Prognosen und Selbsttäuschung: Warum wir an Vorhersagen glauben, die nicht funktionieren, und wie das ausgenutzt wird

Der Begriff „Prognose" umfasst derart heterogene Praktiken, dass die Verwendung eines einzigen Wortes für ihre Beschreibung selbst eine kognitive Falle darstellt. Als Physiker der CMS- und LHCb-Kollaborationen die Wahrscheinlichkeit des seltenen Zerfalls B⁰ₛ→μ⁺μ⁻ vorhersagten, operierten sie im Rahmen des Standardmodells mit überprüfbaren Parametern und reproduzierbaren Experimenten (S002).

Wenn Ökonomen Strompreise in Polen prognostizieren, arbeiten sie mit einem System, in dem die Anzahl verborgener Variablen die Anzahl beobachtbarer um Größenordnungen übersteigt. Dies sind nicht nur unterschiedliche Komplexitätsskalen — es sind unterschiedliche epistemologische Regime. Mehr dazu im Abschnitt Alternative Geschichte.

Drei Klassen von Prognosen

Deterministische

Basieren auf geschlossenen Systemen mit bekannten Gesetzen. Vorhersage der Flugbahn eines Geschosses im Vakuum oder der Zeit der nächsten Sonnenfinsternis. Der Fehler hängt ausschließlich mit der Genauigkeit der Messung der Anfangsbedingungen und der Rechenleistung zusammen.

Stochastische

Arbeiten mit Systemen, in denen fundamentale Zufälligkeit in die Natur des Phänomens eingebaut ist. Quantenmechanik, radioaktiver Zerfall, Brownsche Bewegung — wir können das individuelle Ereignis nicht vorhersagen, aber wir können die statistische Verteilung mit hoher Genauigkeit vorhersagen (S006).

Pseudoprognostische

Tarnen sich als stochastisch, arbeiten aber mit offenen Systemen, in denen die Anzahl relevanter Faktoren unbekannt ist und die Faktoren selbst sich im Laufe der Zeit ändern können. Wirtschaftsprognosen, soziologische Vorhersagen, Energieverbrauchsprognosen fallen in diese Kategorie.

Die Untersuchung der Abhängigkeit des Prognosefehlers von der Tiefe der Retrospektion zeigt, dass selbst im relativ kontrollierten Bereich der Elektrizitätswirtschaft die Genauigkeit nichtlinear vom Umfang historischer Daten abhängt, was auf die Nichtstationarität des Systems hinweist (S011).

Grenzen der Anwendbarkeit: warum sich der Konsens in der Physik nicht auf die Ökonomie übertragen lässt

Wissenschaftlicher Konsens besitzt Beweiswert nur in jenen Bereichen, in denen Mechanismen zur systematischen Falsifikation von Hypothesen existieren (S010). In der Teilchenphysik bildet sich der Konsens durch reproduzierbare Experimente mit kontrollierten Bedingungen: Die Beobachtung des seltenen Zerfalls B⁰ₛ→μ⁺μ⁻ wurde unabhängig von zwei Detektoren mit unterschiedlicher Architektur bestätigt, was systematische Fehler einer bestimmten Anlage ausschließt.

In der Wirtschaftsprognose fehlt ein solcher Mechanismus. Die Prognose des Stromverbrauchs in Polen kann nicht unter kontrollierten Bedingungen überprüft werden — jeder Zeitpunkt ist einzigartig, der historische Kontext nicht reproduzierbar, und die Rückkopplung der Prognose selbst verändert das Verhalten des Systems.

Wenn wir den epistemologischen Status des physikalischen Konsenses auf den ökonomischen übertragen, begehen wir einen Kategorienfehler. Dies ist keine Frage der Datengenauigkeit oder Rechenleistung — es ist eine Frage der fundamentalen Struktur des Systems. Mehr darüber, wie das Gehirn die Illusion von Verständnis dort erzeugt, wo es keines gibt, siehe im Artikel über die Aura der Erkennung.

Bevor wir die Mechanismen der Selbsttäuschung analysieren, müssen wir die stärkste Version der Argumente für die Zuverlässigkeit von Prognosen präsentieren. Intellektuelle Redlichkeit erfordert, nicht einen Strohmann anzugreifen, sondern den Stahlmann des Gegners. Mehr dazu im Abschnitt Freie Energie und Perpetuum Mobile.

🔬 Das Argument der akkumulierten Daten: wir haben mehr Geschichte als je zuvor

Moderne Wirtschaftsmodelle stützen sich auf jahrzehntelange detaillierte Daten. Die Prognose elektrischer Lasten verwendet stündliche Verbrauchsmessungen, meteorologische Daten, Kalendereffekte, industrielle Zyklen (S007). Die Tiefe der Retrospektive ermöglicht es, saisonale Muster, Trends und strukturelle Verschiebungen zu identifizieren.

Eine Untersuchung zum Einfluss der Retrospektionstiefe auf die Prognosequalität zeigt, dass eine Erhöhung des Umfangs historischer Daten tatsächlich den Prognosefehler kurzfristig reduziert (S011). Für einen Prognosehorizont von einem Monat liefert die Verwendung einer dreijährigen Historie deutlich bessere Ergebnisse als die Verwendung einer einjährigen Stichprobe.

📊 Das Argument der methodologischen Raffinesse: Modelle werden komplexer

Moderne Prognosen verwenden maschinelles Lernen, neuronale Netze, Ensemble-Methoden, bayesianische Ansätze. Dies ist nicht die lineare Regression der 1970er Jahre. Modelle berücksichtigen nichtlineare Wechselwirkungen, passen sich an veränderte Bedingungen an, integrieren heterogene Datenquellen.

Die Bewertung des Einflusses der Extraktion konstanter Komponenten auf die Qualität der Prognose elektrischer Lasten zeigt, dass selbst relativ einfache methodologische Verbesserungen messbare Effekte erzielen (S007). Jede Komplexitätsschicht ist ein Versuch, die Realität präziser zu erfassen.

🧪 Das Argument der Kalibrierung: wir wissen, wo wir irren

Professionelle Prognostiker behaupten keine absolute Genauigkeit. Sie liefern Konfidenzintervalle, Wahrscheinlichkeitsverteilungen, Szenario-Prognosen. Die Untersuchung des Strommarktes in Polen umfasst nicht punktuelle Vorhersagen, sondern Bereiche möglicher Werte mit Wahrscheinlichkeitsschätzung (S009).

Das Eingeständnis von Unsicherheit ist keine Schwäche des Modells, sondern seine Ehrlichkeit. Eine Prognose ohne Konfidenzintervall ist keine Wissenschaft, sondern Wahrsagerei.

🔁 Das Argument der iterativen Verbesserung: Modelle lernen aus Fehlern

Jeder Prognosezyklus liefert Feedback. Fehler werden analysiert, Modelle korrigiert, Methodik verfeinert. Dies ist kein statisches System, sondern eine evolvierende Praxis.

Die Abhängigkeit des Fehlers vom Zeitpunkt der Prognoseerstellung bei festem Horizont zeigt, dass Modelle, die unter Berücksichtigung aktuellerer Daten erstellt wurden, systematisch veraltete übertreffen (S011). Feedback funktioniert – wenn das System darauf hört.

🧬 Das Argument der partiellen Determiniertheit: nicht alles ist zufällig

Selbst in offenen Systemen existieren stabile Gesetzmäßigkeiten. Saisonalität des Energieverbrauchs, wöchentliche Zyklen, Temperaturabhängigkeit – diese Muster reproduzieren sich Jahr für Jahr. Prognosen erfordern nicht die Vorhersage aller Faktoren, es genügt, die dominierenden zu erfassen.

Die Extraktion der konstanten Komponente in elektrischen Lasten ermöglicht es, die vorhersagbare Grundlast von stochastischen Fluktuationen zu trennen (S007). Das Signal existiert – die Frage ist, wie gut wir es extrahieren.

🛡️ Das Argument des praktischen Werts: unvollkommene Prognosen sind besser als ihr Fehlen

Energieunternehmen müssen die Produktion planen, Finanzinstitute Risiken managen, Regierungen Politik entwickeln. Entscheidungen werden unter Unsicherheit getroffen, und selbst eine unvollkommene Prognose bietet eine Struktur für diese Entscheidungen.

Die Alternative zur Prognose ist nicht perfektes Wissen, sondern völlige Blindheit. Dies ist ein pragmatisches Argument: Unvollkommenheit hebt Nützlichkeit nicht auf.

👁️ Das Argument der selektiven Kritik: wir erinnern Fehlschläge, vergessen Erfolge

Medien berichten über dramatische Prognosefehler – Finanzkrisen, die niemand vorhergesagt hat, politische Ereignisse, die überraschten. Aber Tausende routinemäßiger Prognosen, die sich als ausreichend genau für die praktische Nutzung erwiesen, bleiben unsichtbar.

• Prognosefehlschläge landen in Schlagzeilen und Erinnerung
• Erfolgreiche Vorhersagen bleiben Hintergrund, werden nicht bemerkt
• Dies ist ein klassischer umgekehrter Survivorship Bias: wir sehen nur Fehlschläge
• Das Basisniveau der Erfolgsrate bleibt unsichtbar

Nachdem wir nun die stärksten Argumente für die Prognostik dargelegt haben, wenden wir uns den empirischen Daten zu. Mehr dazu im Abschnitt Energiegeräte.

📊 Teilchenphysik: Der Goldstandard prognostischer Genauigkeit

Die Beobachtung des seltenen Zerfalls B⁰ₛ→μ⁺μ⁻ stellt einen Triumph der prognostischen Wissenschaft dar. Das Standardmodell sagte eine Wahrscheinlichkeit für diesen Prozess von (3,65 ± 0,23) × 10⁻⁹ voraus, während die kombinierte Analyse der CMS- und LHCb-Daten einen gemessenen Wert von (2,8 +0,7/-0,6) × 10⁻⁹ ergab (S002).

Vorhersage und Beobachtung stimmen innerhalb der statistischen Unsicherheit überein – ein Genauigkeitsniveau, das in den Sozialwissenschaften unerreichbar ist. Das ATLAS-Experiment basiert auf fundamentalen physikalischen Gesetzen: Die Wechselwirkung von Teilchen mit Materie wird durch die Quantenelektrodynamik mit einer Genauigkeit von bis zu 10⁻¹⁰ beschrieben. Jede Detektorkomponente wird unabhängig kalibriert, systematische Fehler werden durch mehrfache Kreuzvalidierungen kontrolliert.

Ein geschlossenes System mit bekannten Gesetzen – das ist die Quelle der Genauigkeit der Physik. Offene Systeme mit unbekannten Variablen liefern völlig andere Ergebnisse.

⚡ Energieprognosen: Wo die Ungewissheit beginnt

Die Prognose elektrischer Lasten befindet sich an der Grenze zwischen deterministischen und stochastischen Systemen. Es gibt stabile Muster: Tageszyklen, wöchentliche Saisonalität, Temperaturabhängigkeit. Doch das System ist offen für externe Einflüsse: wirtschaftliche Schocks, technologische Veränderungen, politische Entscheidungen (S007).

Die Untersuchung der Abhängigkeit des Prognosefehlers von der Tiefe der Retrospektive zeigt einen nichtlinearen Zusammenhang: Die Erhöhung historischer Daten von einem auf drei Jahre reduziert den Fehler um 15–20%, aber eine weitere Erhöhung auf fünf Jahre bringt einen Genauigkeitszuwachs von weniger als 5% (S011). Alte Daten verlieren an Relevanz aufgrund struktureller Veränderungen im System.

Die Trennung der Grundlast von Fluktuationen reduziert den Prognosefehler um 8–12% für den kurzfristigen Horizont, aber für langfristige Prognosen verschwindet der Effekt praktisch (S007). Kurzfristige Vorhersagbarkeit lässt sich nicht auf lange Horizonte skalieren.

💰 Wirtschaftsprognosen: Systematische Überschätzung der Genauigkeit

Die Prognose des Strommarktes in Polen demonstriert typische Probleme der Wirtschaftsprognose (S009). Modelle, die auf Daten von 2010–2015 aufgebaut wurden, unterschätzten systematisch die Preisvolatilität in den Jahren 2016–2018.

Der Grund – strukturelle Veränderungen: Integration erneuerbarer Energiequellen, Änderung des regulatorischen Umfelds, geopolitische Faktoren. Diese Veränderungen waren nicht in den historischen Daten kodiert, weil sie qualitativ neu sind. Die Prognosefehler sind nicht zufällig – sie sind systematisch verzerrt.

Optimistische Verzerrung

Wirtschaftsprognosen in Wachstumsphasen extrapolieren aktuelle Trends und unterschätzen die Wahrscheinlichkeit einer Trendwende.

Pessimistische Verzerrung

In Abschwungphasen überschätzen Prognostiker die Dauer der Krise und berücksichtigen Erholungsmechanismen nicht.

Dies ist kein statistisches Rauschen, sondern kognitive Kontamination. Prognostiker sind in das System eingebettet, das sie prognostizieren, und ihre Erwartungen beeinflussen die Daten, die sie analysieren. Der Zusammenhang zwischen der Illusion des Verstehens und der Überschätzung der Prognosegenauigkeit ist hier direkt.

🧠 Der Zeitpunkt der Prognoseerstellung: Die verborgene Variable

Die Untersuchung der Abhängigkeit des Fehlers vom Zeitpunkt der Prognoseerstellung bei festem Horizont zeigt einen paradoxen Effekt (S011). Für einen Horizont von drei Monaten ist eine im Januar für April erstellte Prognose systematisch genauer als eine im Februar für Mai erstellte Prognose, obwohl beide dasselbe Zeitintervall verwenden.

Der Grund – saisonale Effekte und Kalenderanomalien, die von den Modellen nicht vollständig erfasst werden. Die Prognosegenauigkeit hängt nicht nur vom Horizont und Datenvolumen ab, sondern auch von der Phase des Zyklus, in der die Prognose erstellt wird.

1. Modelle, die auf gemittelten Daten trainiert wurden, erfassen die subtilen Effekte der Zyklusphase nicht.
2. Zwei Prognosen mit demselben Horizont können radikal unterschiedliche Zuverlässigkeit aufweisen.
3. Die Zuverlässigkeit hängt vom Zeitpunkt der Erstellung ab, nicht nur vom Horizont.

Praktische Schlussfolgerung: Wenn Sie eine Prognose sehen, lautet die erste Frage nicht „wie weit in die Zukunft?", sondern „zu welchem Zeitpunkt im Zyklus wurde sie erstellt?". Dies ist die verborgene Variable, die oft ignoriert wird, aber die tatsächliche Genauigkeit bestimmt.

Das fundamentale Problem der Vorhersage in offenen Systemen ist Humes Induktionsproblem, verstärkt durch Nichtstationarität. Selbst wenn wir über Jahrzehnte hinweg eine stabile Korrelation zwischen den Variablen A und B beobachtet haben, garantiert dies nicht, dass die Korrelation in der Zukunft bestehen bleibt. Mehr dazu im Abschnitt Logik und Wahrscheinlichkeit.

🔁 Strukturelle Verschiebungen: Wenn die Vergangenheit aufhört, Wegweiser zu sein

Energiesysteme unterliegen strukturellen Transformationen: Einführung erneuerbarer Energien, Entwicklung von Energiespeichern, Veränderung der Verbrauchsmuster durch Elektrifizierung des Verkehrs. Jeder dieser Faktoren verändert die grundlegenden Abhängigkeiten, auf denen prognostische Modelle aufbauen.

Ein Modell, das auf Daten aus der Ära der Kohleverstromung trainiert wurde, kann ein System mit 30% Solarenergie nicht präzise vorhersagen – es handelt sich um ein qualitativ anderes System. Strukturelle Verschiebungen sind per Definition nicht in historischen Daten enthalten. Wir können sie nicht mithilfe der Vergangenheit vorhersagen, weil sie einen Bruch mit der Vergangenheit darstellen.

Dies ist die fundamentale Beschränkung der induktiven Methode: Die Geschichte kann nicht vorhersagen, was in ihr nie vorkam.

⚙️ Rückkopplung und Reflexivität: Prognosen verändern das, was sie vorhersagen

In sozioökonomischen Systemen verändert der Akt der Prognose selbst das Verhalten des Systems. Wenn ein Energieunternehmen einen Kapazitätsengpass prognostiziert, investiert es in neue Erzeugungsanlagen, was den prognostizierten Engpass verhindert.

Die Prognose wird selbstwiderlegend. Der umgekehrte Effekt: Eine Prognose des Überflusses kann Investitionen reduzieren und so einen Engpass schaffen. Die Prognose wird selbsterfüllend. Diese Reflexivität fehlt in physikalischen Systemen – die Vorhersage des Zerfalls eines B-Mesons beeinflusst nicht die Zerfallswahrscheinlichkeit (S002). Aber die Vorhersage einer Wirtschaftskrise kann Panik auslösen, die dann die Krise verursacht.

🕳️ Das Problem verborgener Variablen: Was wir nicht messen

Physikalische Experimente kontrollieren alle relevanten Variablen. Der ATLAS-Detektor misst Energie, Impuls, Ladung, Flugzeit jedes Teilchens (S008). Die Liste der Variablen ist endlich und bekannt.

In ökonomischen Systemen ist die Anzahl potenziell relevanter Variablen unendlich: politische Entscheidungen, technologische Durchbrüche, soziale Trends, psychologische Faktoren, geopolitische Ereignisse. Wir können nicht in das Modell einbeziehen, wovon wir nichts wissen.

1. Prognosen zum Energieverbrauch berücksichtigten die COVID-19-Pandemie nicht, weil ein solches Ereignis in den Trainingsdaten keine Präzedenzfälle hatte.
2. Dies ist kein Modellierungsfehler – es ist fundamentale Unvollständigkeit der Information.
3. Jede neue Ereignisklasse erfordert ein Nachtrainieren des Modells auf Daten, die noch nicht existieren.

Die Verbindung zwischen der Illusion des Verstehens und falscher Sicherheit in Prognosen ist dieselbe: Wir verwechseln fälschlicherweise Korrelation in der Vergangenheit mit Kausalität, die die Zukunft garantiert. Wenn ein Modell auf historischen Daten funktioniert, glauben wir, dass es überall funktioniert – das ist eine kognitive Falle, keine mathematische Tatsache.

Die Quellenanalyse zeigt systematische Divergenzen zwischen der Prognosegenauigkeit in der Physik und in sozioökonomischen Systemen. Dies ist kein methodologisches Problem, das sich durch bessere Algorithmen lösen lässt, sondern ein fundamentaler Unterschied in der Natur der Systeme. Mehr dazu im Abschnitt Wissenschaftliche Methode.

🧩 Konsens in der Physik vs. Streuung in der Ökonomie

Messungen der CP-Asymmetrie in D⁰-Mesonzerfällen, die von verschiedenen Experimenten durchgeführt wurden, liefern Ergebnisse, die innerhalb der statistischen Fehlertoleranz übereinstimmen. Dies ist ein Zeichen reifer Wissenschaft: Unabhängige Messungen konvergieren zu einem einzigen Wert.

Wirtschaftsprognosen zeigen das gegenteilige Bild: Verschiedene Modelle liefern radikal unterschiedliche Vorhersagen für dieselben Variablen. Die Untersuchung des wissenschaftlichen Konsenses zeigt, dass Konsens nur dann Beweiswert besitzt, wenn Mechanismen zur systematischen Falsifikation vorhanden sind (S010).

In der Physik existieren solche Mechanismen: Ein Experiment kann eine Theorie eindeutig widerlegen. In der Ökonomie ist Falsifikation erschwert – Prognosefehler lassen sich stets auf „unvorhergesehene Umstände" zurückführen, während das Grundmodell erhalten bleibt.

📉 Kalibrierung von Konfidenzintervallen: Systematische Unterschätzung der Unsicherheit

Professionelle Prognostiker geben Konfidenzintervalle an, aber empirische Studien zeigen, dass diese Intervalle systematisch zu eng gefasst sind. Ein 95%-Konfidenzintervall sollte den tatsächlichen Wert in 95% der Fälle enthalten, doch bei Wirtschaftsprognosen fällt dieser Wert oft auf 70–80%.

Dies ist kein zufälliger Fehler, sondern eine systematische Verzerrung, die mit kognitiven Verzerrungen zusammenhängt. Prognostiker wissen abstrakt um Unsicherheit, integrieren sie aber nicht in konkrete Schätzungen. Wie Studien zur Erkennungsillusion zeigen, erzeugt das Gehirn ein Gefühl der Sicherheit dort, wo keine besteht.

Die Überprüfung der Kalibrierung erfordert ein einfaches Protokoll: 100 Prognosen mit angegebener Wahrscheinlichkeit von 70% sammeln, dann zählen, wie viele davon eingetreten sind. Liegt das Ergebnis unter 70% – sind die Intervalle zu eng, das Vertrauen in den Prognostiker sollte sinken.

1. Vom Prognostiker die Historie seiner Vorhersagen der letzten 3–5 Jahre mit angegebenen Wahrscheinlichkeiten anfordern.
2. Prüfen, ob der Anteil eingetroffener Prognosen mit der angegebenen Wahrscheinlichkeit übereinstimmt.
3. Liegt die Abweichung über 5–10%, überschätzt das Modell systematisch die Genauigkeit.
4. Eigene Konfidenzintervalle um 20–30% als Kompensation erweitern.

Die Divergenz zwischen Physik und Ökonomie spiegelt nicht mangelnde Kompetenz der Ökonomen wider, sondern die objektive Komplexität sozialer Systeme. Dies bedeutet jedoch, dass das Vertrauen in Wirtschaftsprognosen erheblich geringer sein sollte als in physikalische – und dies wird weder von Prognostikern noch von ihrem Publikum oft berücksichtigt.

Warum vertrauen wir weiterhin Wirtschaftsprognosen, trotz ihrer systematischen Unzuverlässigkeit? Die Antwort liegt in der Architektur menschlicher Kognition. Mehr dazu im Abschnitt Psychosomatik erklärt alles.

⚠️ Repräsentativitätsheuristik: Vertrauenstransfer von der Physik zur Ökonomie

Wir sehen, dass Physiker seltene Teilchenzerfälle mit neunstelliger Genauigkeit vorhersagen. Das Gehirn überträgt dieses Vertrauen auf Ökonomen, obwohl die Systeme in Komplexität und Steuerbarkeit unvergleichbar sind.

Repräsentativität funktioniert einfach: Wenn eine Prognose aussieht wie wissenschaftlich (Grafiken, Formeln, selbstsicherer Ton), klassifizieren wir sie als zuverlässig. Form schlägt Inhalt.

1. Prüfung: Enthält die Prognose Backtests auf historischen Daten, die sie nicht gesehen hat?
2. Prüfung: Vergleicht der Autor seine Genauigkeit mit einer naiven Prognose (z.B. „morgen wird es wie gestern")?
3. Prüfung: Erkennt er die Grenzen der Vorhersagbarkeit an oder beansprucht er Universalität?

🎯 Illusion des Verstehens und Vertrauenseffekt

Wenn ein Experte eine Prognose detailliert erklärt, interpretieren wir fälschlicherweise Detailliertheit als Beweis für Genauigkeit (S001). Je mehr Details – desto höher unser Vertrauen, obwohl die Details einfach eine schöne Geschichte sein können.

Dies hängt damit zusammen, dass das Gehirn eine Illusion des Verstehens dort erzeugt, wo es keines gibt. Wir verwechseln „ich verstehe die Erklärung" mit „die Erklärung ist richtig".

Ein Experte, der sagt „ich weiß nicht, wie der Dollarkurs in einem Jahr sein wird", weckt weniger Vertrauen als einer, der eine präzise Prognose abgibt. Aber der erste ist ehrlich, der zweite – einfach nur selbstsicher.

🔄 Bestätigungsverzerrung und Umschreiben der Geschichte

Wenn eine Prognose eintrifft, erinnern wir uns daran. Wenn sie nicht eintrifft – vergessen wir sie oder interpretieren sie um. Der Experte sagte „der Rubel wird fallen", der Rubel fiel – wir erinnern uns. Der Rubel stieg – wir sagen, er meinte „könnte fallen" oder „langfristig".

Das ist keine böse Absicht, sondern Standardfunktion des Gedächtnisses. Das Gehirn speichert Geschichten, die Sinn ergeben, und löscht Rauschen (S004).

💭 Depression, Optimismus und Asymmetrie der Selbstvorhersagen

Wir sagen die Zukunft unterschiedlich für uns selbst und für andere voraus. Depressive Menschen sind in beiden Fällen pessimistisch, nutzen aber Informationen asymmetrisch (S005): Für sich selbst wählen sie das schlechteste Szenario, für andere – das mittlere.

Das bedeutet, dass unsere Prognosen über unser eigenes Leben durch emotionale Zustände verzerrt sind, nicht durch Logik. Ein Ökonom, der einen Marktcrash prognostiziert, könnte einfach nur schlechte Laune haben.

🧬 Das prädiktive Gehirn und die Illusion der Kontrolle

Das Gehirn ist eine Vorhersagemaschine (S001). Es generiert ständig Hypothesen darüber, was als Nächstes passieren wird. Wenn die Prognose mit der Realität übereinstimmt, fühlen wir Kontrolle und Verständnis, selbst wenn es Zufall war.

Dies erzeugt die Illusion, dass wir komplexe Systeme vorhersagen können, weil wir einfache gut vorhersagen (wenn ein Freund die Hand hebt, wissen wir, dass sie fallen wird). Aber Ökonomie ist nicht die Physik einer fallenden Hand.

Illusion der Kontrolle

Der Glaube, dass wir zufällige Ereignisse beeinflussen oder vorhersagen können, weil wir deterministische Ereignisse vorhersagen. Falle: Wir unterscheiden Systeme nicht nach Komplexität.

Narrative Verzerrung

Das Gehirn bevorzugt Geschichten gegenüber Fakten. Eine Prognose, die eine Geschichte erzählt („die Inflation wird steigen, weil die EZB Geld druckt"), erscheint überzeugender als eine statistische Prognose ohne Handlung. Falle: Eine gute Geschichte kann falsch sein.

🛡️ Wie man nicht in die Falle tappt

Verlange vom Prognostiker nicht Selbstsicherheit, sondern Ehrlichkeit über Grenzen. Frage: „Welcher Prozentsatz Ihrer Prognosen trifft ein? Auf welchem Zeithorizont? Wie messen Sie das?"

Wenn es keine Antwort gibt – das ist keine Prognose, das ist Wahrsagerei im Gewand der Wissenschaft. Fehler und Verzerrungen sind in jedes Vorhersagesystem eingebaut, einschließlich KI. Die Frage ist nicht, ob sie existieren, sondern ob der Autor sie anerkennt.