinkedIn stehen haben? Oder den Kollegen, der nach einem YouTube-Video überzeugt ist, er könne jetzt KI-Strategien für Konzerne entwickeln? Willkommen in der Welt des Dunning-Kruger-Effekts — eines psychologischen Phänomens, das durch den KI-Hype gerade eine zweite Karriere erlebt.
Der Effekt erklärt, warum Menschen mit wenig Wissen oft besonders überzeugt von ihren Fähigkeiten sind — und warum echte Experten häufig zurückhaltender auftreten. Im Zeitalter von generativer KI ist das brisanter denn je. Ich erkläre euch, was dahintersteckt, warum das ausgerechnet jetzt so relevant ist und wie ihr selbst nicht in die Falle tappt.
Was ist der Dunning-Kruger-Effekt? Definition
Der Effekt geht zurück auf eine Studie der US-Psychologen David Dunning und Justin Kruger aus dem Jahr 1999. Die beiden Forscher der Cornell University untersuchten, wie gut Menschen ihre eigenen Fähigkeiten einschätzen können. Das Ergebnis war so unterhaltsam wie ernüchternd.
Ihre Kernbeobachtung: Personen mit geringer Kompetenz in einem Bereich neigen dazu, ihre Fähigkeiten massiv zu überschätzen. Der Grund ist fast schon tragisch logisch — wer wenig weiß, dem fehlt genau das Wissen, um zu erkennen, wie wenig er weiß. Man nennt das auch „doppelte Belastung der Inkompetenz“.
Umgekehrt unterschätzen echte Experten ihre Kompetenz oft. Sie wissen, wie tief das Kaninchenloch wirklich geht, und sind sich der eigenen Wissenslücken bewusst. Daraus entsteht die typische Kurve: ein steiler Berg der Selbstüberschätzung am Anfang, ein tiefes Tal der Ernüchterung, wenn man tiefer einsteigt — und dann ein langsamer Anstieg zu realistischer Expertise.
Wichtig ist: Der Effekt ist kein Charakterfehler. Er betrifft uns alle, in unterschiedlichen Bereichen. Niemand ist davor gefeit — auch ich nicht.
Selbstüberschätzung durch den Dunning-Kruger-Effekt
Stellt euch eine Kurve vor: Auf der X-Achse das Wissen, auf der Y-Achse die Selbsteinschätzung. Am Anfang schießt die Selbsteinschätzung steil nach oben — das ist der berühmte „Gipfel der Dummheit“, wie er in vielen Darstellungen genannt wird. Wer gerade die ersten Begriffe gelernt hat, fühlt sich wie ein Profi.
Dann folgt der Absturz. Je mehr man lernt, desto klarer wird, wie komplex das Thema wirklich ist. Dieses „Tal der Verzweiflung“ ist unangenehm, aber notwendig. Wer durchhält, baut langsam echte Kompetenz auf — und mit ihr eine realistische, oft sogar bescheidene Selbsteinschätzung.
Was hat der Dunning-Kruger-Effekt mit KI zu tun?
Generative KI wie ChatGPT, Claude oder Gemini macht den Dunning-Kruger-Effekt sichtbarer denn je. Und zwar gleich auf mehreren Ebenen.
Ebene 1: Die Nutzer. Nie war die Einstiegshürde in komplexe Themen so niedrig. Ein paar Prompts, und schon spuckt die KI fundiert klingende Texte über Quantenphysik, Steuerrecht oder Medizin aus. Das Gefühl: „Ich verstehe das jetzt.“ Die Realität: Man hat einen plausibel formulierten Text gelesen, aber nicht zwingend verstanden, ob er stimmt. Genau hier schlägt der Effekt zu — die KI verleiht uns gefühlte Kompetenz, ohne dass echtes Wissen entsteht.
Ebene 2: Die KI selbst. Sprachmodelle haben ein bekanntes Problem: Sie wirken auch dann selbstbewusst, wenn sie falsch liegen. „Halluzinationen“ nennt man das. Die KI sagt mit derselben Überzeugung „Berlin liegt in Bayern“ wie „Berlin liegt in Brandenburg“. Sie hat keinen Mechanismus für „Ich bin mir unsicher“.
Man könnte sagen: Sprachmodelle sind die perfekte Verkörperung des Dunning-Kruger-Effekts — maximale Selbstsicherheit bei wechselnder Kompetenz.
Ebene 3: Die Debatte. Seit dem ChatGPT-Launch Ende 2022 sind plötzlich alle KI-Experten. Auf LinkedIn, in Talkshows, in Vorstandsetagen. Wer wirklich tief in maschinellem Lernen steckt, hört man dagegen seltener — die sind meist vorsichtiger mit großen Prognosen.
Warum der Dunning-Kruger-Effekt bei KI gefährlich ist
Die Kombination ist toxisch: Eine KI, die selbstsicher Unsinn produzieren kann, trifft auf Nutzer, die sich nach kurzer Einarbeitung als Profis fühlen. Im Privaten ist das ärgerlich. Im Beruflichen wird es teuer. In Bereichen wie Recht, Medizin oder Finanzen kann es gefährlich werden.
Es gibt mittlerweile etliche dokumentierte Fälle, in denen Anwälte ChatGPT-generierte, frei erfundene Urteile vor Gericht zitiert haben. Studierende geben Hausarbeiten ab, deren Quellen es nicht gibt. Unternehmen treffen Strategieentscheidungen auf Basis von KI-Analysen, die niemand mehr ernsthaft prüft.
Wie ihr den Dunning-Kruger-Effekt bei KI umgeht
Die gute Nachricht: Wer den Effekt kennt, kann gegensteuern. Ein paar praktische Tipps, die euch im KI-Alltag helfen:
- Fragt euch ehrlich: Könnte ich beurteilen, ob diese KI-Antwort stimmt? Wenn nein — Vorsicht.
- Sucht das Tal der Verzweiflung aktiv auf. Wenn euch ein Thema zu einfach erscheint, geht eine Ebene tiefer. Da wartet meist die Erkenntnis, wie wenig ihr wirklich wisst.
- Verifiziert KI-Ausgaben. Quellen prüfen, gegenchecken, zweite Meinung einholen. Behandelt die KI wie einen eloquenten Praktikanten, nicht wie einen Professor.
- Hört auf echte Experten. Die, die „es kommt darauf an“ sagen, statt einfacher Wahrheiten zu verkünden.
- Bleibt neugierig statt überzeugt. Wer Fragen stellt, lernt. Wer Antworten gibt, wiederholt sich.
Besonders im Umgang mit KI gilt: Die Tools sind so gut wie die Menschen, die sie bedienen. Und gute Bedienung beginnt mit der Demut, eigene Grenzen zu kennen.
Learnings aus dem Dunning-Kruger-Effekt für KI
Der Dunning-Kruger-Effekt ist keine Beleidigung, sondern eine Einladung zur Selbstreflexion. Er erinnert uns daran, dass Wissen ein langer Weg ist und Selbstvertrauen nicht automatisch mit Kompetenz korreliert. Im KI-Zeitalter wird dieser Weg nicht kürzer — er wird nur scheinbar abgekürzt.
Wenn ihr also das nächste Mal jemanden trefft, der nach einem Wochenende mit ChatGPT die digitale Transformation neu erfunden hat, lächelt freundlich. Und wenn ihr euch selbst dabei ertappt — auch gut. Bewusstsein ist der erste Schritt aus dem Gipfel der Selbstüberschätzung. Der zweite ist, weiter zu lernen, auch wenn es im Tal mal weh tut.
