Drei KI-Assistenten gaben 189 Wissensarbeitern dieselben Antworten. Die Beschäftigten bezahlten sie unterschiedlich. In einem VR-Büro-Experiment, veröffentlicht in den NordiCHI-'26-Proceedings, gaben die Teilnehmenden einem männlich präsentierten Assistenten echtes Geld im Mittel von 2,96 CHF, gegenüber 2,54 CHF für einen funktional identischen weiblich präsentierten — p = .026 (Cuber et al., NordiCHI '26, 2026). Auf die Frage, ob die Präsentation ihre Bewertung verändert habe, antworteten 30 von 34 Interviewten mit nein.
Ihre KI-Agenten-Bewertung hat denselben blinden Fleck. Jede Pilot-Scorecard, jede Vertrauensumfrage und jedes Adoption-Dashboard, das Sie einsetzen, erhebt genau die Art von Antwort, die sich hier als falsch erwies — zu der einen Variablen, die dieser Studie zufolge tatsächlich Geld bewegt hat.
Das Experiment hielt die Leistungsfähigkeit bewusst konstant
Dieses Designdetail macht das Ergebnis brauchbar und nicht bloß interessant.
Die am 2. Oktober 2026 veröffentlichte Studie ließ jeden ihrer 189 Teilnehmenden (191 rekrutiert, 2 wegen ausgefallener Assistenten-Antworten ausgeschlossen) Aufgaben in einem VR-Büro mit drei Assistenten bearbeiten: einem Text-Chatbot, einem Tischroboter und einem menschenähnlichen Sprachagenten, der entweder als „Johan" oder als „Johanna" auftrat. Die Assistenten waren funktional identisch — dasselbe zugrunde liegende System, dieselben Antworten, dieselbe Arbeitsqualität. Die Verkörperung variierte innerhalb der Personen, die Geschlechterpräsentation zwischen den Personen. Anschließend wiesen die Teilnehmenden dem Assistenten bis zu 4 CHF echtes Geld zu, und jeder abgegebene Franken schmälerte die eigene Auszahlung.
Damit schloss das Experiment die Erklärung aus, zu der Führungskräfte zuerst greifen. Niemand bezahlte den menschenähnlichen Agenten besser, weil er bessere Arbeit geleistet hätte. Er leistete dieselbe Arbeit. Verändert hat sich allein, wie er aussah und klang.
Der Verkörperungseffekt war größer als der Geschlechtereffekt und statistisch deutlich robuster: Der menschenähnliche Agent erhielt 2,76 CHF (SD 1,18) gegenüber 1,98 CHF (SD 1,26) für den Roboter, W = 1511,5, p < .001, bei einer Effektstärke von r = .44. Der einfache Text-Chatbot landete mit 1,75 CHF auf dem letzten Platz. Bei einer Obergrenze von 4 CHF war die menschenähnliche Präsentation rund 0,8 CHF fremden Geldes wert — für null Mehrleistung.
Der Geschlechterbefund ist enger als die Schlagzeilen
Hier ist Präzision gefragt, denn die Sekundärberichterstattung war es nicht. Die Geschlechterpräsentation bewegte die Belohnung (2,96 gegenüber 2,54, p = .026) und die wahrgenommene Menschenähnlichkeit (5,09 für Johan gegenüber 4,59 für Johanna, p = .029). Sie erreichte keine Signifikanz bei Vertrauen (5,58 gegenüber 5,25, p = .065) und bei der Leistungszuschreibung (5,24 gegenüber 5,05, p = .164).
Die redliche Aussage betrifft daher die monetäre Bewertung und die wahrgenommene Menschenähnlichkeit — nicht das Vertrauen. Wenn Ihnen die These „weiblichen KI-Agenten wird weniger vertraut" mit Verweis auf diese Studie begegnet: Das hat sie nicht gefunden. Ebenso kursiert in den Berichten über diese Forschung eine griffige Zahl von „10,25 %". Sie stammt aus einer Pressemitteilung einer Universität, findet sich nirgends im Paper und lässt sich aus den berichteten Mittelwerten nicht rekonstruieren. Zitieren Sie die Mittelwerte.
Eine Moderation ist erwähnenswert: Der Vorteil der Menschenähnlichkeit gegenüber dem Roboter fiel bei den weiblichen Teilnehmenden stärker aus als bei den männlichen (Interaktions-Beta = 1,074, z = 3,73, p < .001). Der Persona-Effekt ist in Ihrer Belegschaft nicht einheitlich — er wird sich im Mittel einer Teamumfrage also nicht herausrechnen.
Was sie sagten und was sie zahlten, waren zwei verschiedene Zahlen
Der Interviewbefund hat den kürzesten Weg zu einer operativen Entscheidung. Dreißig von vierunddreißig Teilnehmenden erklärten, die Geschlechterpräsentation sei für Vertrauen und Belohnung ohne Bedeutung. Ihre eigenen Zuweisungen, mit echtem Geld getroffen, widerlegten sie.
Das ist eine lehrbuchmäßige Lücke zwischen geäußerter und offenbarter Präferenz — und kein Fall von Lügen. Diese Menschen hatten keinen besonderen Grund, jemanden zu täuschen, und keinen erkennbaren Anreiz dazu. Sie hatten lediglich keinen verlässlichen Zugang zu dem, was ihr eigenes Urteil steuerte.
Die Konsequenz ist unmissverständlich: Wenn Sie Ihr Team zum Design von Agenten befragen, erhalten Sie Daten ohne nachgewiesenen Vorhersagewert. In dieser Studie wies die Selbstauskunft bei der einen Variablen, die das Verhalten messbar bewegte, in die falsche Richtung.
Ihre KI-Agenten-Bewertung bewertet teilweise die Persona
Übertragen Sie das auf ein Operations-Review im Mittelstand, und das Problem handelt nicht mehr von Avataren.
Sie pilotieren zwei Agenten in unterschiedlichen Funktionen. Der eine ist eine aufwendig gestaltete Sprachschnittstelle mit Namen und Gesicht, der andere ein nüchternes Werkzeug, das Text in eine Ticket-Warteschlange zurückgibt. Am Quartalsende vergleichen Sie Zufriedenheitswerte, wahrgenommenen Nutzen, die Bereitschaft des Teams zur Weiternutzung und Anfragen, den Platz auszuweiten. Dann finanzieren Sie den Sieger.
Diese Studie sagt: Ein unbekannter Anteil dieses Unterschieds ist Verkörperung, nicht Leistung. Sie haben einen unkontrollierten Vergleich gefahren und das Ergebnis als Leistungssignal gelesen. Der finanzierte Agent war möglicherweise einfach der besser präsentierte.
Dieser Fehlermodus verstärkt sich auf eine bestimmte Weise. Präsentation ist billig zu ändern, Leistungsfähigkeit teuer. Ein Anbieter — oder ein internes Team, das auf Adoption-Kennzahlen optimiert — wird es daher zuverlässig leichter finden, die Persona zu verbessern als die Arbeit. Wenn Ihre Scorecard beides nicht auseinanderhalten kann, prämiert sie weiter das Billigere, und Ihr Messsystem hat still damit begonnen, gegen tatsächliche Qualität zu selektieren.
Das ist die zugespitzte Fassung eines Musters, das in der Agentenforschung schon anderswo sichtbar ist. Der Agent Confidence Index 2026, der 101 agentische Aufgaben unter 300 Technologie-Führungskräften und -Praktikern einordnete, stellte fest, dass Zuversicht der Überprüfbarkeit der Aufgabe und der Vollständigkeit des Geschäftskontexts folgte, nicht der Modellfähigkeit: Automatisierte Berichtserstellung erreichte 83,5 und Boilerplate-Code 82,5 — beide verfügen über eine einzige objektive Bewertungsmetrik —, während die Konfiguration eines Service Mesh bei denselben zugrunde liegenden Modellen bei 37,5 lag (MIT Technology Review Insights, 2026; Microsoft, 2026). Wo es keine klare Erfolgsmetrik gibt, füllt menschliches Urteil das Vakuum — und die VR-Studie zeigt, woran sich dieses Urteil hängt, wenn es nichts Festes zu greifen hat.
Was die Studie nicht zeigt
Drei Grenzen, klar benannt, weil ein so bequemes Argument sie verdient.
Es war eine VR-Umgebung mit einer konstruierten Aufgabe, nicht der Live-Einsatz eines Agenten in einem realen Workflow mit realen Folgen. Der Einsatz war gering und einmalig: bis zu 4 Schweizer Franken, einmal zugewiesen, keine wiederkehrende Budgetentscheidung einer für das Ergebnis verantwortlichen Person. Und die Unterschiede bei Vertrauen und Leistungszuschreibung nach Geschlechterpräsentation erreichten keine Signifikanz — der Effekt ist also enger, als eine flüchtige Lektüre vermuten lässt.
Was diese Einschränkungen überlebt, ist der strukturelle Punkt, und er überlebt unbeschädigt: Obwohl die Leistungsfähigkeit konstruktionsbedingt konstant gehalten wurde, bewegte die Präsentation dennoch die monetäre Bewertung — und die Selbstauskunft konnte das nicht vorhersagen. Die Effektstärke muss nicht vom VR-Labor auf Ihre Operations-Fläche übertragbar sein, damit Sie handeln. Sie müssen nur akzeptieren, dass Persona eine aktive Variable in Ihrer Bewertung ist und dass Sie sie derzeit nicht kontrollieren.
Die Kosten, das Falsche zu messen
Der Grund, sich dafür zu interessieren, ist budgetär, nicht ethisch.
McKinsey QuantumBlacks Arbeit zur agentischen Ökonomie vom August 2026 ergab, dass Token-Kosten bei einem Agenten im Bank-Kundenservice häufig nur 20 bis 25 Prozent der variablen Betriebskosten ausmachen, während die menschliche Aufsicht 70 bis 75 Prozent beansprucht (McKinsey QuantumBlack, 2026). Aufsicht — wie viel menschliche Prüfung ein Agent braucht, von wem, wie oft — ist der dominierende Kostenblock.
Diese Zuteilung bestimmt genau jenes Urteil, das diese Studie als kontaminiert ausweist. Halten Sie einen Agenten für vertrauenswürdig, drehen Sie die Aufsicht herunter und erweitern seine Autonomie. Halten Sie ihn für unzuverlässig, bleibt ein Prüfer an jedem Durchlauf. Folgt ein Teil dieser Zuversicht dem Grad, in dem die Schnittstelle menschlich wirkt, prüfen Sie den charmanten Agenten zu wenig und den nützlichen zu viel — und liegen beim größten Kostenblock des Stacks falsch.
Was vor Ihrem nächsten Agenten-Review zu tun ist
Vier Änderungen, alle noch in diesem Quartal umsetzbar, keine davon mit neuem Tooling verbunden.
Halten Sie die Präsentation über alles konstant, was Sie vergleichen wollen. Werden zwei Agenten gegeneinander bewertet, geben Sie ihnen dieselbe Schnittstellenmodalität — oder akzeptieren Sie, dass der Vergleich konfundiert ist, und berichten Sie ihn nicht länger als Leistungsergebnis.
Hören Sie auf, das Team zum Agenten-Design zu befragen. Dreißig von vierunddreißig Teilnehmenden lagen über ihr eigenes Verhalten falsch. Fragen Sie stattdessen nach konkreten, beobachtbaren Ereignissen: Was hat der Agent produziert, was mussten Sie korrigieren, wie lange dauerte die Korrektur, was haben Sie eskaliert. Diese Antworten sind überprüfbar.
Instrumentieren Sie Verhalten statt Stimmung. In der Prüfung gefundene Fehlerquoten, Nacharbeitsvolumen, Eskalationshäufigkeit, Zeit vom Output bis zum akzeptierten Ergebnis. All das ist unabhängig davon, ob der Agent ein Gesicht hat.
Machen Sie das Quartals-Review der Agenten quantitativ und unterschrieben. Ein Agent ist das einzige Subjekt, das Sie rein über Zahlen bewerten können, ohne die Fairness-Auflagen, die für Menschen zu Recht gelten: Eine periodische Scorecard, von einer namentlich benannten Aufsichtsperson mit schriftlichem Ergebnis abgeschlossen, ist für einen Digital Employee belastbarer, als sie es für eine menschliche Mitarbeiterin je wäre — weshalb die Digital Employee-Plätze von Scovai auf diese Weise und nicht per Stimmungsumfrage überprüft werden. Welches System Sie auch nutzen, die Anforderung bleibt dieselbe: ein namentlich verantwortlicher Mensch, ein fester Satz an Kennzahlen und eine schriftlich festgehaltene Entscheidung.
Der Test, ob Ihre KI-Agenten-Bewertung trägt, ist eine einzige Frage, und Sie können sie heute beantworten: Hätte der Agent, den Sie letztes Quartal finanziert haben, mit einer anderen Stimme und ohne Namen ausgeliefert — hätte Ihre Scorecard dieselbe Zahl ergeben? Wenn Sie nicht ja sagen können, haben Sie den Avatar gemessen.