TL;DR: Ein Jahrhundert lang haben wir Arbeit an Anwesenheit und Anstrengung gemessen, weil körperlicher Output sichtbar und zählbar war. Wissensarbeit hat diese Logik durchbrochen, und generative KI hat den Rest erledigt. Wenn ein KI-Assistent einem Kundendienstmitarbeiter hilft, Anfragen im Schnitt 14 Prozent schneller zu lösen, und einem unerfahrenen Entwickler, eine Aufgabe 55,8 Prozent schneller abzuschließen, sagt reine Aktivität nichts mehr über den Wert aus: Bewegung ist jetzt billig, und nur Beitrag ist knapp. Dieser Leitfaden liefert die Beitragsleiter, ein benanntes CEOtudent-Rahmenwerk, das jede Kennzahl der Wissensarbeit in vier aufsteigende Klassen einteilt, von Aktivität bis zu sich verstärkendem Wert. Er liefert zudem ein Vanity-Metrik-Audit, um herauszufinden, wo Ihre eigene Bewertung noch Geschäftigkeit mit Nützlichkeit verwechselt. Ein CEO finanziert Ergebnisse, nicht Stunden; ein Student hört nie auf zu fragen, wofür die Arbeit eigentlich da ist, bevor er misst, wie gut sie erledigt wurde.
Peter Drucker nannte die Produktivität von Wissensarbeitern bereits 1999 die “größte Herausforderung” des Managements, und sein erstes Rezept war täuschend einfach: Bevor man die Arbeit messen kann, muss man die Aufgabe definieren. Körperliche Arbeit beantwortet ihre eigene Frage, denn ein Stapel montierter Teile ist offensichtlich Output. Wissensarbeit tut das nicht. Ein Tag voller Besprechungen, Antworten und Dokumente kann ein Unternehmen voranbringen oder nirgendwohin, und der Zeiterfassungsbogen liest sich in beiden Fällen gleich. Das ist die Messlücke, mit der jede Führungskraft und jeder ehrgeizige Einzelbeitragende still gelebt hat. KI hat diese Lücke nicht geschaffen. Sie hat sie bis zu dem Punkt erweitert, an dem man sie nicht mehr ignorieren kann.
Warum die alten Näherungswerte zusammenbrachen
Jede herkömmliche Kennzahl der Wissensarbeit ist ein Näherungswert für etwas, das wir nicht direkt beobachten konnten. Geleistete Stunden waren ein Näherungswert für Anstrengung. Gesendete E-Mails, geschlossene Tickets und geschriebene Codezeilen waren Näherungswerte für Produktivität. Jeder davon funktionierte nur, solange die Kosten der Aktivität ungefähr proportional zum geschaffenen Wert blieben. KI durchtrennt diese Verbindung. Die Werkzeuge erzeugen Aktivität nun fast kostenlos, sodass der Näherungswert aufbläht, während der zugrunde liegende Beitrag es nicht tut.
Die Belege sind hier ungewöhnlich klar, denn die stärksten jüngeren Studien zu KI am Arbeitsplatz messen genau das. Sie zeigen große Zuwächse bei der sichtbaren Kennzahl und werfen zugleich die härtere Frage auf, was die Kennzahl je erfasst hat.
Verifizierte Daten: was kontrollierte Studien zu KI am Arbeitsplatz tatsächlich gemessen haben
| Studie | Kontext | Stichprobe | Gemessener Effekt | Was sie offenlegt |
|---|---|---|---|---|
| Brynjolfsson, Li und Raymond, Quarterly Journal of Economics (2025) | Kundendienst-Chat, Fortune-500-Firma | 5.179 Mitarbeiter, ~3 Millionen Chats | +14 Prozent gelöste Anfragen pro Stunde im Schnitt; +34 Prozent bei Anfängern; nahe null bei Experten | KI staucht die Erfahrungskurve, sodass der Durchsatz dort am stärksten steigt, wo das Können am geringsten war |
| Peng, Kalliamvakou, Cihon und Demirer (2023) | Schreiben eines HTTP-Servers in JavaScript | 95 Entwickler, randomisiert | Testgruppe 55,8 Prozent schneller (1h11 gegenüber 2h41) | Aufgabengeschwindigkeit ist nun eine Funktion des Werkzeugzugangs, nicht nur der individuellen Fähigkeit |
Liest man diese beiden Zeilen zusammen, ist die Schlussfolgerung unangenehm. Wenn ein Anfänger den Durchsatz einer mittleren Kraft erreichen kann, dann ist Durchsatz kein verlässliches Signal mehr für die Kraft. Die Kennzahl hat sich bewegt; die Person nicht. Jede Bewertung, die Menschen noch nach Output-Volumen einstuft, stuft sie nun teilweise danach ein, wie aggressiv sie ein Werkzeug übernommen haben. Das ist wissenswert, aber nicht das, was die meisten Organisationen zu messen glauben. Die organisationale Version dieser Diskrepanz haben wir im KI-Produktivitätsparadox untersucht, wo individuelle Geschwindigkeitsgewinne hartnäckig nicht in den Unternehmensergebnissen auftauchen.
Die Beitragsleiter: vier Klassen von Wissensarbeits-Kennzahlen
Die Lösung besteht nicht darin, die eine perfekte Kennzahl zu finden. Sie besteht darin, zu wissen, auf welcher Sprosse der Leiter eine Kennzahl sitzt, und die Aufmerksamkeit nach oben zu gewichten. Die Beitragsleiter teilt Signale der Wissensarbeit in vier aufsteigende Klassen ein. Untere Sprossen sind leicht zu zählen und leicht zu manipulieren. Obere Sprossen sind schwerer zu messen und weit ehrlicher hinsichtlich des Werts.
CEOtudent-Redaktionsrahmen: Die Beitragsleiter
| Sprosse | Kennzahlenklasse | Beispielsignale | Was sie erfasst | Verzerrung im KI-Zeitalter |
|---|---|---|---|---|
| 1 | Aktivität | Erfasste Stunden, gesendete Nachrichten, besuchte Meetings | Anwesenheit und Bewegung | Schwer. KI bläht jede Aktivitätszahl auf, während der Wert flach bleibt |
| 2 | Durchsatz | Geschlossene Aufgaben, gelöste Tickets, erstellte Entwürfe | Menge fertiger Einheiten | Hoch. Werkzeugzugang treibt den Durchsatz nun ebenso wie Können |
| 3 | Ergebnis | Ermöglichte Entscheidungen, beseitigte Probleme, bewegter Umsatz oder Risiko | Ob die Arbeit etwas Reales verändert hat | Gering. KI hilft, Ergebnisse zu erzeugen, kann sie aber nicht für Sie beanspruchen |
| 4 | Verstärkend | Wiederverwendbare Werte, geteiltes Urteil, Systeme, die weiter zahlen | Wert, der die Aufgabe überdauert | Vernachlässigbar. Diese Sprosse kann KI nicht für Sie vortäuschen |
Die Falle ist, dass der Messaufwand dem Messwert entgegenläuft. Sprosse 1 zu instrumentieren ist trivial, weshalb Dashboards davon überquellen. Sprosse 4 erfordert, dass ein Mensch ein Urteil über die Bedeutung fällt, weshalb sie fast niemand verfolgt. KI verbreitert diese Lücke, weil sie billige Aktivität auf die unterste Sprosse schüttet und die oberste genauso anspruchsvoll lässt wie eh und je. Der strategische Zug, ob für eine Führungskraft oder für Sie selbst, ist, die Aufmerksamkeit bewusst die Leiter hinauf zu verschieben, auch wenn die unteren Sprossen lauter sind.
Ein konkreter Weg nach oben: Fragen Sie bei jedem Arbeitsstück, was wertvoll bliebe, wenn das Ergebnis selbst morgen gelöscht würde. Ein geschlossenes Ticket, das eine dokumentierte Lösung hinterlässt, ein Entscheidungsrahmen, den ein Kollege wiederverwendet, oder eine bereinigte Datenpipeline, die weiterläuft, sind alle Rückstand der Sprosse 4. Ein geschlossenes Ticket, das nichts hinterlässt, war reiner Durchsatz. Der Rückstand ist der Beitrag.
Das Vanity-Metrik-Audit
Bevor Sie Beitrag messen können, müssen Sie aufhören, Aktivität überzubelohnen. Führen Sie dieses Audit an Ihrer eigenen Bewertung durch, ob das eine formale Leistungsbeurteilung ist oder die private Bilanz, die Sie über Ihre Woche führen.
- Listen Sie auf, was Sie tatsächlich verfolgen. Schreiben Sie jede Zahl auf, auf die Sie oder Ihre Führungskraft schauen, um Leistung zu beurteilen. Seien Sie ehrlich bei den informellen, etwa wie oft Sie online gesehen werden oder wie schnell Sie antworten.
- Ordnen Sie jede der Leiter zu. Weisen Sie jede Kennzahl anhand der Tabelle oben einer Sprosse zu. Die meisten stellen fest, dass achtzig Prozent des Verfolgten auf den Sprossen 1 und 2 liegt.
- Stellen Sie den Löschtest. Fragen Sie bei jeder Kennzahl, ob ein KI-Werkzeug sie aufblähen könnte, ohne dass der reale Wert steigt. Wenn ja, ist sie nun eine Vanity-Metrik, so respektabel sie 2019 auch aussah.
- Befördern Sie zwei Signale. Wählen Sie eine Ergebnis- und eine Verstärkungskennzahl, die Sie im nächsten Quartal bewusst verfolgen. Sie werden sich zunächst vage anfühlen, und das ist der Punkt: Signale der Sprossen 3 und 4 erfordern Urteil, und Urteil ist der knappe Input.
- Gleichen Sie die Belohnung neu aus. Verschieben Sie zumindest einen Teil dessen, wie Sie Arbeit bewerten, Ihre eigene oder die Ihres Teams, auf diese beförderten Signale.
Die meisten Messsysteme scheitern nicht daran, dass die oberen Sprossen unmöglich zu verfolgen sind, sondern daran, dass niemand bereit ist, den Komfort einer präzisen falschen Zahl gegen das Unbehagen einer ungefähr richtigen einzutauschen. Das Urteil ist jetzt die Arbeit. Wenn Sie die Fähigkeit aufbauen wollen, diese Urteile gut zu fällen, behandelt die Urteilsökonomie menschliches Urteil als die Fähigkeit, die an Wert gewinnt, während alles andere automatisiert wird, und die Bewertungskompetenz behandelt speziell, wie man KI-gestützten Output beurteilt.
Was das für Ihre Arbeitsweise bedeutet
Wenn Sie ein Einzelbeitragender sind, ist die praktische Lehre, dass Sie aufhören sollten, über Durchsatz zu konkurrieren, denn dieser Wettbewerb ist nun zugunsten dessen manipuliert, der Werkzeuge am schnellsten übernimmt, und er wird Sie zur Massenware machen. Konkurrieren Sie stattdessen auf den beiden oberen Sprossen. Seien Sie die Person, die benennt, welches Problem lösenswert ist, die wiederverwendbare Werte hinterlässt und der man zutraut, zu beurteilen, ob der KI-gestützte Entwurf tatsächlich richtig ist. Das ist verteidigbar, wie es Geschwindigkeit nicht ist, ein Punkt, den wir aus anderem Blickwinkel in dem Fall gegen die klassisch praktizierte Deep Work gemacht haben.
Wenn Sie Wissensarbeiter führen, ist die Lehre, dass Ihr bestehendes Dashboard nun aktiv irreführend ist und schlimmer wird, während sich die Werkzeugübernahme ungleich über Ihr Team verteilt. Reagieren Sie nicht, indem Sie am unteren Ende der Leiter härter messen. Reagieren Sie, indem Sie oben mutig messen, und akzeptieren Sie, dass das weniger Nachkommastellen und mehr menschliches Urteil bedeutet. Druckers ursprünglicher Punkt gilt mit neuer Kraft: Der erste Akt des Messens von Wissensarbeit ist, zu definieren, wofür die Arbeit da ist. KI hat diesen ersten Akt unverzichtbar gemacht.
Häufig gestellte Fragen
Ist Output messen dasselbe wie Produktivität messen?
Nein, und beides zu verwechseln ist der Kernfehler. Output ist die Menge fertiger Einheiten, die auf der Durchsatzsprosse liegt. Produktivität im entscheidenden Sinn ist Beitrag pro Einheit knappen Inputs, und der knappe Input ist nun Urteil, nicht Stunden. Ein Mitarbeiter, der weniger Output erzeugt, aber bessere Entscheidungen darüber trifft, woran zu arbeiten ist, kann in dem Sinn, der die Automatisierung überlebt, weit produktiver sein.
Sollte ich das Verfolgen von Aktivitätskennzahlen ganz einstellen?
Nein. Aktivitätskennzahlen funktionieren weiter als diagnostische Signale, etwa um Burnout oder einen kaputten Prozess zu erkennen. Der Fehler ist, sie als Leistungs- oder Belohnungskennzahl zu nutzen. Behalten Sie sie als Instrumente, nicht als Anzeigetafel.
Wie messe ich eine Verstärkungskennzahl, wenn sie so vage ist?
Beginnen Sie mit einer einfachen Zählung dauerhafter Artefakte, die eine Person oder ein Team erzeugt, etwa wiederverwendbare Vorlagen, dokumentierte Entscheidungen oder von anderen übernommene Systeme. Es wird ungenau sein, und das ist akzeptabel. Ein ungefähres Maß des Richtigen schlägt ein präzises Maß des Falschen.
Gilt das auch für Solo-Selbstständige und Freelancer?
Besonders für sie. Ein Freelancer ohne Führungskraft hat nur selbst gesetzte Kennzahlen, und der Rückgriff auf abgerechnete Stunden oder gelieferte Aufgaben deckelt seinen Wert still auf der Durchsatzsprosse. An Kunden gelieferte Ergebnisse und für das eigene Geschäft gebaute wiederverwendbare Werte zu verfolgen, ist der Weg, wie ein Solo-Operator dem Tausch von Zeit gegen Geld entkommt.
Wird KI den Beitrag irgendwann für uns messen?
KI kann Aktivität und Durchsatz sehr gut messen, denn diese sind zählbar. Sie kann noch nicht entscheiden, was als bedeutsames Ergebnis zählt, denn das erfordert Kenntnis von Ziel und Kontext, was ein Urteil ist. Bis sie es kann, bleibt die Spitze der Leiter eine menschliche Verantwortung, weshalb sich genau dort Ihr Wert konzentriert.
Kaynakça
- Peter F. Drucker, “Knowledge-Worker Productivity: The Biggest Challenge,” California Management Review, 1999.
- Erik Brynjolfsson, Danielle Li und Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics, 2025.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon und Mert Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” 2023.
- Weltwirtschaftsforum, Future of Jobs Report 2025.
- OECD, OECD Employment Outlook 2024: The Net Effect of AI on Jobs.
- Peter F. Drucker, Management Challenges for the 21st Century, HarperBusiness, 1999.
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:
