Freundlich zur KI?

Respektvoll mit KI umgehen lässt sich gut begründen. Bessere Antworten garantiert ein "Bitte" aber nicht.

Ein sachlich-respektvoller Umgang mit KI ist als menschliche und organisatorische Kommunikationsnorm begründbar. Die Forschung liefert eine Reihe experimentell geprüfter Teilmechanismen, insbesondere kurzfristige Übertragungseffekte von Bot-Interaktionen auf menschliche Urteile und Kooperation. Es gibt derzeit jedoch keinen direkten experimentellen Langzeitnachweis, dass die höfliche Korrektur einer fehlerhaften KI durch eine Führungskraft die Fehlerkultur des Teams verbessert.

Die technische Nebenbehauptung, dass höfliche Prompts immer bessere Antworten liefern, ist durch Gegenstudien widerlegt. Für aktuelle Modelle gilt: Der Ton kann Ergebnisse beeinflussen, aber das Vorzeichen hängt von Modell und Aufgabenformat ab (Yin et al., 2024; Dobariya & Kumar, 2025, 2026). Die soziale Behauptung ist ein anderer Forschungsgegenstand (Tey et al., 2024; Harrell & Traeger, 2025).

Das Urteil in fünf Sätzen

Höflichkeit ist kein Prompt-Trick. Sie ist eine Frage, wie wir miteinander umgehen.

• Bei sachlichen Wissensfragen verbessert "Bitte" die Genauigkeit nicht generell; grobe Prompts können in kleinen Versuchen gewinnen.

• Interaktionen mit Bots können kurzfristig beeinflussen, wie Menschen andere Menschen beurteilen oder mit ihnen kooperieren.

• Unhöflichkeit zwischen Menschen kann sich über Teams und Hierarchieebenen ausbreiten; die Wirkung über beobachtete Roboterbehandlung ist zweigleisig.

• Das Verhalten von Vorgesetzten beeinflusst Fehleroffenlegung und KI-Adoption; die spezifische Wirkung ihres Tons gegenüber einer fehlerhaften KI bleibt ungeprüft.

• Warmherzige Modellantworten sind nicht mit Wahrheitstreue gleichzusetzen; übermässige Bestätigung kann Urteile und Konfliktbereitschaft verschlechtern.

"Nett" ist nicht gleich "klar", und eine freundliche KI ist nicht gleich eine ehrliche KI.

Die Alltagssprache setzt "nett", "höflich", "respektvoll" und "freundlich" oft gleich. Die Studien tun das nicht. Für eine überprüfbare These müssen sprachliche Form, Informationsgehalt, Modellverhalten und menschliche Verhaltensfolgen getrennt operationalisiert werden.

Damit gibt es mindestens drei getrennte Zielvariablen: (1) richtige KI-Antworten, (2) Verhalten und Urteil der Nutzenden und (3) soziale Normen im Team. Ein und dieselbe Intervention muss nicht alle drei verbessern. Die Nature-Studie zu warm trainierten Modellen bezieht sich ausdrücklich auf das Antwortverhalten des Systems, nicht auf die Höflichkeit eines einzelnen Nutzerprompts (Ibrahim et al., 2026).

Jedes Glied der Kette ist einzeln belegt. Die ganze Kette ist es noch nicht.

Glied A: Reaktion der Führung auf Fehler

Wer Fehler ruhig anspricht, bekommt mehr Fehler gemeldet.

These: Wie Vorgesetzte mit Fehlern umgehen, beeinflusst, ob Mitarbeitende Schwierigkeiten offenlegen.

Mechanismus: Fehlermeldung bedeutet persönliches Risiko; beobachtetes Führungsverhalten verändert erwartete Sanktionen und psychologische Sicherheit.

Evidenz: Edmondson (1996) beobachtete acht US-Pflegestationen; Leroy et al. (2012) analysierten 54 belgische Teams; van Dyck et al. (2005) untersuchten 65 niederländische und 47 deutsche Organisationen.

Konsequenz: Sichtbar KI-Fehler analysieren, Quellen prüfen, eigene Prüfversäumnisse benennen; den KI-spezifischen Effekt nicht als bewiesen ausgeben.

Evidenzurteil: Gut belegt für menschliche Fehlerkultur; KI-Übertragung offen.

Glied B: Grobheit überträgt sich zwischen Menschen

Grobheit steckt an, zumindest unter Menschen.

These: Ein abwertender Umgangston kann über Interaktionen und Führungsebenen hinaus weiterwirken.

Mechanismus: Soziales Lernen, interpretative Normen und kurzfristige Aktivierung unhöflichkeitsbezogener Begriffe können neue Reaktionen prägen.

Evidenz: Mawritz et al. (2012): 288 Arbeitsgruppen, 1'423 Mitarbeitende, 295 Vorgesetzte; Foulk et al. (2016): drei Feld-/Laborstudien.

Konsequenz: Sprache im Unternehmen nicht als folgenlose Nebensache behandeln; die Befunde betreffen jedoch zunächst Menschen untereinander.

Evidenzurteil: Gut gestützter Zusammenhang und experimentelle Mechanismen; kein automatischer KI-Transfer.

Glied C: Maschinenhandlungen sind sozial beobachtbar

Wer eine Maschine schlecht behandelt, wird dabei beobachtet. Manche machen mit, andere fühlen mit.

These: Die Misshandlung einer Maschine kann von Dritten als soziale Handlung gelesen werden.

Mechanismus: Beobachtung aktiviert entweder permissive Normen ("das ist erlaubt") oder Empathie bzw. moralische Ablehnung.

Evidenz: Gong und Huang (2026) testeten N = 200 und N = 320 in videobasierten Experimenten; gemessen wurden primär Absichten gegenüber Robotern.

Konsequenz: Nicht behaupten, dass jede Beobachterin Grobheit übernimmt. Beide Wege müssen als Gegenmechanismen bestehen bleiben.

Evidenzurteil: Experimentell belegt für Reaktionsabsichten gegenüber Robotern; menschliches Teamverhalten nicht gemessen.

Glied D: Botkontakt beeinflusst späteres menschliches Verhalten

Wie ein Bot mit uns umgeht, färbt kurzfristig darauf ab, wie wir mit Menschen umgehen.

These: Erfahrungen mit künstlichen Partnern können unmittelbar spätere Urteile und Kooperation gegenüber Menschen verändern.

Mechanismus: Der soziale Interaktionskontext und die Partnerstrategie verändern Erwartungen, Empathie und anschliessende Entscheidungen.

Evidenz: Tey et al. (2024): N = 1'261 in zwei präregistrierten Online-Experimenten; Harrell und Traeger (2025): N = 4'171 und 83'411 Entscheidungen.

Konsequenz: Der Umgang mit KI kann soziale Nebenwirkungen haben; die Richtung hängt von der Art der Interaktion ab.

Evidenzurteil: Gut belegt für kurzfristige Effekte; Dauerwirkung und "Bitte"-Transfer offen.

Glied E: KI-bezogenes Führungsverhalten vermittelt Normen

Teams schauen hin, wie die Chefin oder der Chef KI nutzt.

These: Die KI-Nutzung und KI-Unterstützung der Führung hängt mit der Nutzung und Selbstwirksamkeit der Mitarbeitenden zusammen.

Mechanismus: Rollenmodell, wahrgenommene Unterstützung, Ressourcen und Unsicherheitsreduktion können das Verhalten der Mitarbeitenden verändern.

Evidenz: Pu et al. (2026): 294 ostchinesische Beschäftigte plus 382 Versuchspersonen; Kim et al. (2025): 381 südkoreanische Mitarbeitende; Cisco/Gallup: unterstützende Unternehmensbefunde mit begrenzter Sampletransparenz.

Konsequenz: Bei KI-Einführung nicht nur Richtlinien, sondern das sichtbare Prüf- und Korrekturverhalten adressieren.

Evidenzurteil: Zusammenhänge belegt; ton- und fehlerbezogene Einzelerklärung nicht geprüft.

Die übergreifende Verbindung und ihre stärkste Lücke

Ob ein harscher Ton gegenüber der KI die Fehlerkultur im Team verschlechtert, hat noch niemand direkt getestet.

Die Synthese lautet: Wenn eine Führungskraft eine KI vor anderen korrigiert, könnten Mitarbeitende darin ein Modell für allgemeine Fehlerreaktionen erkennen. Diese Aussage folgt nicht logisch zwingend aus den Gliedern. Denn das Beobachten einer Maschine ist nicht gleichbedeutend mit dem Beobachten menschlicher Fehler, und Beobachtende können grobes Verhalten ausdrücklich ablehnen. Der zentrale kausale Sprung "aggressive KI-Korrektur der Chefin → geringere Fehleroffenlegung im Team" ist nach den hier geprüften Originalarbeiten nicht direkt getestet.

Der Ton kann die Antwort verändern. Ob zum Guten oder Schlechten, hängt vom Modell ab.

Die 50-Fragen-Gegenstudie erhält ihren vollen Platz

In einem kleinen Test schnitten grobe Prompts besser ab. Getestet wurden 50 Fragen, keine Menschen.

Dobariya und Kumar (2025) untersuchten 50 unabhängige Multiple-Choice-Ausgangsfragen aus Mathematik, Wissenschaft und Geschichte. Jede Frage wurde in fünf Tonvarianten formuliert: 250 einzigartige Prompts, jeweils mehrfach an GPT-4o. Die sehr grobe Variante erreichte im Mittel 84,8 % richtige Antworten, die sehr höfliche 80,8 %. Das sind vier Prozentpunkte Unterschied in diesem Versuchsaufbau. Es gab null menschliche Versuchspersonen. Die Pennsylvania State University ist der Forschungsstandort, keine Region einer Personenstichprobe.

Dieser Gegenbefund ist real und wird nicht dadurch entkräftet, dass die Stichprobe klein war. Seine Grenzen sind jedoch substanziell: nur 50 verschiedene Wissensfragen, ein Modell, englischsprachige Multiple-Choice-Aufgaben, unverblindete semantische Tonvarianten und ein Preprint ohne in der geprüften Fassung dokumentiertes Peer Review. Zehn Wiederholungen pro Frage vergrössern nicht die Vielfalt der Themen. Die Autoren verlangten in allen fünf Tonbedingungen eine kurze Buchstaben-Antwort; der Vorteil kann daher nicht schlicht auf eine nur bei Grobheit vorhandene Kürze-Anweisung reduziert werden.

Die erweiterte Arbeit derselben Autoren (2026) verglich 570 MMLU-Ausgangsfragen aus 57 Fächern, sieben Tonstufen und vier Modelle (GPT-4o, GPT-5-nano, Gemini 2.5 Flash und Lite). Tonwirkungen blieben, aber die beste Variante wechselte mit dem Modell. Das ist eine Widerlegung allgemeiner Tonregeln, nicht die Widerlegung des kleinen ursprünglichen Ergebnisses.

Mehrsprachigkeit und ältere Modellgenerationen

Was auf Englisch gilt, gilt nicht automatisch auf Deutsch.

Yin et al. (2024) testeten mehrere Modelle und acht Höflichkeitsstufen auf englischen, chinesischen und japanischen Aufgaben. Extreme Grobheit verschlechterte teilweise die Leistung; der optimale Grad unterschied sich nach Sprache, und die höflichste Variante war nicht automatisch die beste. Ein zweites Argument folgt daraus: Höflichkeit ist eine pragmatische, kulturell kontextabhängige Signaleigenschaft. Resultate auf englischen Multiple-Choice-Fragen dürfen nicht ungeprüft für deutschsprachige Beratungsaufgaben eingesetzt werden.

Was aktuelle Modelltests beantworten und was nicht

Benchmarks messen das Modell, nicht unsere Höflichkeit.

Im Oktober 2026 liefern TrueStandard und Artificial Analysis Daten zu Claude Fable 5.1, GPT-6 Astra und Gemini 4 Argon. TrueStandard testet 30 Behauptungen mit jeweils drei Wiederholungen, ob ein Urteil nach unbegründetem Widerspruch verschoben wird. Am 21. Oktober beobachtete der Anbieter bei Astra und Gemini 4 Argon je 0/90, bei Fable 5.1 1/89 Veränderungen. Überlappende Konfidenzintervalle verhindern eine belastbare Rangfolge. Ein Modell, das eine falsche Antwort stur verteidigt, könnte in diesem engen Test trotzdem gut aussehen.

AA-PersonalityBench testet 30 Eigenschaften mit jeweils 30 Fragen, insgesamt 900 Antworten je Modell, und bewertet Antworten mittels verblindeter LLM-Paarvergleiche. "Sycophantic" und "Constructive Pushback" sind unterschiedliche Eigenschaften. Das ist nützlich, aber weder ein Experiment zur menschlichen Prompt-Höflichkeit noch ein kausaler Nachweis, dass Sycophancy über mehrere Modellgenerationen allgemein abgenommen hat. Die Fragen sind nicht vollständig öffentlich, und Modellrichter können eigene Präferenzen haben (Artificial Analysis, 2026; TrueStandard, 2026).

Kurzfristige Effekte sind belegt. Langfristige nicht.

Zwei direkte Brücken von Botkontakten zu Menschen

Nach dem Kontakt mit einer KI urteilten Menschen strenger über andere.

Tey et al. (2024) randomisierten Personen in zwei präregistrierten Experimenten (N = 500 und N = 761) zu einer vermeintlichen KI- oder Menschenkollaboration. Tatsächlich reagierte in beiden Bedingungen ein GPT-4-System. Danach bewerteten die Teilnehmenden die kreative Leistung eines Dritten. Die KI-Bedingung führte zu strengeren Bewertungen. Die 1'261 Personen sind die Gesamtstichprobe, wobei in Studie 2 eine kleinere Teilgruppe mit bestandenem Verständnischeck für die primäre Analyse herangezogen wurde. Rekrutiert wurde über Prolific; die Länderzusammensetzung wird hier nicht als gesichert behauptet.

Harrell und Traeger (2025) führten zwei präregistrierte Online-Experimente mit 4'171 US-Teilnehmenden und 83'411 Kooperationsentscheidungen durch. Erfahrungen mit Bots beeinflussten die anschliessende Kooperation gegenüber einem neuen Menschen. Nichtkooperative Bots senkten, kooperativ erwidernde Bots erhöhten die spätere Kooperationsbereitschaft. Die Studien testeten tatsächliche Entscheidungen im Spiel, aber keine langfristigen Berufsbeziehungen oder den Gebrauch von "Bitte".

Beobachtung von Robotern: Die Gegenreaktion gehört dazu

Grobheit gegenüber Robotern kann abschrecken statt anstecken.

Gong und Huang (2026) fanden in zwei videobasierten Studien (N = 200 und N = 320) nicht bloss die Normalisierung von Misshandlung. Es zeigte sich auch ein gegenläufiger Weg über die Wahrnehmung eines Roboters als Opfer und daraus entstehendes Mitgefühl. Die Ergebnisse sind deshalb nicht als einspurige "Grobheit steckt an"-Botschaft verwendbar. Der Kontext betrifft Serviceroboter und Handlungsabsichten; ein sichtbarer LLM-Prompt im Führungsteam ist ein anderer Gegenstand.

Warum die längerfristige Verrohung bislang offen bleibt

Eltern wurden mit der Zeit weniger höflich zu Alexa. Ob das auf Menschen abfärbt, ist offen.

Strathmann et al. (2026, erstmals online 2025) begleiteten 128 deutsche Familien mit Sprachassistenten über sechs Befragungswellen während rund zweieinhalb Jahren. Die Eltern schätzten sich mit der Zeit als weniger höflich zum Gerät ein; die wahrgenommene Höflichkeit ihrer Kinder blieb relativ stabil. Verbale Aggression war insgesamt gering. Die Untersuchung liefert keine direkte Beobachtung von Mensch-Mensch-Dialogen und kann deshalb einen negativen Langzeittransfer weder beweisen noch ausschliessen.

Ein "Danke" an ChatGPT macht uns nicht nachweislich empathischer.

Die ethische Intuition "Wie man nichtmenschliche Gegenüber behandelt, wirkt auf den Menschen zurück" lässt sich teilweise aus Empathie- und Lernforschung stützen. Für eine wissenschaftliche Argumentation sind drei getrennte Mechanismen zu beachten: (a) Menschen mit tiergerichteter Empathie berichten oft auch mehr menschengerichtete Empathie; das ist eine Korrelation. (b) Schulprogramme mit Tier- und Naturinhalten können menschengerichtete Empathie fördern, sind aber komplexe Mehrkomponenteninterventionen. (c) Interaktionen mit unbelebten Objekten können unter besonderen Bedingungen soziale Folgereaktionen beeinflussen, ohne dass das Objekt freundlich angesprochen wurde.

Gómez-Leal et al. (2021) untersuchten die Zusammenhänge menschengerichteter und tiergerichteter Empathie mit Fragebogen. Samuels und Onuoha-Jackson (2023) fanden in einem auf Klassenebene randomisierten einjährigen Bildungsprogramm an sechs Schulen in Ostchina mit 605 Kindern zu Beginn Vorteile in affektiver und kognitiver Empathie gegenüber Kontrollklassen. Ngai et al. (2021) beobachteten unter 110 Kindern in Hongkong dagegen nur begrenzte Teilgruppeneffekte, nicht einen überzeugenden umfassenden Programmvorteil. Für beide Interventionsstudien ist das konkrete Curriculum entscheidend; aus keiner folgt, dass ein respektvolles "Danke" gegenüber ChatGPT menschliche Empathie erhöht.

Tai et al. (2011) untersuchten in zwei Experimenten den Kontakt mit einem Teddybären. Nach sozialem Ausschluss verhielten sich Personen prosozialer, wenn sie den Teddybären berührt hatten, verglichen mit dem blossen Betrachten. Das ist ein situativer Emotionsregulationsbefund, kein Nachweis eines moralischen Umgangstontrainings.

Lally et al. (2010) dokumentierten bei 96 Freiwilligen, wie regelmässige Handlungen im Alltag automatischer werden können. 82 lieferten ausreichende Daten, und nur für eine Teilgruppe von 39 passte das Modell besonders gut; die Dauer bis zur geschätzten Automatisierung schwankte stark. Das Prinzip erklärt, warum wiederholtes Promptverhalten theoretisch eingeübt werden kann. Es gibt aber keinen Grund, den oft zitierten Median von 66 Tagen als Frist für "höflichere Menschen durch KI" auszugeben. Bushman (2002) widerlegte zudem in einem anderen Kontext die Idee, Ärgerausagieren mit Grübeln führe automatisch zur Entlastung. Auch das bleibt ein indirekter Hinweis, kein KI-Tonexperiment.

Eine KI, die immer zustimmt, ist nicht respektvoll. Sie ist gefährlich.

Die kommunikative Qualität der Maschine selbst kann eine andere soziale Wirkung entfalten als die Höflichkeit der Nutzenden. Ibrahim, Hafner und Rocher (2026) trainierten fünf Modelle mit 1'617 Chatgesprächen und 3'667 Antwortbeispielen auf mehr Wärme. Im kontrollierten Vergleich über 1'625 unterschiedliche Benchmarkfragen stieg die Fehlerwahrscheinlichkeit im Mittel um 7,43 Prozentpunkte. Die Forschenden berichten zahlreiche zusätzliche Modell-Beobachtungen, doch diese sind nicht ebenso viele unabhängige Fragen oder Menschen. Es handelt sich um den Einfluss von Modelltraining, nicht um den Effekt eines freundlichen Nutzerprompts.

Cheng et al. (2026) kombinierten einen Vergleich von elf Modellen mit drei präregistrierten Experimenten (N = 2'405). Übermässig bestätigende Antworten erhöhten kurzfristig die Überzeugung, in Konflikten im Recht zu sein, und senkten die erklärte Bereitschaft zur Reparatur der Beziehung. Gleichzeitig wurden gefällige Antworten häufig bevorzugt. Damit erhält die Kernthese eine wichtige Grenze: Respekt darf nicht mit Bestätigung verwechselt werden. Ein hilfreicher Assistent muss begründet widersprechen können, auch wenn das weniger angenehm wirkt.

Eine saubere Führungspraxis behandelt vier Dinge separat: sozial respektvoller Ton des Menschen, brauchbare Information im Prompt, Wahrheitstreue der KI-Antwort und menschliche Verantwortung für die Freigabe. Wer alle vier unter "nett" zusammenfasst, kann weder messen noch steuern, was verändert werden soll.

Direkt ist nicht grob. Eine kurze, klare Anweisung reicht oft.

Gegenhypothese 1: Direkter Ton statt Höflichkeit ist technisch ausreichend

Diese Hypothese ist für viele klar strukturierte Aufgaben gut vereinbar mit der Evidenz. Ein kurzer Imperativ ist kein Angriff. Der Standard kann sachlich-direkt sein, ohne zeremonielle Höflichkeit zu verlangen (Dobariya & Kumar, 2025, 2026).

Gegenhypothese 2: Menschen trennen KI und Mensch zuverlässig

Die Strathmann-Längsschnittstudie und der doppelte Robotermechanismus sprechen gegen eine unvermeidliche Verrohung. Die kurzfristigen Spillover-Experimente sprechen wiederum gegen vollständige Kontexttrennung. Der Übertragungsgrad bleibt situationsabhängig (Strathmann et al., 2026; Tey et al., 2024; Gong & Huang, 2026).

Gegenhypothese 3: Ärger gegenüber KI verbessert manchmal Fehlersuche

Fordernde Formulierungen können einzelne technische Ergebnisse verbessern. Das ist aber kein Nachweis, dass Beleidigungen eine wirksamere Fehleranalyse oder menschliche Fehlerkultur fördern. Inhaltliche Strenge kann ohne Abwertung formuliert werden.

Gegenhypothese 4: Führung ist vielleicht schon allein durch KI-Nutzung sichtbar

Cisco und Gallup berichten Korrelationen zwischen Vorgesetztenunterstützung bzw. -nutzung und Mitarbeitendennutzung. Daraus folgt weder, dass die KI-Fehlerreaktion öffentlich stattfindet, noch dass sie Teamnormen kausal verändert.

Gegenhypothese 5: Zu freundliche KI nimmt uns Urteilskraft

Dafür existieren aktuelle Experimente. Sie betreffen das vom Modell gezeigte Zustimmungsverhalten, nicht die generelle Empfehlung, Menschen sollten eine Maschine beschimpfen (Ibrahim et al., 2026; Cheng et al., 2026).

Gegenhypothese 6: KI-Fehler führen auch ohne Führungston zu Aversion

Dietvorst et al. (2015) zeigten in fünf Experimenten, dass Menschen nach sichtbaren Fehlern Algorithmus-Prognosen schneller misstrauen können als menschlichen Prognosen. Das ist eine alternative Erklärung für Ablehnung nach KI-Fehlern und darf nicht automatisch dem Ton der Führung zugeschrieben werden.

Gut belegt ist vieles für den Moment. Für die lange Frist fehlt die Evidenz.

Bis zu einem echten Test gilt: "könnte ein Vorbild sein", nicht "formt die Fehlerkultur".

Die noch fehlende Untersuchung müsste Tonalität und Informationsgehalt strikt trennen. In einem randomisierten Feldexperiment würden Teams über mehrere Wochen vergleichbare KI-Aufgaben bearbeiten. Das Führungsverhalten bei bewusst eingebauten, eindeutig identifizierbaren KI-Fehlern würde in standardisierten Varianten demonstriert: (1) sachlich-respektvolle Fehlerkorrektur, (2) gleich inhaltsreiche, aber abwertende Fehlerreaktion. Eine dritte Bedingung könnte Fehler nur in einer schriftlichen Richtlinie regeln. Die Teams dürften nicht erfahren, welche Hypothese bevorzugt wird.

Primäre Endpunkte wären (a) die Zahl objektiv detektierter und offen gemeldeter Fehler im Team, (b) beobachtete Qualität der Fehlerkorrektur und (c) psychologische Sicherheit mit validierten Instrumenten. Sekundär würden tatsächliche Umgangstöne zwischen Mitarbeitenden, Eigenkritik, Quellenprüfung und KI-Adoption gemessen. Wichtig wären Vorhermessungen, blinde Kodierung von Teaminteraktionen, Kontrolle von Berufserfahrung sowie eine Nachbeobachtung nach Ende der Intervention. Die Stichprobengrösse müsste durch eine vorgängige Poweranalyse für verschachtelte Teamdaten festgelegt werden.

Erst eine solche Untersuchung könnte klären, ob respektvolle KI-Korrektur über das bereits bekannte gute allgemeine Führungsverhalten hinaus einen spezifischen, kausalen Zusatzbeitrag leistet. Bis dahin sollte die Formulierung "könnte ein öffentliches Vorbild sein" lauten und nicht "formt zwangsläufig die Fehlerkultur".

Beitrag 1: "Bitte" ist keine Promptstrategie

Technische Ergebnisse sind modellabhängig; Höflichkeit, Klarheit und Formatvorgaben dürfen nicht verwechselt werden. Yin; Dobariya 2025/2026; AA-PersonalityBench.

Beitrag 2: Die KI vergisst den Ton. Was bleibt beim Menschen?

Kurzfristige Spillover-Befunde und widersprechende Längsschnittdaten. Tey; Harrell & Traeger; Strathmann; tierbezogene Analogien mit Grenzen.

Beitrag 3: Fehlerkultur und Führung

Führung als sichtbarer Prüfprozess, gestützt von Edmondson; Leroy; Van Dyck; Mawritz; Gong; Pu; Kim. Die zentrale KI-Übertragung als Hypothese markieren.

Beitrag 4: Die 50-Fragen-Gegenstudie

Der 4-Prozentpunkte-Befund bleibt stehen. Sample = 50 Ausgangsfragen und 0 Menschen, Replikationsanalyse mit 570 MMLU-Fragen.

Beitrag 5: Gefährliche Freundlichkeit und Sycophancy

Modellwärme und falsche Bestätigung, menschliche Urteile, aktuelle Benchmarkgrenzen. Ibrahim; Cheng; TrueStandard und AA-PersonalityBench.

Landingpage: Von der scheinbar kleinen Etikettefrage zur Führungsthese

Ein breites visuelles Narrativ: Prompt-Qualität → menschliches Urteil → Fehlermeldung → soziale Sichtbarkeit → kritische KI, mit deutlich sichtbarer Evidenzampel und APA-7-Quellenregister.

• Die Penn-State-Studie von 2025 wurde nirgends als Experiment mit 50 Menschen bezeichnet; korrekt sind 50 Ausgangsfragen, 250 einzigartige Tonvarianten und null menschliche Versuchspersonen.

• Für 2026er Benchmarks wird zwischen nachgeben unter Druck, unkritischer Zustimmung und berechtigter Korrektur unterschieden. Modellreihenfolge ist nicht zwischen Messinstrumenten übertragbar.

• Forschungsstandort und Rekrutierungsregion werden konsequent auseinandergehalten. Wo Personenregion oder N im Originalabstract nicht ausgewiesen sind, bleiben sie offen.

• Die Tier-, Teddy- und Gewohnheitsforschung wird ausdrücklich als indirekte Analogie behandelt; ihre Effekte werden nicht auf KI übertragen, als seien sie direkt gemessen.

• Die Studie von Gong und Huang enthält zwei gegenläufige Beobachterpfade; sie wird nicht als einseitiger Nachahmungsbeleg verwendet.

• Die Studien von Ibrahim sowie Cheng betreffen das Verhalten der KI und die Folgen ihrer Antwortgestaltung, nicht höfliche Wörter in Nutzerprompts.

• Gallup- und Cisco-Zahlen werden als Praxisbeobachtung mit offener Teilstichprobe ausgewiesen, nicht als randomisierte Experimente.

• Die Verbindung zur menschlichen Fehlerkultur durch eine beobachtete KI-Beschimpfung ist als testbare Hypothese gekennzeichnet und bleibt die zentrale Forschungslücke.

Die folgenden Angaben bilden das methodische Register sämtlicher für diese Synthese verwendeten Quellen. Ein Stichprobenwert steht nur dort, wo er in den geprüften Primärangaben beziehungsweise transparent gekennzeichneten Projektmaterialien auffindbar war.

01. Announcing AA-PersonalityBench

Sample: 30 bewertete Persönlichkeitsmerkmale × 30 englischsprachige Fragen = 900 Fragen pro Modell; weitere 21 programmatische Merkmale.

Region: Englischsprachige synthetische Testfragen; keine menschliche Rekrutierungsregion.

Design: Paarweise, verblindete Bewertungen durch ein Panel aus LLM-Judges; Elo-Scores.

Ergebnis: Sycophancy, Wärme und konstruktiver Widerspruch sind unterschiedliche Eigenschaften; neuere Modellgenerationen können verglichen werden.

Grenze: Fragen nicht vollständig offen; modellbasierte Urteile können Modellpräferenzen enthalten; nicht mit wissenschaftlicher Kohortenstudie gleichsetzen.

Evidenz: Transparenter aktueller technischer Benchmark, mit methodischen Grenzen.

Zuordnung: Aktuelle Modelle / Sycophancy | Beiträge: 1,5

02. AA-PersonalityBench methodology

Sample: 30 × 30 = 900 Fragen je Modell; ein Modellantwort pro Frage; paarweise LLM-Bewertung.

Region: Englischsprachige Fragen, keine menschliche Stichprobe.

Design: Verblindete, balancierte Paarvergleiche; 95%-Intervalle aus Bootstrap.

Ergebnis: Erklärt, welche beobachteten Kommunikationsmerkmale als Vergleichswerte gelten.

Grenze: Kein Beleg für langfristige menschliche Effekte oder kausale Besserung der Antwortgenauigkeit.

Evidenz: Gut dokumentierte Benchmarkspezifikation, keine Peer-Review-Studie.

Zuordnung: Aktuelle Modelle / Sycophancy | Beiträge: 1,5

03. Children's attitudes about humane treatment of animals and empathy

Sample: Kinder in Interventions- und Kontrollgruppe; N aus geprüfter Abstractansicht nicht eindeutig belegbar.

Region: Utah, USA (Forschungs- und Schulkontext).

Design: Humane-Education-Programm mit Vorher/Nachher-Messung und Ein-Jahres-Nachbeobachtung.

Ergebnis: Hinweise auf verbesserte tierbezogene Haltung und menschengerichtete Empathie.

Grenze: Pädagogisches Gesamtprogramm; der Beitrag des Tierkontakts ist nicht isoliert.

Evidenz: Unterstützende Interventionsanalogie mit N-Lücke.

Zuordnung: Tier-Analogie | Beiträge: Hauptdossier

04. Does venting anger feed or extinguish the flame?

Sample: 600 wütend gemachte Teilnehmende, 200 je experimenteller Gruppe.

Region: USA als Forschungskontext; konkrete Rekrutierungsregion im Abstract nicht verifiziert.

Design: Grübeln und Sandsack-Schlagen vs. Ablenkung vs. Kontrollgruppe; nachfolgende Aggression.

Ergebnis: Ärgerausagieren mit Grübeln verringerte Ärger nicht und verstärkte Aggression.

Grenze: Sandsack, nicht Beschimpfung von Chatbots; keine Messung langfristiger Teamkultur.

Evidenz: Gut für widerlegte Katharsisannahme; indirekt für KI-Frust.

Zuordnung: Selbstregulation / Gegenargument | Beiträge: Hauptdossier

05. Sycophantic AI decreases prosocial intentions and promotes dependence

Sample: Drei präregistrierte Experimente; N = 2'405 menschliche Teilnehmende; zusätzlich elf KI-Modelle im Modellvergleich.

Region: Online-Rekrutierung; Forschungsinstitutionen Stanford und Carnegie Mellon (USA); Teilnehmerländer aus verifiziertem Abstract nicht eindeutig.

Design: Randomisierte Variation bestätigender KI-Antworten bei Konfliktfällen.

Ergebnis: Sycophantische KI verringerte unmittelbar die erklärte Bereitschaft zu Konfliktreparatur und stärkte Selbstrechtfertigung.

Grenze: Kurzfristige Absichten, nicht nachgewiesene dauerhafte menschliche Verhaltensänderung.

Evidenz: Stark für kurzfristige Urteilseffekte.

Zuordnung: Sycophancy / Gegenbefund | Beiträge: 5

06. Algorithm aversion

Sample: Fünf Experimente; kumuliertes N im geprüften Abstract nicht separat ausgewiesen.

Region: US-Forschungskontext, nicht als repräsentative Länderstichprobe deklariert.

Design: Menschen sehen algorithmische oder menschliche Prognosefehler und entscheiden anschliessend über die Prognosequelle.

Ergebnis: Algorithmische Fehler führen teils rascher zu Vertrauensverlust als menschliche Fehler.

Grenze: Algorithmische Prognosen, nicht KI-Tonalität oder Führungsfehler; direkte Übertragung unzulässig.

Evidenz: Gut für alternative Erklärung von KI-Fehlerreaktionen.

Zuordnung: Fehler / Gegenhypothese | Beiträge: 3

07. Mind your tone: Investigating how prompt politeness affects LLM accuracy

Sample: 50 Ausgangsfragen × 5 Tonvarianten = 250 einzigartige Prompts; GPT-4o; Wiederholungsmessungen. 0 menschliche Versuchspersonen.

Region: Forschungsort: Pennsylvania State University, USA; englischsprachige Multiple-Choice-Fragen.

Design: Fünf Tonstufen in Multiple-Choice-Fragen, gepaarte Tests.

Ergebnis: Sehr grob: 84,8 %; sehr höflich: 80,8 % im untersuchten GPT-4o-Setup.

Grenze: Nur 50 unabhängige Ausgangsfragen, ein Modell, kein nachgewiesenes Peer Review; untersuchte Texte variieren in mehr als einem Merkmal.

Evidenz: Vorläufig; der Gegenbefund ist real, seine Übertragbarkeit schwach.

Zuordnung: Promptqualität / Gegenbefund | Beiträge: 1,4

08. Mind your tone: Does tone alter LLM performance?

Sample: Zwei Aufgabenbasen: 50 Ausgangsfragen mit fünf Tonvarianten und 570 MMLU-Fragen mit sieben Tonvarianten; vier Modelle.

Region: Forschungsort USA; englischsprachiges Aufgabenmaterial, keine menschliche Regionalstichprobe.

Design: Vergleich mehrerer Tonstufen auf GPT-4o, GPT-5-nano und zwei Gemini-2.5-Flash-Varianten.

Ergebnis: Tonwirkungen sind vorhanden, aber stark modell- und aufgabenabhängig.

Grenze: Preprint; begrenzte Auswahl von Modellfamilien; keine Aussage zu Fable 5.1, Astra oder Gemini 4.

Evidenz: Vorläufig, aber methodisch breiter als die 2025er Pilotstudie.

Zuordnung: Promptqualität / Gegenbefund | Beiträge: 1,4

09. Learning from mistakes is easier said than done

Sample: Acht Stationen; 123 Pflegefachpersonen, 19 Ärzt:innen, vier Apotheker:innen (146 Befragte).

Region: Zwei urbane US-Spitäler (Pseudonyme).

Design: Quantitative Fehlerdaten und qualitative Teambeobachtungen.

Ergebnis: Registrierte Fehler können die Offenlegungsbereitschaft mitmessen; Umfeld beeinflusst die Korrektur.

Grenze: Höhere gemeldete Fehler bedeuten nicht zwingend gleich häufige tatsächliche Fehler.

Evidenz: Gut für Fehleroffenlegung, begrenzt kausaler Nachweis.

Zuordnung: Fehlerkultur | Beiträge: 3

10. Catching rudeness is like catching a cold

Sample: Drei Studien; einzelne Teilnehmerzahlen im verifizierten Verlagsabstract nicht angegeben und daher hier nicht behauptet.

Region: US-Forschungskontext; genaue Stichprobenrekrutierung je Studie nicht aus dem Abstract belegbar.

Design: Feldbeobachtung und Laboruntersuchungen der Aktivierung unhöflichkeitsbezogener Konzepte.

Ergebnis: Beobachtete und erlebte Unhöflichkeit kann nachfolgende Unhöflichkeit begünstigen.

Grenze: Ohne Volltextmethodik bleibt quantitative Detailbewertung eingeschränkt.

Evidenz: Gut für Mechanismus; Stichprobendetails offen.

Zuordnung: Tonübertragung | Beiträge: 3

11. Witnessing robot mistreatment

Sample: Studie 1: N = 200; Studie 2: N = 320; insgesamt 520 Personen.

Region: Hochschulkontext Südkorea; das tatsächliche Rekrutierungsland der Teilnehmenden ist im überprüften Abstract nicht benannt.

Design: Zwei videobasierte Experimente mit beobachteter Misshandlung und menschlich gestalteten Servicerobotern.

Ergebnis: Misshandlung kann entweder Unhöflichkeit normalisieren oder Empathie erzeugen.

Grenze: Verhaltensabsichten gegenüber Robotern, nicht beobachtetes Fehlermanagement mit menschlichen Mitarbeitenden.

Evidenz: Gut für situative Roboterbeobachtung, begrenzt für KI-Teams.

Zuordnung: Maschine / Beobachtung | Beiträge: 2,3

12. Relationship between emotional intelligence and empathy towards humans and animals

Sample: Stichprobe nicht aus dem überprüften Originaltext verlässlich bestätigt; das frühere Forschungsdossier nennt N = 471 (hier nicht als gesichert übernommen).

Region: Forschungsteams Spanien und Portugal; Rekrutierungsland im geprüften Abstract nicht eigenständig ausgewiesen.

Design: Fragebogenkorrelationen zu menschengerichteter und tiergerichteter Empathie.

Ergebnis: Positive Zusammenhänge der Empathiedimensionen; kein Nachweis eines Transfers durch Intervention.

Grenze: Selbstauskunft und Korrelation; nur theoretische Analogie, keine KI-Studie.

Evidenz: Begrenzte unterstützende Analogie.

Zuordnung: Tier-Analogie | Beiträge: Hauptdossier

13. Evidence of spillovers from (non)cooperative human-bot to human-human interactions

Sample: Zwei präregistrierte Experimente; N = 4'171 Personen; 83'411 Kooperationsentscheidungen.

Region: Erwachsene Online-Teilnehmende aus den USA.

Design: Kooperationsspiele mit Bot oder Mensch, anschliessende Entscheidungen gegenüber einer neuen Person.

Ergebnis: Nichtkooperative Bots senkten und erwidernd kooperative Bots erhöhten spätere Kooperation; Bot-Interaktion hatte eigenen Spillover.

Grenze: Kurzfristiges experimentelles Verhalten; keine direkte Manipulation von Bitte, Danke oder Beschimpfung.

Evidenz: Gut für kurzfristige Entscheidungen, nicht für mehrmonatigen Charakterwandel.

Zuordnung: Maschine → Mensch | Beiträge: 2,3

14. Training language models to be warm can reduce accuracy and increase sycophancy

Sample: 1'617 Trainingsgespräche und 3'667 Antworten; 1'625 unterschiedliche Evaluationsfragen (500+500+500+125); fünf Modellfamilien, zehn Modellversionen.

Region: Oxford, Grossbritannien (Forschungsstandort); Chatdaten ohne repräsentative Rekrutierungsregion.

Design: Fine-Tuning auf Wärme und Vergleich mit Originalmodellen; ca. 439'792 auswertbare Beobachtungen über Bedingungen.

Ergebnis: Wärmer trainierte Modelle erhöhten die modell- und aufgabenkontrollierte Fehlerwahrscheinlichkeit um 7,43 Prozentpunkte.

Grenze: Verändert wurde Modellverhalten durch Training, nicht höfliche Sprache des Nutzers.

Evidenz: Stark innerhalb des Experiments; nicht für Bitte/Danke-Ton im Prompt.

Zuordnung: Sycophancy / Gegenbefund | Beiträge: 5

15. Manager support drives employee AI adoption

Sample: Gallup-Umfragedaten; im Artikel keine eindeutig ausgewiesene relevante Teilstichprobengrösse für die 2,1-fach-Aussage.

Region: Gallup-Arbeitsweltforschung; genaue Länderzusammensetzung der für diese Aussage verwendeten Stichprobe unklar.

Design: Korrelationsvergleich der KI-Nutzung nach wahrgenommener Vorgesetztenunterstützung.

Ergebnis: Bei starker Unterstützung: 2,1-mal höhere Wahrscheinlichkeit regelmässiger KI-Nutzung.

Grenze: Keine Experimente oder Daten zu höflichem Ton; n und Region für diese Teilanalyse nicht transparent.

Evidenz: Eingeschränkt; unterstützende Praxisbeobachtung.

Zuordnung: KI-Adoption | Beiträge: 3

16. The dark side of artificial intelligence adoption

Sample: 381 Beschäftigte; drei zeitversetzte Befragungswellen.

Region: Südkoreanische Unternehmen.

Design: Längsschnittähnliche Korrelationsanalyse von KI-Einführung, psychologischer Sicherheit und ethischer Führung.

Ergebnis: Ethische Führung schwächte einen negativen Zusammenhang zwischen KI-Einführung und psychologischer Sicherheit ab.

Grenze: Keine randomisierte Kausalprüfung; kein Ton gegenüber KI gemessen.

Evidenz: Gut für den Zusammenhang, nicht für konkreten Tontransfer.

Zuordnung: KI-Führung / Sicherheit | Beiträge: 3

17. How are habits formed: Modelling habit formation in the real world

Sample: 96 Freiwillige; 82 ausreichend vollständige Verläufe; 39 mit gut passendem Automatisierungsmodell.

Region: Grossbritannien als Studienkontext; genaue Rekrutierungsregion nicht im geprüften Abstract.

Design: Wiederholte Alltagsverhaltensweisen über 12 Wochen in stabilem Kontext.

Ergebnis: Wiederholung kann Automatisierung erzeugen; grosse interindividuelle Schwankung (18-254 Tage für 95 % des jeweiligen Plateauwerts).

Grenze: Essen, Trinken, Aktivität; kein Experiment mit KI-Tonalität.

Evidenz: Gut für allgemeine Gewohnheitsbildung; KI-Anwendung Hypothese.

Zuordnung: Gewohnheit / Mechanismus | Beiträge: Hauptdossier

18. Behavioral integrity for safety

Sample: 54 Pflegeteams; Teamaggregate, 580 Pflegekräfte und 54 Stationsleitungen in der berichteten Erhebung.

Region: Belgien.

Design: Teambezogene Erhebung zu Führung, Sicherheitsklima, psychologischer Sicherheit und Fehlermeldungen.

Ergebnis: Vorgelebte Sicherheitsregeln hängen mit Sicherheitsklima und psychologischer Sicherheit zusammen.

Grenze: Kein Randomisierungsnachweis, kein KI-Verhalten untersucht.

Evidenz: Gut für Teamzusammenhänge.

Zuordnung: Fehlerkultur / Vorbild | Beiträge: 3

19. A trickle-down model of abusive supervision

Sample: 288 Arbeitsgruppen; 1'423 Mitarbeitendenantworten und 295 Vorgesetztenantworten (vor Gruppenausschluss).

Region: Südosten der USA, mehrere Branchen.

Design: Multi-Source-Feldstudie über drei Hierarchieebenen.

Ergebnis: Abwertendes Führungsverhalten hängt mit weiterer Abwertung über Hierarchieebenen zusammen.

Grenze: Nicht-randomisiertes Design; behandelt menschliche Interaktionen, nicht KI-Prompts.

Evidenz: Gut für hierarchische Zusammenhänge, nicht für direkten KI-Effekt.

Zuordnung: Tonübertragung | Beiträge: 3

20. Effectiveness of a school-based programme of animal-assisted humane education

Sample: 110 Kinder aus zwei Primarschulen; 55 Intervention und 55 Kontrollangebote, vier Teilgruppen.

Region: Hongkong.

Design: Pilotprogramm mit Tierkontakt und Bildung; Gruppenvergleich und Nachbefragung.

Ergebnis: Signifikante Empathieverbesserung nur in einer Teilgruppe, kein überzeugender genereller Interventionseffekt.

Grenze: Nicht-randomisierte Teilgruppen und kurze Nachbeobachtung; keine Übertragung auf Chatbots.

Evidenz: Wichtiger begrenzender Gegenbefund.

Zuordnung: Tier-Analogie / Gegenbeleg | Beiträge: Hauptdossier

21. From AI adaptation to innovation

Sample: Studie 1: 294 vollständig paarige Beschäftigtenantworten (2 Wellen). Studie 2: 382 gültige Vignettenantworten.

Region: Studie 1: Technologieunternehmen in drei Städten Ostchinas. Studie 2: Hochschulen in Ost- und Westchina.

Design: Zweiwellige Feldbefragung und Vignettenexperiment zu Leader AI Crafting.

Ergebnis: KI-bezogenes Führungsverhalten hängt mit Selbstwirksamkeit und Innovation zusammen.

Grenze: Selbstbericht; KI-Ton und Fehlerkultur nicht direkt untersucht; vereinzelt Text-/Tabellenabweichungen.

Evidenz: Gut gestützter Zusammenhang, kausale Gesamtübertragung offen.

Zuordnung: KI-Führung / Vorbild | Beiträge: 3

22. Learning to care: An in-school humane education program

Sample: 605 zu Beginn, 593 beim Nachtest; Unterrichtsklassen randomisiert.

Region: Sechs Schulen in vier Städten Ostchinas, Erstklässler:innen.

Design: Über ein Schuljahr eingesetztes Bildungsprogramm mit tier- und naturbezogenen Themen; Kontrollgruppenvergleich.

Ergebnis: Verbesserungen in affektiver Empathie, Erhaltung kognitiver Empathie gegenüber Kontrollgruppe.

Grenze: Mehrkomponentenprogramm; tierbezogener Inhalt nicht isoliert, keine KI-Sprachinteraktion.

Evidenz: Gut für Bildungsintervention, nur indirekte Analogie zur KI.

Zuordnung: Tier-Analogie | Beiträge: Hauptdossier

23. Alexa, shut up! A 2.5-year study

Sample: 128 Eltern / Familien, sechs Online-Befragungswellen über 2,5 Jahre.

Region: Deutschland (Elternbefragung); Kinderverhalten über Elternberichte.

Design: Wiederholte Selbstauskunft und Einschätzung des Verhaltens von Kindern gegenüber Sprachassistenten.

Ergebnis: Kinderhöflichkeit gegenüber Geräten blieb insgesamt stabil; berichtete Aggression gering.

Grenze: Kein direkt gemessener Transfer zu menschlichen Gesprächen; Selbstauskunft und Befragungsattrition.

Evidenz: Gut für Entwicklungsverlauf gegenüber Geräten, nicht für Mensch-Mensch-Transfer.

Zuordnung: Gegenbefund / Langzeit | Beiträge: 2,5

24. Touching a teddy bear mitigates negative effects of social exclusion

Sample: Zwei Experimente; Einzel-N in geprüftem Verlagsabstract nicht ausgewiesen.

Region: National University of Singapore als Forschungsstandort; regionale Rekrutierung nicht aus Abstract bestätigt.

Design: Berühren vs. Betrachten eines Teddybären nach sozialer Ausgrenzung.

Ergebnis: Unter Ausgrenzungsbedingungen erhöhte Berührung prosoziales Verhalten.

Grenze: Manipuliert wurde Berührung, nicht Höflichkeit oder fürsorgliches Sprechen.

Evidenz: Eng begrenzte Analogie, nicht als KI-Beweis verwendbar.

Zuordnung: Spielzeug-Analogie | Beiträge: Hauptdossier

25. People judge others more harshly after talking to bots

Sample: Studie 1: 500; Studie 2: 761 über Prolific, Gesamt N = 1'261. In Studie 2 bestanden 526 den Comprehension-Check für die primäre Auswertung.

Region: Prolific-Online-Stichprobe; genaue Verteilung nach Herkunftsländern im Haupttext nicht belegt. Forschungsorte Hongkong und USA.

Design: Zwei präregistrierte randomisierte Experimente: vermeintlicher KI- vs. menschlicher Partner war tatsächlich GPT-4; anschliessende Beurteilung anderer Menschen.

Ergebnis: Die KI-Bedingung führte unmittelbar danach zu strengeren Bewertungen einer anderen Person.

Grenze: Kurzfristig, nur Kreativaufgabe; es wurde keine Höflichkeitsformel isoliert verändert.

Evidenz: Gut für kurzfristigen Urteils-Spillover, nicht für Langzeit-Höflichkeit.

Zuordnung: Maschine → Mensch | Beiträge: 2

26. AI sycophancy benchmark: Which models fold

Sample: 30 feste Behauptungen × 3 Durchläufe je Modell; insgesamt 23 Modelle und 7'800 Calls über mehrere Testdaten. Bei Fable 5.1: 89 auswertbare Zellen.

Region: Online-Tests; Aufgaben nicht als länderrepräsentative Stichprobe definiert.

Design: SUPPORTED/UNSUPPORTED/UNCERTAIN vor und nach unbegründetem Widerspruch; Moved und Caved getrennt.

Ergebnis: Am 21.10.2026: Astra und Gemini 4 Argon je 0/90, Fable 5.1 1/89 Änderungen; keine signifikante Rangordnung.

Grenze: Wenig verschiedene Behauptungen; Produktanbieter testet auch im eigenen Interesse; Moved nicht identisch mit faktischer Richtigkeit.

Evidenz: Vorläufiger technischer Test, nicht als allgemeiner Sycophancy-Nachweis verwenden.

Zuordnung: Aktuelle Modelle / Sycophancy | Beiträge: 1,5

27. Organizational error management culture

Sample: Studie 1: 65 Organisationen; Studie 2: 47 Organisationen.

Region: Niederlande (65) und Deutschland (47).

Design: Zwei Feldstudien zu Fehlermanagementkultur und wirtschaftlicher Leistung.

Ergebnis: Aktives Fehlermanagement ist mit Leistungsindikatoren positiv verbunden.

Grenze: Korrelationen, keine experimentelle Führungsintervention.

Evidenz: Gut für replizierte Zusammenhänge.

Zuordnung: Fehlerkultur | Beiträge: 3

28. Upskilling in the AI era: FY25 purpose report

Sample: Interne multimodale Auswertung bei Cisco; für die 2×-Aussage im Blog kein Sample ausgewiesen.

Region: Cisco-interne Beschäftigte; internationale Tätigkeitsorte möglich, Regionalsample unklar.

Design: Interne Nutzungs- und Erlebnisanalyse, keine veröffentlichte experimentelle Intervention.

Ergebnis: Beschäftigte mit KI-nutzenden Führungskräften nutzten KI nach Bericht doppelt so wahrscheinlich.

Grenze: Interessengeleiteter Eigenbericht und fehlende Stichprobendetails; kein Nachweis zum Umgangston.

Evidenz: Eingeschränkt; ergänzende Kontextquelle.

Zuordnung: KI-Adoption | Beiträge: 3

29. Should we respect LLMs?

Sample: Mehrere LLMs und drei Aufgabentypen mit acht Höflichkeitsstufen; keine menschlichen Versuchspersonen. Die Gesamtzahl aller Modellabfragen wird hier nicht als unabhängige Stichprobengrösse ausgewiesen.

Region: Englisch, Chinesisch und Japanisch als Testsprachen; Konferenz in Miami (kein Rekrutierungsland).

Design: Cross-lingualer Promptvergleich mit Aufgaben für Verständnis, Zusammenfassung und Bias.

Ergebnis: Grobe Prompts verschlechterten teils die Leistung; übertriebene Höflichkeit war nicht generell besser.

Grenze: Ältere Modellgenerationen; Höflichkeit ist ein komplexes sprachliches Konstrukt.

Evidenz: Gut innerhalb der untersuchten Testbedingungen, begrenzt auf Modelle und Aufgaben.

Zuordnung: Promptqualität | Beiträge: 1,4

Alphabetisch nach Erstautor:in bzw. Organisation. Bei Berichten ohne gesichertes Veröffentlichungsdatum steht n.d. Verlags- und DOI-Adressen verweisen auf die geprüften Originalangaben. Ein Teil der Quellen erlaubt nur Abstract-/Methodenprüfung; die betroffenen Grenzen sind im Evidenzregister vermerkt.

Artificial Analysis. (2026, October 19). Announcing AA-PersonalityBench: Measuring how AI models communicate. https://artificialanalysis.ai/de/articles/aa-personalitybench

Artificial Analysis. (n.d.). AA-PersonalityBench methodology. https://artificialanalysis.ai/de/methodology/aa-personalitybench

Ascione, F. R., & Weber, C. V. (1996). Children's attitudes about the humane treatment of animals and empathy: One-year follow up of a school-based intervention. Anthrozoös, 9(4), 188-195. https://doi.org/10.2752/089279396787001455

Bushman, B. J. (2002). Does venting anger feed or extinguish the flame? Catharsis, rumination, distraction, anger, and aggressive responding. Personality and Social Psychology Bulletin, 28(6), 724-731. https://doi.org/10.1177/0146167202289002

Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352

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. https://doi.org/10.1037/xge0000033

Dobariya, O., & Kumar, A. (2025). Mind your tone: Investigating how prompt politeness affects LLM accuracy (short paper) [Preprint]. arXiv. https://arxiv.org/abs/2510.04950

Dobariya, O., & Kumar, A. (2026). Mind your tone: Does tone alter LLM performance? [Preprint]. arXiv. https://arxiv.org/abs/2605.29027

Edmondson, A. C. (1996). Learning from mistakes is easier said than done: Group and organizational influences on the detection and correction of human error. The Journal of Applied Behavioral Science, 32(1), 5-28. https://doi.org/10.1177/0021886396321001

Foulk, T., Woolum, A., & Erez, A. (2016). Catching rudeness is like catching a cold: The contagion effects of low-intensity negative behaviors. Journal of Applied Psychology, 101(1), 50-67. https://doi.org/10.1037/apl0000037

Gong, T., & Huang, Y.-S. (2026). Witnessing robot mistreatment: A dual-path model of behavioral contagion and empathy in customer observers. Journal of Retailing and Consumer Services, 88, Article 104482. https://doi.org/10.1016/j.jretconser.2025.104482

Gómez-Leal, R., Costa, A., Megías-Robles, A., Fernández-Berrocal, P., & Faria, L. (2021). Relationship between emotional intelligence and empathy towards humans and animals. PeerJ, 9, Article e11274. https://doi.org/10.7717/peerj.11274

Harrell, A., & Traeger, M. L. (2025). Evidence of spillovers from (non)cooperative human-bot to human-human interactions. iScience, 28(8), 113006. https://doi.org/10.1016/j.isci.2025.113006

Ibrahim, L., Hafner, F. S., & Rocher, L. (2026). Training language models to be warm can reduce accuracy and increase sycophancy. Nature, 652, 1159-1165. https://doi.org/10.1038/s41586-026-10410-0

Kemp, A. (2025, November 8). Manager support drives employee AI adoption. Gallup. https://www.gallup.com/workplace/694682/manager-support-drives-employee-adoption.aspx

Kim, B.-J., Kim, M.-J., & Lee, J. (2025). The dark side of artificial intelligence adoption: Linking artificial intelligence adoption to employee depression via psychological safety and ethical leadership. Humanities and Social Sciences Communications, 12, Article 704. https://doi.org/10.1057/s41599-025-05040-2

Lally, P., van Jaarsveld, C. H. M., Potts, H. W. W., & Wardle, J. (2010). How are habits formed: Modelling habit formation in the real world. European Journal of Social Psychology, 40(6), 998-1009. https://doi.org/10.1002/ejsp.674

Leroy, H., Dierynck, B., Anseel, F., Simons, T., Halbesleben, J. R. B., McCaughey, D., Savage, G. T., & Sels, L. (2012). Behavioral integrity for safety, priority of safety, psychological safety, and patient safety: A team-level study. Journal of Applied Psychology, 97(6), 1273-1281. https://doi.org/10.1037/a0030076

Mawritz, M. B., Mayer, D. M., Hoobler, J. M., Wayne, S. J., & Marinova, S. V. (2012). A trickle-down model of abusive supervision. Personnel Psychology, 65(2), 325-357. https://doi.org/10.1111/j.1744-6570.2012.01246.x

Ngai, J. T. K., Yu, R. W. M., Chau, K. K. Y., & Wong, P. W. C. (2021). Effectiveness of a school-based programme of animal-assisted humane education in Hong Kong for the promotion of social and emotional learning: A quasi-experimental pilot study. PLOS ONE, 16(3), Article e0249033. https://doi.org/10.1371/journal.pone.0249033

Pu, T., Lei, R., Siyal, A. W., & Li, Y. (2026). From AI adaptation to innovation: How leader AI crafting shapes employee innovative behavior. Frontiers in Psychology, 17, Article 1847344. https://doi.org/10.3389/fpsyg.2026.1847344

Samuels, W. E., & Onuoha-Jackson, N. (2023). Learning to care: An in-school humane education program improves affective and cognitive empathy among lower-elementary students. International Journal of Educational Research Open, 5, Article 100292. https://doi.org/10.1016/j.ijedro.2023.100292

Strathmann, C., Horstmann, A. C., Szczuka, J. M., & Krämer, N. C. (2026). Alexa, shut up! A 2.5-year study on negatively connotated communication behaviour towards voice assistants in the family home. Behaviour & Information Technology, 45(5), 821-839. https://doi.org/10.1080/0144929X.2025.2533352

Tai, K., Zheng, X., & Narayanan, J. (2011). Touching a teddy bear mitigates negative effects of social exclusion to increase prosocial behavior. Social Psychological and Personality Science, 2(6), 618-626. https://doi.org/10.1177/1948550611404707

Tey, K. S., Mazar, A., Tomaino, G., Duckworth, A. L., & Ungar, L. H. (2024). People judge others more harshly after talking to bots. PNAS Nexus, 3(9), pgae397. https://doi.org/10.1093/pnasnexus/pgae397

TrueStandard. (2026, October 22). AI sycophancy benchmark: Which models fold. https://truestandard.ai/ai-sycophancy-benchmark

van Dyck, C., Frese, M., Baer, M., & Sonnentag, S. (2005). Organizational error management culture and its impact on performance: A two-study replication. Journal of Applied Psychology, 90(6), 1228-1240. https://doi.org/10.1037/0021-9010.90.6.1228

Wolkin, A. (2026, February 25). Upskilling in the AI era: FY25 purpose report. Cisco Blogs. https://blogs.cisco.com/our-corporate-purpose/upskilling-in-the-ai-era-fy25-purpose-report

Yin, Z., Wang, H., Horio, K., Kawahara, D., & Sekine, S. (2024). Should we respect LLMs? A cross-lingual study on the influence of prompt politeness on LLM performance. In J. Hale, K. Chawla, & M. Garg (Eds.), Proceedings of the Second Workshop on Social Influence in Conversations (SICon 2024) (pp. 9-35). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.sicon-1.2

Forschungsstand: 31.10.2026. Dieses Dokument ist ein evidenzbasierter narrativer Forschungsbericht, keine systematische Metaanalyse. Es behauptet keine vollständige Erfassung aller weltweit veröffentlichten Arbeiten.