Das EVC-Modell: Erwartung, Wert, Kosten.

Sechs Stunden mit Ingenieuren eines großen Automotive-Entwicklungsdienstleisters. Thema war KI im Projektalltag. Die Leute hatten selbst mit dem Tool gearbeitet, an der Wand hingen konkrete Projektideen, und das Feedback am Ende war sehr gut.

Danach gab es ein Angebot für Remote-Folgetermine. Genutzt haben es 10 Prozent der Teilnehmer. Von den Projektideen aus dem Workshop wurden 20 Prozent umgesetzt.

Man kann das auf das Tool schieben. Freigegeben war Microsoft Copilot, und der ist im Konzern-Setup tatsächlich sperrig. Im Fragebogen danach stand genau das: zu technisch, zu viel einzustellen, zu viel zu tun, bevor etwas herauskommt.

Ich glaube aber, dass Copilot nur der Ort war, an dem das Problem sichtbar wurde. Das Problem selbst ist älter als jedes KI-Tool.

EVC steht für Expectancy, Value, Cost — Erwartung, Wert, Kosten. Das Modell kommt aus der Motivationspsychologie und beschreibt, wovon es abhängt, ob jemand eine Aufgabe angeht, die neu ist und Mühe macht.

Das Modell stammt aus der Expectancy-Value-Forschung um Jacquelynne Eccles. Barron und Hulleman haben 2015 die Kosten als eigenständige dritte Komponente herausgearbeitet; vorher liefen sie als Teil des Werts mit.

Ich bin als Doktorand an der PH Heidelberg auf das Modell gestoßen, in einer Kooperation mit der DHBW. Dort habe ich in dieser Zeit mathematische Grundlagen für Ingenieure gelehrt. Untersucht habe ich, wie sich Selbstwirksamkeit in den ersten Wochen eines Ingenieurstudiums entwickelt und warum sie bei vielen einbricht, die in der Schule gut waren. Die Publikation dazu heißt „Vom großen Fisch im kleinen Teich zum kleinen Fisch im großen Teich“. Der Titel beschreibt den Mechanismus: Die Erwartung bricht ein, die Kosten steigen, der Wert bleibt abstrakt, weil der Abschluss drei Jahre entfernt ist.

Der Übergang von der Schule ins Studium und der Übergang von der alten Arbeitsweise zur KI-gestützten sehen von außen verschieden aus. Für die Person, die ihn gehen soll, ist es derselbe Vorgang: etwas Neues, das sie noch nicht kann, dessen Nutzen sie erst später sieht und das jetzt sofort Aufwand macht.

Erwartung war da. Sechs Stunden hands-on reichen, damit Ingenieure sich zutrauen, ein Sprachmodell zu bedienen. Das haben die Teilnehmer auch so gesagt.

Wert war da, zumindest als Vorhersage. Die Ideen waren konkret. Die Leute wussten, welchen Bericht sie als erstes automatisieren wollten.

Die Kosten haben es gekippt. Am Montag nach dem Workshop saß jeder wieder allein vor Copilot. Alles, was im Workshop vorbereitet war, musste jetzt jeder selbst einstellen. Ich vermute, dass der erste eigene Versuch länger gedauert hat als die Aufgabe von Hand. Der Fragebogen legt das nahe, gemessen habe ich es nicht. Einen zweiten Versuch gab es bei den meisten offenbar nicht mehr.

Wenn die wahrgenommenen Kosten den erwarteten Wert nicht mindestens ausgleichen, ist die Sache schnell erledigt — schneller als jeder Projektplan das vorsieht. Und es passiert leise. Niemand meldet sich ab. Die Folgetermine bleiben einfach leer.

Ich glaube, dass die meisten KI-Einführungen im Mittelstand an den Kosten scheitern — und dass fast alle Beratungsangebote an Erwartung und Wert arbeiten. Workshops heben die Erwartung. Business Cases heben den Wert. An den Kosten arbeitet kaum jemand, weil sie im Alltag der Nutzer entstehen und in keiner Folie auftauchen.

Deshalb behandle ich EVC als Diagnoseschicht über allen Phasen einer KI-Einführung, von der Strategie bis zum Change (Abb. 1). Vor jeder Phase lege ich die drei Fragen an. Fällt eine der Antworten schlecht aus, wird das System nicht genutzt, egal wie gut das Modell dahinter ist.