Warum Extreme die Regel sind: Power Laws in Wirtschaft, Risiko und Organisationen

Ein Tweet, eine politische Entscheidung, ein einziger Satz – und binnen Stunden stürzen die Märkte ab. Nicht weil der Satz so mächtig wäre, sondern weil Millionen Akteure in Echtzeit reagieren, weil Algorithmen Kettenreaktionen auslösen und Systeme eng miteinander verknüpft sind. Ein Impuls, der früher verrauscht wäre, entfaltet heute Wirkung auf globaler Ebene.

Ein Virus, das in einer Stadt auftaucht, bringt binnen Wochen die Welt zum Stillstand. Lieferketten und Märkte brechen, Gewissheiten lösen sich auf. Was als lokales Ereignis begann, wird zur globalen Kaskade – nicht trotz, sondern wegen der vernetzten Struktur der Welt.

Diese Ereignisse sind keine Ausnahmen. Sie zeigen, dass wir in einer Welt leben, in der Wirkung nicht proportional zur Ursache ist – in der kleine Auslöser große Konsequenzen haben können, und große Anstrengungen manchmal folgenlos bleiben.

Und doch scheint unser Denken noch in einer anderen Zeit zu leben. Wir entwerfen Pläne, als ließe sich die Zukunft aus der Vergangenheit ableiten. Wir kalkulieren Risiken, als würden sie sich gleichmäßig verteilen. Wir halten Stabilität für ein Zeichen von Vernunft – und übersehen, dass sie in beweglichen Systemen selbst zur Gefahr wird.

Diese Haltung wirkt vertraut, fast selbstverständlich. Sie gibt das Gefühl von Kontrolle, von Berechenbarkeit. Doch sie blendet aus, dass sich die Welt längst anders verhält: nicht stetig, sondern sprunghaft. Nicht berechenbar, sondern empfindlich für kleine Auslöser. Ein einziger Impuls kann genügen, um ganze Strukturen zu verschieben.

Machtgesetze: Die Struktur extremer Ereignisse

Vieles, was wir planen und entscheiden, beruht auf einer stillen Annahme: dass sich die Welt gleichmäßig verhält.

Das sind z. B. die Kapazitätsplanung nach Durchschnittsnachfrage, Budgetierung nach Vorjahreswerten oder Risikomodelle auf Basis historischer Schwankungen.

Doch in vielen realen Systemen sieht die Verteilung anders aus. Dort konzentriert sich der größte Teil der Wirkung auf wenige Fälle: Einige Produkte erzielen fast den gesamten Umsatz, ein kleiner Teil der Inhalte erzeugt die meiste Aufmerksamkeit, und wenige Akteure bündeln den größten Einfluss.

Diese Verteilungen werden in der Statistik als Power Laws bezeichnet. Sie beschreiben Verteilungen, bei denen die Häufigkeit eines Ereignisses mit seiner Größe nach einer Potenzfunktion abnehmen. Anders als bei Normalverteilungen gibt es keinen stabilen Mittelwert, sondern lange, schwere Ränder, die sogenannten Fat Tails. Wenige extreme Ereignisse tragen den Großteil der Wirkung bei, während die Vielzahl kleiner Fälle kaum relevant ist.

Power Laws entstehen, wenn Rückkopplungen wirken – wo Erfolg neuen Erfolg erzeugt, Sichtbarkeit weitere Sichtbarkeit, und Größe zusätzliche Skaleneffekte schafft. In solchen Systemen verstärken sich Unterschiede selbst: Wer einmal vorne liegt, zieht weiter davon. Wer zurückfällt, holt kaum noch auf.

Zur Veranschaulichung ist in folgender Grafik links schematisch eine Normalverteilung und rechts ein Power-Law-Verteilung dargestellt.

Solche Verteilungen sind in vielen Disziplinen nachgewiesen. In der Netzwerkwissenschaft spricht man von Preferential Attachment. Wer bereits viele Verbindungen hat, zieht mit höherer Wahrscheinlichkeit weitere an. Neue Knoten verbinden sich nicht zufällig, sondern bevorzugt mit bereits sichtbaren oder gut vernetzten Knoten. So entstehen Hubs, während die Mehrheit nur wenige Verbindungen besitzt (Siehe Blog). Barabási zeigte, dass viele reale Netzwerke genau diese Struktur aufweisen, von sozialen Netzwerken über das Internet bis hin zu biologischen Systemen. Ungleichheit ist hier kein Fehler, sondern das direkte Ergebnis der Dynamik.

In der Ökonomie wurde dasselbe Muster früh beschrieben. Pareto zeigte, dass sich Vermögen stark konzentriert. Ein kleiner Teil der Akteure besitzt den größten Anteil der Ressourcen. Viele kennen dies wahrscheinlich unter dem Pareto Prinzip. Die daraus oft abgeleitete und weit bkeannte 80:20 Regel ist lediglich eine vereinfachte Heuristik. Empirisch finden sich häufig Pareto-Verteilungen, eine spezielle Form von Power-Law-Verteilungen. Auch hier entsteht Ungleichheit nicht primär durch individuelle Unterschiede, sondern durch kumulative Prozesse über Zeit.

Für Risiken hat Nassim Taleb (2007) diese Logik systematisch herausgearbeitet. Anhand historischer Daten aus Finanzmärkten, Versicherungen und Katastrophen zeigte er, dass Verluste nicht gleichmäßig entstehen, sondern von wenigen extremen Ereignissen dominiert werden. Die meisten Schwankungen sind vernachlässigbar. Der Großteil des Schadens entsteht durch seltene, sehr große Ausschläge. Taleb weist nach, dass klassische Risikomodelle diese Extremereignisse systematisch unterschätzen, weil sie von Normalverteilungen ausgehen. Dadurch wirken Systeme stabil, obwohl sie in Wahrheit hochgradig verletzlich sind. Entscheidend ist nicht die durchschnittliche Volatilität, sondern die Existenz seltener Schocks mit enormer Wirkung.

Gemeinsam haben diese Bereich die nichtlineare Dynamik. Rückkopplungen verstärken Unterschiede über Zeit. Erfolg erzeugt weiteren Erfolg. Sichtbarkeit erzeugt mehr Sichtbarkeit. Größe schafft Vorteile, die weiteres Wachstum erleichtern. Power Laws sind daher kein Spezialfall, sondern ein wiederkehrendes Muster in komplexen, vernetzten Systemen.

Warum Normalverteilungs-Denken scheitert

Wenn extreme Ereignisse das Geschehen dominieren, verlieren Mittelwert-basierte Methoden ihre Grundlage. Denn sie unterstellen, dass sich die Masse der Fälle um einen stabilen Durchschnitt gruppiert – und dass Abweichungen selten und beherrschbar sind.

In Power-Law-Systemen gilt das Gegenteil: Die meisten Fälle sind unbedeutend, einige wenige tragen fast die gesamte Wirkung. Der Mittelwert wird irrelevant. Prognosen, die auf historischen Durchschnitten beruhen, unterschätzen systematisch die Wahrscheinlichkeit von Extremen. Und Strategien, die auf Effizienz und Stabilität setzen, reduzieren genau jene Spielräume, die im Ernstfall über Überleben entscheiden (Siehe Blog).

Ein Beispiel: Ein Unternehmen plant seine Kapazitäten auf Basis durchschnittlicher Nachfrage. Die meisten Monate liegen nah am Mittelwert – das System läuft effizient. Doch dann kommt ein einzelner Monat, in dem die Nachfrage das Dreifache beträgt. Das System bricht zusammen. Nicht weil der Extremfall unwahrscheinlich war, sondern weil die Planung ihn ignoriert hat.

Oder: Eine Organisation investiert gleichmäßig in zehn Innovationsprojekte. Sie erwartet, dass alle ähnlich performen – ein paar besser, ein paar schlechter, im Schnitt rentabel. Doch in Wahrheit scheitern neun Projekte. Eines wird zum Durchbruch. Hätte die Organisation das neunte Projekt nach durchschnittlichen Kennzahlen bewertet, hätte sie es abgebrochen – und damit ihren einzigen Erfolg verhindert.

Das Problem ist nicht Planung an sich, sondern Planung ohne Bewusstsein für die Verteilung der Ereignisse. Wer in Systemen mit Fat Tails mit Glockenkurven rechnet, trifft systematisch verzerrte Entscheidungen.

Wie man Power-Law-Systeme erkennt

Nicht jedes System folgt einem Machtgesetz.

Manche Bereiche verhalten sich tatsächlich normal verteilt: Körpergröße, Messfehler in der Produktion, Ankunftszeiten bei stabilen Prozessen. In solchen Fällen funktionieren klassische statistische und planerische Methoden, die auf Mittelwerten, Varianz und Normalverteilungen beruhen.

Doch sobald Rückkopplungen ins Spiel kommen, ändert sich die Struktur. Einige Indikatoren deuten auf Power Laws hin:

• Selbstverstärkung: Erfolg erzeugt weiteren Erfolg. Reichweite erzeugt mehr Reichweite. Größe schafft Vorteile, die Wachstum beschleunigen.
• Netzwerkeffekte: Der Wert eines Systems steigt überproportional mit der Zahl der Teilnehmer. Wenige Plattformen dominieren ganze Märkte.
• Winner-takes-all-Dynamiken: Kleine Unterschiede in der Ausgangslage führen zu großen Unterschieden im Ergebnis. Der Erste gewinnt alles, der Zweite bleibt unsichtbar.
• Extreme Ungleichheit: Einige wenige Fälle machen den größten Teil der Wirkung aus. Die meisten anderen fallen kaum ins Gewicht.

Wer in solchen Systemen agiert – und das tun viele Organisationen heute –, muss anders denken, anders planen, anders entscheiden. Nicht besser im Sinne von präziser, sondern anders im Sinne von strukturell kompatibel mit der Verteilung.

Optionalität: Von Extremen profitieren

Resilieinz bedeutet, Extreme zu überstehen. Optionalität bedeutet, von ihnen zu profitieren.

Während Resilienz darauf abzielt, Strukturen zu schaffen, die Störungen absorbieren können (Siehe Blog), geht Optionalität einen Schritt weiter: Sie gestaltet Entscheidungen so, dass extreme Ereignisse nicht nur keinen Schaden anrichten, sondern Chancen eröffnen.

Optionalität beschreibt die Fähigkeit, mit möglichst vielen zukünftigen Zuständen kompatibel zu bleiben – selbst wenn man nicht weiß, welcher eintritt. Taleb (2012) beschreibt dies als Strategie unter Unwissen: Man weiß nicht, was passiert – aber man sorgt dafür, reagieren zu können. Mehr noch: Man strukturiert seine Einsätze so, dass man wenig verliert, wenn man falsch liegt, aber viel gewinnt, wenn man richtig liegt.

Das ist die Logik asymmetrischer Wetten: begrenzte Downside, unbegrenzte Upside. In Power-Law-Welten, in denen ein einziger Treffer alle Verluste ausgleichen kann, ist ddas eine rationale und strukturell passende Strategie.

Und Optionalität ist keine Beliebigkeit. Sie bedeutet nicht, auf Entscheidungen zu verzichten, sondern sie so zu treffen, dass sie reversibel bleiben. Sie bedeutet nicht, alles offenzuhalten, sondern bewusst Spielräume zu schaffen, die im Moment der Überraschung handlungsfähig machen.

Optionalität entsteht dort, wo Organisationen mehrere Optionen zugleich verfolgen, Entscheidungen so spät wie möglich treffen, in kleinen, reversiblen Schritten vorgehen und lernen, statt zu planen. Ein bekanntes Prinzip aus der agilen Arbeitsweise (Siehe Buch).

Folgend führe ich einige Beispiele an, die diese Optionalität verdeutlichen:

Beispiel 1: Produktentwicklung

Ein Unternehmen entwickelt nicht ein Produkt bis zur Perfektion, sondern testet drei Prototypen parallel mit echten Nutzern. Nicht um zu diversifizieren, sondern um zu lernen, welche Richtung Resonanz erzeugt. Die Investition bleibt gering, die Lerngeschwindigkeit hoch, die Anpassungsfähigkeit erhalten.

Scheitert ein Ansatz, bleibt die Fähigkeit, den nächsten zu verfolgen. Gelingt einer, kann die Organisation schnell skalieren – weil sie nicht alle Ressourcen auf eine Prognose gesetzt hat. Der Einsatz ist klein, der mögliche Gewinn groß. Das ist asymmetrisches Wetten.

Beispiel 2: Strategische Planung

Ein Team strukturiert seine Arbeit nicht in starren Jahresplänen, sondern in kurzen Zyklen mit klaren Entscheidungspunkten. Nach jedem Zyklus wird geprüft: Was haben wir gelernt? Was hat sich verändert? Welche Optionen haben wir jetzt?

Die Richtung bleibt klar, der Weg flexibel. Wenn sich die Umwelt ändert, kann das Team reagieren – nicht weil es hellsehen kann, sondern weil es sich nicht zu früh festgelegt hat. Jede Entscheidung bleibt revidierbar, jeder Schritt klein genug, um ihn zu korrigieren.

Beispiel 3: Investitionen in Neues

Eine Organisation investiert nicht ein großes Budget in ein einziges Innovationsprojekt, sondern verteilt kleine Beträge auf zehn Experimente. Neun scheitern. Eines wird zum Durchbruch.

Die neun Verluste sind begrenzt – jedes Experiment kostet nur einen Bruchteil des Gesamtbudgets. Der eine Gewinn ist nach oben offen: er kann den Großteil des Ertrags liefern oder das Geschäftsmodell grundlegend verändern. Das ist Power-Law-Logik in der Praxis: viele kleine Einsätze, wenige entscheidende Treffer.

Optionalität ist damit keine Abkehr von Rationalität, sondern ihre Anpassung an Systeme mit Power-Law-Dynamik. Es geht nicht darum, alles offenzuhalten – sondern darum, Entscheidungen so zu strukturieren, dass sie seltene positive Ausreißer ermöglichen, ohne von negativen überrascht zu werden.

Mehr?

In einer Welt voller Unsicherheit hilft kein besserer Plan – sondern bessere Strukturen.

Wenn du Organisationen gestalten willst, die mit Unwissen umgehen, aus Extremereignissen lernen und optional handeln können: Schau dir unsere Angebote an.

Beratung, Kurse und Bücher zu Zusammenarbeit, Systemdenken und Organisation in komplexen Umfeldern.

Bereit, weiterzudenken?

Referenzen

Barabási, A.-L. (2002). Linked: The new science of networks. Perseus Publishing.
Pareto, V. (2014). Manual of Political Economy: A Variorum Translation and Critical Edition. OUP Oxford.
Taleb, N. N. (2007). The Black Swan: The Impact of the Highly Improbable. Random House.
Taleb, N. N. (2012). Antifragile: Things That Gain from Disorder. Random House.