Der Konsens, der nie stattgefunden hat

Eine Vorstandsunterlage trifft ein. Aus zwölf Seiten sind drei geworden. Die Zusammenfassung ist klar, der Ton ist selbstbewusst, und der Entscheidungsweg wirkt eindeutig. Es gibt nur ein Problem: Der Dissens, der die ursprüngliche Diskussion geprägt hat, ist verschwunden. Die Minderheitsmeinung, die ein kritisches Zugeständnis erzwungen hat, ist nun eine Fußnote, falls sie überhaupt erscheint. Die Unsicherheit, die zu einer bedingten Zustimmung führte, wurde als vollständige Befürwortung dargestellt. Die Zusammenfassung ist nicht falsch im Sinne von sachlichen Fehlern – sie ist falsch, weil sie die Erzählung in eine Form gepresst hat, die im Raum nie existierte.

Das ist Narrative Flattening, und es ist das Governance-Risiko, das die meisten KI-Zusammenfassungs-Workflows weder erkennen noch verhindern können. Das Risiko ist nicht Halluzination im traditionellen Sinne – erfundene Fakten oder erfundene Quellen. Es ist die systematische Glättung von Komplexität, die redaktionelle Verzerrung zugunsten von Kohärenz und der Verlust entscheidungsrelevanter Textur, der entsteht, wenn generative Modelle auf Lesbarkeit statt auf Genauigkeit optimieren. Für DACH-Mittelstandsunternehmen, die KI-Zusammenfassungen in Vorstandsberichten, Betriebsratsprotokollen, Personalakten, Kundenbeschwerden und Compliance-Unterlagen einsetzen, sind die Konsequenzen nicht abstrakt. Sie sind treuhänderisch, rechtlich und reputativ.

Die Herausforderung besteht darin, dass Narrative Flattening sich nicht ankündigt. Es löst keine Fehlermeldung aus. Es produziert Output, der professionell aussieht, autoritär klingt und den Auftrag erfüllt – bis jemand nach der Quelle fragt, oder bis eine Aufsichtsbehörde hinterfragt, warum eine umstrittene Entscheidung in der Aufzeichnung unumstritten erscheint, oder bis ein Arbeitsgericht offenbart, dass die Zusammenfassung genau die Unsicherheit ausgelassen hat, die das Ergebnis verändert hätte. Zu diesem Zeitpunkt liegt das Governance-Versagen nicht im Modell. Es liegt im Workflow, der dem Modell vertraut hat, ohne es an Quellenintegrität, Dissens-Bewahrung und Prüfregeln zu verankern.

Warum Zusammenfassungen glätten, was am wichtigsten ist

Generative Modelle sind darauf trainiert, das nächste Token basierend auf Mustern in ihren Trainingsdaten vorherzusagen. Diese Muster bevorzugen Konsens, Klarheit und Kohärenz. Ein Modell, das eine kontroverse Vorstandsdiskussion zusammenfasst, wird natürlich konkurrierende Standpunkte zu einem einzigen Erzählbogen komprimieren, Mehrdeutigkeit zugunsten der Mehrheitsposition auflösen und die prozeduralen Zögerlichkeiten herausredigieren, die Unsicherheit signalisieren. Das ist kein Fehler im Modell – es ist ein Merkmal des statistischen Ziels. Das Modell tut genau das, wofür es trainiert wurde: flüssigen, lesbaren Text produzieren, der sich wie eine Zusammenfassung anfühlt.

Das Problem ist, dass Governance-Dokumente nicht auf Flüssigkeit optimiert sind. Sie sind auf Rechenschaftspflicht optimiert. Ein Vorstandsprotokoll, das eine geteilte Abstimmung, eine bedingte Zustimmung oder eine aufgeschobene Entscheidung festhält, ist nicht schlecht geschrieben – es ist präzise geschrieben. Es bewahrt die Textur des Entscheidungsprozesses, weil diese Textur die Aufzeichnung vertretbar macht. Wenn eine Zusammenfassung diese Textur glättet, verliert sie nicht nur Details. Sie verliert den Beweis, dass der Vorstand die gebotene Sorgfalt walten ließ, dass das Management wesentliche Risiken offenlegte und dass dissentierende Direktoren ihre Einwände protokolliert bekamen. In einem treuhänderischen Kontext ist dieser Verlust nicht redaktionell – er ist substanziell.

Betriebsratsprotokolle bergen dasselbe Risiko in anderem Register. Das deutsche Arbeitsrecht verlangt, dass Einwände von Arbeitnehmervertretern, Alternativvorschläge und verfahrenstechnische Bedenken dokumentiert werden. Eine Zusammenfassung, die einen umstrittenen Umstrukturierungsplan als „nach Diskussion genehmigt" darstellt, mag technisch korrekt sein – es gab Diskussion, und es gab Genehmigung –, aber sie verschleiert die Tatsache, dass die Diskussion formellen Dissens enthielt, dass die Genehmigung bedingt war und dass der Betriebsrat sich das Recht vorbehielt, die Entscheidung zu überdenken, falls bestimmte Bedingungen nicht erfüllt würden. Wenn diese Zusammenfassung zur Aufzeichnung wird, verflüchtigt sich der rechtliche Schutz, den das ursprüngliche Protokoll bot. Die Fähigkeit des Rats, nachzuweisen, dass er rechtzeitig Bedenken geäußert hat, wird beeinträchtigt, und die Fähigkeit des Arbeitgebers zu zeigen, dass er in gutem Glauben konsultiert hat, wird geschwächt. Beide Parteien verlieren, und das Modell, das die Zusammenfassung erstellt hat, kann das nicht wissen.

Personalakten verstärken das Problem weiter. Ein Leistungsverbesserungsplan, der den anfänglichen Widerstand eines Mitarbeiters, das anschließende Engagement und den teilweisen Erfolg dokumentiert, ist eine Aufzeichnung des Prozesses. Eine Zusammenfassung, die den Mitarbeiter als „leistungsschwach" oder „nicht konform" beschreibt, mag auf Formulierungen in der Akte zurückgreifen, aber sie trifft auch eine redaktionelle Entscheidung darüber, welche Momente in der Zeitlinie am wichtigsten sind. Wenn diese Zusammenfassung zur Grundlage einer Kündigungsentscheidung wird und der Mitarbeiter die Kündigung später anfechtet, wird das Arbeitsgericht nach der Quelle fragen. Wenn die Quelle ein differenzierteres Bild zeigt, als die Zusammenfassung vermittelte, wird der Fall des Arbeitgebers geschwächt – nicht weil die Zusammenfassung gelogen hat, sondern weil sie die Erzählung so geglättet hat, dass der Beweis für Verfahrensgerechtigkeit entfernt wurde.

Die Governance-Lücke in Zusammenfassungs-Workflows

Die meisten Organisationen, die heute KI-Zusammenfassungen einsetzen, behandeln sie nicht als governance-kritischen Workflow. Sie behandeln sie als Produktivitätswerkzeug. Das Modell ist in ein Dokumentenmanagementsystem, eine Kollaborationsplattform oder eine kundenspezifische Anwendung eingebettet. Nutzer fügen ein langes Dokument ein, das Modell liefert eine kurze Zusammenfassung, und die Zusammenfassung wird abgelegt, geteilt oder präsentiert. Es gibt keine systematische Prüfung, ob die Zusammenfassung Dissens bewahrt hat, keine Prüfspur, die Zusammenfassungsaussagen zu Quellenabsätzen zurückverfolgt, und keine Richtlinie, die regelt, wann eine Zusammenfassung ausreicht und wann die vollständige Quelle aufbewahrt und geprüft werden muss.

Das liegt nicht daran, dass Organisationen nachlässig sind. Es liegt daran, dass das Risiko noch nicht sichtbar ist. Narrative Flattening taucht nicht in einem Penetrationstest auf. Es löst keine Datenschutzverletzungsmeldung aus. Es erscheint nicht in einem Compliance-Dashboard. Es entsteht langsam, in der Lücke zwischen dem, was die Zusammenfassung sagt, und dem, was die Quelle sagte, und es wird erst sichtbar, wenn jemand mit Legitimation – eine Aufsichtsbehörde, ein Arbeitsgericht, ein Wirtschaftsprüfer, ein Journalist – nach dem Original fragt und es mit der Aufzeichnung vergleicht.

Das AI-Governance-Framework des Financial Stability Board für Finanzinstitute macht den Punkt explizit: Vorstände und Geschäftsführung sind dafür verantwortlich, die KI-Einführung mit der Risikobereitschaft in Einklang zu bringen und sicherzustellen, dass das KI-Lebenszyklusmanagement Erklärbarkeit, Leistungsüberwachung und menschliche Aufsicht umfasst. Das Framework hebt Zusammenfassungen nicht speziell hervor, aber das Prinzip gilt direkt. Wenn die Vorstandsunterlage einer Bank von einem generativen Modell zusammengefasst wird und diese Zusammenfassung eine Risikooffenlegung auslässt, die im vollständigen Bericht erschien, wird die Fähigkeit des Vorstands beeinträchtigt, nachzuweisen, dass er angemessen informiert war. Das Modell hat nicht gelogen – es hat einfach auf Kürze optimiert in einer Weise, die genau die Information entfernte, die der Vorstand brauchte, um seine treuhänderische Pflicht auszuüben.

Clyde & Cos Corporate Risk Radar fand heraus, dass sechsundachtzig Prozent der C-Level-Führungskräfte technologisches Risiko nun als hochgradig wirkungsvoll bewerten, gegenüber sechsundvierzig Prozent im Vorjahr – der größte Jahresanstieg in der Geschichte der Umfrage. Die Sorge ist nicht nur, dass KI schnell eingeführt wird; es ist, dass die Geschwindigkeit der Veränderung die Reife der Governance-Frameworks überholt. Auf die Frage, ob ihre Organisationen reife KI-Governance haben, sind die Antworten gemischt. Einige sagen heute ja, aber die Definition von „reif" ist oft auf Zugriffskontrollen, Nutzungsrichtlinien und Lieferantenrisikobewertungen beschränkt. Sie erstreckt sich selten auf Workflow-Ebenen-Kontrollen, die entscheidungsrelevante Genauigkeit in KI-generierten Outputs sicherstellen.

Wie Quellenverankerung und Dissens-Bewahrung in der Praxis aussehen

Ein governance-tauglicher Zusammenfassungs-Workflow eliminiert KI-Zusammenfassungen nicht. Er verankert sie. Jede Zusammenfassungsaussage ist mit dem Quellenabsatz oder -abschnitt verknüpft, der sie stützt. Wenn die Zusammenfassung besagt, dass der Vorstand einen Vorschlag genehmigt hat, zeigt die Verknüpfung, ob die Genehmigung einstimmig, bedingt oder von Dissens begleitet war. Wenn die Zusammenfassung eine Kundenbeschwerde als gelöst beschreibt, zeigt die Verknüpfung, ob die Lösung vom Kunden akzeptiert, angefochten oder noch in Prüfung ist. Die Zusammenfassung bleibt kurz, aber die Rechenschaftspflicht bleibt intakt.

Dissens-Bewahrung ist eine spezifische Designanforderung. Wenn das Quelldokument eine Minderheitsmeinung, einen verfahrenstechnischen Einwand oder einen Vorbehalt enthält, muss die Zusammenfassung ihn entweder einschließen oder seine Auslassung kennzeichnen. Das ist kein natürliches Verhalten für ein generatives Modell – Modelle sind darauf trainiert zu synthetisieren, nicht Divergenz hervorzuheben –, also muss es in den Workflow eingebaut werden. Ein Ansatz ist ein zweistufiger Prozess: Das Modell generiert einen Zusammenfassungsentwurf, und ein zweiter Durchgang prüft die Quelle auf Dissens-Marker (Phrasen wie „jedoch", „im Gegensatz dazu", „die Minderheitsmeinung", „vorbehaltlich", „bedingt durch") und kennzeichnet alle, die nicht im Entwurf erscheinen. Wenn Dissens erkannt und ausgelassen wurde, fügt der Workflow entweder automatisch einen Verweis ein oder leitet die Zusammenfassung zur menschlichen Prüfung, bevor sie finalisiert wird.

Prüfregeln sind die dritte Säule. Nicht jede Zusammenfassung erfordert dasselbe Maß an Kontrolle. Eine Zusammenfassung eines routinemäßigen operativen Updates mag risikoarm sein. Eine Zusammenfassung einer Vorstandsentscheidung, einer Betriebsratsverhandlung, eines Disziplinarfalls oder einer Aufsichtsmeldung ist risikoreich. Der Workflow sollte Dokumente nach Governance-Sensibilität klassifizieren und Prüfregeln entsprechend anwenden. Risikoreiche Zusammenfassungen werden von einem Menschen mit fachlicher Autorität geprüft, bevor sie abgelegt oder geteilt werden. Die Rolle des Prüfers ist nicht, die Zusammenfassung umzuschreiben – sie ist zu verifizieren, dass die Zusammenfassung die entscheidungsrelevante Textur der Quelle bewahrt, dass Dissens erfasst ist und dass Unsicherheit nicht als Gewissheit dargestellt wird.

Prüfspuren schließen den Kreis. Jede Zusammenfassung wird versioniert, und jede Version ist mit dem Quelldokument, dem Modell, das sie generiert hat, dem verwendeten Prompt und dem Prüfer verknüpft, der sie genehmigt hat (falls zutreffend). Wenn eine Zusammenfassung später angefochten wird, macht die Prüfspur es möglich, den Workflow zu rekonstruieren, zu identifizieren, wo Genauigkeit verloren ging, und nachzuweisen, ob der Verlust eine Modellbeschränkung, ein Prompt-Design-Fehler oder ein Prüfversagen war. Das ist keine Paranoia – es ist dieselbe Disziplin, die Organisationen bereits auf Finanzberichterstattung, klinische Dokumentation und rechtliche Beweissicherung anwenden. Die Tatsache, dass der Output von einem Modell generiert wird statt von einem Menschen getippt, reduziert den Governance-Standard nicht; sie erhöht ihn.

Die Rolle des Vorstands bei der Festlegung des Standards

Narrative Flattening wird nicht von der IT-Abteilung gelöst werden. Es wird gelöst, indem Vorstand und Geschäftsführung eine klare Erwartung setzen: KI-generierte Zusammenfassungen governance-kritischer Dokumente müssen Dissens bewahren, Aussagen in Quellen verankern und Prüfregeln unterliegen, die der treuhänderischen Sensibilität des Dokuments entsprechen. Diese Erwartung verlangt nicht, dass der Vorstand versteht, wie das Modell funktioniert. Sie verlangt, dass der Vorstand versteht, was die Organisation zu verlieren riskiert, wenn Zusammenfassungen als redaktionelle Bequemlichkeit statt als Governance-Artefakte behandelt werden.

Die Analyse des Harvard Law School Forum zur KI-Governance für Vorstände betont, dass KIs Auswirkungen auf Strategie, Talente und Risiko es für Vorstände unerlässlich machen, ihre Aufsichtsansätze anzupassen und KI in die Governance einzubetten. Der Punkt ist nicht, dass Vorstände KI-Tools mikromanagen sollten – es ist, dass Vorstände sicherstellen sollten, dass die KI-Einführung die Integrität der Entscheidungsaufzeichnung nicht degradiert. Wenn die Vorstandsunterlage zusammengefasst wird, sollte der Vorstand fragen: Wer hat die Zusammenfassung geprüft, welche Regeln haben die Prüfung geleitet, und woher wissen wir, dass Dissens bewahrt wurde? Wenn die Antwort ist, dass niemand sie geprüft hat und keine Regeln existieren, ist die Governance-Lücke sichtbar.

Die Herausforderung für DACH-Mittelstandsunternehmen ist, dass Narrative Flattening noch nicht im Risikoregister steht. Schatten-KI-Nutzung, Datenlecks und Vendor-Lock-in sind sichtbare Risiken, und sie werden adressiert – manchmal gut, manchmal schlecht, aber sie werden adressiert. Narrative Flattening ist unsichtbar, bis es zu spät ist, und wenn es sichtbar wird, ist der Schaden angerichtet. Das Betriebsratsprotokoll, das Dissens ausließ, ist bereits abgelegt. Die Vorstandsunterlage, die eine bedingte Zustimmung als unbedingt darstellte, ist bereits im Archiv. Die Personalakten-Zusammenfassung, die eine differenzierte Leistungsaufzeichnung zu einem binären Urteil geglättet hat, ist bereits die Grundlage für eine Kündigungsentscheidung. Das Governance-Versagen ist nicht, dass das Modell einen Fehler gemacht hat – es ist, dass der Workflow dem Modell erlaubt hat, redaktionelle Entscheidungen ohne Rechenschaftspflicht zu treffen.

Ein Newsletter-Abonnement liefert praxisnahe Analysen von KI-Governance-Risiken wie Narrative Flattening – bevor sie zu Compliance-Versagen werden.

Newsletter abonnieren →

References: Financial Stability Board AI governance framework zitiert via Mayra Rodriguez Valladares, „The AI Rulebook Banks Cannot Afford To Ignore — Or Trust Blindly," Forbes, 2026; Clyde & Co Corporate Risk Radar Umfragedaten zitiert via Insurance Journal, „Clyde & Co Survey Shows Rapid Escalation of AI, Geopolitical Risks," 2026; Harvard Law School Forum EY-Memo zitiert via Gerald Leonard, „Why Boards Need Fiduciary Visibility For AI," Forbes, 2026.