KI erzeugt mehr menschliche Arbeit, nicht weniger – und das verändert alles für Führungskräfte
Es gibt eine Geschichte, die in Vorstandsetagen gerne und bequem erzählt wird: Künstliche Intelligenz wird Stellen abbauen, die Lohnkosten senken und Kapital freisetzen. Es ist eine bequeme Geschichte, weil sie die Form einer sauberen Finanzentscheidung hat. Das Problem ist, dass die Daten sie nicht stützen.
Jeff Bezos sagte es in einem aktuellen Interview bei CNBC unmissverständlich: KI wird den Arbeitsmarkt nicht leeren – sie wird Talentknappheit erzeugen. Seine Analogie war präzise. Ein Ingenieur, der jahrelang mit dem Spaten einen Graben ausgehoben hat, verschwindet nicht, wenn man ihm einen Bagger gibt. Er gräbt mehr, schneller, bei Projekten, die vorher nicht realisierbar waren. Die Arbeit steigt auf ein höheres Niveau – sie erlischt nicht.
Was an der realen Front der KI-Einführung geschieht, bestätigt diese These auf eine Weise, die diejenigen in Bedrängnis bringen sollte, die Personalentscheidungen auf Basis der gegenteiligen Geschichte getroffen haben.
Wenn Automatisierung die Expertenarbeit vervielfacht
Dan Shipper, CEO von Every, veröffentlichte eine Analyse, die man sorgfältig lesen sollte. Sein Unternehmen automatisierte alles, was sich mit KI-Agenten automatisieren ließ. Das Ergebnis: Das Team wuchs von vier auf mehr als dreißig Personen. Nicht trotz der Automatisierung, sondern genau wegen ihr.
Die Mechanik hinter diesem Phänomen ist weniger paradox, als sie erscheint. Wenn die KI die standardisierten Teile eines Prozesses übernimmt, beseitigt sie nicht den Bedarf an Expertenurteil – sie vervielfacht ihn. Jemand muss festlegen, was als gutes Ergebnis gilt. Jemand muss den Output des Agenten überprüfen, bevor er zum Kunden gelangt. Jemand muss entscheiden, was mit diesem Output im breiteren Kontext der Organisation zu tun ist. Die KI lässt die mittlere Aufgabe kollabieren. Menschen tragen die Extreme.
Shipper beschreibt dies mit einer Prozessgeometrie, die konkrete organisatorische Implikationen hat: Am Anfang legen Menschen den Rahmen fest. In der Mitte führt die KI aus. Am Ende urteilen, erweitern und entscheiden Menschen. Das ist kein Zyklus, der die menschliche Last reduziert. Es ist ein Zyklus, der diese Last in Richtung der kognitiv anspruchsvollsten Entscheidungen verschiebt.
Die Daten von Anthropic über die Nutzung ihrer Modelle durch echte Nutzer deuten in dieselbe Richtung. Bei typischen Wissensarbeitsaufgaben sinkt die Ausführungszeit um ungefähr 80 %. Diese Einsparung verwandelt sich nicht in weniger Arbeit – sie verwandelt sich in ein größeres Volumen an Initiativen, eine höhere Geschwindigkeit in Entscheidungszyklen und eine größere Fläche menschlicher Koordination. McKinsey schätzt, dass bei der KI-Agenten-Einführung in großem Maßstab rund 57 % der Arbeitsstunden in den Vereinigten Staaten technisch automatisierbar sind – mit der heute verfügbaren Technologie. Wenn diese Zahl einträfe, könnte der zusätzliche wirtschaftliche Potenzialwert bis 2030 2,9 Billionen US-Dollar jährlich allein in diesem Markt erreichen. Das Problem liegt nicht in der Leistungsfähigkeit der Technologie. Es liegt darin, wer dieses neue Output-Volumen überwacht, koordiniert und integriert.
Die MIT-Sloan-Forschung, die den KI-Einfluss zwischen 2010 und 2023 verfolgte, fand etwas, das selten in den Schlagzeilen erscheint: Wenn KI nur einen Teil der Aufgaben einer Stelle automatisiert, kann die Beschäftigung in dieser Stelle wachsen. Und in hochbezahlten Rollen mit hoher KI-Exposition betrug das Beschäftigungswachstum rund 3 % in fünf Jahren. Das ist keine Zerstörung. Es ist Rekonfiguration.
Die organisatorischen Kosten des falschen Narrativs
Was mich an Shippers Analyse interessiert, ist nicht nur die Prozessmechanik. Es ist das, was sie über Gespräche offenbart, die viele Organisationen gerade vermeiden.
Wenn ein Führungsteam KI unter der Prämisse einführt, dass sie die Abhängigkeit von menschlichem Expertentalent reduzieren wird, baut es eine Strategie auf einer falschen Prämisse auf. Und Strategien, die auf falschen Prämissen aufgebaut sind, kollabieren nicht auf einen Schlag. Sie verfaulen langsam. Das häufigste Symptom ist ein wachsender Rückstand an Entscheidungen, die die KI nicht treffen kann – aufgehäuft auf einem Team, das reduziert wurde oder das nicht ausgebildet wurde, um im neuen Schema zu operieren.
Was Shipper als neuen organisatorischen Engpass identifiziert, ist ein Governance-Problem, kein Technologieproblem. Die KI produziert mit einer Geschwindigkeit, die die menschliche Überwachungsstruktur nicht immer absorbieren kann. Und wenn diese Lücke nicht benannt wird, beginnt die Organisation, auf Outputs zu operieren, die niemand wirklich gründlich geprüft hat – nur schnell geprüft. Der Unterschied zwischen beidem hat Konsequenzen, die Monate brauchen, um sichtbar zu werden, und die sich dann als unerklärliche Fehler präsentieren.
Es gibt noch einen weiteren Effekt, den nur wenige Organisationen ehrlich messen: die Homogenisierung des Outputs. Wenn alle in einer Branche dieselben Modelle verwenden, um Dokumente, Analysen, Präsentationen und Kommunikationen zu produzieren, ist das Ergebnis eine Konvergenz hin zu lesbarer Mittelmäßigkeit. Shipper sagt es unverblümt: Fülle erzeugt Uniformität, und Uniformität zerstört differenziellen Wert. Die Finanzanalyse, die der aller Wettbewerber ähnelt, bietet keinen Vorteil. Die Kommunikationsstrategie, die wie der Durchschnitt der Branche klingt, schafft keine Positionierung. In diesem Kontext wird das wirklich Knappe das menschliche Urteilsvermögen, das etwas hervorbringt, das nicht dem ähnelt, was die KI standardmäßig wählen würde.
Goldman Sachs Research gelangte von einem anderen Blickwinkel aus zu einem ähnlichen Schluss. Ihre Analyse ergibt, dass es bislang keine statistisch signifikante Korrelation zwischen der lokalen Exposition gegenüber KI und dem Wachstum der Arbeitslosigkeit, den Entlassungsquoten, den Löhnen oder den Arbeitsstunden gibt. Null messbarer makroökonomischer Einfluss – trotz des Volumens an Narrativen über Jobvernichtung. Was sie hingegen beobachten, ist eine Umverteilung von Aufgaben innerhalb von Stellen, begleitet von einer wachsenden Nachfrage nach Fähigkeiten, die KI nicht replizieren kann: komplexe Koordination, kontextuelles Urteilsvermögen, interpersonales Vertrauen.
Die Arbeit, die die Organisation noch nicht sieht
Es gibt eine Art von Arbeit, die die KI-Einführung erzeugt und die nur wenige Organisationen korrekt verbuchen: die Arbeit, die Agenten gut am Laufen zu halten.
Shipper hat in seinem Unternehmen ein Team, das ausschließlich dafür zuständig ist, sicherzustellen, dass die KI-Agenten innerhalb akzeptabler Parameter operieren. Das sind keine vorübergehenden Implementierungskosten. Das sind strukturelle Betriebskosten. Modelle degradieren in bestimmten Kontexten, produzieren Outputs, die kontinuierliche Kalibrierung erfordern, und die Schwelle dessen, was als „gut genug" gilt, verändert sich mit der Zeit und mit den Anforderungen des Kunden. Das erfordert Ingenieure, Urteilsvermögen und Entscheidungen, die man nicht wieder an die KI delegieren kann.
Boston Consulting Group schätzt, dass in den nächsten zwei bis drei Jahren zwischen 50 % und 55 % der Stellen in den Vereinigten Staaten durch KI erheblich rekonfiguriert werden. Rekonfiguriert, nicht eliminiert. Diese Unterscheidung ist nicht semantisch. Sie bedeutet, dass die Organisation, die diesen Prozess erreicht, ohne ihre Mitarbeiter auf den Betrieb in Schemata der Überwachung, des Urteilsvermögens und der Output-Integration vorbereitet zu haben, feststellen wird, dass sie leistungsstarke Werkzeuge hat – aber eine menschliche Kapazität, die mit dem, was diese Werkzeuge erfordern, nicht im Einklang steht.
Der teuerste Fehler, den ein Führungsteam in diesem Moment machen kann, ist nicht, sich mit der Technologie zu langsam zu bewegen. Es ist, sich mit Technologiegeschwindigkeit zu bewegen, während die menschliche Struktur mit der Geschwindigkeit der Vergangenheit operiert. KI beschleunigt den Produktionszyklus. Wenn die Organisation nicht gleichzeitig die Kapazität zur Überwachung, Steuerung und zum Urteilsvermögen in demselben Maßstab aufbaut, beschleunigt sich nicht der Wert. Es ist das Volumen an Outputs, das niemand wirklich validiert.
Die Frage, die es in den nächsten Monaten aufrechtzuerhalten gilt, ist nicht, wie viele Stellen KI automatisieren kann. Es ist, wie viele Stellen mit Expertenurteilsvermögen die Organisation schaffen muss, damit diese Automatisierung etwas hervorbringt, das es wert ist.
Shipper fasst dies mit einem Satz zusammen, der in den Gesprächen auf C-Level-Ebene mehr Aufmerksamkeit verdient, als er gewöhnlich erhält: Sobald eine Situation auf Text reduziert wurde, wird sie zu einem Korpus. Und der Korpus ist eine Leiche. Was der Mensch tun muss, ist genau das, was noch nicht geschehen ist, was noch nicht dokumentiert sein kann, was jetzt benannt werden muss – in diesem Kontext, mit diesem Kunden, unter diesen Bedingungen. Dort reicht die KI nicht hin. Und genau dort, paradoxerweise, gibt es am meisten zu tun.
