Bias: Bedeutung + 25 kognitive Verzerrungen im Überblick

Bias – das Wichtigste auf einen Blick

Bedeutung	Ein Bias ist eine systematische Verzerrung beim Wahrnehmen, Erinnern, Beurteilen oder Entscheiden.
Deutsch	Je nach Kontext bedeutet Bias Voreingenommenheit, Verzerrung, Befangenheit oder Neigung.
Entstehung	Mentale Abkürzungen, Erfahrungen, Erwartungen, Emotionen und soziale Einflüsse können unser Urteil verzerren.
Beispiele	Bekannte Formen sind Confirmation Bias, Anchoring Bias, Hindsight Bias und Unconscious Bias.
KI-Bias	Auch KI-Systeme können vorhandene Verzerrungen übernehmen, verstärken oder durch Daten und Entwicklung neu erzeugen.

Was ist ein Bias? Einfach erklärt

Ein Bias ist eine systematische Verzerrung unserer Wahrnehmung, Erinnerung, Bewertung oder Entscheidung. Unser Gehirn verarbeitet Informationen nicht vollkommen neutral: Erfahrungen, Erwartungen, vorhandene Überzeugungen und mentale Abkürzungen beeinflussen, welche Informationen wir beachten und welches Gewicht wir ihnen geben.

Bias entstehen meist unbewusst und folgen wiederkehrenden Mustern. Genau darin unterscheiden sie sich von einem beliebigen Irrtum. Wer sich einmal verrechnet, unterliegt noch keinem Bias. Wenn Menschen unter bestimmten Bedingungen jedoch regelmäßig Informationen in dieselbe Richtung verzerrt bewerten, handelt es sich um eine kognitive Verzerrung. Bias sind kein Zeichen mangelnder Intelligenz. Unser Gehirn muss ständig große Informationsmengen verarbeiten und nutzt dafür vereinfachende Faustregeln. Diese mentalen Abkürzungen ermöglichen schnelle Einschätzungen – können unter bestimmten Bedingungen aber systematisch in die Irre führen.

Wie entstehen kognitive Bias?

Unser Gehirn verarbeitet jeden Tag enorme Mengen an Informationen und trifft ständig Entscheidungen. Für eine vollständige Analyse fehlen dabei oft Zeit, Wissen und Aufmerksamkeit. Deshalb nutzen wir Erfahrungen, Faustregeln und sogenannte Heuristiken – mentale Abkürzungen, die schnelle Einschätzungen ermöglichen. Das ist zunächst sinnvoll und keineswegs automatisch ein Fehler. Unter bestimmten Bedingungen können solche Vereinfachungen jedoch Informationen über- oder unterbewerten und dadurch systematische Fehleinschätzungen erzeugen.

Auch selektive Wahrnehmung, Emotionen, Erwartungen und soziale Einflüsse bestimmen mit, was wir beachten und wie wir Informationen interpretieren. Deshalb ist niemand vollkommen frei von kognitiven Verzerrungen. Selbst Expertise schützt nicht automatisch davor – gerade weil viele dieser Prozesse unbewusst ablaufen.

Welche Bias gibt es? 25 Beispiele von A-Z

Es gibt keine abschließende Liste aller Bias. Manche beeinflussen vorrangig Wahrnehmung und Erinnerung, andere soziale Urteile, Entscheidungen oder wissenschaftliche Untersuchungen. Die folgende Übersicht zeigt 25 besonders bekannte oder für Alltag und Beruf relevante Formen:

Bias	Bedeutung
Affinity Bias	Wir bevorzugen Menschen, die uns ähnlich, vertraut oder sympathisch erscheinen.
Anchoring Bias	Eine erste Information dient als Anker und beeinflusst spätere Einschätzungen.
Attribution Bias	Wir erklären Verhalten verzerrt durch persönliche Eigenschaften oder äußere Umstände.
Authority Bias	Aussagen von Autoritäten erhalten übermäßig großes Gewicht.
Automation Bias	Wir vertrauen Empfehlungen automatisierter Systeme zu stark und prüfen sie zu wenig.
Availability Bias	Was uns schnell einfällt, erscheint häufiger oder wahrscheinlicher.
Blind Spot Bias	Wir erkennen kognitive Verzerrungen bei anderen leichter als bei uns selbst.
Conformity Bias	Wir passen unser Urteil übermäßig an die Meinung einer Gruppe an.
Framing Bias	Die Darstellung derselben Information beeinflusst unsere Bewertung und Entscheidung.
Halo-Effekt	Ein besonders positives Merkmal überstrahlt die Beurteilung weiterer Eigenschaften.
Hindsight Bias	Im Rückblick erscheinen Ereignisse vorhersehbarer, als sie tatsächlich waren.
Horn-Effekt	Ein besonders negatives Merkmal überstrahlt die Beurteilung weiterer Eigenschaften.
Ingroup Bias	Mitglieder der eigenen Gruppe werden tendenziell positiver bewertet oder bevorzugt.
Interviewer Bias	Erwartungen des Interviewers beeinflussen Gespräch, Antworten oder Bewertung.
Negativity Bias	Negative Erfahrungen und Informationen bekommen mehr Aufmerksamkeit und Gewicht.
Optimism Bias	Wir überschätzen positive Entwicklungen und unterschätzen persönliche Risiken.
Outcome Bias	Wir beurteilen eine Entscheidung nach ihrem Ergebnis statt nach ihrer damaligen Qualität.
Overconfidence Bias	Wir überschätzen unser Wissen, unsere Fähigkeiten oder die Sicherheit eigener Urteile.
Proximity Bias	Räumlich präsente oder näher stehende Personen werden stärker wahrgenommen und möglicherweise bevorzugt.
Recency Bias	Neue beziehungsweise zuletzt erhaltene Informationen beeinflussen unser Urteil besonders stark.
Self-Serving Bias	Erfolge schreiben wir eher uns selbst zu, Misserfolge dagegen äußeren Umständen.
Selection Bias	Eine verzerrte Auswahl führt zu nicht repräsentativen Stichproben oder Beobachtungen.
Status-quo-Bias	Wir bevorzugen den bestehenden Zustand gegenüber Veränderungen oder Alternativen.
Survivorship Bias	Wir betrachten sichtbare Erfolge und übersehen die gescheiterten Fälle.
Unconscious Bias	Unbewusste Einstellungen und Assoziationen beeinflussen Wahrnehmung und Entscheidungen.

Wichtig: Die Begriffe bezeichnen nicht immer dieselbe Ebene. „Unconscious Bias“ ist beispielsweise ein Oberbegriff für unbewusste Verzerrungen, während der Anchoring Bias einen konkreten Mechanismus beschreibt.

Wie beeinflussen Bias unsere Entscheidungen?

Kognitive Verzerrungen wirken nicht nur im Kopf, sondern direkt auf Entscheidungen im Berufsalltag. Je weniger Zeit, Informationen oder Vergleichsmöglichkeiten wir haben, desto stärker verlassen wir uns auf erste Eindrücke, bekannte Muster und intuitive Urteile. Genau dadurch können Bias Karrierechancen, Zusammenarbeit und wirtschaftliche Entscheidungen beeinflussen.

Bereich	Typischer Einfluss von Bias
Bewerbung und Personalauswahl	Sympathie, Ähnlichkeit oder ein besonders starker erster Eindruck können stärker wiegen als objektive Qualifikationen.
Führung	Vorgesetzte bewerten Mitarbeiter möglicherweise durch vorhandene Erwartungen, frühere Erfahrungen oder persönliche Vorlieben.
Leistungsbeurteilung	Einzelne Erfolge, Fehler oder besonders aktuelle Ereignisse können die Gesamtbewertung übermäßig prägen.
Meetings	Autorität, Gruppendruck oder die zuerst genannte Idee können beeinflussen, welche Argumente Gehör finden.
Karriereentscheidungen	Menschen halten an bekannten Wegen fest, überschätzen Erfolgsaussichten oder meiden Chancen aufgrund einzelner negativer Erfahrungen.
Konflikte	Wir suchen leichter Belege für die Schuld des anderen und interpretieren dessen Verhalten entsprechend unserer bestehenden Meinung.
Investitions- und Geschäftsentscheidungen	Vergangene Erfolge, auffällige Einzelfälle oder zu optimistische Prognosen können Risiken und Chancen verzerrt erscheinen lassen.

Bias werden besonders gefährlich, wenn subjektive Eindrücke wie objektive Fakten behandelt werden. Je größer die Folgen einer Entscheidung sind, desto wichtiger sind deshalb transparente Kriterien, Vergleichsdaten und eine zweite Perspektive.

Was bedeutet Bias bei Künstlicher Intelligenz?

KI-Bias bezeichnet systematische Verzerrungen in den Ergebnissen oder Entscheidungen eines KI-Systems. Sie können durch Trainingsdaten, deren Auswahl und Aufbereitung, statistische Verfahren, Entwicklungsentscheidungen oder den späteren Einsatz entstehen. Das besondere Risiko: KI kann vorhandene Verzerrungen skalieren. Wird ein problematisches Muster automatisiert auf Tausende Entscheidungen angewendet, betrifft die Verzerrung nicht mehr nur einen Einzelfall.

Beispiel Recruiting: Wird eine KI mit historischen Bewerbungs- und Einstellungsdaten trainiert, können darin enthaltene Ungleichgewichte übernommen werden. Ein algorithmisches System entscheidet schließlich nicht automatisch fair, nur weil die Auswahl automatisiert erfolgt. Das National Institute of Standards and Technology (NIST) unterscheidet bei KI zwischen systemischen, statistisch-rechnerischen und menschlich-kognitiven Verzerrungen. KI-Bias ist deshalb nicht bloß ein Problem schlechter Trainingsdaten. Auch gesellschaftliche Strukturen, organisatorische Prozesse und menschliche Entscheidungen während Entwicklung und Nutzung können eine Rolle spielen. Mehr dazu erklärt das National Institute of Standards and Technology zu Bias in KI-Systemen.

Wie kann ich einen Bias erkennen und vermeiden?

Vollkommen frei von kognitiven Verzerrungen werden wir nicht. Sie können deren Einfluss aber reduzieren – vor allem bei wichtigen Entscheidungen. Dabei reicht es nicht, einen Bias lediglich zu kennen. Wir müssen unser Urteil aktiv überprüfen.

1. Ersten Eindruck prüfen

   Fragen Sie sich, welche Beobachtungen Ihr Urteil tatsächlich stützen und welche Annahmen Sie selbst hinzugefügt haben.

2. Gegenbelege suchen

   Versuchen Sie bewusst, Ihre eigene Einschätzung zu widerlegen. Welche Fakten sprechen gegen Ihre bisherige Überzeugung?

3. Fakten von Interpretationen trennen

   „Der Kollege hat nicht geantwortet“ ist eine Beobachtung. „Er ignoriert mich absichtlich“ ist bereits Ihre Interpretation. Trennen Sie beides voneinander.

4. Kriterien vorher festlegen

   Definieren Sie Maßstäbe möglichst vor einer Entscheidung. Das hilft beispielsweise bei Bewerbungen, Einstellungen, Beförderungen oder größeren Anschaffungen.

5. Andere Perspektiven einholen

   Fragen Sie gezielt Menschen, die anders denken oder andere Erfahrungen besitzen. Unterschiedliche Perspektiven machen blinde Flecken sichtbar und fördern kritisches Denken.

Bias zu kennen, bedeutet nicht, automatisch objektiv zu urteilen. Der entscheidende Vorteil liegt woanders: Sie erkennen mögliche Verzerrungen früher und können Ihre Einschätzung überprüfen, bevor daraus eine Entscheidung wird.

---

Was andere dazu gelesen haben

• Denkmuster: Negative Denkgewohnheiten erkennen und verändern
• Wahrnehmungsfehler: Wie unsere Wahrnehmung uns täuscht
• Vorurteile: Wie sie entstehen und was dagegen hilft
• Selbstreflexion: Eigene Gedanken und Verhalten hinterfragen
• Metakognition: Das eigene Denken beobachten und steuern