Die Kehrseite sozialer Mimikry: Warum ausdrucksstarke Roboter bei Fehlern mehr Vertrauen verspielen

Die Integration humanoider Roboter in den Alltag, die Arbeitswelt und das Gesundheitswesen wirft die grundlegende Frage auf, wie Menschen Vertrauen zu maschinellen Interaktionspartnern aufbauen und aufrechterhalten. Eine interdisziplinäre Untersuchung zeigt, dass die Gestaltung der Robotersignale eine entscheidende Rolle für das Ausmaß und die Stabilität dieses Vertrauens spielt.

Wenn ein humanoid gestalteter Roboter im Gespräch ausdrucksstark agiert – beispielsweise Blickkontakt hält, nickt, gestikuliert oder zustimmende Laute von sich gibt –, lassen sich menschliche Interaktionspartner deutlich stärker auf das Gegenüber ein als bei einer starren, bewegungslosen Variante. Diese gesteigerte soziale Bindung geht jedoch mit einer erhöhten Erwartungshaltung an das Verhalten der Maschine einher.

Treten im Verlauf der Interaktion Fehler auf, etwa durch unpassende Argumente, logische Brüche oder störende Unterbrechungen, reagieren Menschen bei ausdrucksstarken Robotern mit einem gravierenden Vertrauensverlust. Auf neuronaler und hormoneller Ebene lässt sich dabei eine verstärkte Aktivierung des präfrontalen Kortex sowie ein Anstieg des Oxytocin-Spiegels im Speichel nachweisen. Entgegen der geläufigen Annahme, Oxytocin fördere ausschließlich Bindung und Nähe, wirkt das Hormon in diesem Kontext als Indikator für eine geschärfte Wachsamkeit (Vigilanz) gegenüber der Verletzung sozialer Normen. Die Fehler eines charmanten, lebendig wirkenden Roboters werden nicht als bloße technische Fehlfunktion wahrgenommen, sondern wie ein Fehlverhalten eines menschlichen Gegenübers gewertet. Dadurch verliert das System rasch mehr als die Hälfte seines Einflusses auf die Entscheidungsfindung des Menschen.

Bei einem bewegungslosen Roboter führt derselbe technische Fehler hingegen zu wesentlich geringeren Konsequenzen im Interaktionsverhalten. Zwar berichten Betroffene auch hier von einem gewissen Vertrauensverlust, behandeln das Ereignis jedoch primär als isolierte technische Störung.

Für die Konstruktion und das Design künftiger Assistenzsysteme ergibt sich daraus ein wesentlicher Zielkonflikt: Während soziale Gestik und Mimik den Beziehungsaufbau beschleunigen, erhöhen sie zeitgleich die Störanfälligkeit der Interaktion im Falle von Systemfehlern. Entwickler müssen daher abwägen, in welchem Maße soziale Signale eingesetzt werden, um die Erwartungen der Nutzer im Einklang mit der tatsächlichen Verlässlichkeit der Roboter zu halten.

Literatur

Topoglu, Y., Krueger, F., Joshi, S., Rothstein, N., Franke, A. A., Li, X., Gratch, J., de Visser, E. J., & Ayaz, H. (2026). Multilevel dynamics of the brain, hormones, mind, and behavior in social human-robot interaction. Science Robotics, 11(116), doi:10.1126/scirobotics.aec1762

Artificial Intelligence vs. Künstliche Intelligenz: Ein begriffliches Missverständnis

Die Begründung für dieses Missverständnis lässt sich wissenschaftlich und sprachlich präzise aufschlüsseln. Das Kernproblem liegt in einer semantischen Asymmetrie zwischen der deutschen und der englischen Sprache sowie in der Übertragung eines alltagspsychologischen bzw. anthropomorphen Intelligenzbegriffs auf ein technologisches System.

Etymologische Vertauschung: Intelligence vs. Intelligenz

Der Schlüssel zur Aufklärung dieses Missverständnisses liegt in der Übersetzung des Begriffs Artificial Intelligence (AI).

  • Englisch (Intelligence): Das englische Wort intelligence leitet sich vom lateinischen intellegere („erkennen“, „einsehen“, „Informationen sammeln“) ab. Es hat im Sprachgebrauch eine stark pragmatische, informationelle Bedeutung. Wie das Beispiel CIA (Central Intelligence Agency) verdeutlicht, steht intelligence im Englischen oft schlicht fĂĽr Aufklärung, Informationsgewinnung, strukturierte Datensammlung und angewandtes Wissen zur Problemlösung.
  • Deutsch (Intelligenz): Im Deutschen ist der Begriff philosophisch und bedeutungsmäßig aufgeladen. Er wird meist eng mit menschlichem Bewusstsein, Kognition, Verstehen, Reflexionsfähigkeit und Autonomie verknĂĽpft.

Wer den englischen Fachbegriff Artificial Intelligence direkt als Künstliche Intelligenz übersetzt, überträgt unbewusst das deutsche Verständnis von kognitiver Geisteshaltung auf ein System, das im ursprünglichen englischen Sinne eigentlich als „Informationsverarbeitung / Wissensanwendung“ verstanden werden müsste.

Menschenverständnis von amerikanischer und europäischer Psychologie

Der für uns seltsam anmutende amerikanische Zugang zum Menschen zeigt sich u. a. im Behaviorismus, denn im Behaviorismus steckte immer schon der Gedanke, dass Menschen wie Maschinen funktionieren und dem entsprechend behandelt werden können. Der Hauptunterschied liegt im Fokus: Der US-amerikanische Behaviorismus lehnt das Innere des Menschen ab und misst nur Reize und äußeres Verhalten. Die europäische Tradition (geprägt durch Philosophie, Gestaltpsychologie oder Psychoanalyse) bezieht Bewusstsein, Denken und das individuelle Erleben mit ein.

Kernunterschiede im Ăśberblick
Gegenstand:
Behaviorismus (USA): Nur objektiv messbares, sichtbares Verhalten von Mensch und Tier. Das Gehirn ist eine „Blackbox“, die nicht interessiert.
Europäische Psychologie: Das bewusste Erleben, innere Denzprozesse, Gefühle und die persönliche Lebensgeschichte.
Methode:
Behaviorismus (USA): Strenge Naturwissenschaft, oft Tierexperimente (z. B. Konditionierung).
Europäische Psychologie: Experimentelle Laborforschung am Menschen, aber auch geisteswissenschaftliche Ansätze und Introspektion (Selbstbeobachtung).
Menschenbild:
Behaviorismus (USA): Der Mensch wird stark von seiner Umwelt gesteuert und reagiert passiv auf Reize.
Europäische Psychologie: Der Mensch wird aktiver und differenzierter gesehen, mit eigenen inneren Strukturen und Anlagen.

Schon auf Grund dieser Unterschiede im Verständnis dessen, was eigentlich  in Menschen vorgeht, ist die Gleichsetzung der Begriffe Intelligence und Intelligenz grundlegend unzulässig.

Psychologische Perspektive: Funktionale Adaptivität vs. Menschliche Kognition

Aus psychologischer Sicht bezeichnet Intelligenz in ihrer grundlegendsten, neutralen Form die Fähigkeit, Wissen zu erwerben, zu repräsentieren und zielgerichtet zur Lösung von Problemen in neuen Situationen einzusetzen.

Funktional-neutraler Begriff: Unter dieser Definition erbringt ein KI-Modell zweifellos eine Form von „Intelligence“: Es greift auf enorme Daten- und Wissensmengen zu, verknüpft Muster und liefert zielgerichtete Lösungen.
Der Fehler der Laien (Anthropomorphismus): Wenn Laien über Intelligenz diskutieren, meinen sie meist nicht bloße Mustererkennung oder funktionale Problemlösung, sondern verwechseln Intelligenz mit:
Bewusstsein & Intentionalität (Das System „weiß“ oder „will“ etwas)
Verstehen im phänomenologischen Sinn (Semantik statt reiner Syntax)
Allgemein-menschlicher Kognition (Empathie, Selbstreflexion, Intuition)

Warum die Diskussion mit Laien oft scheitert

Dass Diskussionen über KI im Alltag schnell aneinander vorbeilaufen, hat zwei primäre Gründe:

Begriffsverwirrung (Kategoriefehler): Wenn man als Wissenschaftler oder Psychologe von AI spricht, meint der Begriff ein werkzeugbasiertes System zur Wissensverarbeitung und Problemlösung (Intelligence im CIA-Sinn). Das Gegenüber hört jedoch „Künstliches menschliches Gehirn“ (Intelligenz im Alltagssinn).

Kognitive Verzerrung durch Sprache: Da wir Sprache nutzen, um mit dem System zu interagieren, unterliegen Menschen dem automatischen Reflex, dem Gegenüber ein menschliches Innenleben zuzuschreiben (ELIZA-Effekt). Der Begriff „Künstliche Intelligenz“ verstärkt diesen Fehlschluss massiv.

Fazit: Der Streit um „Künstliche Intelligenz“ ist meist ein rein sprachliches Missverständnis. Der englische Begriff Artificial Intelligence meint – analog zu Central Intelligence Agency – den strukturierten Zugriff auf Wissen und Daten zur Problemlösung. Laien projizieren jedoch fälschlicherweise das deutsche Verständnis von menschlicher Intelligenz (Bewusstsein, Geist, Kognition) auf die Maschinen. Ein neutraler, psychologisch-funktionaler Blick trennt strikt zwischen musterbasierter Wissensanwendung (Intelligence) und menschlichem Bewusstsein/Verstehen.

GrĂĽnde fĂĽr die Ablehnung von kĂĽnstlicher Intelligenz

Die Ablehnung von KĂĽnstlicher Intelligenz (KI) ist ein intensives Forschungsfeld der Sozial- und Kognitionspsychologie sowie der Mensch-Computer-Interaktion (HCI). Die Forschung identifiziert mehrere zentrale psychologische Mechanismen, warum Menschen KI-Systeme ablehnen, meiden oder ihnen misstrauen.

Psychologische Hauptursachen fĂĽr die Ablehnung von KI

Algorithmen-Aversion (Algorithm Aversion), also das Phänomen, dass Menschen menschlichen Entscheidern Fehler eher verzeihen als algorithmischen Systemen. Ein einziger Fehler einer KI führt oft zu einem überproportional starken Vertrauensverlust – selbst wenn die KI statistisch nachweislich treffsicherer ist als der Mensch.
Verlust von Intransparenz: Da viele KI-Modelle als „Black Box“ agieren, empfinden Nutzer einen Mangel an Erklärbarkeit (Perceived Explainability). Fehlt das Verständnis dafür, wie eine Entscheidung zustande kommt, sinkt das Vertrauen schlagartig.

Bedrohung der menschlichen Identität und Einzigartigkeit
Psychologische Bedrohungstheorien zeigen, dass die KI-Entwicklung an Grundfeiler des menschlichen Selbstbilds rĂĽhrt (Threat to Human Uniqueness):
Autonomieverlust: In Bereichen, die bisher als rein menschlich galten (z. B. Kunst, Diagnostik, Recht oder Psychotherapie), empfinden Menschen das Auftauchen von KI als Entwertung menschlicher Fähigkeiten und Kontrolle.
Vernichtungs- und Identitätsangst (Annihilative Anxiety): Tief sitzende Sorgen, dass die Grenzen zwischen Mensch und Maschine verschwimmen und der Mensch als autonomer Akteur entbehrlich wird.

KI-Angst (AI Anxiety) und ethische Risikowahrnehmung
Forschungsarbeiten unterscheiden verschiedene Dimensionen von KI-bezogener Angst:
Antizipatorische Angst: Die Sorge vor zukĂĽnftigen gesellschaftlichen und beruflichen UmbrĂĽchen (z. B. Arbeitsplatzverlust oder Kontrollverlust).
Ethische Risikowahrnehmung: Bedenken hinsichtlich Datenschutz, Halluzinationen, Manipulation und Urheberrechtsverletzungen. Die Wahrnehmung ethischer Risiken gilt als einer der stärksten Prädiktoren für eine aktive KI-Aversion.

Das BedĂĽrfnis nach Personalisierung und Empathie
In Kontexten, die eine hohe subjektive Komponente erfordern (z. B. medizinische Entscheidungen, psychologische Beratung oder Kunst), bevorzugen Menschen konsistent menschliche Interaktion. Menschen schreiben KI-Systemen zwar analytische Kompetenz zu, sprechen ihnen jedoch echte Empathie, moralische Verantwortung und intuitive Urteilskraft ab.

Literatur

Castelo, N., Bos, M. W., & Lehmann, D. R. (2019). Task-dependent algorithm aversion. Journal of Marketing Research, 56(5), 809–825.
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126.
Frenkenberg, A., & Hochman, G. (2025). It’s scary to use it, it’s scary to refuse it: The psychological dimensions of AI adoption—Anxiety, motives, and dependency. Systems, 13(2), doi:10.3390/systems13020082
Jussupow, E., Benbasat, I., & Heinzl, A. (2020). Why are we averse towards algorithms? A meta-analysis of algorithm aversion. Proceedings of the 28th European Conference on Information Systems (ECIS).
Lu, Z., & Kim, J. J. H. (2026). A double-edged algorithm attitude: How appreciation and aversion shape students‘ AI learning anxiety in higher education. Behavioral Sciences, 16(6), doi:10.3390/bs16060932
Longoni, C., Bonezzi, A., & Morewedge, C. K. (2019). Resistance to medical artificial intelligence. Journal of Consumer Research, 46(4), 629–650.