Infolge der fortschreitenden Digitalisierung wird die Kollaboration von Mensch und Maschine unter anderem durch den Einsatz immersiver Assistenzsysteme (IAS) weiter intensiviert. Für eine erfolgreiche Zusammenarbeit gewinnt die Qualität der Mensch-Maschine-Interaktion (MMI) entscheidend an Bedeutung. Vor diesem Hintergrund untersucht die vorliegende Dissertation systematisch, wie unterschiedliche Fehlertypen in der MMI bei IAS die Leistung, Beanspruchung und Akzeptanz beeinflussen. Ausgehend von Defiziten im bisherigen Forschungsstand – insbesondere der fragmentarischen Evidenz zu Fehlerwirkungen und der fehlenden Differenzierung von Fehlertypen – wird ein integriertes Forschungs- und Evaluationsmodell entwickelt. Dieses verknüpft Leistungsbewertung, Beanspruchung (NASA-TLX und physiologische Parameter) und Akzeptanz (UTAUT2) in einem konsistenten experimentellen Design für industrielle Anwendungsszenarien. Zusätzlich wird eine Konfidenzanzeige als experimentelle Manipulation implementiert, um zu prüfen, inwieweit Systemtransparenz negative Effekte auf die Akzeptanz abschwächen oder kompensieren kann. Im Fokus stehen vier zentrale Fehlerdimensionen: Datenfehler, Visualisierungsfehler, Interaktionsfehler (Sprache und Gesten) sowie Trainingsfehler. Die empirische Basis bilden vier kontrollierte Laborstudien mit insgesamt über 150 Teilnehmenden (S1: N = 18; S2: N = 22; S3: N = 52; S4: N = 64). Die statistische Auswertung erfolgt inferenzstatistisch abgesichert durch a-priori-Stichprobenumfangsplanungen sowie Post-Hoc-Poweranalysen, robuste Tests und Change-Score-Verfahren zur Kontrolle interindividueller Unterschiede. Im Sinne des Parsimonie-Prinzips setzt die Arbeit überwiegend robuste, gut interpretierbare Hypothesentests und Varianzanalysen ein. Neben der Entwicklung des übergeordneten Forschungsdesigns leistet die Arbeit methodisch mehrere Beiträge, unter anderem die Einführung eines aggregierten Leistungsindex zur Abbildung des Speed-Accuracy-Trade-offs mit eindeutiger Bewertung von Bearbeitungszeit und Richtigkeit, die Adaption der Information-Transfer-Rate (ITR) auf Sprachinteraktionen in IAS sowie ein Cut-off-Verfahren zur Bewertung von Trainingsfehlern. Die Ergebnisse belegen signifikante, fehlertypabhängige Effekte auf Leistung, Akzeptanz und Beanspruchung: Datenfehler führen zu einer signifikanten Verschlechterung des Leistungsindex (p = 0,002; Co’d = 0,69) und gehen zugleich mit einer signifikanten Abnahme der Akzeptanz einher (Co’d = 0,53), während Beanspruchung und physiologische Stressindikatoren keine signifikanten Veränderungen zeigen. Visualisierungsfehler wirken sich primär auf die Leistung aus, wobei sich deskriptiv höhere Effektstärken in VR (Co’d = 1,15) als in AR (Co’d = 0,72) zeigen; Akzeptanz und Beanspruchung bleiben insgesamt stabil, mit Ausnahme einer signifikant erhöhten Frustration in VR (Co’d = 1,12). Interaktionsfehler erweisen sich als besonders kritisch: In der Sprachinteraktion (ASR) verschlechtert sich die Wortfehlerrate signifikant (p = 0,001; Co’d = 0,88), begleitet von einer signifikanten Reduktion der Interaktionsleistung bei Sprachbefehlen (ITR; p = 0,001; Co’d = 0,88) und sehr starken Akzeptanzverlusten (Co’d = 1,55). Auch bei der Gesteninteraktion zeigen sich signifikante Effekte auf Leistung (p = 0,006; Co’d = 1,08), Akzeptanz (Co’d = 0,53) und Beanspruchung (Co’d = 0,77). Trainingsfehler haben durchgängig sehr große, signifikante Effekte auf alle drei Primärfaktoren (Co’d ≥ 1,17; Power = 1,00). In der vergleichenden Analyse unterscheiden sich insbesondere die Akzeptanz- und Beanspruchungseffekte signifikant zwischen den Fehlertypen, während sich für Leistungs- und physiologische Parameter keine signifikanten Unterschiede zwischen den Fehlertypen nachweisen lassen. Schließlich zeigt sich ein signifikanter positiver Effekt der UV Konfidenzanzeige auf die Akzeptanz bei Interaktionsfehlern (p = 0,026; Co’d = 1,12; Power = 0,74).

As a consequence of progressive digitalisation, collaboration between humans and machines is increasingly intensified through the use of immersive assistance systems (IAS). For successful cooperation, the quality of human-machine-interaction (HMI) becomes a decisive factor. Given this context, the present dissertation systematically investigates how different types of errors in the HMI of IAS affect performance, workload, and acceptance. Motivated by deficiencies in the existing body of research – particularly the fragmented evidence on error effects and the insufficiently differentiated treatment of error types – this work develops an integrated research and evaluation framework. This framework consistently links performance evaluation, workload (NASA-TLX and physiological measures), and acceptance (UTAUT2) within a coherent experimental design tailored to industrial application contexts. In addition, a system confidence indicator is implemented as an experimental manipulation to examine whether system transparency can mitigate or compensate for negative effects on acceptance. The analysis focuses on four central error dimensions: data errors, visualisation errors, interaction errors (speech and gestures), and training errors. The empirical basis comprises four controlled laboratory studies with more than 150 participants in total (S1: N = 18, S2: N = 22, S3: N = 52, S4: N = 64). Statistical inference is ensured through a-priori sample size planning and post-hoc power analyses, robust statistical tests, and change-score methods to control for interindividual baseline differences. In line with the principle of parsimony, the study predominantly relies on robust and easily interpretable hypothesis tests and analyses of variance. Beyond the development of the overarching research design, the dissertation makes several methodological contributions, including the introduction of an aggregated performance index to capture the speed-accuracy-trade-off with an unambiguous consideration of execution time and correctness, the adaptation of the Information Transfer Rate (ITR) to speech-based interactions in IAS, and a cut-off procedure for the evaluation of training errors. The results demonstrate significant, error-type-specific effects on performance, acceptance, and workload. Data errors lead to a significant deterioration of the performance index (p = 0,002; Co’d = 0,69) and are associated with a significant reduction in acceptance (Co’d = 0,53), while workload and physiological stress indicators do not show significant changes. Visibility errors primarily impair performance, with stronger effects in VR (Co’d = 1,15) than in AR (Co’d = 0,72); acceptance and workload remain largely stable, with the exception of a significant increase in frustration in VR (Co’d = 1,12). Interaction errors are particularly critical: in speech interaction (ASR), the word error rate increases significantly (p = 0,001; Co’d = 0,88), accompanied by a significant decline in interaction performance measured by ITR (p = 0,001; Co’d = 0,88) and very large losses in acceptance (Co’d = 1,55). Gesture-based interactions also show significant effects on performance (p = 0,006; Co’d = 1,08), acceptance (Co’d = 0,53), and workload (Co’d = 0,77). Training errors exhibit consistently very large and significant effects across all three primary outcome variables (Co’d ≥ 1,17; Power = 1,00). Comparative analyses reveal that acceptance and workload effects differ significantly between error types, whereas no significant differences between error types are observed for performance and physiological parameters. Finally, a significant effect of the system confidence indicator on acceptance under interaction errors is observed (p = 0,026; Co’d = 1,12; Power = 0,74).