Wenn wir die nun gut 60 Jahre währende Geschichte der Zukunftsforschung anschauen, zeichnet sich ein bemerkenswerter Trend ab: In der Hochkonjunktur der einschlägigen Methoden um die 50er und 60er Jahre lag der zeitliche Horizont für Szenarios noch bei 40, der wirtschaftswissenschaftlichen Foresight-Research bei etwa 30 Jahren. Die aktuellen Variationen, die derzeit in den USA erprobt werden, etwa als "Superforecasting", nehmen allenfalls noch fünf Jahre in den Blick. Gleichzeitig sind Fachinformationen – vor allem in den Bereichen Digitalisierung, Strategie und Management – immer vergänglicher.

Das lässt sich unter anderem auch an dem geradezu inflationären Gebrauch des Begriffs Volatilität erkennen. Die Tatsache, dass die meisten Entwicklungen weder mittel- bis langfristig noch in vollem Umfang und vielleicht nicht einmal mehr überhaupt prognostiziert werden können, führt zu profunder Unsicherheit.

Zur Bewältigung dieser Unsicherheit hat sich eine besondere Dienstleistungsbranche entwickelt: Sie verbreitet "Studien", Hunderttausende pro Jahr. Es gibt einen großen Markt dafür. Sie sind einerseits wichtig für neue Erkenntnisse, die aus Impulsen und Erfahrungen anderer resultieren. Andererseits halten viele der angebotenen Studien die Qualitätskriterien der Wissenschaft nicht ein, ihr Fokus liegt auf der Verkäuflichkeit. Und diese steigt nun mal mit dem Sensationswert: je ungewöhnlicher die Ergebnisse, desto größer der Marktwert und die Verbreitung. Umso wichtiger wäre es, im Chaos der Informationen und der Abertausend Versprechungen für Erfolgsvoraussagen genau die Studien zu erkennen, die wichtig sind. Und die anderen, die opportunistisch Moden bedienen, zu ignorieren.

Oft lässt sich das erst in der Rückschau wirklich sagen. Nun wäre es schlechter Stil, die Grabstätten dieser Hypes abzuschreiten und sich zu freuen, dass man am Ende doch recht gehabt hat, dem einen oder anderen nicht geglaubt zu haben.

Wichtiger ist es wohl, grundsätzlich zu fragen, was denn Studien ausmacht, die tragfähige Grundlagen für strategische Entscheidungen bieten, und wie man sie ausmacht. Wie man die beiden ärgsten Fehler schnell durchschaut: dass Zusammenhänge konstruiert werden, wo eigentlich keine sind, und dass tatsächliche Zusammenhänge nicht erkannt werden. Wie man, allgemein gesprochen, qualitativ zweifelhafte, schludrige oder eben opportunistische Rezeptsammlungen, belanglose Case Studies und übertriebene Verallgemeinerungen diagnostiziert. Dass man also nicht drauf reinfällt, wenn Kontingenzen mit Korrelationen und diese wiederum mit Kausalitäten verwechselt werden. Darauf so deutlich hinzuweisen ist wichtig, weil gerade in der Anwendung von Methoden der Big-Data-Analytics und ihrer Basis, des algorithmisch zutage geförderten Datenbergs, genau dies regelmäßig geschieht.