Die Fähigkeiten künstlicher Intelligenz entwickeln sich in einem atemberaubenden Tempo. Wie diese Fähigkeiten in Unternehmen sinnvoll eingesetzt werden können, ist allerdings oft weit weniger klar. Vielleicht liegt das Problem gar nicht an der Technologie, sondern an unseren Vorstellungen davon, was Arbeit eigentlich wertvoll macht.
In einer der letzten Ausgaben der ZEIT bin ich in einem Artikel über das Verlagswesen über einen Satz gestolpert, der mich an so manche Gespräche mit Unternehmen erinnert hat:
„Zurzeit besteht der größte Teil der KI-Nutzung in allen Verlagsbereichen darin, überhaupt herauszufinden, wozu sich die Nutzung überhaupt eignet.“1
Ich beschäftige mich seit Jahren (ja, schon seit vor ChatGPT ;-)) mit künstlicher Intelligenz und dieses Problem begegnet mir vor allem in letzter Zeit immer häufiger. Ja, die Technologie ist da, die Begeisterung auch, aber die Frage, wo KI in der eigenen Wertschöpfungskette eigentlich sinnvoll eingesetzt werden kann, ist erstaunlich schwierig zu beantworten. Und da reden wir nicht nur von Unternehmen, die bei der Digitalisierung hinterherhinken. Selbst wenn Prozesse gut definiert, IT-Systeme vorhanden und Mitarbeitende ordentlich geschult sind, ist oft schlichtweg unklar, wie man Sprachmodelle oder ähnliche Systeme nutzen sollte, um daraus einen wirklichen wirtschaftlichen Vorteil zu erlangen.
Das mag überraschen. Moderne Sprachmodelle können längst Texte schreiben, Dokumente analysieren, programmieren, Informationen recherchieren und mit entsprechenden Werkzeugen sogar mehrstufige Prozesse eigenständig abarbeiten. Eigentlich sollte es doch trivial sein, damit jede Menge Arbeit einzusparen. Tatsächlich sehen wir auch viele solche Anwendungen, aber gerade bei der Automatisierung ganzer Geschäftsprozesse wird es schnell schwierig. Denn nur eine Aufgabe schnell erledigen zu können, heißt noch lange nicht, dass das wirtschaftlich auch sinnvoll war.
Die Sache mit der Verantwortung
Nehmen wir an, jemand soll eine Kundenanfrage beantworten. Man kann sich nun selbst hinsetzen und eine Antwort formulieren, oder die Anfrage an ein Sprachmodell weitergeben, das innerhalb weniger Sekunden eine brauchbare Antwort generiert. Der Zeitgewinn scheint offensichtlich. Nur muss die verantwortliche Person diese Antwort nun lesen, auf Richtigkeit prüfen, gegebenenfalls korrigieren und – der Grund, warum sie das vermutlich auch macht – am Ende dafür geradestehen. Je nach Aufgabe dauert das dann halt auch mal länger, als die Antwort gleich selbst zu schreiben.
Und genau hier sehe ich eines der grundlegenden Probleme vieler KI-Anwendungen. Das Erzeugen eines Ergebnisses ist durch Sprachmodelle extrem billig geworden. Die Verantwortung für dieses Ergebnis ist es nicht. Besonders bei einfachen Aufgaben kann die Qualitätssicherung den gesamten Zeitgewinn zunichtemachen. Bei komplexeren Aufgaben kann der Nutzen natürlich größer sein, allerdings steigen dabei meist auch die Anforderungen an die Kontrolle. Wirtschaftlich interessant wird es vor allem dort, wo die Qualitätsanforderungen gering sind (ja, sehr unsexy, ich weiß) oder wo sich das Ergebnis mit vergleichsweise wenig Aufwand zuverlässig überprüfen lässt.
Natürlich gibt es bereits jede Menge nützlicher KI-Anwendungen. Recherche, Übersetzungen und Programmierunterstützung sind in vielen Unternehmen mittlerweile beinahe selbstverständlich geworden. Allerdings reden wir hier überwiegend von Werkzeugen, nicht von vollständigen Automatisierungen. Bei Recherchen und Übersetzungen wird die Qualitätskontrolle oft den Anbietern überlassen oder schlicht ignoriert. In der Softwareentwicklung wiederum haben wir mit automatisierten Tests, Codeanalyse und CI/CD-Pipelines bereits umfangreiche Möglichkeiten zur Qualitätssicherung. Wenn die Anforderungen klar sind und sich das Ergebnis automatisiert überprüfen lässt, wird zunehmend unerheblich, ob der Code von einem Menschen oder einer Maschine geschrieben wurde. Zumindest solange wir tatsächlich nur über die Codeerstellung sprechen und nicht über Themen wie Architektur, Anforderungen und – wieder – Verantwortung.
Aber selbst bei Aufgaben, deren Ergebnisse Menschen ohnehin weiterverarbeiten, ist der Nutzen nicht automatisch gegeben. Eine Präsentation lässt sich mittlerweile innerhalb weniger Minuten generieren. Nur ist die Präsentation dann eben nicht die eigene. Wer sie tatsächlich vortragen will, muss sich erst einmal mit dem Inhalt, den Zusammenhängen und der Argumentation vertraut machen. Und dann soll das Ganze auch noch authentisch klingen. Während man eine Präsentation selbst erstellt, entsteht dieses Verständnis ganz nebenbei. Bei der automatisierten Variante muss man es sich nachträglich erarbeiten. Auch das kann mehr Aufwand verursachen, als es einspart.
Dass solche Effekte nicht nur theoretischer Natur sind, zeigt eine Untersuchung von METR aus dem Jahr 2025. Erfahrene Softwareentwickler benötigten mit KI-Unterstützung bei Aufgaben in ihnen vertrauten Projekten durchschnittlich 19 % länger als ohne. Besonders bemerkenswert war dabei, dass sie sich selbst als 20 % schneller einschätzten2. Das Ergebnis lässt sich natürlich nicht auf die gesamte Softwareentwicklung übertragen, und mittlerweile gibt es auch Hinweise auf Verbesserungen durch neuere Werkzeuge. Es zeigt aber schön, wie weit wahrgenommene Produktivitätssteigerungen von den tatsächlichen entfernt sein können.
Der entscheidende Punkt ist also nicht, wie schnell ein Sprachmodell eine Aufgabe erledigt, sondern wie viel Arbeit bis zu einem tatsächlich verwendbaren, überprüften Ergebnis anfällt.
Vielleicht war die Arbeit nie wertschöpfend
Eine meiner liebsten Karikaturen zum Thema KI stammt von Tom Fishburne und zeigt zwei Personen. Auf der einen Seite sitzt ein Mitarbeiter, der seinem Chef eine E-Mail über den Projektfortschritt schicken soll. Er hat allerdings nur drei Stichpunkte und bittet deshalb ChatGPT, daraus eine schöne, ausführliche E-Mail zu verfassen. Auf der anderen Seite sitzt der Chef, bekommt die lange Nachricht und hat keine Lust, sie vollständig zu lesen. Also bittet er ChatGPT, sie auf drei Stichpunkte zusammenzufassen.
Beide haben KI verwendet, beide haben sich vermeintlich Arbeit gespart und am Ende sind exakt dieselben Informationen angekommen, die schon zu Beginn vorhanden waren. Ein wunderschönes Beispiel, das meiner Meinung nach ziemlich gut zeigt, wo wir uns bei der Bewertung von Arbeit oft selbst in die Tasche lügen.
Wo wurde hier eigentlich Wert geschaffen? Die wesentliche Information war schon vorhanden, bevor das erste Modell zum Einsatz kam. Die E-Mail hat daran nichts geändert und die Zusammenfassung des Chefs auch nicht. Information wurde nur in eine andere Form gebracht und dann wieder in die ursprüngliche. Hoffentlich wurde dabei nichts verändert.
Klar, ein ausführlicher Bericht kann schon wertvoll sein. Zusammenhänge können erläutert, Entscheidungen begründet und wichtige Details vermittelt werden. Aber all das muss irgendwoher kommen. Wenn der Mitarbeiter dem Sprachmodell nur drei Stichpunkte liefert, kennt es weder die Hintergründe noch die Erfahrungen, die zu diesen Informationen geführt haben. Es kann die Stichpunkte sprachlich erweitern, aber es kann nicht zuverlässig wissen, was tatsächlich im Projekt passiert ist. Und selbst wenn der Bericht wertvolle zusätzliche Informationen enthalten würde, wären diese möglicherweise wieder verloren, sobald der Chef ihn auf drei Stichpunkte reduziert.
Die eigentliche Absurdität liegt also nicht darin, dass wir KI verwenden, um E-Mails zu schreiben. Sie liegt darin, dass wir uns offenbar daran gewöhnt haben, die Länge und den Aufwand einer Tätigkeit mit ihrem Wert gleichzusetzen. Eine ausführliche E-Mail wirkt professioneller als drei Stichpunkte, eine umfangreiche Präsentation wichtiger als eine kurze Erklärung. Dabei entsteht Wert nicht durch die Menge der produzierten Wörter, sondern durch die Information, die vermittelt wird, und die Entscheidungen, die dadurch möglich werden.
Ich frage mich oft, wie viel unserer heutigen Arbeit aus solchen Dingen besteht. Aus Prozessen, die wir über Jahrzehnte als notwendig oder wertschöpfend betrachtet haben, obwohl sie vielleicht nur deshalb existieren, weil wir unsere Organisationen eben so aufgebaut haben. Oder weil damit ein gewisser Status verbunden ist.
Und hier sehe ich tatsächlich eine der interessantesten Möglichkeiten, die uns künstliche Intelligenz bietet. Nicht unbedingt darin, diese Arbeit schneller zu erledigen, sondern darin, sichtbar zu machen, dass wir sie möglicherweise gar nicht brauchen.
Agentische KI – und wer weiß dann eigentlich noch etwas?
Wo man auch hinkommt, soll jetzt alles „ein Agent“ machen. Statt nur einzelne Antworten zu liefern, können KI-Agenten eigenständig Aufgaben planen, Werkzeuge verwenden und ganze Prozesse abarbeiten. Das ist technologisch beeindruckend und eröffnet tatsächlich Möglichkeiten, die mit einfachen Chatbots nicht realisierbar waren. Gerade bei komplexen, mehrstufigen Prozessen sehe ich hier erhebliches Potenzial. Aber das Problem der Verantwortlichkeit verschwindet dadurch nicht. Ein Agent kann Fehler über mehrere Schritte weitertragen und am Ende ein Ergebnis liefern, dessen Entstehung nur noch schwer nachvollziehbar ist.
Eine Untersuchung produktiv eingesetzter KI-Agenten aus dem Jahr 2026 zeigt, wie relevant dieses Problem noch immer ist. 68 % der untersuchten Systeme waren auf höchstens zehn Schritte vor einem menschlichen Eingriff ausgelegt, und 74 % stützten sich bei der Bewertung ihrer Ergebnisse hauptsächlich auf Menschen3. Die Systeme können also durchaus Arbeit übernehmen, menschliche Kontrolle wird dadurch aber noch lange nicht überflüssig.
Was mich dabei noch mehr beschäftigt, ist allerdings die Frage, wo die Erfahrung bleibt, die bisher bei der Arbeit entstanden ist. Menschen bauen über Jahre Wissen auf, erkennen Zusammenhänge, erinnern sich an frühere Probleme und entwickeln ein Gefühl dafür, was funktioniert und was nicht. Vieles davon ist kaum dokumentiert und stellt für Unternehmen einen erheblichen Wert dar.
Ja, auch KI-Agenten können Erfahrungen speichern und daraus lernen. Sie können Informationen sogar wesentlich einfacher untereinander austauschen als menschliche Teams, bei denen die Weitergabe solchen Wissens ganze Lehrbücher füllen kann. Wir verlagern damit aber betriebliche Kompetenz aus einem biologischen in ein technologisches System. Das hat Vorteile, bringt aber auch neue Abhängigkeiten mit sich. Ein technisches Wissenssystem muss gewartet, gesichert und verfügbar gehalten werden. Es kann ausfallen, kompromittiert werden oder von einem Anbieter abhängig sein. Und während Wissen in menschlichen Teams oft über viele Köpfe verteilt ist, kann ein solches System große Teile des betrieblichen Know-hows an einem Ort konzentrieren. Praktisch – erleichtert aber auch dessen Diebstahl erheblich.
Noch problematischer finde ich die Auswirkungen auf die Mitarbeitenden selbst. Wenn meine Arbeit nur noch darin besteht, Daten in ein Modell einzugeben und dessen Ergebnis weiterzuleiten, lerne ich aus dieser Arbeit immer weniger. Gleichzeitig werde ich zunehmend austauschbar, weil meine eigentliche fachliche Kompetenz für die Erledigung der Tätigkeit nicht mehr benötigt wird. Das klingt zunächst nach einem Vorteil für das Unternehmen, wirft aber eine unangenehme Frage auf: Wer kann die Arbeit dann noch selbst erledigen? Und wer kann beurteilen, ob das Ergebnis der KI überhaupt richtig ist?
Eine Studie von Microsoft Research und der Carnegie Mellon University untersuchte 2025 den Einfluss generativer KI auf das kritische Denken von Wissensarbeitern. Dabei zeigte sich, dass ein höheres Vertrauen in die KI mit weniger eigenständigem kritischem Denken einherging4. Das ist noch kein Nachweis für langfristigen Kompetenzverlust, aber zumindest ein Hinweis darauf, dass wir dieses Problem ernst nehmen sollten.
Es ist durchaus denkbar, dass wir in Zukunft Unternehmen haben, deren Geschäftsprozesse hervorragend automatisiert sind, in denen aber kaum noch jemand die dahinterliegenden Aufgaben tatsächlich beherrscht. Damit entsteht eine Abhängigkeit, deren Konsequenzen wir erst langsam zu verstehen beginnen.
Wenn es jeder kann, ist es kein Wettbewerbsvorteil
Nehmen wir einmal an, ein Unternehmen schafft es tatsächlich, einen seiner Geschäftsprozesse vollständig mit generischer KI abzubilden. Die Arbeit wird schneller und billiger erledigt, vielleicht sogar vollständig automatisiert. Das klingt zunächst hervorragend. Nur stellt sich dann die Frage: Was hindert die Konkurrenz daran, genau dasselbe zu tun?
Wenn eine Leistung allein mit allgemein verfügbaren Sprachmodellen erzeugt werden kann, dann steht diese Möglichkeit grundsätzlich auch allen anderen offen. Möglicherweise sogar den bisherigen Kunden. Der bloße Zugang zur Technologie ist damit kein Wettbewerbsvorteil mehr. Natürlich kann die Leistung weiterhin nützlich sein, aber ihre wirtschaftliche Knappheit geht verloren. Und wenn jeder dieselbe Leistung mit geringem Aufwand erbringen kann, wird es halt auch immer schwieriger, dafür einen hohen Preis zu verlangen.
Das ist eigentlich keine neue Erkenntnis. David Teece hat bereits 1986 beschrieben, wie entscheidend ergänzende Fähigkeiten und Ressourcen dafür sind, wer von einer technologischen Innovation wirtschaftlich profitiert5. Wenn eine Technologie leicht nachgeahmt werden kann, liegt der Vorteil häufig nicht in der Technologie selbst, sondern bei jenen Unternehmen, die über die passenden zusätzlichen Ressourcen verfügen.
Und das trifft generative KI natürlich genauso. Der eigentliche Unterschied zwischen Unternehmen liegt nicht darin, dass eines von ihnen ein Sprachmodell verwenden kann und das andere nicht. Er liegt im betrieblichen Wissen, in den Erfahrungen, den Kundenbeziehungen, den Prozessen und den spezifischen Daten, die über Jahre aufgebaut wurden.
Will man diese Fähigkeiten mit KI nutzen, muss man die Modelle entsprechend in das Unternehmen integrieren. Und hier wird die Angelegenheit schnell aufwendig. Es reicht nicht, einfach ein paar Dokumente in einen Chatbot zu laden. Die KI muss auf die richtigen Informationen zugreifen, Berechtigungen berücksichtigen, die betrieblichen Abläufe kennen und mit bestehenden Systemen kommunizieren können. Es braucht Regeln, Kontrollmechanismen und Möglichkeiten, Fehler nachzuvollziehen.
Wir kommen damit wieder zu einem recht unspektakulären Ergebnis: Aus einem allgemein verfügbaren KI-Modell wird eine individuell integrierte Unternehmenssoftware. Und individualisierte Software ist vor allem eines – teuer. Natürlich gibt es mittlerweile Werkzeuge und Standards, die diese Integration vereinfachen. Trotzdem verschwindet der Aufwand nicht. Er wird lediglich an andere Stellen verschoben.
Ob sich eine solche Investition lohnt, hängt letztlich davon ab, wie viel zusätzlichen Wert das Unternehmen dadurch schaffen kann. Das unterscheidet KI nicht grundsätzlich von anderen Digitalisierungsprojekten. Die Modelle eröffnen neue Möglichkeiten, aber sie setzen die wirtschaftlichen Grundregeln nicht außer Kraft.
Und was bedeutet das für unsere Arbeitsplätze?
Die Frage, wie viele Arbeitsplätze KI ersetzen wird, begleitet uns seit Jahren. Manche Prognosen zeichnen ein Bild, in dem große Teile der heutigen Beschäftigung innerhalb weniger Jahre überflüssig werden. Andere erwarten enorme Produktivitätssteigerungen und völlig neue Berufsbilder. Ich halte beide Extreme für ziemlich übertrieben.
Ein Arbeitsplatz besteht schließlich nicht einfach aus einer Sammlung isolierter Tätigkeiten, die man eine nach der anderen automatisieren kann. Menschen treffen Entscheidungen, lernen aus Fehlern, übernehmen Verantwortung und entwickeln dabei Wissen, das wiederum für andere Aufgaben benötigt wird. Selbst wenn sich ein großer Teil ihrer Tätigkeiten automatisieren lässt, bedeutet das nicht automatisch, dass sich im selben Ausmaß Personal einsparen lässt.
Eine Untersuchung des dänischen Arbeitsmarkts von Anders Humlum und Emilie Vestergaard zeigt genau diese Diskrepanz. Die Forscher verknüpften Befragungen von rund 25.000 Beschäftigten mit tatsächlichen Arbeitsmarktdaten und fanden trotz der raschen Verbreitung von KI-Chatbots keine messbaren durchschnittlichen Veränderungen bei Einkommen oder Arbeitszeit von mehr als 2 %. Was sich dagegen sehr wohl veränderte, war die Arbeit selbst. Neue Aufgaben entstanden und bestehende wurden umorganisiert6.
Das bedeutet natürlich nicht, dass KI langfristig keine Arbeitsplätze kosten wird. Dafür wäre es viel zu früh. Aber es zeigt, dass die Gleichung „KI kann eine Aufgabe erledigen, also fällt ein Arbeitsplatz weg“ nicht funktioniert.
Es gibt übrigens auch Untersuchungen, die erhebliche Produktivitätsgewinne nachweisen. Brynjolfsson, Li und Raymond zeigten beispielsweise, dass KI-Unterstützung im Kundendienst die Produktivität durchschnittlich um rund 15 % steigern konnte. Besonders profitierten weniger erfahrene Mitarbeitende, die mit Hilfe des Systems schneller lernten7. KI muss also nicht zwangsläufig menschliche Kompetenz abbauen. Richtig eingesetzt kann sie sogar dabei helfen, sie aufzubauen.
Für mich bestätigt das vor allem eines: Die Auswirkungen hängen nicht nur von den Fähigkeiten der Technologie ab, sondern davon, wie wir sie einsetzen. Deshalb halte ich auch die pauschalen Aussagen über das Ende ganzer Berufsgruppen für wenig hilfreich.
Wir stellen meistens die falsche Frage
In den vergangenen Jahren haben wir einen bemerkenswerten KI-Hype erlebt. Jede neue Modellgeneration wurde mit immer größeren Erwartungen begleitet, Unternehmen sollten möglichst schnell KI-Strategien entwickeln und praktisch jede Tätigkeit schien plötzlich ein Kandidat für Automatisierung zu sein. Teilweise entstand der Eindruck, dass die wirtschaftlichen Vorteile schon allein dadurch entstehen würden, dass man KI möglichst breit einsetzt.
Mittlerweile scheint sich die Diskussion langsam wieder in Richtung wirtschaftlicher Realität zu bewegen. Die Investitionen sind enorm und damit wächst auch der Druck, die versprochenen Produktivitätsgewinne tatsächlich nachzuweisen. Dass einzelne Aufgaben schneller erledigt werden können, reicht dafür nicht. Entscheidend ist, ob dadurch Kosten sinken, bessere Produkte entstehen oder zusätzliche Umsätze erzielt werden. Und wenn die gesamte Konkurrenz dieselben Werkzeuge einsetzt, wird aus einem anfänglichen Vorteil schnell eine neue Selbstverständlichkeit.
Ich glaube daher nicht, dass wir gerade das Scheitern der künstlichen Intelligenz erleben. Die Technologie entwickelt sich weiterhin beeindruckend schnell. Aber wir beginnen langsam zu verstehen, dass technische Leistungsfähigkeit und wirtschaftliche Wertschöpfung zwei unterschiedliche Dinge sind.
Generische KI wird zunehmend zu einem allgemein verfügbaren Werkzeug. Dass ein Unternehmen Sprachmodelle einsetzt, wird irgendwann genauso wenig bemerkenswert sein wie die Tatsache, dass es Computer oder eine Internetverbindung verwendet. Der Wettbewerbsvorteil entsteht nicht durch das Werkzeug selbst, sondern dadurch, was man damit macht.
Wenn ich heute mit Unternehmen über den Einsatz künstlicher Intelligenz spreche, beginnt die Diskussion häufig mit der Frage, wo man KI im Unternehmen einsetzen könnte. Das ist verständlich, aber ich halte es zunehmend für den falschen Ausgangspunkt. Denn wenn wir von der Technologie ausgehen, finden wir zwangsläufig Tätigkeiten, die sich damit erledigen lassen. Davon gibt es schließlich genug. Aber damit wissen wir noch nicht, ob diese Tätigkeiten überhaupt notwendig sind, ob ihre Automatisierung tatsächlich Arbeit spart oder ob dadurch ein wirtschaftlicher Vorteil entsteht.
Ich würde viel lieber zuerst darüber sprechen, wo ein Unternehmen eigentlich seinen Wert schafft. Was unterscheidet seine Leistungen von denen der Konkurrenz? Welches Wissen wurde über Jahre aufgebaut? Wo entstehen tatsächlich neue Erkenntnisse, bessere Produkte oder bessere Entscheidungen? Und welche Arbeit erledigen wir vielleicht nur deshalb, weil wir uns daran gewöhnt haben?
Erst wenn wir diese Fragen beantworten können, lässt sich sinnvoll entscheiden, wo KI einen Beitrag leisten kann. Manchmal wird das ein einfaches Werkzeug sein, das einen Menschen unterstützt. Manchmal ein komplexes Agentensystem, das einen ganzen Prozess übernimmt. Und manchmal werden wir feststellen, dass es wesentlich sinnvoller wäre, den Prozess überhaupt abzuschaffen.
Bei all dem sollten wir die Menschen nicht aus den Augen verlieren. Unternehmen leben von den Fähigkeiten und Erfahrungen ihrer Mitarbeitenden. Wer KI ausschließlich dazu einsetzen möchte, möglichst viel menschliche Arbeit zu ersetzen, riskiert, genau jene Kompetenz abzubauen, die sein Unternehmen bisher erfolgreich gemacht hat.
Ich halte es deshalb für wesentlich interessanter, darüber nachzudenken, wie wir mit KI mehr Wert schaffen können, als darüber, wie viele Menschen wir damit einsparen könnten.
Denn am Ende ist nicht entscheidend, wie viel Arbeit wir automatisiert haben. Entscheidend ist, ob dadurch tatsächlich etwas Besseres entstanden ist.