Pseudocertainty-Effekt
Auf einen Blick
| Kategorie | Details |
|---|---|
| Definition | Eine kognitive Verzerrung, bei der Entscheidende ein Ergebnis als sicher wahrnehmen, obwohl es in Wirklichkeit unsicher ist. Sie tritt typischerweise bei mehrstufigen Entscheidungen auf, wenn die Unsicherheit der vorangehenden Stufen außer Acht gelassen wird. |
| Kategorie | Notwendigkeit, schnell zu handeln (Um Dinge zu erledigen, neigen wir dazu, das abzuschließen, in das wir Zeit und Energie investiert haben) |
| Schwierigkeit der Überwindung | Schwer |
| Verbreitung | Universell |
| Verwandte Verzerrungen | Sicherheitseffekt, Framing-Effekt, Verlustaversion, Isolationseffekt, Verzerrungen der Prospect Theory, Common-Ratio-Effekt |
1. Kurze Zusammenfassung
Bei komplexen, mehrstufigen Entscheidungen spielt unser Verstand uns einen Streich: Wir „streichen“ unsichere erste Schritte gedanklich weg und behandeln bedingte Ergebnisse, als wären sie garantiert. Wenn Sie eine Hürde nehmen müssen, um einen Preis zu gewinnen, neigen Sie dazu, die erste Hürde zu ignorieren und sich allein auf die „sichere Sache“ am Ende zu konzentrieren. So entsteht eine Illusion von Sicherheit, wo keine existiert, und wir treffen Entscheidungen, die irrational erschienen, wenn wir das ganze Bild sähen.
Einfach erklärt
Der Pseudocertainty-Effekt tritt auf, wenn sich etwas wie eine sichere Sache anfühlt, es aber gar nicht ist. Es gibt zwei Schritte, und der erste Schritt ist ein großes Vielleicht. Ihr Gehirn überspringt diesen Schritt und schaut nur auf den „ganz sicheren“ Teil am Ende.
Stellen Sie sich vor, Ihre Schule veranstaltet einen Quizwettbewerb. Die Lehrerin sagt, alle, die in die Finalrunde kommen, bekommen garantiert einen Preis. Sie stellen sich schon den Preis vor und wo Sie ihn aufbewahren. Aber nur wenige Kinder aus dem ganzen Jahrgang schaffen es ins Finale. Der Preis ist erst sicher, wenn Sie dort sind, und dorthin zu kommen ist der schwere Teil. Handyspiele nutzen denselben Trick. „Gewinne Runde zwei, dann gehört dir der seltene Skin ganz sicher!“ klingt toll, bis Sie daran denken, dass die meisten Spieler nie über Runde eins hinauskommen.
Hier ist ein einfacher Trick. Wenn Sie „garantiert“ oder „ganz sicher“ hören, fragen Sie sich: „Was muss zuerst passieren?“ Überlegen Sie dann, wie wahrscheinlich dieser erste Schritt wirklich ist. Die echte Chance ist meistens kleiner, als sie sich anfühlt.
2. Die Wissenschaft dahinter
2.1. Entdeckung und Geschichte
Der Pseudocertainty-Effekt wurde 1981 von Amos Tversky und Daniel Kahneman in ihrem Aufsatz „The Framing of Decisions and the Psychology of Choice“ erstmals formal beschrieben. Diese Entdeckung ging aus ihrer umfassenderen Arbeit zur Prospect Theory hervor, die die damals vorherrschende Erwartungsnutzentheorie (Expected Utility Theory, EUT) infrage stellte, welche das ökonomische Denken über menschliche Entscheidungen geprägt hatte.
Zu jener Zeit stand die Entscheidungsforschung mitten in einem großen Umbruch. Die klassische Ökonomie ging davon aus, dass Menschen rationale Akteure sind, die Wahrscheinlichkeiten systematisch berechnen und den erwarteten Nutzen maximieren. Die empirische Forschung von Tversky und Kahneman deckte grundlegende Abweichungen von diesen normativen Annahmen auf und zeigte, dass menschliche Präferenzen stark davon verzerrt werden, wie Ergebnisse gerahmt sind.
Spätere internationale Forschung übertrug die Arbeit von Glücksspielexperimenten im Labor auf reale Anwendungen in Versicherung, Gesundheitswesen, Militärstrategie und Marketing. Deutsche Forschende untersuchten die zugrunde liegenden Axiomverletzungen, spanische und niederländische Teams quantifizierten den Effekt im Versicherungskontext, und amerikanische Forschende weiteten ihn auf medizinische Entscheidungen aus.
2.2. Wichtige Forschende
| Forschende | Beitrag | Jahr |
|---|---|---|
| Amos Tversky & Daniel Kahneman | Erste formale Beschreibung des Pseudocertainty-Effekts; entwickelten grundlegende Experimente, darunter das Asian Disease Problem | 1981 |
| Carmen Herrero, Josefa Tomás & Antonio Villar | Experimentelle Tests zur probabilistischen Versicherung, die die Unvereinbarkeit mit der Erwartungsnutzentheorie zeigen (Spanien) | 2006 |
| Peter P. Wakker et al. | Quantifizierten die „Sicherheitsprämie“ in der Versicherung und fanden, dass Probanden für 1 % Ausfallrisiko einen Abschlag von mehr als 20 % verlangen (Niederlande) | 1997 |
| Ulrich Schmidt & Christian Seidl | Untersuchten die dem Pseudocertainty-Effekt zugrunde liegenden Axiomverletzungen über Forschung zum Common-Ratio-Effekt (Deutschland) | 2014 |
| Meng Li & Gretchen Chapman | Identifizierten die „Reinheitsprämie“ („Purity Premium“) bei Impfstoffpräferenzen und übertrugen die Pseudosicherheit damit auf die Gesundheitspsychologie | 2009 |
| Valerie Reyna | Entwickelte die Fuzzy-Trace-Theorie als alternative Erklärung für Pseudosicherheits-Phänomene | Verschiedene |
2.3. Meilensteinstudien
Das Asian Disease Problem (Tversky & Kahneman, 1981)
Dieses Experiment bleibt der Goldstandard, um zu zeigen, wie semantisches Framing Pseudosicherheit erzeugt und Risikopräferenzen umkehrt.
Methodik: Den Teilnehmenden wurde gesagt, die USA bereiteten sich auf eine ungewöhnliche asiatische Krankheit vor, die voraussichtlich 600 Menschen töten werde. Sie wählten zwischen zwei alternativen Programmen.
Positiver Frame (Gewinne):
- Programm A: 200 Menschen werden gerettet.
- Programm B: Mit der Wahrscheinlichkeit von 1/3 werden 600 gerettet; mit der Wahrscheinlichkeit von 2/3 wird niemand gerettet.
Ergebnisse: 72 % wählten Programm A: Der „sichere Gewinn“ wurde übergewichtet, was zu Risikoaversion führte.
Negativer Frame (Verluste):
- Programm C: 400 Menschen werden sterben.
- Programm D: Mit der Wahrscheinlichkeit von 1/3 stirbt niemand; mit der Wahrscheinlichkeit von 2/3 sterben 600.
Ergebnisse: 78 % wählten Programm D. Angesichts des „sicheren Todes“ (Verlust) wurden die Probanden risikosuchend.
Zentraler Befund: Die Programme A und C sind mathematisch identisch (ebenso B und D), doch das Framing kehrte die Präferenzen um. Der positive Frame erzeugt die Pseudosicherheit des „Lebensrettens“, der negative Frame die Pseudosicherheit des „Todesurteils“, und beides löst entgegengesetztes Risikoverhalten aus.
Replikation: Das Projekt Many Labs 1 (Klein et al., 2014) wiederholte dieses Gewinn-/Verlust-Framing-Problem in 36 Stichproben mit insgesamt 6.344 Teilnehmenden. Der Framing-Effekt replizierte sich, wenn auch der gepoolte Effekt kleiner war als in der Originalstudie.
Das Zwei-Stufen-Spiel-Experiment (Tversky & Kahneman, 1981)
Dieses Experiment isolierte den „Streichungs“-Mechanismus, indem es emotionale Inhalte entfernte.
Problem 1 (Zwei-Stufen-Struktur):
- Stufe 1: 75 % Chance, das Spiel mit nichts zu beenden; 25 % Chance weiterzukommen.
- Wahl in Stufe 2: (A) Sicherer Gewinn von $30 oder (B) 80 % Chance, $45 zu gewinnen.
- Ergebnisse: 74 % wählten Option A.
Problem 2 (Ein-Stufen-Struktur):
- Option C: 25 % Chance, $30 zu gewinnen.
- Option D: 20 % Chance, $45 zu gewinnen.
- Ergebnisse: 58 % wählten Option D.
Mathematische Analyse: Option A und Option C sind identisch (beide ergeben eine Wahrscheinlichkeit von 25 % auf $30). Dennoch wählten im Zwei-Stufen-Spiel 74 % die „sicheren“ $30, während in der Ein-Stufen-Version 58 % sie ablehnten.
Schlussfolgerung: Die Probanden „strichen“ die erste Stufe und behandelten Option A als Gewissheit statt als Wahrscheinlichkeit von 25 %. Das ist der Kernmechanismus der Pseudosicherheit.
Studien zur probabilistischen Versicherung (Wakker et al., 1997; Herrero et al., 2006)
Niederländische Forschende befragten Studierende, Führungskräfte und Portfoliomanager nach ihrer Zahlungsbereitschaft für „probabilistische Versicherung“ (Policen mit einer kleinen Chance, nicht auszuzahlen).
Zentraler Befund: Für eine Versicherung mit nur 1 % Ausfallrisiko (99 % Auszahlungswahrscheinlichkeit) verlangten die Befragten eine Prämienermäßigung von mehr als 20 %. Die Erwartungsnutzentheorie würde für ein Risiko von 1 % einen Abschlag von 1-2 % vorhersagen. Die gewaltige Diskrepanz quantifiziert den Pseudocertainty-Effekt. Die „Sicherheits“-Komponente ist mehr als 20 % der Prämie wert.
Spanische Forschende bestätigten, dass risikoaverse Akteure, die zwischen voller Versicherung und keiner Versicherung indifferent sind, systematisch die volle Versicherung der probabilistischen Versicherung vorziehen, ein Befund, der mit der Standard-EUT unvereinbar ist.
Die Studie zur Reinheitsprämie (Li & Chapman, 2009)
Die Forschenden übertrugen die Pseudosicherheit auf die Gesundheitspsychologie, indem sie Impfstoffpräferenzen untersuchten.
Experiment: Die Teilnehmenden wählten zwischen:
- Impfstoff A: „100 % wirksam gegen 70 % der Virusstämme.“
- Impfstoff B: „70 % wirksam gegen alle Virusstämme.“
Mathematische Wirklichkeit: Beide Impfstoffe bieten eine identische Nettowirksamkeit von 70 %.
Ergebnisse: Die Teilnehmenden bevorzugten Impfstoff A überwältigend. Die Zahl „100 %“ erzeugt Pseudosicherheit innerhalb ihres Bereichs: Der Impfstoff erscheint für das, was er abdeckt, „perfekt“, während Impfstoff B trotz identischen Schutzes überall „mangelhaft“ erscheint.
2.4. Neurologische Grundlage
Der Pseudocertainty-Effekt wirkt über einen zweiphasigen kognitiven Prozess, den die Prospect Theory beschreibt:
Die Editierphase: Das Gehirn konstruiert eine mentale Repräsentation von Handlungen, Eventualitäten und Ergebnissen und versucht, komplexe Probleme zu vereinfachen, um die kognitive Last zu senken. Die wichtigste Operation ist die „Streichung“ („cancellation“): Bei mehrstufigen Problemen ignorieren Menschen Wahrscheinlichkeiten, die allen Ergebnissen gemeinsam sind. Dadurch wird die bedingte Wahrscheinlichkeit P(A|B) in die einfache Gewissheit P(A)=1,0 verwandelt.
Die Bewertungsphase: Die Gewichtungsfunktion verleiht der Gewissheit ein unverhältnismäßiges psychologisches Gewicht. Die Wirkung einer Risikosenkung von 1 % auf 0 % übersteigt die einer Senkung von 50 % auf 49 % bei Weitem. Wenn die Editierung die Illusion von Gewissheit erzeugt, weist die Bewertung dieses aufgeblähte Gewicht einem Ergebnis zu, das in Wirklichkeit nur wahrscheinlich ist.
Alternative der Fuzzy-Trace-Theorie: Valerie Reynas Forschung legt nahe, dass Menschen sich auf „Gist“-Repräsentationen („etwas Risiko“ vs. „kein Risiko“) stützen statt auf präzise Wahrscheinlichkeitsberechnungen. Der Gist einer mehrstufigen Entscheidung reduziert die erste Stufe auf eine Nichtigkeit und richtet den Blick nur auf das kategoriale Ergebnis der zweiten Stufe.
Der Effekt nutzt das menschliche Bedürfnis nach „Abschluss“ und nach dem Ende der Sorge aus und bietet psychologischen Trost in grundsätzlich stochastischen Umgebungen.
3. Evolutionäre Ursprünge
Der Pseudocertainty-Effekt entstand wahrscheinlich als Mechanismus kognitiver Effizienz. Unsere Vorfahren standen täglich vor unzähligen Entscheidungen in Umgebungen, in denen erschöpfende Wahrscheinlichkeitsberechnungen lähmend gewesen wären. Die Fähigkeit, mehrstufige Risiken in überschaubare Happen zu zerlegen, verschaffte Überlebensvorteile.
In den Umwelten unserer Vorfahren war diese Verzerrung adaptiv: Wer Beute verfolgte (Stufe 1), um an Nahrung zu kommen (Stufe 2), und sich ganz auf die Jagd konzentrierte, statt kumulative Misserfolgswahrscheinlichkeiten auszurechnen, erzielte bessere Ergebnisse. Der Jäger, der von jedem möglichen Fehlschlag besessen war, hätte gezögert; der, der das vorgelagerte Risiko „wegstrich“ und sich auf das unmittelbare Handeln konzentrierte, hatte Erfolg.
Die Verzerrung spiegelt das grundlegende Bedürfnis unseres Gehirns wider, kognitive Energie zu sparen. Die wahren bedingten Wahrscheinlichkeiten für aufeinanderfolgende Entscheidungen zu berechnen, erfordert erhebliche mentale Ressourcen. Indem wir bedingte Ergebnisse als sicher behandeln, sobald wir gedanklich „in“ einem Szenario sind, senken wir die kognitive Last drastisch.
Das ist wohl Fehler und Merkmal zugleich: Es ermöglichte schnelles, selbstsicheres Handeln in Umgebungen, in denen die Kosten gelegentlicher Irrtümer vom Nutzen entschlossenen Verhaltens aufgewogen wurden. Das Problem ist, dass moderne Umgebungen (Versicherungsmärkte, Gesundheitsentscheidungen, komplexe Geldanlagen) diese Heuristik hart bestrafen, in Situationen, die unsere Vorfahren nie kannten.
4. Wie sich diese Verzerrung zeigt
4.1. Im Alltag
Der Pseudocertainty-Effekt durchzieht alltägliche Entscheidungen, oft unsichtbar:
Mehrstufige Planung: Wenn wir einen Urlaub planen, der Flugverbindungen, verfügbare Hotels und mitspielendes Wetter erfordert, konzentrieren wir uns oft auf die Hotelbuchung (Stufe 2), als wäre die Ankunft garantiert, und ignorieren die kumulative Wahrscheinlichkeit von Störungen.
Passwortsicherheit: Nutzer verwenden Passwörter auf mehreren Seiten wieder und „isolieren“ gedanklich jedes Login. Sie behandeln die Sicherheit jeder Seite als gegeben und ignorieren die kumulative Wahrscheinlichkeit, dass ein Datenleck alle Konten gefährdet.
Garantien und Gewährleistungen: Verbraucher überbewerten „100 % Geld-zurück-Garantien“ selbst dann, wenn die Rückgabeprozesse kompliziert sind, und behandeln die Garantie trotz bedingter Voraussetzungen als sicheren Schutz.
Beziehungen: Menschen binden sich an Zukunftspläne, die vom Erfolg der Beziehung abhängen, „streichen“ gedanklich die Möglichkeit einer Trennung und behandeln gemeinsame künftige Anschaffungen als sicher.
4.2. Am Arbeitsplatz
Projektplanung: Manager stellen Ergebnisse der Stufe 2 oft als sicher dar, sobald Stufe 1 genehmigt ist, und ignorieren die Wahrscheinlichkeit, dass erste Phasen scheitern oder sich im Umfang ändern.
Karriereentscheidungen: Beschäftigte nehmen Stellen an, die an versprochene Beförderungen geknüpft sind, behandeln die Beförderung als sicher und „streichen“ dabei die Unsicherheit organisatorischer Veränderungen.
Leistungsbeurteilungen: Beurteilende behandeln bedingte Leistungen („wenn X eintritt, folgt Y“) möglicherweise als sichere Ergebnisse und blähen so die Leistungseinschätzung auf.
Risikomanagement: Teams bewerten Risiken häufig auf jeder Stufe unabhängig, statt die kumulative Wahrscheinlichkeit zu berechnen, was zu einer systematischen Unterschätzung der Risiken mehrphasiger Projekte führt.
4.3. In Wirtschaft und Marketing
Die „Gratis-Testphase“ als Falle: Die Abonnementwirtschaft nutzt Pseudosicherheit unmittelbar aus. Stufe 1 (die kostenlose Testphase) hat kein Risiko und keine Kosten und erzeugt den Eindruck eines „sicheren Gewinns“. Verbraucher „streichen“ Stufe 2 (automatische Abrechnung) und behandeln die Transaktion als kostenlos statt als bedingte Zahlung. Das erzeugt Millionen „Zombie-Abonnements“: Dienste, für die Verbraucher zahlen, die sie aber nie nutzen.
„100 %“-Versprechen und die Reinheitsprämie: Marketer nutzen „pseudorelevante 100-%-Versprechen“ wie „100 % Bio“, „100 % rein“ und „100 % Zufriedenheitsgarantie“, um die Sicherheitsverzerrung auszulösen. Die Forschung bestätigt, dass Verbraucher für 100-%-Labels Aufpreise zahlen, selbst wenn praktische Unterschiede zu 99 % vernachlässigbar sind. Diese Versprechen erzeugen „Spillover-Effekte“, bei denen wahrgenommene Reinheit in einem Merkmal grundlose Annahmen über andere hervorruft.
Werbe-Framing: Produkte werden als „garantierte“ Lösungen für Probleme positioniert, was Verbraucher ermutigt, den unsicheren ersten Schritt (wird es bei mir wirken?) gedanklich zu überspringen und sich auf den „sicheren“ Nutzen zu konzentrieren.
4.4. In Politik und Medien
Die One-Percent-Doktrin: Nach dem 11. September formulierte Vizepräsident Cheney eine Politik, die schon eine Wahrscheinlichkeit von 1 % für eine katastrophale Bedrohung für Entscheidungszwecke als Gewissheit behandelte. Das institutionalisierte Pseudosicherheit: Es verwandelte p=0,01 künstlich in p=1,0 und zwang die „Editierphase“, die 99%ige Wahrscheinlichkeit des Nichteintretens zu streichen. Das trieb wichtige politische Entscheidungen an, darunter die Invasion des Irak.
Rote Linien in der Diplomatie: Wenn Staaten ausdrückliche „rote Linien“ ziehen, erzeugen sie bei Gegnern Pseudosicherheit. Wird die Linie jedoch folgenlos überschritten, bricht die Illusion zusammen, und der abschreckende Wert verflüchtigt sich. Das zeigt, dass Pseudosicherheit als Waffe dienen, aber auch nach hinten losgehen kann.
Wahlversprechen: Politiker stellen mehrstufige politische Ergebnisse als sicher dar („Wenn ich gewählt werde, liefere ich X“) und ermutigen Wähler, die Unsicherheit der Umsetzung zu „streichen“.
4.5. Im Gesundheitswesen
Entscheidungen bei Krebsbehandlungen: Die Forschung zeigt, dass ältere Patientinnen und Patienten risikoaverse Behandlungen wählen, wenn Überlebensraten positiv dargestellt werden (Pseudosicherheit des Überlebens), aber zu riskanteren Behandlungen wechseln, wenn Sterblichkeitsraten dargestellt werden (Vermeidung der Pseudosicherheit des Todes).
Die Reinheitsprämie bei Impfstoffen: Patienten bevorzugen Impfstoffe, die als „100 % wirksam gegen 70 % der Stämme“ beschrieben werden, gegenüber „70 % wirksam gegen alle Stämme“, trotz identischen Schutzes. Das zeigt, wie medizinisches Framing folgenreiche Pseudosicherheit erzeugt.
Schwankende Aufklärung: Ärztinnen und Ärzte können Patienten unbeabsichtigt zu aggressiver oder palliativer Behandlung lenken, allein indem sie Statistiken als „Überlebenschancen“ oder als „Sterberisiko“ darstellen, was über den Pseudosicherheits-Mechanismus entgegengesetzte Risikopräferenzen auslöst.
Therapietreue: Patienten sehen Medikationspläne möglicherweise als „Garantien“, sobald sie verschrieben sind, und „streichen“ die Bedingtheit der Wirksamkeit (abhängig von konsequenter Einnahme, Lebensstilfaktoren usw.).
4.6. In Finanzen und Geldanlage
Ablehnung probabilistischer Versicherung: Verbraucher lehnen mathematisch solide probabilistische Versicherungen ab (z. B. 99 % Auszahlungswahrscheinlichkeit) und verlangen massive Prämienabschläge (mehr als 20 % für 1 % Ausfallrisiko). Das zeigt, dass der meiste Versicherungswert aus wahrgenommener Sicherheit statt aus dem Erwartungswert stammt.
Aufeinanderfolgende Anlageentscheidungen: Anleger behandeln Erträge der zweiten Stufe als sicher, sobald die Erstinvestitionen getätigt sind, und ignorieren die Kette bedingter Wahrscheinlichkeiten, die die Ergebnisse tatsächlich bestimmt.
Altersvorsorge: Menschen konzentrieren sich auf das prognostizierte Renteneinkommen (Stufe 2) und „streichen“ dabei Marktrisiken, Beschäftigungssicherheit und gesundheitliche Unsicherheiten (Eventualitäten der Stufe 1).
Optionen und Derivate: Komplexe Finanzinstrumente mit mehrstufigen Auszahlungsstrukturen werden systematisch falsch bewertet, weil Anleger bedingte Wahrscheinlichkeiten nicht intuitiv verarbeiten können.
5. Fallstudien aus der Praxis
Fallstudie 1: Die Verteidigung von Pearl Harbor (1941)
-
Kontext: 1941 standen die US-Befehlshaber Admiral Kimmel und General Short vor begrenzten Mitteln, um Hawaii gegen zwei Hauptbedrohungen zu verteidigen: Sabotage durch örtliche Agenten und einen Luftangriff der japanischen Flotte.
-
Was geschah: General Short ließ alle Flugzeuge dicht an dicht, Flügelspitze an Flügelspitze, auf dem Rollfeld zusammenstellen. So ließen sie sich mit weniger Wachposten leicht bewachen, waren aber katastrophal anfällig für einen Luftangriff.
-
Die Verzerrung bei der Arbeit: Die Befehlshaber verarbeiteten Risiken mehrstufig und fielen der Pseudosicherheit zum Opfer. Sabotage fühlte sich unmittelbar, greifbar und wahrscheinlich an; ein Luftangriff fühlte sich abstrakt und unwahrscheinlich an. Indem Short die „sichere“ Verteidigung gegen Sabotage priorisierte, „strich“ er gedanklich die Wahrscheinlichkeit eines Luftangriffs und behandelte die zusammengestellten Flugzeuge als sicher verteidigt, statt die Bedingtheit dieser Sicherheit zu erkennen.
-
Folgen: Als die japanische Luftflotte eintraf, waren die zusammengestellten Flugzeuge leichte Ziele. Die Befehlshaber hatten die Verteidigung gegen ein katastrophales, aber unsicheres Ereignis gegen die Verteidigung gegen ein beherrschbares, aber „sicheres“ eingetauscht. Der Angriff zerstörte 188 Flugzeuge und beschädigte 159 weitere und tötete 2.403 Amerikaner.
-
Gewonnene Erkenntnisse: Die strategische Risikobewertung muss kumulative Wahrscheinlichkeiten über alle Bedrohungsvektoren berechnen, statt jede Bedrohung isoliert zu betrachten. Die „sichere Sache“ in einem Bereich kann in einem anderen eine katastrophale Verwundbarkeit schaffen.
Fallstudie 2: Die Abonnementwirtschaft und Zombie-Abonnements
-
Kontext: Die Abonnementwirtschaft ist im vergangenen Jahrzehnt um 435 % gewachsen, vor allem getrieben vom Geschäftsmodell der „Gratis-Testphase“.
-
Was geschah: Millionen Verbraucher melden sich für kostenlose Testphasen an und ordnen sie gedanklich als Transaktionen „ohne Risiko“ ein. Wenn die Testphasen in bezahlte Abonnements übergehen, zahlen viele Verbraucher weiter für Dienste, die sie nie nutzen („Zombie-Abonnements“).
-
Die Verzerrung bei der Arbeit: Die Zwei-Stufen-Struktur spiegelt die Lotterieexperimente von Tversky und Kahneman genau. Stufe 1 (Gratis-Testphase) kostet nichts und erzeugt die Pseudosicherheit eines Nutzens. Stufe 2 (automatische Abrechnung) ist probabilistisch: Verbraucher könnten daran denken zu kündigen oder auch nicht, könnten den Dienst schätzen oder auch nicht. Indem sie die Unsicherheit der Stufe 2 „streichen“, behandeln Verbraucher Gratis-Testphasen als reinen Gewinn.
-
Folgen: Finanzielle Verschwendung der Verbraucher für ungenutzte Dienste; Geschäftsmodelle, die auf der Ausnutzung kognitiver Verzerrung statt auf Nutzenstiftung beruhen; schwindendes Vertrauen in Abonnementdienste.
-
Gewonnene Erkenntnisse: Mehrstufige Entscheidungsstrukturen sollten eine bewusste Wahrscheinlichkeitsrechnung auslösen. „Gratis“ ist nie gratis, wenn es an künftige Zahlungen geknüpft ist.
Historisches Beispiel: Die One-Percent-Doktrin
Nach dem 11. September 2001 institutionalisierte die US-Regierung die Pseudosicherheit durch die sogenannte „One-Percent-Doktrin“. Vizepräsident Cheney formulierte das Prinzip: Wenn es auch nur eine Chance von 1 % auf eine katastrophale Bedrohung gibt (etwa Massenvernichtungswaffen in den Händen von Terroristen), müssen die USA sie in ihrer Reaktion als Gewissheit behandeln.
Diese Anwendung auf politischer Ebene verwandelte Ereignisse geringer Wahrscheinlichkeit (p=0,01) künstlich in funktionale Gewissheiten (p=1,0). Per Anordnung wurde die „Editierphase“ der strategischen Planung gezwungen, die 99%ige Wahrscheinlichkeit des Nichteintretens zu „streichen“.
Die Doktrin trieb die Invasion des Irak und den massiven Ausbau des Überwachungsstaats an. Sie zeigt, wie Pseudosicherheit als Regierungspolitik institutionalisiert werden kann, mit historischen Folgen. Die Verzerrung, die normalerweise unbewusst in Einzelentscheidungen wirkt, wurde zur offiziellen Doktrin erhoben, und ihre Wirkung vervielfachte sich.
6. Die Kosten dieser Verzerrung
6.1. Persönliche Kosten
Finanzielle Verluste: Jährlich gehen Millionen durch Zombie-Abonnements, überteuerte „garantierte“ Produkte und die Ablehnung solider probabilistischer Finanzprodukte verloren.
Schlechte Gesundheitsentscheidungen: Patienten wählen wegen Framing-Effekten suboptimale Behandlungen und nehmen womöglich kürzere Lebensspannen oder schlechtere Ergebnisse in Kauf, weil sie bedingte medizinische Statistiken nicht genau verarbeiten konnten.
Belastete Beziehungen: Übermäßige Bindung an Zukunftspläne auf Grundlage „sicherer“ Beziehungsverläufe, gefolgt von Enttäuschung, wenn sich die Eventualitäten verwirklichen.
Verpasste Chancen: Ablehnung überlegener probabilistischer Optionen zugunsten unterlegener „sicherer“, von Karriereschritten bis zu Anlagemöglichkeiten.
Trügerisches Sicherheitsgefühl: Menschen glauben, geschützt zu sein (durch Garantien, Versicherungen, Pläne), obwohl der Schutz tatsächlich von Faktoren abhängt, die sie gedanklich gestrichen haben.
6.2. Berufliche Kosten
Projektscheitern: Systematische Unterschätzung kumulativer Risiken in mehrphasigen Projekten, was zu Budgetüberschreitungen, verpassten Terminen und gescheiterten Vorhaben führt.
Schlechte strategische Entscheidungen: Organisationen verteilen wie die Verteidiger von Pearl Harbor Ressourcen auf „sichere“ Bedrohungen, während sie gegen unsichere katastrophal verwundbar bleiben.
Karrierefehltritte: Annahme von Stellen oder Aufgaben auf Grundlage „versprochener“ Ergebnisse, die immer bedingt waren.
Innovationsstillstand: Vorliebe für „sichere“ schrittweise Verbesserungen gegenüber probabilistisch überlegenen Durchbruchchancen.
6.3. Gesellschaftliche Kosten
Politikversagen: Die One-Percent-Doktrin zeigt, wie institutionalisierte Pseudosicherheit Entscheidungen in Billionenhöhe auf fragwürdiger Grundlage antreiben kann.
Untätigkeit beim Klima: Klimaschutz wird typischerweise als „sicherer Verlust jetzt für unsicheren Gewinn später“ gerahmt, ein Frame, der eine von Pseudosicherheit getriebene Präferenz für den Status quo auslöst. Milliarden Menschen widersetzen sich dem Handeln, weil das Framing genau das falsche Risikoprofil aktiviert.
Geheimdienstversagen: Die US-Nachrichtendienste tun sich schwer mit „schwachen Signalen“: Indikatoren geringer Wahrscheinlichkeit werden in der Analyse verworfen, weil sie nicht zu den vorherrschenden „sicheren“ Narrativen passen. Diese verworfenen Signale sind oft der Schlüssel zur Verhinderung von Katastrophen.
Marktverzerrungen: Versicherungsmärkte, Finanzprodukte und Konsumgüter sind falsch bepreist, weil Anbieter irrationale Sicherheitspräferenzen statt der versicherungsmathematischen Wirklichkeit berücksichtigen müssen.
6.4. Statistische Auswirkungen
Versicherungsmärkte: Wakker et al. fanden, dass Verbraucher für 1 % Ausfallrisiko Prämienermäßigungen von mehr als 20 % verlangen, was die massive ökonomische Verzerrung durch Sicherheitspräferenzen quantifiziert.
Medizinische Entscheidungen: Die Präferenzumkehr von 72 % gegenüber 78 % im Asian Disease Problem zeigt das Ausmaß der durch Framing verursachten Inkonsistenz von Entscheidungen in Fragen von Leben und Tod.
Lotteriepräferenzen: Die Wahlumkehr von 74 % gegenüber 58 % im Zwei-Stufen-Spiel zeigt, wie mathematisch identische Optionen bei unterschiedlichem Framing entgegengesetzte Präferenzen hervorrufen.
7. Die verborgenen Vorteile
Der Pseudocertainty-Effekt ist nicht rein negativ. Er erfüllt psychologische und funktionale Zwecke.
Kognitive Effizienz: Die wahren bedingten Wahrscheinlichkeiten für jede mehrstufige Entscheidung zu berechnen, wäre kognitiv erschöpfend. Die Fähigkeit, aufeinanderfolgende Entscheidungen in überschaubare Stufen zu vereinfachen, ermöglicht in den meisten Situationen schnelleres Entscheiden.
Handlungsfähigkeit: Eine übermäßige Konzentration auf kumulative Unsicherheit kann zu Lähmung führen. Indem Menschen Risiken früher Stufen „streichen“, können sie sich auf Handlungen festlegen, die sie sonst vielleicht vermeiden würden, manchmal zu ihrem Vorteil.
Emotionsregulation: Der Pseudocertainty-Effekt verschafft psychologischen „Abschluss“ und beseitigt Sorge. In Umgebungen, in denen Angst teurer ist als gelegentliche schlechte Entscheidungen, hat dieser emotionale Nutzen echten Wert.
Soziale Koordination: Geteilte Pseudosicherheit ermöglicht kollektives Handeln. Gruppen können sich leichter auf mehrstufige Pläne festlegen, wenn Mitglieder Ergebnisse der Stufe 2 als sicher behandeln, statt endlos über Eventualitäten der Stufe 1 zu debattieren.
In vielen Umgebungen adaptiv: Für die meisten Routineentscheidungen funktioniert die Vereinfachung gut genug. Probleme verursacht die Verzerrung vor allem in folgenreichen Bereichen (Gesundheit, Finanzen, Strategie), wo die Kosten von Fehlern schwer wiegen.
Pseudosicherheit vollständig zu beseitigen, würde einen untragbaren kognitiven Aufwand erfordern und könnte die Handlungsfähigkeit stärker beeinträchtigen, als es die Ergebnisse verbessert. Das Ziel ist nicht Beseitigung, sondern Bewusstsein: zu wissen, wann man die Standardvereinfachung übersteuern sollte.
8. Selbsteinschätzung: Haben Sie diese Verzerrung?
8.1. Checkliste mit Warnzeichen
- Ich melde mich oft für Gratis-Testphasen an und denke: „Ich kündige auf jeden Fall, bevor die Abrechnung beginnt“
- Wenn ich mehrstufige Pläne bewerte, konzentriere ich mich vor allem auf das Endergebnis statt auf die Wahrscheinlichkeit, jede Stufe zu erreichen
- Ich bevorzuge Produkte mit „100 % garantiert“-Labels, auch wenn ich nicht sicher bin, was die Garantie tatsächlich abdeckt
- Ich habe Versicherungspolicen mit „Komplettschutz“ abgeschlossen, ohne zu berechnen, ob sie wirtschaftlich sind
- Bei aufeinanderfolgenden Entscheidungen behandle ich das Erreichen der nächsten Stufe als gegeben, sobald ich begonnen habe
- Ich fühle mich zu Optionen hingezogen, die als „sicher“ oder „garantiert“ beschrieben werden, auch wenn Alternativen bessere Erwartungswerte haben
- Ich war überrascht, wenn Pläne in frühen Stufen scheiterten, die ich nie wirklich bedacht hatte
- Es fällt mir schwer, Wahrscheinlichkeiten intuitiv zu multiplizieren (z. B. wie viel sind 25 % × 80 %?)
- Ich habe für Dienste bezahlt, von denen ich vergessen hatte, sie abonniert zu haben
- Wenn etwas mehrere Schritte hat, konzentriere ich mich auf „was passiert, wenn ich dort ankomme“ statt auf „wie groß ist die Chance, dass ich dort ankomme“
Auswertung:
- 0-2 angekreuzt: Geringe Anfälligkeit
- 3-5 angekreuzt: Mittlere Anfälligkeit
- 6-8 angekreuzt: Hohe Anfälligkeit
- 9-10 angekreuzt: Sehr hohe Anfälligkeit
8.2. Fragen zur Selbstreflexion
-
Denken Sie an eine kürzliche wichtige Entscheidung mit mehreren Stufen. Haben Sie die Erfolgswahrscheinlichkeit jeder Stufe berechnet, oder haben Sie sich hauptsächlich auf das Endergebnis konzentriert?
-
Sind Sie schon einmal in einem Abonnement oder einer Verpflichtung hängen geblieben, die Sie vergessen hatten? Was sagt das darüber aus, wie Sie das ursprüngliche „kostenlose“ oder „Test“-Angebot bewertet haben?
-
Wenn Sie „100 % garantiert“ oder „voll abgedeckt“ sehen: Prüfen Sie, welche Bedingungen gelten, oder spüren Sie sofort Beruhigung?
-
Erinnern Sie sich an eine Situation, in der etwas in einer frühen Stufe scheiterte, die Sie nicht ernsthaft bedacht hatten? Wie fühlte sich diese Überraschung an?
-
Haben Freunde oder Kollegen Sie je darauf hingewiesen, dass Sie bei Ergebnissen, die von unsicheren ersten Schritten abhängen, übermäßig zuversichtlich wirken?
8.3. Schnelles Diagnose-Szenario
Szenario: Ihnen werden zwei Optionen für die Altersvorsorge angeboten:
-
Option A: Eine zweistufige Anlage. Zuerst fließt Ihr Geld in einen Wachstumsfonds, der mit 75 % Wahrscheinlichkeit für die zweite Stufe qualifiziert ist. Wenn Sie sich qualifizieren, ist Ihnen eine Rendite von 10 % garantiert.
-
Option B: Eine einfache Anlage mit 20 % Chance auf eine Rendite von 10 %.
Wie würden Sie reagieren?
-
A) Option A ist eindeutig besser: Sobald ich mich qualifiziere, ist meine Rendite garantiert! → Hohe Anfälligkeit (Sie „streichen“ die Wahrscheinlichkeit von 75 % in der ersten Stufe; die Optionen A und B sind nicht gleichwertig, aber Option A ist nicht „eindeutig besser“, nur weil Stufe 2 garantiert ist)
-
B) Ich muss die tatsächlichen Wahrscheinlichkeiten berechnen: Option A bedeutet 75 % × 100 % = 75 % Chance auf eine Rendite von 10 %; Option B bedeutet 20 % Chance auf eine Rendite von 10 %. Also ist Option A besser, aber nicht wegen der „Garantie“ → Geringe Anfälligkeit
-
C) Die „garantierte“ zweite Stufe in Option A gibt mir mehr Zuversicht, aber ich erkenne, dass das wahrscheinlich der Pseudocertainty-Effekt ist → Mittlere Anfälligkeit (Bewusstsein ohne vollständiges Übersteuern)
9. Diese Verzerrung bei anderen erkennen
9.1. Verhaltensindikatoren
Beobachtbare Muster:
- Übermäßige Zuversicht bei Ergebnissen, die von unsicheren Vorbedingungen abhängen
- Starke Vorliebe für Optionen, die als „garantiert“ oder „sicher“ gekennzeichnet sind, ohne die Bedingungen zu prüfen
- Überraschung oder Frust, wenn mehrstufige Pläne in frühen Stufen scheitern
- Schwierigkeit, auf Nachfrage die wahre Wahrscheinlichkeit aufeinanderfolgender Ergebnisse zu erklären
- Systematische Anhäufung ungenutzter Abonnements oder Mitgliedschaften
- Widerstand gegen „probabilistische“ Optionen, auch wenn sie mathematisch überlegen sind
Entscheidungsmuster:
- Jede Stufe einer Entscheidung unabhängig bewerten, statt die kumulative Wahrscheinlichkeit zu berechnen
- Präferenzen ändern, wenn dieselbe Option als Gewinn statt als Verlust gerahmt wird
- Den Nutzen des „letzten Schritts“ übergewichten und die Wahrscheinlichkeit, „dorthin zu gelangen“, untergewichten
9.2. Warnsignale im Gespräch
Sätze, die Menschen unter dieser Verzerrung sagen:
- „Sobald wir die erste Phase hinter uns haben, ist der Erfolg garantiert“
- „Ich kann ja immer noch kündigen, bevor sie mich belasten“
- „Das hier ist zu 100 % abgedeckt, also nehme ich es“
- „Wenn wir es in Stufe 2 schaffen, haben wir im Grunde gewonnen“
- „Ich will die sichere Sache, kein Glücksspiel“
Arten von Argumenten, die sie vorbringen:
- Bedingte Garantien als unbedingt behandeln
- Vorgelagerte Risiken ohne Berechnung als „unwahrscheinlich“ abtun
- Entscheidungen mit der Sicherheit der Endstufe rechtfertigen und dabei die Wahrscheinlichkeit des Weges ignorieren
Fragen, die sie vermeiden:
- „Wie groß ist die tatsächliche Wahrscheinlichkeit, dieses garantierte Ergebnis zu erreichen?“
- „Welche Bedingungen gelten für diese Garantie?“
- „Habe ich die kumulative Wahrscheinlichkeit über alle Stufen berechnet?“
9.3. Situative Auslöser
Umstände, die diese Verzerrung aktivieren:
- Mehrstufige Entscheidungen mit „garantierten“ Endstufen
- Zeitdruck, der zu mentalen Abkürzungen zwingt
- Komplexe Wahrscheinlichkeitsketten, die sich der intuitiven Verarbeitung entziehen
- Emotionale Einsätze, die den Wunsch nach Sicherheit verstärken
- Framing, das aufeinanderfolgende Stufen in getrennte mentale Ereignisse zerlegt
Umweltfaktoren:
- Marketingumgebungen, die „100 %“-Versprechen betonen
- Abonnement-Anmeldeprozesse mit auffälligem „Gratis-Testphase“-Framing
- Arztgespräche, die gestufte Behandlungsergebnisse darstellen
- Anlagepräsentationen, die bedingte Erträge zeigen
Emotionale Zustände, die die Anfälligkeit erhöhen:
- Angst, die nach Beruhigung sucht
- Entscheidungsmüdigkeit, die nach Vereinfachung sucht
- Verlustangst, die nach „sicheren Sachen“ sucht
- Vorfreude auf mögliche Gewinne, die Risiken auf dem Weg verdeckt
10. Strategien gegen die Verzerrung (Debiasing)
10.1. Sofortmaßnahmen
Die Multiplikationsregel: Zwingen Sie sich vor jeder mehrstufigen Entscheidung, Wahrscheinlichkeiten zu multiplizieren. Wenn Stufe 1 eine Erfolgsquote von 75 % hat und Stufe 2 eine von 80 % unter der Bedingung von Stufe 1, beträgt Ihre Gesamtwahrscheinlichkeit 60 %, nicht 80 %.
Der „Kollabierter-Frame“-Test: Schreiben Sie jedes mehrstufige Angebot, das Sie sehen, in ein einstufiges Äquivalent um. „Gratis-Testphase, dann $10/Monat“ wird zu „Mit einer Wahrscheinlichkeit von X % zahle ich $120/Jahr für etwas, das ich nicht nutze.“
Die Prüfung im negativen Frame: Wenn Sie sich zu einer Option hingezogen fühlen, formulieren Sie sie in Verlusten statt in Gewinnen um. Ändert sich Ihre Präferenz? Wenn ja, erleben Sie wahrscheinlich eine durch Framing ausgelöste Pseudosicherheit.
Die Übung „Was könnte in Stufe 1 schiefgehen“: Bevor Sie sich auf mehrstufige Pläne festlegen, listen Sie ausdrücklich alles auf, was das Erreichen von Stufe 2 verhindern könnte. Weisen Sie jeder Fehlermöglichkeit grobe Wahrscheinlichkeiten zu.
„100 %“-Versprechen hinterfragen: Wenn Sie „garantiert“, „sicher“ oder „100 %“ sehen, fragen Sie sofort: „100 % wovon genau? Unter welchen Bedingungen?“
10.2. Langfristige Strategien
Training der Wahrscheinlichkeitskompetenz: Üben Sie regelmäßig, Wahrscheinlichkeiten zu multiplizieren, bis es intuitiv wird. Nutzen Sie einfache Übungen: „Wenn ich 4 Verkaufsgespräche führen muss und jedes eine Erfolgschance von 50 % hat, wie groß ist die Wahrscheinlichkeit für mindestens einen Erfolg?“
Entscheidungstagebuch: Halten Sie mehrstufige Entscheidungen und Ihr Vertrauen auf jeder Stufe fest. Prüfen Sie die Ergebnisse, um Ihre Intuitionen über bedingte Wahrscheinlichkeiten zu kalibrieren.
„Pre-Mortem“-Gewohnheiten entwickeln: Bevor Sie sich auf aufeinanderfolgende Pläne festlegen, stellen Sie sich vor, der Plan sei gescheitert, und arbeiten Sie rückwärts heraus, welche Stufe warum gescheitert ist. Das zwingt dazu, die Risiken der Stufe 1 zu bedenken.
Unbehagen bei Sicherheitsversprechen kultivieren: Trainieren Sie sich, skeptisch statt beruhigt zu sein, wenn Sie auf „garantiert“-Formulierungen stoßen. Behandeln Sie Sicherheitsversprechen als Auslöser für genauere Prüfung.
10.3. Gestaltung der Umgebung
Abonnement-Verwaltungssysteme: Nutzen Sie Apps oder Kalendererinnerungen, die zur Überprüfung aller Abonnements zwingen, bevor die Testzeiträume enden. Machen Sie die Entscheidung der Stufe 2 so auffällig wie die der Stufe 1.
Entscheidungs-Checklisten: Verlangen Sie bei wichtigen Entscheidungen ausdrückliche Wahrscheinlichkeitsrechnungen für jede Stufe, bevor Sie fortfahren. Lassen Sie „es ist garantiert, sobald wir Stufe 2 erreichen“ nicht an die Stelle der kumulativen Wahrscheinlichkeit treten.
Entscheidungsarchitekturen umformulieren: Wenn Sie Entscheidungen für sich oder andere gestalten, stellen Sie einstufige Äquivalente neben die mehrstufigen Formulierungen, damit ein genauer Vergleich möglich ist.
Informationssysteme: Erstellen Sie Vorlagen zur Bewertung von Versicherungen, Geldanlagen und Abonnements, in denen bedingte Wahrscheinlichkeiten ausgefüllt werden müssen, bevor Sie sich entscheiden.
10.4. Wann man Hilfe von außen suchen sollte
Folgenreiche aufeinanderfolgende Entscheidungen: Jede Entscheidung mit mehrstufiger Struktur, die Gesundheit, erhebliches Geld oder unumkehrbare Verpflichtungen betrifft.
Starkes Sicherheitsgefühl: Wenn Sie sich bei Ergebnissen, die von unsicheren Vorbedingungen abhängen, ungewöhnlich sicher fühlen.
Komplexe Wahrscheinlichkeitsketten: Wenn mehr als zwei Stufen beteiligt sind oder bedingte Wahrscheinlichkeiten zusammenwirken.
Wen man fragen sollte: Jemanden, der gut mit Zahlen umgehen kann und bei der ursprünglichen Rahmung der Entscheidung nicht dabei war, sodass er die wahre Wahrscheinlichkeitsstruktur ohne die Ankereffekte beurteilen kann, die Sie erlebt haben.
Wie man die Bitte formuliert: „Kannst du mir helfen, die tatsächliche Wahrscheinlichkeit dieses Ergebnisses zu berechnen? Ich glaube, ich behandle diese bedingte Garantie, als wäre sie unbedingt.“
11. Praktische Übungen
Übung 1: Der Zwei-Stufen-Rechner
- Ziel: Intuition für wahre bedingte Wahrscheinlichkeiten aufbauen
- Benötigte Zeit: 15 Minuten
- Benötigtes Material: Papier, Taschenrechner
- Schwierigkeitsgrad: Anfänger
- Anleitung:
- Listen Sie drei mehrstufige Pläne auf, die Sie gerade erwägen oder kürzlich beschlossen haben (z. B. Gratis-Testabonnements, Karrierepläne, Anlagestrategien)
- Benennen Sie für jeden Plan ausdrücklich Stufe 1 und Stufe 2
- Schätzen Sie die Erfolgswahrscheinlichkeit in Stufe 1
- Schätzen Sie die Erfolgswahrscheinlichkeit in Stufe 2, unter der Bedingung, dass Stufe 2 erreicht wird
- Multiplizieren Sie, um die wahre Gesamtwahrscheinlichkeit zu berechnen
- Vergleichen Sie diese mit Ihrem „Bauchgefühl“ zur Erfolgsaussicht des Plans
- Reflexionsfragen:
- Wie stark wichen Ihre berechneten Wahrscheinlichkeiten von Ihren Intuitionen ab?
- Welche Stufe hatten Sie gedanklich „gestrichen“?
- Verändert die berechnete Wahrscheinlichkeit Ihre Einschätzung?
- Häufigkeit: Wöchentlich, besonders vor bedeutenden Verpflichtungen
Übung 2: Der Umformulierungstest
- Ziel: Durch Framing ausgelöste Präferenzumkehrungen in Ihrem eigenen Denken erkennen
- Benötigte Zeit: 20 Minuten
- Benötigtes Material: Papier
- Schwierigkeitsgrad: Mittel
- Anleitung:
- Bestimmen Sie eine anstehende Entscheidung mit bedeutenden Folgen
- Schreiben Sie die Optionen im „positiven Frame“ (Gewinne/gerettete Leben/verdientes Geld)
- Schreiben Sie dieselben Optionen im „negativen Frame“ (Verluste/Tote/verlorenes Geld) um
- Notieren Sie Ihre Präferenz unter jedem Frame
- Wenn die Präferenzen sich unterscheiden, gehen Sie der Sache nach: Welcher Frame bildet die Wirklichkeit besser ab?
- Reflexionsfragen:
- Hat sich Ihre Präferenz zwischen den Frames verändert?
- Welches Framing fühlte sich „wirklicher“ an?
- Was zeigt das darüber, wie Sie die Entscheidung verarbeiten?
- Häufigkeit: Bei jeder bedeutenden Entscheidung anwenden, bei der Sie starke Präferenzen bemerken
Übung 3: Abonnement-Inventur
- Ziel: Sich unmittelbar mit angehäuften Pseudosicherheits-Entscheidungen auseinandersetzen
- Benötigte Zeit: 30 Minuten
- Benötigtes Material: Konto-/Kreditkartenabrechnungen, App zur Abonnementverwaltung
- Schwierigkeitsgrad: Anfänger
- Anleitung:
- Listen Sie alle wiederkehrenden Abbuchungen auf Ihren Konten auf
- Rufen Sie sich bei jeder Ihre Gemütslage bei der Anmeldung ins Gedächtnis
- Bestimmen Sie, welche als „Gratis-Testphase“ oder „Zufriedenheitsgarantie“ begannen
- Berechnen Sie die jährlichen Gesamtkosten ungenutzter oder kaum genutzter Dienste
- Begründen Sie bei Diensten, die Sie behalten, warum, und zwar anhand des tatsächlich erhaltenen Werts
- Reflexionsfragen:
- Wie viele Abonnements haben Sie entdeckt, die Sie vergessen hatten?
- Welche Muster fallen Ihnen darin auf, wie Sie „Gratis-Testphase“-Angebote bewertet haben?
- Wie hoch sind die jährlichen Gesamtkosten von Entscheidungen, die von Pseudosicherheit getrieben waren?
- Häufigkeit: Vierteljährlich
Tägliche Praxis
Die Pause „Erste Stufe“: Wenn Sie sich jeden Tag dabei ertappen, an ein positives Ergebnis zu denken, halten Sie inne und fragen Sie: „Was muss zuerst passieren? Wie wahrscheinlich ist dieses Erste?“ Das dauert 30 Sekunden und schult die Aufmerksamkeit für Risiken der Stufe 1.
- Empfohlene Dauer: 30 Sekunden pro Durchgang, 5-10 Durchgänge täglich
- Beste Tageszeit: Immer, wenn Sie Pläne machen oder Angebote bewerten
- So verfolgen Sie Ihren Fortschritt: Führen Sie eine Strichliste der täglichen Pausen; notieren Sie, wann Sie sich dabei ertappt haben, Stufe 2 als garantiert anzunehmen
Wöchentliche Herausforderung
Der Sicherheitsskeptiker: Behandeln Sie eine Woche lang jedes „100 % garantiert“- oder „sicher“-Versprechen, auf das Sie stoßen, mit aktiver Skepsis. Gehen Sie bei jedem der Sache nach: Welche Bedingungen gelten? Was würde dazu führen, dass es nicht 100 % sind?
- Erwartete Ergebnisse nach 4 Wochen: Automatische Skepsis gegenüber Sicherheitsformulierungen; bessere Erkennung verborgener Bedingtheit; geringere Anfälligkeit für „Garantie“-Marketing
- Anregungen fürs Tagebuchschreiben:
- Welchen „Garantien“ sind Sie diese Woche begegnet, und welche Bedingungen waren verborgen?
- Wie haben sich Ihre Kauf- oder Verpflichtungsentscheidungen verändert, als Sie Sicherheitsversprechen geprüft haben?
- Welchen Widerstand haben Sie dabei gespürt, „garantierte“ Angebote zu hinterfragen?
12. Für bestimmte Zielgruppen
Für Führungskräfte und Manager
Strategische Risikobewertung: Der Fall Pearl Harbor zeigt, wie Pseudosicherheit Organisationen dazu bringt, sich gegen „sichere“ kleinere Bedrohungen zu verteidigen, während sie gegen unsichere große katastrophal verwundbar bleiben. Verlangen Sie von Teams, kumulative Projektrisikowahrscheinlichkeiten zu berechnen, nicht nur Bewertungen Stufe für Stufe.
Entscheidungsprozesse: Führen Sie „Kollabierter-Frame“-Reviews für mehrphasige Vorhaben ein. Verlangen Sie vor der Genehmigung von Projekten die Vorlage einstufiger Wahrscheinlichkeitsäquivalente neben den gestuften Plänen.
Interventionen im Team: Schulen Sie Teams darin, „garantierte“ Ergebnisse der zweiten Stufe zu hinterfragen. Etablieren Sie Pre-Mortems als Standardpraxis für aufeinanderfolgende Projekte.
Ressourcenverteilung: Vermeiden Sie die Falle, Ressourcen auf „sichere“ Bedrohungen zulasten unsicherer, aber katastrophaler Risiken zu verteilen. Verteilen Sie Abwehrmaßnahmen auf wahrscheinlichkeitsgewichtete Bedrohungsvektoren.
Für Eltern und Lehrkräfte
Altersgerechte Erklärungen: Nutzen Sie einfache Spiele, um bedingte Wahrscheinlichkeit zu zeigen. „Wenn du Kopf wirfst, um Runde 2 zu spielen, und Runde 2 einen Preis hat, wie groß ist dann deine echte Chance, den Preis zu gewinnen?“
Vorbeugestrategien: Bringen Sie Kindern bei, „Was muss zuerst passieren?“ zu fragen, bevor sie sich über bedingte Ergebnisse freuen. Denken Sie bei Familienentscheidungen laut vor.
Aktivitäten im Unterricht: Das Asian Disease Problem (mit altersgerechtem Einsatz, etwa dem Retten von Haustieren oder Spielzeug) zeigt Framing-Effekte anschaulich. Lassen Sie die Schülerinnen und Schüler Präferenzumkehrungen selbst erleben.
Bewusstsein vorleben: Wenn Sie Familienpläne besprechen, rechnen Sie Wahrscheinlichkeiten ausdrücklich durch: „Wir wollen an den Strand, aber zuerst darf es nicht regnen. Lass uns über die echte Chance auf einen Strandtag nachdenken.“
Für Fachkräfte im Gesundheitswesen
Klinische Bedeutung: Die Präferenzen von Patienten verschieben sich stark danach, ob Ergebnisse als Überlebensraten oder als Sterblichkeitsraten gerahmt werden. Beachten Sie, dass die „informierte Einwilligung“ stark vom Framing abhängt.
Kommunikationsstrategien: Stellen Sie medizinische Statistiken in mehreren Frames dar, damit Patienten die zugrunde liegende Wirklichkeit verstehen, statt auf einen einzelnen Frame zu reagieren. Erwägen Sie, sowohl „X % werden überleben“ als auch „Y % werden nicht überleben“ zu nennen.
Diagnostische Überlegungen: Die Forschung zur Reinheitsprämie zeigt, dass Patienten „100 % wirksam gegen einige Erkrankungen“ gegenüber „teilweise wirksam gegen alle Erkrankungen“ bevorzugen. Machen Sie bei der Besprechung von Behandlungsoptionen deutlich, was „100 %“ abdeckt.
Ethische Überlegungen: Beachten Sie, dass Framing-Entscheidungen die Entscheidungen von Patienten beeinflussen. Prüfen Sie, ob bestimmte Framings Patienten unbeabsichtigt zu bestimmten Behandlungen hin oder von ihnen weg lenken.
Für Finanzfachleute
Kundenkommunikation: Kunden lehnen probabilistische Finanzprodukte wegen ihrer Pseudosicherheits-Präferenzen systematisch ab. Berechnen Sie bei der Darstellung von Optionen ausdrücklich kumulative Wahrscheinlichkeiten und stellen Sie einstufige Äquivalente vor.
Risikomanagement: Anleger behandeln Erträge der Stufe 2 als sicher, sobald die Erstinvestitionen getätigt sind. Erstellen Sie Kommunikationsmaterial, das die Wahrscheinlichkeiten des Weges durchgängig sichtbar hält.
Anlagestrukturen: Beachten Sie, dass mehrstufige Anlagestrukturen (z. B. Optionen mit Qualifikationsschwellen) von Kunden wegen der Streichungseffekte systematisch falsch bewertet werden.
Probabilistische Versicherung: Die Forschung zeigt, dass Kunden für 1 % Ausfallrisiko Prämienermäßigungen von mehr als 20 % verlangen. Bedenken Sie, dass Sicherheit als Ware gekauft wird, nicht nur als finanzieller Schutz.
13. Wechselwirkungen mit anderen Verzerrungen
Verzerrungen, die den Pseudocertainty-Effekt verstärken
| Verzerrung | Wie sie wechselwirkt |
|---|---|
| Verlustaversion | Die Angst vor Verlusten verstärkt die Attraktivität von Optionen, die als „sichere“ Gewinne gerahmt sind, und treibt die Ablehnung „sicherer“ Verluste an, wodurch der Griff der Pseudosicherheit auf Präferenzen fester wird |
| Ankereffekt | Anfängliche „100 %“-Versprechen verankern Erwartungen, sodass das spätere Erkennen der Bedingtheit sich wie ein Verlust gegenüber der verankerten Sicherheit anfühlt |
| Bestätigungsfehler | Wer sich einmal auf einen „sicheren“ Weg festgelegt hat, sucht Informationen, die die Sicherheit bestätigen, und ignoriert Signale über Risiken der Stufe 1 |
| Optimismus-Bias | Die Überschätzung der Wahrscheinlichkeit, Stufe 2 zu erreichen, verstärkt das „Streichen“ der Unsicherheit der Stufe 1 |
| Gegenwartsverzerrung | Unmittelbare „sichere“ Vorteile (Gratis-Testphase) wiegen schwerer als ferne „unsichere“ Kosten (künftige Abrechnung), was Abonnementfallen verstärkt |
Verzerrungen, die dem Pseudocertainty-Effekt entgegenwirken
| Verzerrung | Wie sie hilft |
|---|---|
| Ambiguitätsaversion | Das allgemeine Unbehagen gegenüber Unsicherheit kann zu einer sorgfältigeren Prüfung anregen, ob Ergebnisse wirklich sicher sind |
| Skepsis/Negativitätsverzerrung | Die Neigung, positive Aussagen zu hinterfragen, kann eine Prüfung der Bedingungen von „Garantien“ auslösen |
Häufige Verzerrungsketten
Die Abonnementfallen-Kette: Pseudosicherheit (Gratis-Testphase = sicherer Nutzen) → Gegenwartsverzerrung (sicher jetzt > unsicher später) → Status-quo-Bias (weiterzahlen, statt zu kündigen) → Versunkene Kosten-Falle (schon bezahlt, dann kann ich es auch behalten)
Die Kette des strategischen Versagens: Pseudosicherheit (sichere Verteidigung gegen Bedrohung A) → Overconfidence-Effekt (wir sind geschützt) → Bestätigungsfehler (Signale zu Bedrohung B ignorieren) → Normalcy Bias (Bedrohung B wird nicht wirklich eintreten) → Katastrophaler Verlust
Diese Ketten zu unterbrechen, erfordert einen Eingriff am ersten Glied: die anfängliche Pseudosicherheits-Illusion zu durchbrechen, bevor nachgelagerte Verzerrungen aktiv werden.
14. Kulturelle Perspektiven
Forschung zur Pseudosicherheit wurde international durchgeführt, und Studien aus den USA, Israel, Spanien, den Niederlanden und Deutschland bestätigen allesamt die Robustheit des Effekts. Kulturelle Faktoren können seine Ausprägung jedoch modulieren.
Die Verzerrung scheint in ihrem Grundmechanismus universell zu sein: der Neigung, Wahrscheinlichkeiten früher Stufen zu „streichen“ und bedingte Ergebnisse als sicher zu behandeln. Das weist auf grundlegende Merkmale der menschlichen kognitiven Architektur hin und nicht auf kulturspezifische Phänomene.
Kulturelle Unterschiede zeigen sich wahrscheinlich in:
- Schwellensensitivität: Was als „sicher genug“ gilt, um den Effekt auszulösen, kann je nach kultureller Risikotoleranz variieren
- Ausprägung je nach Bereich: Kulturen zeigen möglicherweise je nach kulturellen Werten in manchen Bereichen (z. B. Gesundheit vs. Finanzen) stärkere Effekte
- Aufgeschlossenheit für Interventionen: Debiasing-Strategien wirken je nach kultureller Haltung zu analytischem Denken mehr oder weniger gut
| Kulturtyp | Ausprägung |
|---|---|
| Individualistische Kulturen | Zeigen möglicherweise stärkere Effekte bei persönlichen Finanzentscheidungen; individuelle „Abschluss“-Bedürfnisse können dominieren |
| Kollektivistische Kulturen | Zeigen möglicherweise stärkere Effekte bei Gruppenentscheidungen, bei denen kollektive „Sicherheit“ sozialen Zusammenhalt stiftet |
| Kulturen mit hohem Kontext | Implizite „Garantien“ und bedingte Zusagen sind möglicherweise häufiger, was den Effekt verstärken kann |
| Kulturen mit niedrigem Kontext | Ausdrückliche Wahrscheinlichkeitskommunikation kann den Effekt verringern, doch „Garantie“-Formulierungen genießen womöglich mehr Vertrauen |
15. Mythen und Missverständnisse
| Mythos | Wirklichkeit |
|---|---|
| „Pseudosicherheit betrifft nur Glücksspiel- und Versicherungsentscheidungen“ | Der Effekt durchzieht medizinische Entscheidungen, Militärstrategie, Marketing, Cybersicherheit, Klimapolitik und Alltagsentscheidungen |
| „Pseudosicherheit ist dasselbe wie der Sicherheitseffekt“ | Der Sicherheitseffekt betrifft echte Wahrscheinlichkeiten von 100 %; Pseudosicherheit betrifft die Illusion von Sicherheit durch Framing und Streichung |
| „Nur irrationale oder ungebildete Menschen fallen auf diese Verzerrung herein“ | Zu den Forschungsprobanden gehören Portfoliomanager, Führungskräfte und medizinisches Fachpersonal; die Verzerrung spiegelt die grundlegende kognitive Architektur wider |
| „Wenn ich die Verzerrung kenne, bin ich dagegen immun“ | Wissen hilft, beseitigt den Effekt aber nicht; die Verzerrung wirkt über automatische kognitive Prozesse, die sich bewusster Übersteuerung widersetzen |
| „Diese Verzerrung ist immer schädlich“ | Die Vereinfachung ermöglicht schnellere Entscheidungen und senkt die kognitive Last; schädlich ist sie vor allem in folgenreichen Bereichen, die eine genaue Wahrscheinlichkeitsbewertung verlangen |
16. Expertenstimmen
Amos Tversky und Daniel Kahneman beschrieben den Pseudocertainty-Effekt: Wenn ein Risiko in nur einer Stufe eines mehrstufigen Problems auf null gesenkt wird, behandeln Menschen das Ergebnis als sicher und ignorieren die frühere Stufe, in der das Risiko bestehen bleibt. — Zusammenfassung von Amos Tversky & Daniel Kahneman, "The Framing of Decisions and the Psychology of Choice," Science 211(4481) (1981), pp. 453-458 https://doi.org/10.1126/science.7455683
Daniel Kahneman und Amos Tversky zeigten, dass Menschen Ergebnissen, die von wahrscheinlich zu sicher wechseln, zusätzliches Gewicht geben, sodass eine Senkung eines Risikos von 1 % auf 0 % sich weit größer anfühlt als eine von 50 % auf 49 %. — Zusammenfassung von Daniel Kahneman & Amos Tversky, "Prospect Theory: An Analysis of Decision under Risk," Econometrica 47(2) (1979), pp. 263-291 https://doi.org/10.2307/1914185
Yuval Rottenstreich und Christopher Hsee fanden, dass Menschen bei emotional aufgeladenen Ergebnissen auf die bloße Möglichkeit des Ergebnisses reagieren statt auf seine genaue Wahrscheinlichkeit, wodurch sich ein Wechsel zur Gewissheit oder zur Unmöglichkeit besonders groß anfühlt. — Zusammenfassung von Yuval Rottenstreich & Christopher K. Hsee, "Money, Kisses, and Electric Shocks: On the Affective Psychology of Risk," Psychological Science 12(3) (2001), pp. 185-190 https://doi.org/10.1111/1467-9280.00334
17. Wichtigste Erkenntnisse
-
Der Pseudocertainty-Effekt lässt bedingte Ergebnisse sicher erscheinen, indem er uns dazu bringt, die unsicheren ersten Stufen aufeinanderfolgender Entscheidungen gedanklich zu „streichen“.
-
Framing verschiebt Präferenzen drastisch: Dasselbe Ergebnis, als „sicherer Gewinn“ statt als „sicherer Verlust“ dargestellt, kehrt die Risikopräferenzen bei über 70 % der Menschen um.
-
Der Effekt ist universell und widersteht Expertise: Portfoliomanager, Ärzte und strategische Planer zeigen alle Anfälligkeit.
-
Mehrstufige Strukturen sind die Hauptschwachstellen: Gratis-Testphasen, aufeinanderfolgende Investitionen, bedingte Garantien und gestufte Pläne lösen die Verzerrung allesamt aus.
-
Die ökonomischen Kosten sind quantifizierbar: Verbraucher verlangen für 1 % Unsicherheit bei Versicherungsauszahlungen Prämienermäßigungen von mehr als 20 %, was zeigt, dass Sicherheit weit über ihren versicherungsmathematischen Wert hinaus als Ware geschätzt wird.
-
Die Verzerrung hat Geschichte geprägt: Von Pearl Harbor bis zur One-Percent-Doktrin hat Pseudosicherheit katastrophale strategische Entscheidungen angetrieben.
-
Debiasing erfordert bewusste Berechnung: Das Multiplizieren von Wahrscheinlichkeiten über Stufen hinweg, das Umformulieren in entgegengesetzten Begriffen und das Hinterfragen der Bedingungen von „Garantien“ können die automatische Vereinfachung übersteuern, aber nur mit bewusster Anstrengung.
18. Weiterführende Quellen
Wissenschaftliche Artikel
- Tversky, A., & Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211(4481), 453-458. https://doi.org/10.1126/science.7455683
- Tversky, A., & Kahneman, D. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263-291. https://doi.org/10.2307/1914185
- Wakker, P. P., Thaler, R. H., & Tversky, A. (1997). Probabilistic insurance. Journal of Risk and Uncertainty, 15(1), 7-28. https://doi.org/10.1023/a:1007799303256
- Herrero, C., Tomás, J., & Villar, A. (2006). Decision theories and probabilistic insurance: An experimental test. Spanish Economic Review, 8(1), 35-52. https://doi.org/10.1007/s10108-005-0102-1
- Schmidt, U., & Seidl, C. (2014). Reconsidering the common ratio effect: The roles of compound independence, reduction, and coalescing. Theory and Decision, 77(3), 323-339. https://doi.org/10.1007/s11238-014-9456-x
- Klein, R. A., Ratliff, K. A., Vianello, M., et al. (2014). Investigating variation in replicability: A "Many Labs" replication project. Social Psychology, 45(3), 142-152. https://doi.org/10.1027/1864-9335/a000178
- Li, M., & Chapman, G. B. (2009). "100% of anything looks good": The appeal of one hundred percent. Psychonomic Bulletin & Review, 16(1), 156-162. https://doi.org/10.3758/pbr.16.1.156
Bücher
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
- Thaler, R. H. (2015). Misbehaving: The Making of Behavioral Economics. W. W. Norton & Company.
- Ariely, D. (2008). Predictably Irrational: The Hidden Forces That Shape Our Decisions. HarperCollins.
Buchkapitel
- Kahneman, D., & Tversky, A. (2000). Choices, values, and frames. In D. Kahneman & A. Tversky (Eds.), Choices, Values, and Frames (pp. 1-16). Cambridge University Press. https://doi.org/10.1017/cbo9780511803475.002
19. Übersichtskarte
| Element | Inhalt |
|---|---|
| Name der Verzerrung | Pseudocertainty-Effekt |
| Definition | Die Neigung, Ergebnisse als sicher wahrzunehmen, obwohl sie tatsächlich von unsicheren vorangehenden Ereignissen abhängen |
| Kategorie | Notwendigkeit, schnell zu handeln |
| Hauptmerkmal | „Garantiert, wenn X eintritt“ einfach als „garantiert“ behandeln |
| Hauptursache | Gedankliche „Streichung“ der Wahrscheinlichkeiten der ersten Stufe bei mehrstufigen Entscheidungen |
| Größtes Risiko | Katastrophale Anfälligkeit für gedanklich „gestrichene“ Risiken (Pearl Harbor); finanzieller Verlust durch Zombie-Abonnements |
| Schnelle Abhilfe | Wahrscheinlichkeiten multiplizieren: Wahrscheinlichkeit Stufe 1 × Wahrscheinlichkeit Stufe 2 = wahre Wahrscheinlichkeit |
| Langfristige Strategie | Automatische Skepsis gegenüber Sicherheitsversprechen entwickeln; bei aufeinanderfolgenden Entscheidungen Wahrscheinlichkeitsrechnung verlangen |
| Merksatz | „Sicherheit ist eine Ware, keine Berechnung.“ |
20. Glossar der verwendeten Begriffe
| Begriff | Definition |
|---|---|
| Editierphase | Die erste Phase der Entscheidungsfindung in der Prospect Theory, in der mentale Repräsentationen durch Operationen wie die Streichung vereinfacht werden |
| Streichung (Cancellation) | Die kognitive Operation, Wahrscheinlichkeiten zu ignorieren, die allen Ergebnissen einer Entscheidung gemeinsam sind, zentral für die Pseudosicherheit |
| Sicherheitseffekt | Die Neigung, Ergebnisse überzugewichten, die tatsächlich zu 100 % sicher sind (zu unterscheiden von der Pseudosicherheit) |
| Prospect Theory | Kahnemans und Tverskys deskriptive Theorie der Entscheidung unter Risiko, die die Erwartungsnutzentheorie ablöst |
| Framing-Effekt | Das Phänomen, dass unterschiedliche Darstellungen identischer Informationen zu unterschiedlichen Entscheidungen führen |
| Risikokette (Risk String) | Eine Abfolge von Risiken, bei der eines vom anderen abhängt (verwendet in der Analyse von Pearl Harbor) |
| Reinheitsprämie (Purity Premium) | Der zusätzliche Wert, den Verbraucher „100 %“-Versprechen beimessen, selbst wenn sie mathematisch Alternativen entsprechen |
| Zusammenfassen (Coalescing) | Die Annahme, dass das Aufspalten eines Ereignisses in Zweige mit demselben Ergebnis die Präferenzen nicht ändern sollte (wird systematisch verletzt) |
| Probabilistische Versicherung | Versicherungspolicen, die mit weniger als 100 % Wahrscheinlichkeit auszahlen und zur Prüfung von Sicherheitspräferenzen dienen |
| Fuzzy-Trace-Theorie | Alternativer Rahmen, wonach Entscheidungen auf „Gist“-Repräsentationen statt auf präzisen Wahrscheinlichkeiten beruhen |
21. Diskussionsfragen
Für Lesekreise, Unterricht oder Selbstreflexion:
-
Die Befehlshaber von Pearl Harbor wählten die „sichere“ Verteidigung gegen Sabotage statt der „unsicheren“ gegen einen Luftangriff. Können Sie in Ihrem eigenen Leben eine Entscheidung benennen, bei der Sie einen „sicheren“ kleinen Vorteil über einen „unsicheren“ großen gestellt haben?
-
Die Abonnementwirtschaft ist um 435 % gewachsen, zum Teil durch die Ausnutzung der Psychologie der Gratis-Testphase. Sollten Unternehmen verpflichtet werden, die wahre Kosten-/Wahrscheinlichkeitsstruktur von Testphasen offenzulegen? Wo sollte die Grenze zwischen Überzeugung und Manipulation verlaufen?
-
Die One-Percent-Doktrin behandelte Risiken von 1 % für politische Zwecke als Gewissheiten. Wann, wenn überhaupt, ist es angemessen, Pseudosicherheit bei der Entscheidungsfindung bewusst anzuwenden?
-
Medizinisches Framing („70 % Überleben“ vs. „30 % Sterblichkeit“) kehrt die Präferenzen von Patienten bei Behandlungen über Leben und Tod um. Sollten Ärzte darin geschult werden, Statistiken in bestimmten Frames oder in mehreren Frames darzustellen? Wer sollte das entscheiden?
-
Die Forschung zeigt, dass Portfoliomanager und Führungskräfte für Pseudosicherheit anfällig sind. Was bedeutet das für die Qualität unternehmerischer und staatlicher Entscheidungsfindung? Wie könnten Institutionen umgestaltet werden, um den Effekt abzumildern?