„It's only a computer“: Warum Menschen Maschinen mehr verraten als Menschen — die Lucas-Studie (2014) und ihre Konsequenz für KI-Wissensinterviews

1. Das Experiment

Lucas, Gratch, King und Morency ^[1] arbeiteten am USC Institute for Creative Technologies mit dem virtuellen Agenten Ellie. Sie variierten experimentell die Information, die Probanden über ihren Interviewer erhielten: Eine Gruppe wurde informiert, dass Ellie von einem Menschen ferngesteuert werde ("Wizard of Oz"-Bedingung), die andere, dass Ellie vollständig automatisiert sei. Die tatsächliche Interaktion war in beiden Bedingungen identisch.

Erfasst wurden:

• Selbstberichtete Angst vor negativer Bewertung (Fear of Self-Disclosure Scale).
• Beobachtete Impression Management-Strategien (annotiert durch unabhängige Coder).
• Inhaltliche Tiefe der Offenlegung (psychiatrische Symptome, persönliche Schwächen).

2. Was die Daten zeigen

Die Ergebnisse waren statistisch robust und klinisch relevant:

• Probanden in der "vollautomatisiert"-Bedingung berichteten signifikant niedrigere Angst vor negativer Bewertung (p < .01).
• Sie zeigten weniger Impression Management (weniger Lächeln im falschen Moment, weniger Beschönigungen).
• Sie offenbarten inhaltlich tiefere Informationen, insbesondere bei stigma-behafteten Themen.

Die Autoren interpretieren: Sobald der "soziale Gegenüber" wegfällt, entfällt die ständige Selbst-Inszenierung. Das deckt sich mit klassischer Soziologie (Goffman, 1959) — und ist für Knowledge-Capture eine direkt nutzbare Ressource.

3. Übersetzung auf Wissensinterviews im Unternehmen

Knowledge Hiding (vgl. Connelly et al., 2012 ^[2]; Serenko & Bontis, 2016 ^[3]) wird primär durch soziale Bewertungsangst getrieben. Wer im Interview mit einem menschlichen Kollegen oder gar Vorgesetzten zugibt, etwas nicht zu wissen oder anders zu machen als vorgeschrieben, fürchtet Konsequenzen. Diese Asymmetrie ist die strukturelle Hauptbarriere klassischer Wissens-Audits.

Ein KI-gestütztes Interview, in dem die Plattform glaubhaft macht, dass:

• die Antworten primär der Wissensbewahrung dienen,
• keine direkte Verbindung zur Leistungsbewertung besteht,
• die Person die Kontrolle über Veröffentlichung und Sichtbarkeit behält,

aktiviert genau den Lucas-Effekt — und senkt damit die Hiding-Wahrscheinlichkeit messbar.

4. Wo der Effekt nicht trägt — und was das für Design heißt

Der Lucas-Effekt verschwindet, sobald die Maschine als Überwachungsinstanz wahrgenommen wird. Das bedeutet konkret:

• Audit-Logs müssen transparent sein, aber nicht punitiv. Wer in jedem Output eine Mitarbeiterbewertung sieht, kippt zurück in den Impression-Management-Modus.
• Ergebnis-Sichtbarkeit muss kontrollierbar sein. Wenn die Person nicht selbst entscheiden kann, welche Antworten freigegeben werden, gilt die Plattform als Überwachung.
• Anonymisierbare Themenfelder. Bei Themen mit politischer Brisanz hilft optionale Anonymisierung, den Lucas-Effekt aufrechtzuerhalten.

5. Anschluss an Disclosure-Forschung & Communities of Practice

Wenger (1998) ^[4] zeigt, dass Praxisgemeinschaften gerade deshalb funktionieren, weil sie innerhalb einer geteilten Identität operieren. KI-Interviews ergänzen dieses Bild: Sie schaffen einen zweiten, asymmetriearmen Kanal, der den sozialen Druck der Community phasenweise umgeht — etwa bei der initialen Externalisierung impliziten Wissens. Beide Modi ergänzen sich, sie ersetzen sich nicht.

Fazit

Die Lucas-Studie ist die empirische Antwort auf die Frage "Warum sollten Mitarbeitende einer KI mehr erzählen als ihrem Chef?" — und sie lautet: weil die soziale Bewertungsangst wegfällt, sofern die Plattform glaubhaft macht, dass sie keine Bewertungsinstanz ist. Wer das im Plattform-Design ernst nimmt, erschließt einen empirisch belegten Effekt, den klassische Workshop-Interviews methodisch nicht erreichen können.