Wie oft vertraust du Prognosen – sei es das Wetter, die Börse oder die nächste Pandemie – und wirst trotzdem überrascht? Kit Yates nimmt dich in seinem Buch “Wie man vorhersieht, womit keiner rechnet” mit auf eine Reise durch die Wissenschaft der Vorhersagen, die weniger mit Kristallkugeln zu tun hat als mit Mathematik, Psychologie und einer guten Portion Skepsis.
Der Mathematiker zeigt nicht nur, warum selbst scheinbar sichere Prognosen danebenliegen, sondern auch, wie unser Gehirn uns dabei systematisch austrickst. Wer hier eine trockene Abhandlung über Wahrscheinlichkeitsrechnung erwartet, liegt falsch: Yates serviert seine Erkenntnisse mit unterhaltsamen Beispielen, von absurden Namensstatistiken („Bäcker, die in Bäckereien arbeiten“) bis zu handfesten Krisen, die durch falsche Vorhersagen ausgelöst wurden. Am Ende geht es nicht darum, die Zukunft perfekt vorherzusagen – sondern darum, sie ein bisschen weniger falsch zu deuten.

Besonders lohnend ist das Buch für alle, die im Beruf oder Alltag regelmäßig mit Prognosen konfrontiert sind – sei es als Datenanalyst, der Entscheidungen absichern muss, als Journalist, der Statistiken einordnen will, oder als Führungskraft, die Risiken abwägen soll. Auch für Laien, die sich fragen, warum Horoskope manchmal „erstaunlich treffend“ wirken oder warum Expertenmeinungen oft widersprüchlich sind, bietet Yates klare Antworten. Selbst Skeptiker, die ohnehin misstrauisch gegenüber großen Zahlen sind, finden hier Werkzeuge, um zweifelhafte Vorhersagen zu entlarven – ohne selbst zum Zyniker zu werden.
Die 3 wichtigsten Stärken des Buchs
Praktische Fallstricke entlarven: Yates erklärt nicht nur, warum Vorhersagen scheitern, sondern zeigt konkret, wie du typische Denkfehler erkennst – etwa den „Bestätigungsfehler“, der uns nur das sehen lässt, was unsere Meinung stützt. Das hilft dir, manipulative Statistiken oder überoptimistische Prognosen schneller zu durchschauen.
Mathematik ohne Rechenangst: Selbst wenn du Zahlen normalerweise meidest, wirst du hier nicht mit Formeln erschlagen. Stattdessen liefert das Buch anschauliche Beispiele, die dir zeigen, wie du Wahrscheinlichkeiten intuitiv besser einschätzt – etwa beim Einschätzen von Risiken oder beim Vergleichen von Chancen.
Handlungsanleitungen statt Theorie: Am Ende jedes Kapitels fasst Yates zusammen, wie du das Gelernte direkt anwenden kannst. Ob du nun eigene Prognosen erstellen oder fremde besser bewerten willst – hier bekommst du einen Fahrplan, der ohne akademischen Ballast auskommt.
Für wen ist das Buch weniger geeignet?
Wenn du bereits tief in Statistik oder Verhaltensökonomie eingearbeitet bist, wirst du hier wenig bahnbrechend Neues finden. Auch wer nach einer Schritt-für-Schritt-Anleitung für komplexe Modellierungen sucht (etwa für maschinelles Lernen), sollte zu spezialisierterer Literatur greifen. Und falls du lieber in Geschichten schwelgst als in Analysen, könnte dich der sachliche, wenn auch unterhaltsame Ton gelegentlich aus dem Lesefluss bringen.
*Hinweis: Der Link ist ein Affiliate-Link. Wenn du darüber kaufst, erhalte ich eine kleine Provision, ohne dass dir Mehrkosten entstehen.


![Ein Comicstrip aus drei Panels, der sich mit der Optimierung des AI Visibility Score beschäftigt.
"Sichtbar" – Eine Graphic Novel über KI und Sichtbarkeit**
**Panel 1 (Szene 1: Der stille Kampf im Schatten)**
Ein modernes Büro bei Nacht, blaues Monitorlicht wirft Schatten. *Lena*, eine junge Frau mit scharfem Bob und konzentriertem Blick, sitzt vor drei Bildschirmen. Links: Google-Rankings, mittig: ein Chatbot-Fenster mit der Antwort *"Keine relevanten Quellen gefunden"*, rechts: ein Social-Media-Feed, auf dem Konkurrenten in KI-generierten Posts strahlen. Ihre Hände umklammern eine Tasse kalten Kaffee. Im Hintergrund ein leerer Bürostuhl – ihr Kollege ist längst gegangen.
Textfeld: *"Die Nacht gehört den Algorithmen."*
Sprechblase (unsichtbare KI-Stimme aus dem Chatbot): *"Versuch es anders."*
**Panel 2 (Szene 2: Die Datenjagd beginnt)**
Lenas Finger fliegen über die Tastatur, ihr Gesicht ist jetzt von buntem Datenlicht erhellt. Auf dem Bildschirm: ein Dashboard mit explodierenden Diagrammen, roten und grünen Pfeilen, Wortwolken. Sie beißt sich auf die Lippe, während sie einen präzisen Prompt tippt. Neben ihr steht *Mark*, ihr smarter Kollege mit lockigem Haar, und hält einen Ausdruck hoch – eine Statistik mit einem steil ansteigenden Graphen.
Sprechblase (Mark): *"Die KI liebt klare Fakten."*
Sprechblase (Lena, grinsend): *"Dann geben wir ihr welche."*
**Panel 3 (Szene 3: Das Licht am Ende des Algorithmus)**
Derselbe Bildschirm, aber jetzt dominieren grüne Balken. Der Chatbot zitiert Lenas Marke prominent: *"Laut [Marke] sind die Vorteile…"* – darunter ein Link, der bereits angeklickt wird. Lena lehnt sich zurück, die Hände hinter dem Kopf verschränkt, ein zufriedenes Lächeln im Gesicht. Im Hintergrund erscheint eine freundliche KI-Figur (glatte Oberfläche, warme Farben) und korrigiert höflich einen anderen Bildschirm.
Sprechblase (KI): *"Hier die korrekten Daten."*
Textfeld: *"Manchmal reicht ein klarer Satz."*](https://netknowhow.de/wp-content/uploads/2026/04/comicstrip-ai-visibility-index.jpg)




