Die KI-gestützte Leistungsbeurteilung: Wie Sie Ihren echten Beitrag messen und dokumentieren, wenn KI die Arbeit erledigt

TL;DR. Leistungsbeurteilungen waren schon lange vor der KI verrauscht. In der Studie von Scullen, Mount und Goff mit zwei großen Stichproben von Führungskräften erklärten die individuellen Eigenheiten der Beurteilenden 62 % und 53 % der Varianz der Bewertungen; die tatsächliche Leistung der beurteilten Person erklärte 21 % und 25 %. Eine Metaanalyse bezifferte die mittlere Interrater-Reliabilität von Vorgesetztenurteilen auf 0,52. In der jüngsten bundesweiten Befragung der US-Bundesverwaltung sagten nur 47 % der Beschäftigten, dass Leistungsunterschiede auf sinnvolle Weise anerkannt werden; das war der am schlechtesten bewertete Punkt. KI fügt eine zweite Verzerrung hinzu: In vier präregistrierten Experimenten mit 4.439 Teilnehmenden wurden Menschen, denen KI half, als fauler und weniger kompetent bewertet als Menschen, die dieselbe Hilfe von einer Person oder einem herkömmlichen Werkzeug erhielten, und in einem Experiment in vier Ländern erhielt jemand, der einen Standard-Chatbot nutzte, 11,83 bis 24,72 Punkte weniger Anerkennung (Skala 0-100) als jemand, der dasselbe nützliche Ergebnis ohne KI erzielte. Der CEO-Schritt: Führen Sie ein wöchentliches Beitragsprotokoll, das Ergebnis, verantwortete Entscheidungen, durchgeführte Prüfungen und geschaffene Hebelwirkung trennt, und bringen Sie Belege mit, die eine beurteilende Person nachprüfen kann. Der Studenten-Schritt: Lesen Sie das Protokoll monatlich, um zu sehen, welche Teile Ihrer Arbeit die KI übernimmt und welche Urteilsfähigkeiten Sie als Nächstes aufbauen sollten.

Dieser Beitrag ist die Dokumentationsebene für die Leistungsbeurteilung, aufbauend auf dem CEOtudent-Leitfaden dazu, wie man den Output von Wissensarbeit misst. Ob Sie KI überhaupt erwähnen sollten, behandelt der Beitrag Sollten Sie Ihrem Chef sagen, dass Sie KI nutzen?; wie Sie die Belege in ein Gehaltsargument verwandeln, behandelt Gehaltserhöhung verhandeln, wenn KI Ihren Output vervielfacht hat.

Warum ist diese Beurteilungsrunde anders?

Die Nutzung von KI am Arbeitsplatz wurde für eine beachtliche Minderheit zur Routine, bevor die meisten Arbeitgeber gesagt hatten, wie sie bewertet werden soll. Das Pew Research Center stellte fest, dass im September 2025 21 % der US-Beschäftigten angaben, zumindest einen Teil ihrer Arbeit mit KI zu erledigen, gegenüber 16 % etwa ein Jahr zuvor. In einer Pew-Umfrage vom Februar 2026 gaben 38 % der erwerbstätigen Erwachsenen an, KI-Chatbots für Aufgaben bei der Arbeit zu nutzen. Zu den Regeln ergab eine im Februar 2025 veröffentlichte Pew-Umfrage, dass die Hälfte der nicht selbstständig Beschäftigten sagt, ihr Arbeitgeber fördere die Nutzung von Chatbots bei der Arbeit weder, noch rate er davon ab; 12 % sagten, ihr Arbeitgeber fördere sie, und 8 %, er rate davon ab. Unter den Beschäftigten, die Chatbots bereits für die Arbeit genutzt hatten, fanden 40 % sie äußerst oder sehr hilfreich, um Dinge schneller zu erledigen, und 29 % fanden sie sehr hilfreich, um die Qualität zu verbessern.

Ein wachsender Teil der Arbeit, die eine Führungskraft in diesem Jahr beurteilen wird, ist also mit etwas KI-Hilfe entstanden, oft nach ungeschriebenen Regeln und meist schneller statt besser. Die beurteilende Person muss entscheiden, wie viel vom Ergebnis der Person zuzurechnen ist. Ohne Belege fällt diese Entscheidung auf den Eindruck zurück, und genau dort sind Beurteilungen am schwächsten.

Wie verlässlich ist eine Leistungsbeurteilung überhaupt?

Tabelle 1. Was die Forschung über die Reliabilität von Leistungsbeurteilungen sagt (Zahlen wie veröffentlicht)

Studie	Daten	Befund wie veröffentlicht
Scullen, Mount und Goff, Journal of Applied Psychology, 2000	Zwei Stichproben von Führungskräften (n = 2.350 und n = 2.142), jeweils auf 3 Dimensionen von 7 Beurteilenden bewertet: 2 Vorgesetzte, 2 Kollegen, 2 Mitarbeitende und die Person selbst	Idiosynkratische Beurteilereffekte 62 % und 53 % der Varianz; allgemeine und dimensionale Leistung der beurteilten Person 21 % und 25 %; Zufallsfehler 11 % und 18 %
Viswesvaran, Ones und Schmidt, Journal of Applied Psychology, 1996	Metaanalyse der Beurteilungsreliabilität über 10 Dimensionen und die Gesamtleistung	Mittlere Interrater-Reliabilität von Vorgesetztenurteilen zur Gesamtarbeitsleistung: 0,52; Vorgesetztenurteile scheinen reliabler als Kollegenurteile
Jackson et al., Human Performance, 2022	Zwei neu analysierte Stichproben (392 Beurteilte, 244 Beurteilende; 342 Beurteilte, 397 Beurteilende)	Struktur überwiegend allgemein (mehr als 27 % der Varianz) und beurteilerbezogen (mehr als 49 %); Dimensionseffekte 1 % bis 11 %

Quellen: Scullen et al. und Viswesvaran et al. (Abstracts), Jackson et al. (akzeptiertes Manuskript). Bei Scullens Daten handelte es sich um entwicklungsorientierte Multi-Source-Beurteilungen, nicht um gehaltswirksame Beurteilungen.

Der Wert von 0,52 ist umstritten: Jackson und Mitautoren weisen darauf hin, dass er unterstellt, sämtliche beurteilerbezogene Varianz sei Beurteilerverzerrung, eine Annahme, die andere Forschende infrage gestellt haben, da Beurteilende unterschiedliche reale Teile einer Tätigkeit sehen können. Übertragbar ist die Richtung: Eine einzelne Beurteilung trägt einen großen Anteil der beurteilenden Person in sich.

Beschäftigte bemerken das. Gallup, ein Beratungs- und Forschungsunternehmen, berichtete 2019, dass nur 14 % der Beschäftigten voll zustimmen, dass ihre Leistungsbeurteilungen sie zur Verbesserung anspornen, und 2018, dass nur 21 % voll zustimmen, Leistungskennzahlen zu haben, die sie selbst beeinflussen können.

Die größte öffentliche Befragung mit Ergebnissen auf Einzelfragenebene ist der Federal Employee Viewpoint Survey des US Office of Personnel Management. Die Ausgabe 2024 (überarbeitet im April 2025) ist der jüngste bundesweite Management-Bericht, der auf der Berichtsseite des OPM mit Stand Oktober 2026 aufgeführt ist. Über 674.000 Beschäftigte antworteten, eine Rücklaufquote von 41 %.

Tabelle 2. Verantwortlichkeit versus Anerkennung, Federal Employee Viewpoint Survey 2024 (bundesweiter Anteil positiver Antworten, wie veröffentlicht)

Frage	Anteil positiv
“Meine Vorgesetzte bzw. mein Vorgesetzter macht mich für das Erreichen von Ergebnissen verantwortlich.” (Q. 53)	88 %
“Ich werde für die Qualität meiner Arbeit verantwortlich gemacht.” (Q. 11)	87 %
“Wie zufrieden sind Sie mit der Anerkennung, die Sie für gute Arbeit erhalten?” (Q. 69)	57 %
“In meiner Arbeitseinheit werden Leistungsunterschiede auf sinnvolle Weise anerkannt.” (Q. 17)	47 %, der am schlechtesten bewertete Punkt

Quelle: US Office of Personnel Management, 2024 FEVS Governmentwide Management Report und Arbeitsmappe zu den Einzelfragen (Q. 17: 26,3 % neutral, 27,2 % negativ).

Fast neun von zehn sagen, sie würden für Ergebnisse verantwortlich gemacht; weniger als die Hälfte sagt, Leistungsunterschiede würden sinnvoll anerkannt. Diese Lücke von 40 bis 41 Punkten zeigt, wie Beitrag aussieht, wenn ein System erkennen kann, dass Arbeit erledigt wurde, aber nicht, wie gut oder von wem.

Was bedeutet das Beurteilerrauschen für Ihre Belege?

Wenn ein einzelner Eindruck ein schwacher Beleg ist, liegt die Abhilfe in mehr unabhängigen Belegen, nicht in einem selbstbewussteren Eindruck.

Tabelle 3. Signal, Beurteilerrauschen und der Wert unabhängiger Belege (CEOtudent-Analyse von Scullen et al. 2000 und Viswesvaran et al. 1996)

Kennzahl	Wert	Herleitung
Idiosynkrasie der Beurteilenden im Verhältnis zur Leistung der beurteilten Person	2,95-mal (Datensatz 1); 2,12-mal (Datensatz 2)	62/21; 53/25
Idiosynkrasie der Beurteilenden plus Zufallsfehler	73 % und 71 % der Varianz	62 + 11; 53 + 18
Reliabilität der Gesamtbeurteilung durch eine vorgesetzte Person	0,52	Wie veröffentlicht
Erwartete Reliabilität, Mittelwert aus 2 / 3 / 4 unabhängigen Beurteilenden	0,68 / 0,77 / 0,81	Spearman-Brown-Formel
Benötigte unabhängige Beurteilende, um 0,70 / 0,80 zu erreichen	3 / 4	Spearman-Brown nach k aufgelöst, aufgerundet

Spearman-Brown setzt parallele, unabhängige Beurteilende voraus, was reale Beurteilende selten sind; verstehen Sie die Werte als Veranschaulichung einer Obergrenze.

Sie können nicht wählen, wie viele Menschen Sie beurteilen. Sie können aber wählen, wie viele unabhängige, überprüfbare Fakten hinter jeder Behauptung stehen: eine Kennzahl, die jemand anderem gehört, eine zeitnah verfasste Entscheidungsnotiz, ein bestätigt abgefangener Fehler. Die Tabelle ist eine Analogie, kein Gesetz, aber sie erklärt, warum drei bescheidene, überprüfbare Fakten zuverlässiger überzeugen als ein eindrucksvolles Adjektiv.

Wie beurteilen Bewertende Arbeit, bei der KI geholfen hat?

Die stärksten Belege stammen von Reif, Larrick und Soll von der Fuqua School of Business der Duke University (PNAS, 2025).

Tabelle 4. Belege für eine soziale Bewertungsstrafe bei KI-Nutzung (Reif, Larrick und Soll, 2025; Zahlen wie veröffentlicht)

Studie	Design und Stichprobe	Zentrales Ergebnis
1	500 Teilnehmende stellten sich vor, bei der Arbeit ein generatives KI-Werkzeug oder ein Dashboard-Werkzeug zu nutzen (N = 497 ausgewertet)	Erwarteten, mit KI als fauler (3,25 vs. 2,72) und weniger kompetent (4,72 vs. 5,45) wahrgenommen zu werden; geringere Bereitschaft, es Vorgesetzten offenzulegen (4,91 vs. 5,25)
2	1.215 Teilnehmende bewerteten eine beschäftigte Person anhand von 384 Vignetten (N = 1.203 ausgewertet)	Person mit KI-Hilfe als fauler bewertet (2,50) als eine Person mit Hilfe aus einer Nicht-KI-Quelle (2,16) oder ohne Hilfe (2,02); zudem als weniger kompetent, fleißig, eigenständig und selbstsicher; keine Moderation durch Alter, Geschlecht oder Beruf
3	801 reale Kandidatinnen und Kandidaten und 1.718 Teilnehmende in Führungsrollen, anreizkompatible Personalauswahl (N = 1.667 ausgewertet)	Im Durchschnitt kein Unterschied in der Aufgabeneignung, aber Führungskräfte, die KI weniger nutzen, bevorzugten die Person, die nie KI nutzt, während häufige Nutzende die Person bevorzugten, die KI täglich nutzt
4	1.006 Teilnehmende stellten eine Gig-Arbeitskraft ein (N = 1.002 ausgewertet)	KI-Nutzende wurden als fauler wahrgenommen, was die Aufgabeneignung senkte. Manuelle Aufgabe: 4,75 (herkömmliche Werkzeuge) vs. 4,18 (KI). Digitale Aufgabe, bei der KI nützlich war: 5,58 vs. 5,75, nicht signifikant (P = 0,112)

Die Gesamtzahl von 4.439 umfasst die Führungskräfte aus Studie 3, nicht deren Kandidatinnen und Kandidaten.

Für eine Leistungsbeurteilung sind drei Details wichtig. Die Strafe betraf zugeschriebene Anstrengung und Fähigkeit (Faulheit, Kompetenz, Fleiß), nicht Ehrgeiz oder Dominanz. Sie hing von der bewertenden Person ab: In Studie 4 war der Faulheitsunterschied signifikant bei Teilnehmenden, die KI nie genutzt, ein- oder zweimal ausprobiert oder gelegentlich verwendet hatten, nicht aber bei wöchentlichen oder täglichen Nutzenden. Und sie hing von der Eignung ab: Wo KI für die Aufgabe eindeutig nützlich war, verschwand die Strafe bei der Aufgabeneignung. Eine bewertende Person, die nur “hat KI genutzt” sieht, füllt die Lücke mit einer Zuschreibung über Anstrengung; eine bewertende Person, die die Entscheidung, die Prüfung und den Grund sieht, warum das Werkzeug zur Aufgabe passte, hat etwas anderes, das sie anerkennen kann.

Wer bekommt die Anerkennung, wenn KI geholfen hat?

Porsdam Mann und Kollegen argumentierten in Nature Machine Intelligence (2023), dass generative KI eine Asymmetrie zwischen Anerkennung und Schuld erzeugt; ein Folgeartikel fasst es so zusammen, dass KI-Nutzung “die Messlatte für das Verdienen von Anerkennung anhebt, während die Maßstäbe für das Zuweisen von Schuld gleich bleiben”.

Earp, Porsdam Mann und Mitautoren testeten dies in einem präregistrierten Experiment mit repräsentativer Stichprobenziehung (N = 1.802) im Vereinigten Königreich, in den USA, in China und in Singapur. Ein fiktiver Autor veröffentlichte einen Blogbeitrag, der mit einem Standard-Sprachmodell, mit einem auf die eigenen früheren Texte des Autors personalisierten Modell oder ohne KI erstellt worden war, nachdem er ihn nur kurz überflogen hatte. Die Teilnehmenden bewerteten die Anerkennung für einen nützlichen Beitrag oder die Schuld für einen schädlichen auf einer Skala von 0 bis 100.

Land	Anerkennungslücke: ohne KI minus Standard-LLM	Anerkennungslücke: personalisiert minus Standard-LLM
Vereinigtes Königreich	18,51 Punkte	14,31 Punkte
Vereinigte Staaten	24,72 Punkte	17,56 Punkte
China	11,83 Punkte	5,13 Punkte (nicht signifikant)
Singapur	Nicht verfügbar (Kontrollgruppe nach einem Programmierfehler ausgeschlossen)	17,60 Punkte

Quelle: Earp et al., Annals of the New York Academy of Sciences, 2024, Table 1 (Bonferroni-korrigiert; Kontraste Standard minus personalisiert als positive Lücken umformuliert).

Die Anerkennung für einen nützlichen Beitrag, der mit einem auf die früheren Texte des Autors trainierten Modell erstellt wurde, lag in keinem Land mit Kontrollgruppe signifikant unter der Anerkennung für den Beitrag ohne KI; die Teilnehmenden verwiesen auf die Herkunft. Die Schuld hing kaum von der Art der KI ab, außer in China, und Teilnehmende im Vereinigten Königreich gaben dem Autor mehr Schuld, wenn er überhaupt ein Modell genutzt hatte.

Draxler und Kollegen (zwei Studien, n = 30 und n = 96) ergänzen den AI Ghostwriter Effect: Nutzende betrachteten sich nicht als Eigentümer von KI-generiertem Text, gaben die KI-Urheberschaft aber auch nicht öffentlich an. Mehr Einfluss auf den Text stärkte ihr Gefühl der Urheberschaft.

Tabelle 5. Was die Beurteilung KI-gestützter Arbeit beeinflusst und was Sie dokumentieren sollten (CEOtudent-Analyse von Reif et al. 2025, Earp et al. 2024 und Draxler et al. 2023)

Was die Studien variierten	Wirkung auf die Bewertung	Dokumentation, die darauf antwortet
Quelle identischer Hilfe	Faulheit 0,34 höher als bei Nicht-KI-Hilfe, 0,48 höher als ohne Hilfe (Reif, Studie 2)	Benennen Sie die Anstrengung, die Ihre eigene blieb: Problemfassung, Entscheidungen, Prüfungen
Eigene KI-Nutzung der bewertenden Person	Strafe signifikant bei Nicht-Nutzenden und gelegentlich Nutzenden, nicht bei wöchentlich oder täglich Nutzenden (Reif, Studie 4)	Schreiben Sie für die Person unter den Lesenden der Beurteilung, die am wenigsten mit KI vertraut ist
Ob KI zur Aufgabe passte	Strafe bei der Aufgabeneignung von 0,57 bei einer manuellen Aufgabe; keine signifikante bei einer digitalen Aufgabe (Reif, Studie 4)	Geben Sie an, warum das Werkzeug passte und wo es nicht eingesetzt wurde
Herkunft der Inhalte	Anerkennung beim Standard-LLM 11,83 bis 24,72 Punkte unter der Kontrollgruppe ohne KI, Mittelwert 18,35; personalisiertes LLM nicht signifikant darunter (Earp)	Zeigen Sie, was von Ihnen stammt: Daten, frühere Analysen, Struktur
Einfluss auf den Text	Mehr Einfluss, stärker empfundene Urheberschaft (Draxler)	Bewahren Sie Vorher-nachher-Versionen dessen auf, was Sie geändert haben

Es handelt sich um Online- oder Laborbefunde, nicht um gemessene Effekte auf reale Leistungsbeurteilungen; die rechte Spalte ist eine Schlussfolgerung von CEOtudent.

Wo verschlechtert KI Ihre Arbeit, ohne dass Sie es bemerken?

Im präregistrierten Experiment von Dell’Acqua und Kollegen mit der Boston Consulting Group (758 Wissensarbeiterinnen und Wissensarbeiter; Organization Science, 2026) erledigten Teilnehmende mit GPT-4 bei 18 Aufgaben innerhalb der Leistungsgrenze der KI 12,2 % mehr Aufgaben und arbeiteten 25,1 % schneller, bei einer Managementaufgabe außerhalb dieser Grenze kamen sie jedoch mit einer um 19 % geringeren Wahrscheinlichkeit zu korrekten Lösungen. Die Autoren nennen das eine zerklüftete technologische Grenze (jagged technological frontier).

Das ist das stärkste Argument dafür, Korrekturen festzuhalten. Ihre wertvollste Handlung in einem Projekt kann darin bestehen, eine selbstsicher falsche Modellantwort zurückzuweisen, und sie hinterlässt keine Spur, weil der Fehler nie ausgeliefert wurde. Den Zeitaufwand des Prüfens behandelt die Prüfsteuer, die Fähigkeit dazu die Bewertungskompetenz und die Gewinne aus kontrollierten Studien das KI-Produktivitätsparadox.

Was zählt als Ihr Beitrag, wenn KI einen Teil der Arbeit erledigt hat?

Die Beitragsleiter (Contribution Ladder) im Cluster-Hub sagt, was zu messen ist. Dieses Modell sagt, was zu dokumentieren ist.

Tabelle 6. Das Beitragsmodell für das KI-Zeitalter (redaktionelles CEOtudent-Framework)

Ebene	Belege, die zählen	Belege, die nicht zählen	Wie KI sie verändert
A. Geliefertes Ergebnis	Eine Kennzahl, die jemand anderem gehört, hat sich bewegt; auf Grundlage Ihrer Arbeit wurde eine Entscheidung getroffen; ein Risiko wurde geschlossen	Entwürfe, Präsentationen, Tickets, Stunden, Werkzeugstatistiken	Volumen ist jetzt billig, also tragen Ergebnisse das Gewicht
B. Problemfassung und Entscheidungsrechte	Datierte Notiz zu Optionen, Wahl, Begründung und Freigabe	Ein ausgefeiltes Dokument ohne Aufzeichnung dessen, was verworfen wurde	KI erzeugt Optionen in Sekunden; eine davon zu wählen und zu verantworten ist knapp
C. Prüfung und Fehlerabfang	Protokoll korrigierter Ausgaben, was jeder Fehler gekostet hätte, wie er gefunden wurde	“Geprüft”, ohne zu sagen, wogegen	Die zerklüftete Grenze macht diese Ebene größer und weniger sichtbar
D. Für andere geschaffene Hebelwirkung	Vorlagen, Prompts, Checklisten oder Daten, die andere übernommen haben; Wiederverwendung zählt	Persönliche Geschwindigkeit, die sonst niemand nutzen kann	KI-Workflows lassen sich leicht teilen, daher ist Hebelwirkung neuerdings messbar
E. Lerngeschwindigkeit	Datierte neue Verantwortlichkeiten; eine in der Arbeit gezeigte Fähigkeit, die im letzten Zyklus fehlte	Zertifikate ohne praktische Anwendung	Die Aufgaben, die KI übernimmt, ändern sich ständig; Stillstand ist ein langsamer Abstieg

Die Ebenen B und C sind die Stellen, an denen KI-gestützte Arbeit am stärksten unterbewertet wird, denn genau sie konnten die Bewertenden bei Reif und Earp nicht sehen. Das Protokoll für das Entscheidungsjournal ist der natürliche Ort für Ebene B, und das KI-Management-Playbook erzeugt Belege für Ebene C als Nebeneffekt.

Das wöchentliche Beitragsprotokoll

Ein kurzer Block am Ende jedes wöchentlichen Reviews verwandelt die Beurteilungsrunde von einer Gedächtnisübung in eine Redaktionsübung.

Tabelle 7. Felder des wöchentlichen Beitragsprotokolls (redaktionelles CEOtudent-Framework)

Feld	Was Sie eintragen
Datum und Projekt	Woche, Projekt, Stakeholder
Ergebnis	Die Veränderung, die die Arbeit bewirken soll, und wem diese Kennzahl gehört
Verantwortete Entscheidung	Die Wahl, die verworfenen Optionen, die Begründung
Rolle der KI	Welche Teile das Werkzeug entworfen, zusammengefasst oder berechnet hat und welche es nicht berührt hat
Prüfung	Was geprüft wurde, anhand welcher Quelle, was gefunden wurde
Abgefangener Fehler oder Korrektur	Was das Modell falsch gemacht hat und was es gekostet hätte
Hebelwirkung	Was andere wiederverwenden können und wer es genutzt hat
Lernnotiz	Was neu oder schwierig war oder zum ersten Mal an die KI übergeben wurde
Belegverweis	Wo der Beleg liegt: Datei, Ticket, Nachricht, Dashboard

Veranschaulichender Beispieleintrag (jeder Wert ist eine veranschaulichende Annahme, keine Daten). Woche 14, quartalsweiser Lieferantenbericht. Ergebnis: Durchlaufzeit des Berichts von 5 Tagen auf 2 Tage gesenkt, eine Reduktion um 60 %, Kennzahl im Besitz der Finanzleitung. Entscheidung: zwei ungenutzte Altkennzahlen zugunsten einer von der Finanzleitung gewünschten Kennzahl zum Zahlungszeitpunkt gestrichen. Rolle der KI: hat den Begleittext und die erste Fassung der Abweichungstabelle entworfen; den Datenauszug nicht berührt. Prüfung: jede Summe mit dem Hauptbuch-Export abgeglichen; zwei doppelt gezählte Gutschriften gefunden. Korrektur: eine Abweichungserklärung zurückgewiesen, die eine nicht existierende Vertragsklausel zitierte. Hebelwirkung: Abgleich-Checkliste wird inzwischen von zwei Kolleginnen und Kollegen genutzt. Lernen: erste Kennzahl zum Zahlungszeitpunkt; nächste Fähigkeit ist deren Prognose. Beleg: Versionsverlauf und Checklisten-Datei.

Die Vorlage für den Absatz in der Selbstbeurteilung

Ersetzen Sie jede Klammer und streichen Sie jeden Satz, den Sie nicht belegen können.

Im [Zeitraum] hat [Projekt] [Ergebnis] geliefert, gemessen an [Kennzahl], die [Stakeholder] gehört, mit einer Entwicklung von [Ausgangswert] auf [Resultat]. Die zentrale Entscheidung war [Wahl] statt [Alternative], weil [Begründung]. KI-Werkzeuge wurden für [konkrete Teile] eingesetzt; [benannte Teile] wurden ohne sie erledigt. Jede [Zahl oder Aussage] wurde anhand von [Quelle] geprüft, wodurch [Anzahl] Fehler gefunden wurden, darunter [der entscheidende], der [Folge] gehabt hätte. Die bei dieser Arbeit entwickelte [Vorlage oder Workflow] wird inzwischen von [wem] genutzt. Der nächste Schritt ist [anspruchsvollere Verantwortung], wofür der Aufbau von [Fähigkeit] nötig ist.

Der KI-Satz ist kurz, sachlich und an Teile der Arbeit gebunden. Er beantwortet die Frage, die eine bewertende Person sonst mit einer Annahme beantworten würde, und er verknüpft das Werkzeug mit einer Aufgabe, zu der es passte, also mit der Bedingung, unter der die Strafe bei Reif verschwand.

Der Test mit sechs Fragen für jede Leistung

Behalten Sie Leistungen, die mindestens fünf Fragen bestehen.

1. Eigentümertest. Wird das Ergebnis an einer Zahl oder Entscheidung gemessen, die jemand anderem gehört?
2. Kontrafaktischer Test. Wäre das Ergebnis schlechter, später oder falsch gewesen, wenn die erste Ausgabe des Werkzeugs übernommen worden wäre?
3. Entscheidungstest. Lassen sich die verworfene Option und die Begründung benennen?
4. Prüftest. Ist klar, was geprüft wurde, wogegen und was gefunden wurde?
5. Belegtest. Gibt es ein Artefakt, das eine skeptische bewertende Person in zwei Minuten öffnen könnte?
6. Offenlegungstest. Ist die Beteiligung der KI zutreffend beschrieben, in dem Umfang, den die Richtlinie Ihres Arbeitgebers und Ihre Kundenvereinbarungen verlangen?

Frage 6 schneidet in beide Richtungen. Ihren Anteil an KI-erzeugter Arbeit zu übertreiben ist ein Glaubwürdigkeitsrisiko und oft ein Richtlinienverstoß; Ihr Urteilsvermögen herunterzuspielen, weil ein Werkzeug beteiligt war, ist ein Messfehler zu Ihren eigenen Lasten.

Wie legen Sie KI-Nutzung offen, ohne die Strafe zu zahlen?

Die Entscheidung zur Offenlegung je nach Richtlinienlage steht im CEOtudent-Leitfaden zur Offenlegung. Für das Beurteilungsdokument legen die Experimente drei Regeln nahe. Legen Sie die Methode offen, kein Geständnis: Die Strafe in Studie 2 hing an der bloßen Erwähnung von KI-Hilfe, also sagen Sie, was das Werkzeug getan hat und was Sie getan haben. Verankern Sie das Werkzeug in der Aufgabeneignung: Die Strafe in Studie 4 verschwand dort, wo KI eindeutig nützlich war, also sagen Sie, warum es passte. Zeigen Sie die Herkunft: Im Experiment von Earp kehrte die Anerkennung zurück, wenn die Ausgabe auf der eigenen Arbeit des Autors beruhte, also verweisen Sie auf Ihre Daten, Analysen, Prompts und Checklisten. Nichts davon garantiert eine faire Beurteilung; es verkleinert den Raum, in dem ein Eindruck an die Stelle von Belegen tritt.

Der CEO-Schritt und der Studenten-Schritt

Der CEO-Schritt. Behandeln Sie die Beurteilung wie eine Vorstandsvorlage: Ergebnisse, die Entscheidungen dahinter, abgefangene Risiken, aufgebaute Fähigkeiten. Führen Sie das wöchentliche Protokoll, wählen Sie drei bis fünf Leistungen, die den Test mit sechs Fragen bestehen, fügen Sie jeder einen Belegverweis bei und fragen Sie vorab, welche Kennzahl Ihrer Führungskraft am wichtigsten ist.

Der Studenten-Schritt. Lesen Sie monatlich die Felder “Rolle der KI” und “Lernnotiz” zusammen. Aufgaben, die zu “von der KI entworfen” gewandert sind, werden gerade übernommen; entscheiden Sie, ob das Zeit für anspruchsvollere Arbeit freisetzt oder eine Fähigkeit aushöhlt, die Sie noch brauchen. Wiederholt abgefangene Modellfehler markieren eine Urteilsfähigkeit, die es wert ist, vertieft zu werden. Im Laufe eines Jahres wird daraus Ihre Landkarte dessen, was wächst und was schwindet.

Was das nicht bedeutet

• Beurteilungen sind nicht zufällig. Eine Reliabilität um 0,52 trägt durchaus Information; ein einzelner Eindruck ist schlicht schwächer als mehrere unabhängige Fakten.
• Die KI-Strafe trifft nicht zwangsläufig Sie. Die Experimente nutzten Online-Stichproben, Vignetten und kurze Aufgaben, keine realen Beurteilungen mit Vorgeschichte und Kontext.
• Die Zahlen aus der US-Bundesverwaltung beschreiben nicht Ihren Arbeitgeber, und die Zahlen von Gallup stammen von einem Unternehmen, das Dienstleistungen für Performance Management verkauft.
• KI-Nutzung zu verbergen ist nicht die Lösung. Verheimlichung birgt Richtlinien-, Vertrags- und Glaubwürdigkeitsrisiken, die die Experimente nicht gemessen haben. Halten Sie sich an die Richtlinie Ihres Arbeitgebers.
• Dies sind allgemeine Informationen über veröffentlichte Forschung, keine Rechts- oder Personalberatung. Regeln zu Überwachung, Offenlegung und Leistungsbeurteilung unterscheiden sich je nach Land, Branche und Vertrag.

Häufig gestellte Fragen

Kann jemand ein Ergebnis für sich beanspruchen, wenn die KI den Großteil des Arbeitsergebnisses entworfen hat?
Ja, für die Teile, die die eigenen waren: Problemfassung, Entscheidungen, Prüfung und das verantwortete Ergebnis, wobei die Rolle der KI zutreffend beschrieben wird. Das Experiment von Earp legt nahe, dass Bewertende volle Anerkennung geben, wenn das Ergebnis erkennbar auf der früheren eigenen Arbeit der Person beruht.

Sollte eine Selbstbeurteilung KI überhaupt erwähnen?
Folgen Sie zuerst der Richtlinie des Arbeitgebers. Wo es keine gibt, ist ein konkreter Satz darüber, was das Werkzeug und was die Person getan hat, meist sicherer als Schweigen oder ein vages Geständnis.

Wie viele Leistungen gehören in eine Beurteilung?
Es gibt keine evidenzbasierte Zahl. Mehrere überprüfbare Fakten pro Behauptung zählen mehr als eine lange Liste; drei bis fünf Leistungen, die den Test mit sechs Fragen bestehen, sind eine praktische CEOtudent-Faustregel, kein Forschungsbefund.

Was, wenn die Führungskraft KI gegenüber skeptisch ist?
Das ist die Bedingung mit der stärksten Strafe in den Experimenten von Reif. Erklären Sie die Aufgabeneignung, zeigen Sie Prüfungen und stellen Sie Ergebnisse voran, die anderen Menschen gehören.

Zählt das Abfangen von KI-Fehlern als Leistung?
Im Experiment von Dell’Acqua kamen KI-Nutzende bei einer Aufgabe außerhalb der Fähigkeiten des Werkzeugs mit einer um 19 % geringeren Wahrscheinlichkeit zu korrekten Lösungen. Das zu verhindern ist echter Wert, aber nur, wenn es mit dem Gefundenen und den vermiedenen Kosten festgehalten wird.

Worin unterscheidet sich das von der Beitragsleiter?
Die Leiter ordnet Kennzahlen danach, wie viel sie über Wert verraten. Dieses Modell ordnet die zu dokumentierenden Belege, damit eine bewertende Person diesen Wert sehen kann, mit einer eigenen Prüfebene.

Quellen

1. Scullen, S. E., Mount, M. K., und Goff, M. (2000). Understanding the latent structure of job performance ratings. Journal of Applied Psychology, 85(6), 956-970 (nur Abstract, über Europe PMC).
2. Viswesvaran, C., Ones, D. S., und Schmidt, F. L. (1996). Comparative analysis of the reliability of job performance ratings. Journal of Applied Psychology, 81(5), 557-574 (nur Abstract, wie von der Bibliothek der Shanghai University of Finance and Economics indexiert).
3. Jackson, D. J. R., et al. (2022). Uncertainty about rater variance and small dimension effects impact reliability in supervisor ratings. Human Performance, 35(3-4), 278-301 (akzeptiertes Manuskript).
4. Gallup (2019). More Harm Than Good: The Truth About Performance Reviews. Vom Unternehmen veröffentlichter Artikel.
5. Gallup (2018). Re-Engineering Performance Management. Vom Unternehmen veröffentlichter Artikel.
6. US Office of Personnel Management (2025). 2024 Federal Employee Viewpoint Survey Results: Governmentwide Management Report, überarbeitet im April 2025.
7. US Office of Personnel Management. 2024 FEVS governmentwide all levels, all index, all items report (xlsx).
8. Reif, J. A., Larrick, R. P., und Soll, J. B. (2025). Evidence of a social evaluation penalty for using AI. Proceedings of the National Academy of Sciences, 122(19), e2426766122.
9. Porsdam Mann, S., Earp, B. D., et al. (2023). Generative AI entails a credit-blame asymmetry. Nature Machine Intelligence, Kommentar (nur Vorspann).
10. Earp, B. D., Porsdam Mann, S., Liu, P., et al. (2024). Credit and blame for AI-generated content: Effects of personalization in four countries. Annals of the New York Academy of Sciences, 1542, 51-57.
11. Draxler, F., et al. (2023). The AI Ghostwriter Effect: When Users Do Not Perceive Ownership of AI-Generated Text But Self-Declare as Authors. arXiv 2303.03283v2.
12. Dell’Acqua, F., et al. Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013; Organization Science, März-April 2026 (nur Abstract).
13. Pew Research Center (2025). Workers’ experience with AI chatbots in their jobs. 25. Februar 2025.
14. Pew Research Center (2025). 21% of US workers use AI on the job, up since 2024. 6. Oktober 2025.
15. Pew Research Center (2026). Americans and AI 2026: Chatbots, Smart Devices and Views on Impact. 17. Juni 2026.

Die Tabellen 3 und 5 sind CEOtudent-Analysen, die die in der jeweiligen Tabelle genannten veröffentlichten Zahlen neu berechnen oder kombinieren; die Tabellen 6 und 7, die Vorlage für die Selbstbeurteilung und der Test mit sechs Fragen sind redaktionelle CEOtudent-Frameworks, keine Befunde der zitierten Studien. Der Beispieleintrag im Protokoll verwendet erfundene, als veranschaulichend gekennzeichnete Werte. Bewusst nicht verwendete, häufig wiederholte Zahlen: Behauptungen, ein fester Anteil von Unternehmen habe jährliche Beurteilungen abgeschafft, sowie Prozentangaben aus Anbieterumfragen zu Führungskräften, die KI zum Verfassen von Beurteilungen nutzen, weil für sie kein Primärtext für diesen Beitrag geöffnet wurde.

---

Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: