Zukunftsforschung – Was wir über die Zukunft wissen können

Das theoretische Fundament hinter Strategic Foresight. Warum „die Zukunft“ nicht existiert, und was das für die Praxis bedeutet. Ergänzung zum Hauptartikel Future Thinking in 5 Schritten.

Die Zukunft gibt es nicht

Der Ausgangspunkt jeder seriösen Zukunftsforschung ist eine Zumutung: Die Zukunft existiert nicht. Sie ist kein Ort, den man untersuchen könnte, sondern eine Menge von Möglichkeiten, die wir uns in der Gegenwart vorstellen. Der Futurologe Jim Dator hat das zugespitzt: „Die Zukunft“ könne nicht studiert werden, weil sie nicht existiert. Was wir untersuchen, sind unsere gegenwärtigen Bilder von Zukunft.

„Es geht nicht um eine zukünftige Gegenwart, sondern um gegenwärtige Zukünfte“, so der Technikfolgen-Forscher Armin Grunwald.

Wir erforschen keine kommende Realität, sondern die Zukunftsbilder, die heute in Köpfen und Organisationen wirksam sind. Deshalb steht das Wort auch bewusst im Plural: Zukünfte. Der Duden führt die Pluralform als selten, aber korrekt. Für die Zukunftsforschung ist sie zentral, weil es immer mehrere mögliche Zukünfte gibt, nicht eine.

Was können wir überhaupt wissen?

Karlheinz Steinmüller hat den Zusammenhang von Wissen und Zeit anschaulich beschrieben. Je weiter wir in die Zukunft blicken, desto mehr kippt das Verhältnis von Vorherbestimmtheit zu Unsicherheit. Wir können uns dies im darauffolgenden Abschnitt am Beispiel der Wettervorhersage verdeutlichen.

• Kurzfristig ist Vorherbestimmtheit möglich. Hier arbeiten Prognosen (Forecasting, Extrapolation): Trends lassen sich mit gewisser Sicherheit fortschreiben.
• Mittelfristig wächst die Unsicherheit. Hier ist der Raum von Foresight: Extrapolation trifft auf Spekulation und Vision.
• Langfristig überwiegt die Unsicherheit. Hier regieren Utopien und Dystopien, Glauben, Hoffen, Befürchten, Science Fiction.

Der Lehrmeister: Wetter und Klima

Kein Feld verdeutlicht diese Zeithorizont-Logik besser als die Meteorologie, und keines investiert so viel Geld und Rechenleistung in Zukunftsforschung. Der volkswirtschaftliche Nutzen von Wettervorhersage wird auf mindestens 160 Milliarden Dollar pro Jahr geschätzt [1]. Trotzdem endet die zuverlässige Wettervorhersage bei wenigen Tagen. Nicht weil die Modelle zu schwach wären, sondern aus einem prinzipiellen Grund.

Edward Lorenz entdeckte in den 1960ern das Chaos (den „Schmetterlingseffekt“): Winzige, unvermeidbare Fehler in den Ausgangsdaten wachsen exponentiell, bis die Vorhersage wertlos wird. Diese Grenze lässt sich mit mehr Rechenleistung verschieben, aber nicht aufheben. Interessant für Foresight: Mit dem Klimawandel rückt diese Grenze sogar näher. Eine Stanford-Studie zeigt, dass die zuverlässige Vorhersagbarkeit pro wenigen Grad Erwärmung um rund einen Tag schrumpft [2].

Der eigentliche Clou aber ist Lorenz‘ Unterscheidung von zwei Arten der Vorhersage:

1. Vorhersage erster Art (Wetter): Wie entwickelt sich ein System aus seinen Anfangsbedingungen? Chaotisch begrenzt, hier auf etwa zwei Wochen.
2. Vorhersage zweiter Art (Klima): Wie reagiert ein System auf veränderte Randbedingungen? Man sagt nicht das Wetter am 14. Juli 2045 voraus, sondern wie sich die Verteilung, die Bandbreite des Möglichen verschiebt.

Genau das ist die naturwissenschaftliche Entsprechung von Grunwalds Formel. Klimaprojektionen sind keine „zukünftige Gegenwart“ (kein konkreter Tag), sondern beschreiben einen veränderten Möglichkeitsraum. Sie heißen deshalb bewusst Projektionen, nicht Vorhersagen. Foresight arbeitet auf gesellschaftlichen Feldern nach demselben Prinzip: nicht das eine Ereignis prognostizieren, sondern den Raum plausibler Zukünfte und seine Randbedingungen ausleuchten.

Der große Unterschied: Wenn das System zuhört

Anekdote zum Einstieg (Hinweis: aus heutiger Bewertung ist diese Anekdote politisch inkorrekt, aber der Authentizität wird sie trotzdem so widergegeben):

Ein weißer Siedler in Kanada hackt vor seiner Hütte Holz, als ein Indianer vorbeikommt. „Wie wird der Winter?“, fragt er den Indianer, dem er ein Gefühl für die Signale der Natur zuspricht. „Sehr kalt“, antwortet der Indianer und geht. Der Siedler wird nervös und hackt emsig weiter. Am nächsten Tag: „Wird er wirklich so kalt?“ „Extrem kalt“, sagt der Indianer. Der Siedler hackt wie verrückt. Am dritten Tag: „Das wird der kälteste Winter aller Zeiten.“ „Woher weißt du das?“, ruft der Siedler verzweifelt. Der Indianer antwortet: „Das ist einfache Weisheit – wenn der weiße Mann viel Holz hackt, ist der Winter sehr kalt.“

Hier endet die Analogie zum Wetter: Ein Tiefdruckgebiet interessiert sich nicht dafür, was der Meteorologe oder der Indianer sagt. Ein Markt, eine Technologie, eine Organisation, eine Region schon. Soziale Systeme sind reflexiv: Die Vorhersage wird Teil des Systems, das sie vorhersagt. Wer über gesellschaftliche Zukünfte spricht, verändert sie durch das Sprechen.

Das ist keine Randerscheinung, sondern der Grund, warum Gestaltung überhaupt möglich ist. Mehrere Effekte gehören hierher:

1. Selbsterfüllende Prophezeiung (Robert K. Merton, 1948). Eine anfangs falsche Erwartung löst Verhalten aus, das sie wahr macht. Mertons Urbild ist der Bank Run: Das Gerücht von der Zahlungsunfähigkeit treibt alle zum Schalter und ruiniert so die eigentlich gesunde Bank. In der Foresight-Praxis kann ein Szenario „diese Region wird KI-Standort“ genau die Investitionen anziehen, die es real werden lassen.
2. Selbstzerstörende Prophezeiung, der Gegenpol. Die Warnung, die verhindert, was sie ankündigt. Der befürchtete Jahr-2002-Kollaps blieb aus, gerade weil die Prognose Gegenmaßnahmen mobilisierte. Das Paradox: Je wirksamer die Warnung, desto „falscher“ wirkt sie im Rückblick. Manche gescheiterte Untergangsprognose war in Wahrheit eine erfolgreiche Selbstverhinderung.
3. Reflexivität: In Märkten und Gesellschaften beeinflussen die Überzeugungen der Teilnehmer die Fundamentaldaten, die sie zu beobachten glauben. Es gibt keine „neutrale“ Beobachterposition außerhalb des Systems. Das klassische Beispiel: 1992 erkannte Soros, dass das britische Pfund im European Exchange Rate Mechanism überbewertet war – nicht weil die Fundamentaldaten das hergaben, sondern weil die Erwartung der Märkte den Kurs künstlich hochhielt. Als er dann massiv gegen das Pfund wettete (10 Milliarden Dollar), wurde seine Prognose selbst zum Einflussfaktor: Die Erwartung seines großen Short-Bets senkte das Vertrauen in die Währung, was den Kurs drückte, was seine Prognose erfüllte. Am 16. September 1992 gab die Bank of England auf, das Pfund verließ den Mechanismus, und Soros gewann über eine Milliarde Dollar. Nicht weil er die Zukunft „vorhersagte“, sondern weil er verstand, dass seine Vorhersage das System verändern würde.
4. Performativität: Modelle bilden die Welt nicht nur ab, sie formen sie. Das klassische Beispiel ist das Black-Scholes-Merton-Optionspreis-Modell. Vor diesem Modell gab es den Optionsmarkt, aber Trader hatten keine einheitliche Formel – jeder schätzte Preise anders. Das Modell gab ihnen eine genaue Rechnung: Gib die Volatilität ein, und die Formel sagt dir, was eine Option wert ist. Trader begannen, danach zu handeln. Weil aber Millionen von Tradern nun alle dieselbe Formel nutzten, konvergierten ihre Preise automatisch – der Markt selbst wurde „modellkonform“. Die Preise, die das Modell vorhersagte, wurden wahr, weil die Trader nach dem Modell handelten. Das Modell machte sich selbst wahr, nicht weil die Realität sich so verhielt, sondern weil die Menschen nach der Anleitung des Modells handelten. Für Foresight heißt das: Ein Szenario wie „die Region wird ein KI-Standort“ ist nicht nur eine Analyse – es lenkt Investitionen, zieht Talente an, prägt Erwartungen. Das Szenario kann sich selbst erfüllend werden, weil es handlungsanleitend wirkt.
5. Bandwagon- und Lock-in-Effekte. Eine prominente Prognose kann eine sich selbst verstärkende Erwartungsdynamik auslösen: Kapital fließt dorthin, wo alle es erwarten, und bestätigt so die Erwartung, fast unabhängig vom ursprünglichen Sachgehalt.

Anekdote zum Ausstieg:

Ein plastisches Beispiel dafür lieferte die Cass Business School: Ein Computer, der zufällig Aktien auswählte und gewichtete, schlug über 43 Jahre hinweg fast durchgehend den etablierten marktgewichteten Index [3]. Der Computer gewann nicht, weil er klüger war, sondern weil er sich nicht an das dominierende Gewichtungsmodell hielt: Während der marktgewichtete Index große Unternehmen automatisch stärker gewichtet, verteilte der Zufall das Kapital gleichmäßiger, und genau das erwies sich über diesen Zeitraum als überlegen.
Die Geschichte wird meistens erzählt mit einem Affen, der mit Dartpfeil zufällig auf mögliche Aktien warf, um den Zufallseffekt zu veranschaulichen.

Die Grenzen des Wissbaren: Schwäne, Wildcards und blinde Flecken

Reflexivität zeigt, dass Vorhersagen ihr Objekt verändern. Aber viele besonders prägende Ereignisse nicht sichtbar, egal wie gut die Methode ist. Um damit umzugehen, hilft ein Vokabular für verschiedene Arten von Überraschung.

• Wild Card. Ein bekanntes, aber sehr unwahrscheinliches Ereignis mit großer Wirkung: Pandemien, Naturkatastrophen – zum Beispiel ein extremer Sonnensturm vom Typ Carrington-Ereignis, der Strom- und Satellitennetze lahmlegt. Physikalisch bekannt, im Alltag verdrängt. Wild Cards sind das, was Foresight aktiv bearbeiten kann.
• Black Swan: Ein extremer Ausreißer außerhalb der normalen Erwartung, der sich nicht aus historischen Daten berechnen lässt und erst im Rückblick erklärbar wirkt (Achtung: Hindsight Bias). Beispiel: der gesellschaftliche Durchbruch des Internets. Vorher gab es kein Modell, das seine Wirkung hätte berechnen können. Der Unterschied zur Wild Card ist zentral: Die Wild Card steht auf dem Radar, der Schwarze Schwan nicht. Benannt durch den Mathematiker Nassim Taleb.
• Dark Horse. Kein Systemereignis, sondern ein konkreter, unterschätzter Akteur, der überraschend einen Markt dominiert. Beispiel: Netflix um 2000, als Marktführer Blockbuster die Übernahme für 50 Millionen Dollar ablehnte und Jahre später insolvent ging.
• Unknown Unknown. Ein Risiko, von dem man nicht einmal weiß, dass man es nicht kennt, weil die begriffliche Kategorie fehlt, um überhaupt die richtige Frage zu stellen. Der Begriff wurde durch Donald Rumsfeld (2002) popularisiert, ist als Denkfigur aber älter (Systemtechnik, Johari-Fenster). Beispiel: in der frühen Raumfahrt die Wirkung von Schwerelosigkeit auf Zellteilung, bevor die Messmethoden dafür existierten.

	Bewusst	Unbewusst (wir übersehen es)
Gewusst	belegte Fakten	ignoriertes Wissen, Nährboden für Dark Horses
Ungewusst	bekannte Wissenslücken – Wild Cards	Unkown unknown – Ursprung von Black Swans

Wild Cards sind bekannte Unbekannte (wir wissen, dass ein Erdbeben kommen kann, nur nicht wann). Dark Horses entstehen oft aus ignoriertem Wissen (die Marktdaten lagen vor, wurden aber durch Betriebsblindheit übersehen). Black Swans brechen aus der Zone der absoluten Ahnungslosigkeit hervor.

Was das für die Methode heißt

Hier liegt die ehrlichste Grenze von Foresight: Wild Cards lassen sich einplanen, sie gehören in jede Szenarioarbeit. Black Swans und Unknown Unknowns lassen sich grundsätzlich nicht vorhersehen, das ist keine Schwäche der Methode, sondern ihre logische Grenze. Was gegen sie hilft, ist nicht bessere Prognose, sondern Robustheit und Resilienz: Strukturen, Reserven und Handlungsfähigkeit, die auch das Unvorhergesehene überstehen. Genau deshalb zielen die No-Regret-Moves und Absicherungen aus dem Hauptartikel nicht auf das Treffen der Zukunft, sondern auf das Überleben in möglichst vielen Zukünften, auch den ungedachten.

Warum Prognosen so oft scheitern

Ein Blick in die Geschichte der Fehlprognosen ist heilsam:

• „Ich glaube, es gibt einen weltweiten Bedarf an vielleicht fünf Computern.“ (zugeschrieben Thomas Watson, IBM)
• „Alles, was erfunden werden kann, ist erfunden worden.“ (zugeschrieben Charles H. Duell, Patentamt, 1899)

Ebenso lehrreich ist „die Zukunft von damals“: die Bildwelten früherer Jahrzehnte, in denen Bildtelefone am Gartentisch und familientaugliche Straßenkreuzer die kommende Welt darstellten. Manches kam (das Bildtelefon), anders anders (das Smartphone statt der Apparatur), vieles gar nicht. Foresight prognostiziert nicht, sondern hält mehrere Zukünfte offen.

Abbildung: Vorstellungen über die Zukunft „Im Jahre 2000“; Reklame-Sammelbilder (1897/98, Serie 31) der Schokoladen-Fabrik Gebr. Stollwerck

Was die Forschung über gute Vorhersagen weiß

Gibt es Belege, welche Methoden zu besseren Vorhersagen führen? Ja, in zwei getrennten Lagern.

Lager 1: Prognose-Genauigkeit ist gut erforscht

Eine Auswertung des Tetlocks Good Judgment Project (IARPA-Turnier, 2011 bis 2015, über eine Million Einzelprognosen) ergab: „Superforecaster“ schlugen Geheimdienstanalysten mit Zugang zu Verschlusssachen um rund 30 Prozent. Was sie anders machen, ist erlernbar: in Wahrscheinlichkeiten statt Ja/Nein denken, große Fragen zerlegen in spezifische Hypothesen, bei neuer Evidenz schnell nachjustieren, mehrere Perspektiven einholen.

Armstrongs „Principles of Forecasting“ wertete ein halbes Jahrhundert Vergleichsstudien aus:

• das Kombinieren mehrerer Prognosen senkt den Fehler um bis zu 50 Prozent.
• Einfach schlägt komplex: zusätzliche Komplexität erhöhte den Fehler im Schnitt um 27 Prozent.

Lager 2: Szenario-Wirksamkeit ist kaum belegt

Dieses Lager sagt: Szenarien sind Denkwerkzeuge, keine Vorhersagen. Trefferquoten sind daher überhaupt der falsche Maßstab. Ein Review von 2023 fand kaum Studien, die den realen Beitrag von Szenarien zur Strategie prüfen. Was sich abzeichnet: Diversere Gruppen erzeugen bessere Szenarien, verkürzte Prozesse schlechtere.

 

Die Lehre für die Praxis

Beides gehört zusammengedacht. Für die Prognose-Bausteine von Foresight (Trends fortschreiben, Wahrscheinlichkeiten schätzen, Signale gewichten) gibt es klare Wirksamkeitsregeln, und man sollte sie befolgen:

1. Kombinieren (Armstrong): Mehrere unabhängig eingeholte Schätzungen mitteln, statt einer einzelnen Einschätzung zu vertrauen. Der Punkt „unabhängig“ ist entscheidend: Wenn Menschen erst diskutieren und sich dann einigen, heben sich ihre Fehler nicht gegenseitig auf. Erst wenn jeder für sich schätzt und man danach mittelt, funktioniert der Ausgleichseffekt.,
2. Strukturieren: Ein festes Verfahren statt einer offenen Diskussion nutzen. Nicht die lauteste oder ranghöchste Stimme soll gewinnen, sondern Struktur für Qualität sorgen:
   1. Zerlegung einer großen Frage in kleinere Teilfragen,
   2. Mehrstufiges Vorgehen (Experten werden individuell befragt, die Ergebnisse anonymisiert allen mitgeteilt, daraufhin können die Experten ihre Schätzungen überarbeiten),
   3. strukturierte Analogien (systematischer Vergleich mit ähnlichen historischen Fällen), unter Berücksichtigung des Kontexts.
3. Probabilistisch denken heißt: Nicht „der Trend wird eintreten“ sagen, sondern „70 Prozent Wahrscheinlichkeit bis 2030“, und diese Zahl bei neuen Signalen in kleinen Schritten anpassen statt starr festzuhalten.
4. regelmäßig mit neuen Daten aktualisieren.

 

Die Haltung dahinter

Zukunftsarbeit braucht eine bestimmte innere Haltung. Antonio Gramsci hat sie in eine Formel gefasst, die in vielen Foresight-Kontexten zitiert wird: Pessimismus des Verstandes, Optimismus des Willens. Nüchtern analysieren, was schiefgehen kann, ohne die Zuversicht zu verlieren, dass Gestaltung möglich ist.

Dazu passen die Workshop-Prinzipien guter Zukunftsarbeit:

• Es gibt keine falschen Ideen.
• Zukunft ist nicht linear.
• Unsicherheit wird akzeptiert, nicht wegdiskutiert.

 

Quellen

[1] World Bank, WMO, Met Office (UK): *The Value of Surface-Based Meteorological Observation Data*, 2021. Der Bericht schätzt den Nutzen möglicher Verbesserungen der Wettervorhersage für wettersensible Sektoren (Landwirtschaft, Energie, Transport, Bauwesen, Katastrophenschutz) auf über 160 Milliarden US-Dollar pro Jahr. openknowledge.worldbank.org/handle/10986/35178

[2] Sheshadri, A., Borrus, M., Yoder, M., Robinson, T. (2021): „Midlatitude Error Growth in Atmospheric GCMs: The Role of Eddy Growth Rate.“ *Geophysical Research Letters* 48, e2021GL096126. Für Niederschlag sinkt die Vorhersagbarkeit um etwa einen Tag pro 3 °C Erwärmung, für Wind und Temperatur um einen Tag pro 5 °C. news.stanford.edu/stories/2021/12/warming-makes-weather-less-predictable

 

Zurück zum Hauptartikel: Future Thinking in 5 Schritten.