{"id":326524,"date":"2026-10-15T05:11:52","date_gmt":"2026-10-15T02:11:52","guid":{"rendered":"https:\/\/ceotudent.com\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet"},"modified":"2026-10-15T05:11:52","modified_gmt":"2026-10-15T02:11:52","slug":"die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet","title":{"rendered":"Die Pr\u00fcfsteuer: Wie viel Zeit das Kontrollieren von KI-Ergebnissen wirklich kostet (und wie Sie sie senken)"},"content":{"rendered":"<p><strong>Kurzfassung.<\/strong> Die Zeit, die KI Ihnen spart, ist eine Bruttogr\u00f6\u00dfe. Die Pr\u00fcfsteuer ist das, was Sie davon zur\u00fcckzahlen: das Durchsehen, Korrigieren und Neuerstellen der Ergebnisse, die erwarteten Kosten von Fehlern, die Ihnen durchrutschen, und die Nacharbeit, die andere an dem leisten, was Sie weitergeben. Gro\u00dfe Umfragen beziffern die selbst berichtete Ersparnis auf 5,4 Prozent der Arbeitsstunden der Nutzer in den USA und 2,8 Prozent in D\u00e4nemark, und keine von beiden weist die Pr\u00fcfzeit als eigenen Kostenfaktor aus. Wo die Arbeit direkt gemessen wurde, konnte die Steuer den Gewinn aufzehren: In METRs randomisierter Studie von 2025 glaubten erfahrene Entwickler, KI habe ihre Bearbeitungszeit um 20 Prozent verk\u00fcrzt, doch ihre Aufgaben dauerten 19 Prozent l\u00e4nger, und 9 Prozent ihrer Zeit flossen in das Durchsehen und Bereinigen von KI-Ausgaben. Eine Anbieterumfrage von Workday berichtet, dass fast 40 Prozent der KI-Zeitersparnis durch Nacharbeit verloren gehen. Der CEO-Zug: die Pr\u00fcfung als echte Kosten budgetieren, sie nach Tragweite, Erkennbarkeit und Umkehrbarkeit stufen und auf KI verzichten, wo der Break-even-Test negativ ausf\u00e4llt. Der Studenten-Zug: festhalten, welche Fehler jedes Werkzeug bei Ihrer Arbeit macht, damit die Steuer mit der Zeit sinkt.<\/p>\n<p>Dieser Beitrag behandelt die \u00d6konomie des Pr\u00fcfens, nicht das Handwerk. Zum Handwerk siehe <a href=\"\/de\/die-bewertungskompetenz-ki-ausgaben-beurteilen\">die Bewertungskompetenz<\/a>. Wo Kontrollpunkte hingeh\u00f6ren, wenn ein Agent eine mehrstufige Aufgabe ausf\u00fchrt, zeigt <a href=\"\/de\/menschliche-aufsicht-by-design-kontrollpunkte-bei-ki-agenten\">menschliche Aufsicht by Design<\/a>. Und warum individuelle Gewinne so selten in den Unternehmensergebnissen ankommen, erkl\u00e4rt <a href=\"\/de\/ki-produktivitaetsparadox-individuelle-gewinne-unternehmensergebnisse\">das KI-Produktivit\u00e4tsparadox<\/a>.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Was-ist-die-Pruefsteuer-und-warum-wird-sie-so-leicht-uebersehen\" >Was ist die Pr\u00fcfsteuer, und warum wird sie so leicht \u00fcbersehen?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Was-zeigt-sich-wenn-man-die-Studien-nebeneinanderlegt\" >Was zeigt sich, wenn man die Studien nebeneinanderlegt?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Wer-zahlt-die-Pruefsteuer-tatsaechlich\" >Wer zahlt die Pr\u00fcfsteuer tats\u00e4chlich?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Warum-verschwindet-die-Steuer-nicht-wenn-man-das-Pruefen-auslaesst\" >Warum verschwindet die Steuer nicht, wenn man das Pr\u00fcfen ausl\u00e4sst?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Wie-viel-Pruefung-verdient-jede-Aufgabe-Ein-redaktionelles-CEOtudent-Framework\" >Wie viel Pr\u00fcfung verdient jede Aufgabe? Ein redaktionelles CEOtudent-Framework<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Wie-senken-Sie-die-Pruefsteuer\" >Wie senken Sie die Pr\u00fcfsteuer?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Was-bedeutet-das-fuer-den-CEO-und-den-Studenten\" >Was bedeutet das f\u00fcr den CEO und den Studenten?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Der-Pruefbudget-Check-sieben-Fragen-bevor-Sie-Arbeit-an-KI-uebergeben\" >Der Pr\u00fcfbudget-Check: sieben Fragen, bevor Sie Arbeit an KI \u00fcbergeben<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Was-das-nicht-bedeutet\" >Was das nicht bedeutet<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Haeufig-gestellte-Fragen\" >H\u00e4ufig gestellte Fragen<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/de\/die-pruefsteuer-was-das-kontrollieren-von-ki-ergebnissen-wirklich-kostet\/#Quellen\" >Quellen<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"was-ist-die-prufsteuer-und-warum-wird-sie-so-leicht-ubersehen\"><span class=\"ez-toc-section\" id=\"Was-ist-die-Pruefsteuer-und-warum-wird-sie-so-leicht-uebersehen\"><\/span>Was ist die Pr\u00fcfsteuer, und warum wird sie so leicht \u00fcbersehen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Jede KI-gest\u00fctzte Aufgabe hat zwei Kontenb\u00fccher. Das sichtbare verbucht die Entwurfszeit, die Sie nicht aufwenden mussten. Das verborgene verbucht vier Kosten, die in den meisten Angaben zur Zeitersparnis fehlen:<\/p>\n<ol>\n<li><strong>Pr\u00fcfzeit.<\/strong> Die Ausgabe lesen, sie mit Quellen abgleichen, den Code ausf\u00fchren, die Zahlen kontrollieren.<\/li>\n<li><strong>Korrektur- und Neuerstellungszeit.<\/strong> Beheben, was falsch ist, neu prompten oder die KI-Version verwerfen und die Arbeit von Hand erledigen.<\/li>\n<li><strong>Kosten verbleibender Fehler.<\/strong> Die erwarteten Kosten von Fehlern, die Ihre Pr\u00fcfung \u00fcberstehen und sp\u00e4ter auftauchen, wenn ihre Behebung teurer ist.<\/li>\n<li><strong>Exportierte Steuer.<\/strong> Die Zeit, die Kolleginnen und Kollegen, Pr\u00fcfer oder Kunden damit verbringen, zu reparieren, was Sie weitergegeben haben.<\/li>\n<\/ol>\n<p>Die \u00fcbliche Messung ist nicht darauf ausgelegt, diese Kosten zu erfassen. Eine viel genutzte US-Sch\u00e4tzung von Alexander Bick, Adam Blandin und David Deming fragt Nutzer, in den Worten der Autoren, \u201ewie viele zus\u00e4tzliche Stunden sie in der vergangenen Woche ben\u00f6tigt h\u00e4tten, um dieselbe Arbeitsmenge zu erledigen, wenn sie keinen Zugang zu generativer KI gehabt h\u00e4tten\u201c. Diese eine kontrafaktische Sch\u00e4tzung b\u00fcndelt eingesparte Entwurfszeit mit aufgewendeter Pr\u00fcfzeit und kann noch nicht entdeckte Fehler nicht einschlie\u00dfen. Ihre Antwort, 5,4 Prozent der Arbeitsstunden der Nutzer oder 2,2 Stunden pro Woche bei 40 Stunden, ist schon konstruktionsbedingt eine Bruttogr\u00f6\u00dfe.<\/p>\n<p>Die Wahrnehmung vergr\u00f6\u00dfert die L\u00fccke. In der METR-Studie betrug der Abstand zwischen dem, was die Entwickler hinterher glaubten (20 Prozent weniger Zeit), und dem, was gemessen wurde (19 Prozent mehr Zeit), 39 Prozentpunkte. Eine Umfrage von Microsoft Research unter 319 Wissensarbeitern, vorgestellt auf der CHI 2025, ergab: \u201eGr\u00f6\u00dferes Vertrauen in GenAI geht mit weniger kritischem Denken einher.\u201c Wer dem Werkzeug am meisten vertraut, pr\u00fcft am ehesten zu wenig.<\/p>\n<h2 id=\"was-zeigt-sich-wenn-man-die-studien-nebeneinanderlegt\"><span class=\"ez-toc-section\" id=\"Was-zeigt-sich-wenn-man-die-Studien-nebeneinanderlegt\"><\/span>Was zeigt sich, wenn man die Studien nebeneinanderlegt?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Das Kontenbuch der Pr\u00fcfsteuer unten widmet jeder Studie eine Zeile und trennt den Bruttogewinn, das, was die Studie \u00fcber Pr\u00fcfung oder Nacharbeit berichtet, und das Nettoergebnis. Die Zahlen sind wie abgedruckt wiedergegeben. Wo eine Studie nichts berichtet, steht das in der Zelle; gerechnet wird nur dort, wo eine einzige Studie alle Eingangswerte liefert.<\/p>\n<table>\n<thead>\n<tr>\n<th>Studie und Design<\/th>\n<th>Aufgabe<\/th>\n<th>Bruttogewinn, wie abgedruckt<\/th>\n<th>Pr\u00fcf- oder Nacharbeitskosten, wie abgedruckt<\/th>\n<th>Nettoergebnis, wie abgedruckt<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Noy und Zhang, Science, 2023. Pr\u00e4registriertes Online-Experiment, 453 Fachkr\u00e4fte mit Hochschulabschluss<\/td>\n<td>Schreibaufgaben f\u00fcr Fachkr\u00e4fte auf mittlerer Ebene<\/td>\n<td>Ben\u00f6tigte Zeit 40 % geringer, Ergebnisqualit\u00e4t 18 % h\u00f6her<\/td>\n<td>Working-Paper-Fassung von 2023: Anteil des Editierens an der Aufgabenzeit mehr als verdoppelt, ausgehend von etwa 25 %; 68 % der Teilnehmenden in der Behandlungsgruppe reichten die erste Ausgabe von ChatGPT ohne Bearbeitung ein<\/td>\n<td>Gro\u00dfe Nettoersparnis, erzielt mit sehr wenig Pr\u00fcfung<\/td>\n<\/tr>\n<tr>\n<td>Brynjolfsson, Li und Raymond, Quarterly Journal of Economics, 2025. Gestaffelte Einf\u00fchrung, 5.172 Agenten<\/td>\n<td>Kundensupport<\/td>\n<td>Gel\u00f6ste Anliegen pro Stunde im Schnitt 15 % h\u00f6her<\/td>\n<td>Nicht gesondert ausgewiesen<\/td>\n<td>Im Schnitt positiv; die erfahrensten und qualifiziertesten Agenten verzeichneten \u201ekleine Gewinne bei der Geschwindigkeit und kleine Einbu\u00dfen bei der Qualit\u00e4t\u201c<\/td>\n<\/tr>\n<tr>\n<td>Dell&rsquo;Acqua et al., Organization Science, 2026. Pr\u00e4registriertes Experiment mit der Boston Consulting Group, 758 Wissensarbeiter<\/td>\n<td>18 realistische Wissensaufgaben innerhalb der KI-Grenze, eine Managementaufgabe au\u00dferhalb davon<\/td>\n<td>Innerhalb der Grenze: 12,2 % mehr erledigte Aufgaben, 25,1 % schneller<\/td>\n<td>Au\u00dferhalb der Grenze: 19 % geringere Wahrscheinlichkeit, korrekte L\u00f6sungen zu liefern<\/td>\n<td>Die Steuer wurde in falschen Antworten bezahlt, nicht in Minuten<\/td>\n<\/tr>\n<tr>\n<td>METR (Becker, Rush, Barnes, Rein), Preprint, 2025. Randomisierte Studie, 16 Entwickler, 246 Aufgaben<\/td>\n<td>Echte Issues in ausgereiften Open-Source-Repositorys, die die Entwickler gut kannten<\/td>\n<td>Prognose: 24 % weniger Zeit. Einsch\u00e4tzung nach der Studie: 20 % weniger Zeit<\/td>\n<td>Etwa 9 % der Zeit bei Issues mit erlaubter KI entfielen auf das Durchsehen oder Bereinigen von KI-Ausgaben (44 Issues mit annotierten Bildschirmaufzeichnungen), 4 % auf das Warten auf Generierungen; weniger als 44 % der Generierungen \u00fcbernommen<\/td>\n<td>Aufgaben dauerten 19 % l\u00e4nger (Konfidenzintervall +2 % bis +39 %)<\/td>\n<\/tr>\n<tr>\n<td>METR-Forschungsnotiz, Februar 2026. Gleiches Design, Werkzeuge von Ende 2025, 10 zur\u00fcckkehrende und 47 neue Entwickler<\/td>\n<td>Open-Source-Entwicklung<\/td>\n<td>Nicht berichtet<\/td>\n<td>Nicht berichtet<\/td>\n<td>Zur\u00fcckkehrende Entwickler -18 % Zeit (Intervall -38 % bis +9 %); neue Entwickler -4 % (Intervall -15 % bis +9 %). METR h\u00e4lt das Signal wegen Selektionseffekten f\u00fcr unzuverl\u00e4ssig<\/td>\n<\/tr>\n<tr>\n<td>Tai-Seale et al., JAMA Network Open, 2024. Randomisierte Qualit\u00e4tsverbesserungsstudie mit Wartelistendesign, 52 \u00c4rztinnen und \u00c4rzte plus 70 Kontrollpersonen<\/td>\n<td>Beantwortung von Patientennachrichten mit KI-Entw\u00fcrfen<\/td>\n<td>Hypothese war weniger Lese- und Antwortzeit<\/td>\n<td>Lesezeit pro Nachricht 21,8 % h\u00f6her (95-%-Konfidenzintervall 5,2 % bis 41,0 %)<\/td>\n<td>Antwortzeit -5,9 % (nicht signifikant, P = 0,33); Antworten 17,9 % l\u00e4nger<\/td>\n<\/tr>\n<tr>\n<td>Garcia et al., JAMA Network Open, 2024. F\u00fcnfw\u00f6chige Qualit\u00e4tsverbesserungsstudie mit einer einzigen Gruppe, 162 klinisch T\u00e4tige<\/td>\n<td>KI-Antwortentw\u00fcrfe f\u00fcr Nachrichten im Patientenposteingang<\/td>\n<td>Entw\u00fcrfe in 20 % der Antworten genutzt (mittlere Nutzungsrate)<\/td>\n<td>Keine Ver\u00e4nderung bei Lese-, Schreib- oder Antwortzeit<\/td>\n<td>Keine Zeitersparnis; die Werte f\u00fcr Arbeitsbelastung und arbeitsbedingte Ersch\u00f6pfung sanken<\/td>\n<\/tr>\n<tr>\n<td>Humlum und Vestergaard, Working Paper des Becker Friedman Institute, 2025. Befragung von etwa 25.000 Besch\u00e4ftigten, verkn\u00fcpft mit d\u00e4nischen Registerdaten<\/td>\n<td>11 Berufe mit hoher Exposition gegen\u00fcber KI-Chatbots<\/td>\n<td>Zeitersparnis von 2,8 % der Arbeitsstunden der Nutzer<\/td>\n<td>Neue Arbeitslasten f\u00fcr 12 % der Nutzer, auch ohne Initiativen des Arbeitgebers (Sch\u00e4tzung im Anhang); 59 % der neuen KI-bezogenen Aufgaben betreffen Einf\u00fchrung und Aufsicht, einschlie\u00dflich Qualit\u00e4tspr\u00fcfung<\/td>\n<td>Pr\u00e4zise Nulleffekte auf Verdienste und erfasste Arbeitsstunden; Effekte von mehr als 2 % sind ausgeschlossen<\/td>\n<\/tr>\n<tr>\n<td>Bick, Blandin und Deming, NBER Working Paper, 2025. Bev\u00f6lkerungsrepr\u00e4sentative US-Umfrage<\/td>\n<td>Alle Arbeit<\/td>\n<td>5,4 % der Arbeitsstunden der Nutzer (2,2 Stunden pro Woche bei 40 Stunden)<\/td>\n<td>Nicht gesondert erfragt<\/td>\n<td>1,4 % der Arbeitsstunden aller Besch\u00e4ftigten, Nicht-Nutzer eingeschlossen<\/td>\n<\/tr>\n<tr>\n<td>Workday, Unternehmensumfrage unter 3.200 Vollzeitbesch\u00e4ftigten, durchgef\u00fchrt von Hanover Research im November 2025, ver\u00f6ffentlicht im Januar 2026 (kommerziell)<\/td>\n<td>Aktive KI-Nutzer in Organisationen mit einem Umsatz ab 100 Mio. $<\/td>\n<td>85 % berichten, ein bis sieben Stunden pro Woche zu sparen<\/td>\n<td>\u201eFast 40 %\u201c der KI-Zeitersparnis gehen durch Nacharbeit verloren<\/td>\n<td>Nur 14 % \u201eerzielen konsistent klare, positive Nettoergebnisse\u201c; etwa 60 % der Ersparnis bleiben erhalten (CEOtudent-Berechnung aus der 40-%-Angabe)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>CEOtudent-Analyse der zehn in den Zeilen genannten Quellen. Zahlen wie abgedruckt; \u201enicht berichtet\u201c, wo eine Quelle keine Zahl nennt. Die Editier-Angaben von Noy und Zhang stammen aus dem Working Paper der Autoren vom M\u00e4rz 2023, das der Science-Fassung vorausging und 444 Teilnehmende auswies; das Science-Abstract nennt die Aufschl\u00fcsselung der Zeit nicht. Die Zahlen zu Dell&rsquo;Acqua et al. und Brynjolfsson et al. stammen aus den ver\u00f6ffentlichten Abstracts. Der vollst\u00e4ndige Bericht von Workday liegt hinter einem Registrierungsformular und wurde nicht ge\u00f6ffnet, daher lie\u00df sich die Methode hinter der 40-Prozent-Angabe nicht pr\u00fcfen.<\/em><\/p>\n<p>Aus dem Kontenbuch ergeben sich drei Lesarten.<\/p>\n<p><strong>Die Steuer ist am kleinsten, wo Pr\u00fcfen billig ist oder ausgelassen wird, und am gr\u00f6\u00dften, wo der Mensch die Antwort bereits kennt.<\/strong> Im Working Paper von Noy und Zhang reichten bei Aufgaben, f\u00fcr die die Kontrollgruppe etwa 27 Minuten brauchte, die meisten Teilnehmenden der Behandlungsgruppe die erste Ausgabe unver\u00e4ndert ein. Die Ersparnis war gro\u00df, und es wurde fast keine Pr\u00fcfung eingekauft. METR ist der Gegenfall: Repositorys mit durchschnittlich 1.100.000 Codezeilen, sehr hohe Qualit\u00e4tsanspr\u00fcche und der Befund, dass \u201eEntwickler sich bei Issues, mit denen sie vertrauter sind, st\u00e4rker verlangsamten\u201c. Ein Entwickler \u201everschwendete mindestens eine Stunde, indem er zuerst versuchte, [ein bestimmtes Problem] mit KI zu l\u00f6sen\u201c, bevor er alles zur\u00fccksetzte. Wenn Ihr eigenes Urteil schnell und Ihr Anspruch hoch ist, wird das Pr\u00fcfen des KI-Entwurfs teuer.<\/p>\n<p><strong>Zeit ist nur eine der W\u00e4hrungen.<\/strong> Au\u00dferhalb der Grenze bezahlten die Teilnehmenden bei Dell&rsquo;Acqua mit Korrektheit, nicht mit Minuten. Die qualifiziertesten Support-Agenten zahlten einen kleinen Preis bei der Qualit\u00e4t. Die Entw\u00fcrfe der \u00c4rztinnen und \u00c4rzte verl\u00e4ngerten die Lesezeit, ohne die Antwortzeit zu verk\u00fcrzen. Ein Kontenbuch, das nur Minuten erfasst, untersch\u00e4tzt die Steuer gerade dort, wo sie am meisten z\u00e4hlt.<\/p>\n<p><strong>Die Steuer ver\u00e4ndert sich, und sie zu messen wird schwieriger.<\/strong> METRs Notiz vom Februar 2026 berichtet \u00fcber eine sp\u00e4tere Runde, in der die Punktsch\u00e4tzung f\u00fcr zur\u00fcckkehrende Entwickler zeigte, dass Aufgaben mit erlaubter KI weniger Zeit brauchten. Zugleich bezeichnet sie die neuen Daten nur als sehr schwache Evidenz: Mehr Entwickler lehnten die Teilnahme ab, weil sie nicht ohne KI arbeiten wollten, und 30 bis 50 Prozent gaben an, einige Aufgaben zur\u00fcckgehalten zu haben, die sie nicht ohne KI erledigen wollten. Betrachten Sie die Verlangsamung von 2025 als datierte Messung der Werkzeuge von Anfang 2025 und die Verbesserung als ermutigend, aber unbewiesen.<\/p>\n<h2 id=\"wer-zahlt-die-prufsteuer-tatschlich\"><span class=\"ez-toc-section\" id=\"Wer-zahlt-die-Pruefsteuer-tatsaechlich\"><\/span>Wer zahlt die Pr\u00fcfsteuer tats\u00e4chlich?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Eine Zeitersparnis meldet die Person, die das Werkzeug genutzt hat. Ein gro\u00dfer Teil der Steuer f\u00e4llt woanders an: bei der Aufmerksamkeit, bei der Kollegin oder dem Kollegen, die das Ergebnis erhalten, bei der Arbeitsgestaltung und bei den Systemen, in die das Ergebnis einflie\u00dft.<\/p>\n<table>\n<thead>\n<tr>\n<th>Wer zahlt<\/th>\n<th>Befund, wie abgedruckt<\/th>\n<th>Quelle<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Die Aufmerksamkeit der Nutzer<\/td>\n<td>Generative KI \u201everlagert das Wesen kritischen Denkens hin zu Informationspr\u00fcfung, Integration von Antworten und Verantwortung f\u00fcr die Aufgabe\u201c; 114 von 319 Besch\u00e4ftigten pr\u00fcften durch Abgleich mit externen Quellen, und 56 von 319 berichteten von mehr Aufwand bei der Informationsbeschaffung, weil \u201eKI-Antworten falsch sein k\u00f6nnen und gepr\u00fcft werden m\u00fcssen\u201c<\/td>\n<td>Lee et al., CHI 2025 (Microsoft Research und Carnegie Mellon)<\/td>\n<\/tr>\n<tr>\n<td>Die Zeit der Nutzer<\/td>\n<td>66 % der Entwickler nennen \u201eKI-L\u00f6sungen, die fast richtig sind, aber eben nicht ganz\u201c als \u00c4rgernis; 45,2 % sagen, das Debuggen von KI-generiertem Code sei zeitaufwendiger<\/td>\n<td>Stack Overflow Developer Survey 2025 (Unternehmensumfrage, kommerziell)<\/td>\n<\/tr>\n<tr>\n<td>Die Pr\u00fcflast der Nutzer<\/td>\n<td>77 % der t\u00e4glichen KI-Nutzer pr\u00fcfen KI-generierte Arbeit \u201egenauso sorgf\u00e4ltig wie von Menschen erledigte Arbeit, wenn nicht sorgf\u00e4ltiger\u201c<\/td>\n<td>Workday-Pressemitteilung, Januar 2026 (kommerziell)<\/td>\n<\/tr>\n<tr>\n<td>Die Kollegin oder der Kollege, die die Arbeit erhalten<\/td>\n<td>40 % der US-B\u00fcroangestellten erhielten im letzten Monat \u201eWorkslop\u201c; jeder Vorfall kostet etwa 2 Stunden bis zur Kl\u00e4rung; gesch\u00e4tzte Kosten von 186 $ pro Besch\u00e4ftigtem und Monat<\/td>\n<td>BetterUp Labs mit dem Stanford Social Media Lab, Umfrage unter 1.150 Besch\u00e4ftigten, September 2025 (kommerziell)<\/td>\n<\/tr>\n<tr>\n<td>Die Arbeitsgestaltung der Organisation<\/td>\n<td>59 % der neuen KI-bezogenen Aufgaben betreffen \u201eKI-Einf\u00fchrung und -Aufsicht\u201c; 5 % der Nicht-Nutzer berichten von neuen Arbeitslasten durch KI-Chatbots<\/td>\n<td>Humlum und Vestergaard, 2025<\/td>\n<\/tr>\n<tr>\n<td>Das Auslieferungssystem<\/td>\n<td>Pro 25 % mehr KI-Einf\u00fchrung: gesch\u00e4tzt 7,2 % weniger Auslieferungsstabilit\u00e4t und 1,5 % weniger Durchsatz (2024). 2025 \u201everbessert\u201c KI-Einf\u00fchrung \u201enun den Durchsatz der Softwareauslieferung\u201c, \u201eerh\u00f6ht aber weiterhin die Instabilit\u00e4t der Auslieferung\u201c<\/td>\n<td>Google-DORA-Berichte, 2024 und 2025 (Google-Forschung)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Zahlen wie in der jeweiligen Quelle abgedruckt. Die Anteile 114 von 319 (35,7 Prozent) und 56 von 319 (17,6 Prozent) sind CEOtudent-Berechnungen aus den Z\u00e4hlungen von Lee et al. Die kommerziellen Umfragen beruhen auf Selbstausk\u00fcnften, und ihre vollst\u00e4ndigen Methoden sind nicht alle ver\u00f6ffentlicht.<\/em><\/p>\n<p>F\u00fcr alle, die Menschen f\u00fchren, ist genau dieses Muster der Punkt. KI-Ergebnisse, in die wenig Aufwand geflossen ist, verlagern die Kosten auf die Empf\u00e4nger, die in der Zeitersparnis des Absenders nie auftauchen. Ein Team kann steigende KI-Ersparnisse melden, w\u00e4hrend die Gesamtzeit pro Arbeitsergebnis gleich bleibt, weil die Steuer aus der Spalte des Autors in die des Pr\u00fcfers gewandert ist. Die DORA-Daten zeigen dieselbe Form auf Systemebene: mehr Durchsatz, weniger Stabilit\u00e4t.<\/p>\n<h2 id=\"warum-verschwindet-die-steuer-nicht-wenn-man-das-prufen-auslsst\"><span class=\"ez-toc-section\" id=\"Warum-verschwindet-die-Steuer-nicht-wenn-man-das-Pruefen-auslaesst\"><\/span>Warum verschwindet die Steuer nicht, wenn man das Pr\u00fcfen ausl\u00e4sst?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Der naheliegende Weg, die Steuer zu senken, ist, weniger zu pr\u00fcfen. Die Forschung zum Automation Bias besagt, dass dies sichtbare Zeitkosten in unsichtbare Fehlerkosten verwandelt.<\/p>\n<p>Raja Parasuraman und Dietrich Manzey kamen in ihrer \u00dcbersichtsarbeit von 2010 in Human Factors zu dem Schluss, dass Automation Bias \u201esowohl zu Unterlassungs- als auch zu Begehungsfehlern f\u00fchrt, wenn Entscheidungshilfen unvollkommen sind\u201c, und \u201esowohl bei unerfahrenen als auch bei fachkundigen Teilnehmenden auftritt\u201c. Selbstgef\u00e4lligkeit (Complacency) zeigt sich ihren Befunden nach \u201eunter Bedingungen mehrfacher Aufgabenbelastung\u201c, was den gr\u00f6\u00dften Teil der Wissensarbeit beschreibt. Eine systematische \u00dcbersichtsarbeit von Kate Goddard und Kollegen aus dem Jahr 2012, die 74 von 13.821 gesichteten Arbeiten einschloss, nennt Arbeitsbelastung, Aufgabenkomplexit\u00e4t und Zeitdruck unter den Faktoren, die Menschen zu \u00fcberm\u00e4\u00dfigem Vertrauen dr\u00e4ngen.<\/p>\n<p>Die Entscheidung, zu pr\u00fcfen, ist zum Teil auch eine \u00f6konomische. Helena Vasconcelos und Kollegen f\u00fchrten f\u00fcnf Experimente mit 731 Teilnehmenden durch und argumentieren, dass \u201eMenschen strategisch entscheiden, ob sie sich mit einer KI-Erkl\u00e4rung auseinandersetzen oder nicht\u201c, und dabei den Aufwand des Pr\u00fcfens gegen das blo\u00dfe Zustimmen abw\u00e4gen. Als die Belohnung f\u00fcr Genauigkeit stieg, sank das \u00fcberm\u00e4\u00dfige Vertrauen. Lee und Kollegen sahen dieselbe Logik am Werk: 44 von 319 Besch\u00e4ftigten nannten Zeitmangel als Grund daf\u00fcr, KI-Ausgaben nicht kritisch zu hinterfragen, und 55 von 319 lie\u00dfen es bleiben, weil die Aufgabe trivial erschien.<\/p>\n<p>Zu wenig zu pr\u00fcfen senkt die Pr\u00fcfsteuer daher nicht. Es schiebt sie auf und verlagert sie von Kosten, die in Ihrem Kalender sichtbar sind, zu einer Wahrscheinlichkeit, die unsichtbar bleibt, bis der Fehler zutage tritt. Deshalb bepreist das folgende Framework verbleibende Fehler ausdr\u00fccklich.<\/p>\n<h2 id=\"wie-viel-prufung-verdient-jede-aufgabe-ein-redaktionelles-ceotudent-framework\"><span class=\"ez-toc-section\" id=\"Wie-viel-Pruefung-verdient-jede-Aufgabe-Ein-redaktionelles-CEOtudent-Framework\"><\/span>Wie viel Pr\u00fcfung verdient jede Aufgabe? Ein redaktionelles CEOtudent-Framework<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Das Framework besteht aus zwei Teilen: einem Break-even-Test, ob sich KI f\u00fcr eine Aufgabe \u00fcberhaupt lohnt, und einem gestuften Protokoll daf\u00fcr, wie viel Pr\u00fcfung Sie einkaufen, wenn sie sich lohnt. Es ist aus der obigen Evidenz abgeleitet, nicht gemessen.<\/p>\n<p><strong>Der Break-even-Test.<\/strong> Sch\u00e4tzen Sie f\u00fcr jede Aufgabe, die Sie an KI \u00fcbergeben wollen:<\/p>\n<p>Eingesparte Nettozeit = (Zeit, um es selbst zu erledigen &#8211; Zeit f\u00fcr Prompt und Generierung) &#8211; Pr\u00fcfzeit &#8211; Korrekturzeit &#8211; (Wahrscheinlichkeit, dass die Ausgabe einen wesentlichen Fehler enth\u00e4lt x Wahrscheinlichkeit, dass Ihre Pr\u00fcfung ihn \u00fcbersieht x Kosten, falls er durchrutscht)<\/p>\n<p>Ist das Ergebnis negativ, erledigen Sie die Aufgabe selbst oder gestalten Sie sie so um, dass das Pr\u00fcfen billiger wird. Der letzte Term ist der, den die meisten weglassen: klein, wenn Fehler billig oder sichtbar sind, dominant, wenn ein einziger \u00fcbersehener Fehler teuer ist.<\/p>\n<p><strong>Das gestufte Protokoll.<\/strong> Bewerten Sie die Aufgabe in jeder der drei Dimensionen mit 1 bis 3 Punkten und addieren Sie dann die Werte.<\/p>\n<table>\n<thead>\n<tr>\n<th>Dimension<\/th>\n<th>Wert 1<\/th>\n<th>Wert 2<\/th>\n<th>Wert 3<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Tragweite: Was kostet eine falsche Antwort?<\/td>\n<td>Privater Entwurf oder Notiz<\/td>\n<td>Interne Entscheidung oder geteilte Teamarbeit<\/td>\n<td>Extern, finanziell, rechtlich, sicherheitsrelevant oder reputationsrelevant<\/td>\n<\/tr>\n<tr>\n<td>Erkennbarkeit: Wie sichtbar sind Fehler beim normalen Lesen?<\/td>\n<td>Beim Lesen sichtbar (Ton, Struktur, offensichtlicher Unsinn)<\/td>\n<td>Erfordert einen Quellenabgleich (Fakten, Zahlen, Namen, Daten)<\/td>\n<td>Unsichtbar (subtile Logik, Code, der l\u00e4uft, aber falsch ist, plausible Quellenangaben)<\/td>\n<\/tr>\n<tr>\n<td>Umkehrbarkeit: Wie schwer l\u00e4sst es sich r\u00fcckg\u00e4ngig machen?<\/td>\n<td>M\u00fchelos r\u00fcckg\u00e4ngig zu machen<\/td>\n<td>Nur mit Aufwand r\u00fcckg\u00e4ngig zu machen<\/td>\n<td>Unumkehrbar, sobald gesendet, eingereicht, gemergt oder ver\u00f6ffentlicht<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<table>\n<thead>\n<tr>\n<th>Gesamtwert<\/th>\n<th>Stufe<\/th>\n<th>Pr\u00fcfmethode<\/th>\n<th>Typische Aufgaben<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>3-4<\/td>\n<td>Stufe 1: \u00dcberfliegen<\/td>\n<td>Einmal auf Sinn lesen. Keine Quellenpr\u00fcfung.<\/td>\n<td>Brainstorming-Listen, erste Gliederungen, Umformulieren eigener Texte<\/td>\n<\/tr>\n<tr>\n<td>5-6<\/td>\n<td>Stufe 2: Stichprobe<\/td>\n<td>Jede Zahl, jeden Namen, jedes Datum und jedes Zitat pr\u00fcfen; die \u00fcbrigen Aussagen stichprobenartig pr\u00fcfen; Code einmal gegen einen bekannten Fall laufen lassen.<\/td>\n<td>Interne Zusammenfassungen von Material, das Sie selbst geliefert haben, Besprechungsnotizen, Routine-E-Mails<\/td>\n<\/tr>\n<tr>\n<td>7-8<\/td>\n<td>Stufe 3: Vollst\u00e4ndige Pr\u00fcfung<\/td>\n<td>Zeile f\u00fcr Zeile gegen die Quellen; jede zitierte Quelle \u00f6ffnen; Tests f\u00fcr jeglichen Code.<\/td>\n<td>Dokumente f\u00fcr Kunden, Entscheidungsvorlagen, Code, der ausgeliefert wird<\/td>\n<\/tr>\n<tr>\n<td>9<\/td>\n<td>Stufe 4: Unabh\u00e4ngige Nachberechnung oder zweite Quelle<\/td>\n<td>Die zentralen Zahlen selbst aus den Prim\u00e4rdaten neu berechnen oder eine unabh\u00e4ngige zweite Antwort einholen und beide abgleichen. Nie die eigene Zusammenfassung der KI \u00fcber ihre Quellen akzeptieren.<\/td>\n<td>Alles, was eingereicht, ver\u00f6ffentlicht, vertraglich bindend oder finanziell ist<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Redaktionelles CEOtudent-Framework. Stufengrenzen und Pr\u00fcfmethoden sind redaktionelle Einsch\u00e4tzungen auf Grundlage der in diesem Artikel zitierten Quellen, keine gemessenen Schwellenwerte.<\/em><\/p>\n<p>Zwei Anker f\u00fcr Fehlerraten zeigen, warum es die oberste Stufe gibt. In einer pr\u00e4registrierten Stanford-Evaluation halluzinierten retrieval-basierte Werkzeuge f\u00fcr juristische Recherche jeweils \u201ezwischen 17 % und 33 % der Zeit\u201c, wobei Antworten gez\u00e4hlt wurden, die \u201ef\u00e4lschlich behaupten, eine Quelle st\u00fctze eine Aussage\u201c. Matthew Dahl und Kollegen stellten fest, dass Allzweckmodelle bei \u00fcberpr\u00fcfbaren Fragen zu F\u00e4llen vor US-Bundesgerichten zwischen 58 und 88 Prozent der Zeit halluzinierten. Die Raten geh\u00f6ren zu Systemen von 2023 und 2024, doch das Prinzip gilt: In manchen Bereichen ist eine Quellenangabe genau das, was gepr\u00fcft werden muss, und kein Beweis daf\u00fcr, dass gepr\u00fcft wurde. Die <a href=\"\/de\/warum-ki-halluziniert-mechanik-der-modellfehler-frueh-erkennen\">Mechanik, warum Modelle solche Fehler produzieren<\/a>, zeigt, wo man hinschauen sollte.<\/p>\n<p><strong>Ein Rechenbeispiel.<\/strong> Die folgenden Zahlen sind zur Veranschaulichung erfunden und stammen aus keiner Studie. Ein Marktbriefing dauert von Hand 120 Minuten. Mit KI nehmen Prompt und Generierung 10 Minuten in Anspruch. Angenommen, einer von f\u00fcnf Entw\u00fcrfen enth\u00e4lt einen wesentlichen Fehler.<\/p>\n<table>\n<thead>\n<tr>\n<th>Szenario<\/th>\n<th>Pr\u00fcfen<\/th>\n<th>Korrigieren<\/th>\n<th>Wahrscheinlichkeit, dass die Pr\u00fcfung den Fehler \u00fcbersieht<\/th>\n<th>Kosten, falls ein Fehler durchrutscht<\/th>\n<th>Erwartete Kosten \u00fcbersehener Fehler<\/th>\n<th>Eingesparte Nettominuten<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>A. Internes Briefing, Stichprobe nach Stufe 2<\/td>\n<td>20 Min.<\/td>\n<td>10 Min.<\/td>\n<td>40 %<\/td>\n<td>240 Min. (4 Stunden interne Nacharbeit)<\/td>\n<td>19,2 Min.<\/td>\n<td>+60,8<\/td>\n<\/tr>\n<tr>\n<td>B. Derselbe Entwurf geht an einen Kunden, weiterhin nur stichprobenartig gepr\u00fcft<\/td>\n<td>20 Min.<\/td>\n<td>10 Min.<\/td>\n<td>40 %<\/td>\n<td>2.400 Min. (40 Stunden Nacharbeit und Reparatur der Kundenbeziehung)<\/td>\n<td>192 Min.<\/td>\n<td>-112<\/td>\n<\/tr>\n<tr>\n<td>C. Kundenbriefing, unabh\u00e4ngige Nachberechnung nach Stufe 4<\/td>\n<td>60 Min.<\/td>\n<td>15 Min.<\/td>\n<td>5 %<\/td>\n<td>2.400 Min.<\/td>\n<td>24 Min.<\/td>\n<td>+11<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Veranschaulichende CEOtudent-Berechnung mit angenommenen Eingangswerten; siehe die Formel oben. Jeder Wert l\u00e4sst sich aus der jeweiligen Zeile nachrechnen.<\/em><\/p>\n<p>Derselbe Entwurf ist innerhalb des Teams eine Stunde wert und kostet fast zwei Stunden, wenn er mit derselben leichten Pr\u00fcfung bei einem Kunden landet. Eine gr\u00fcndlichere Pr\u00fcfung rettet ihn, aber nur knapp: In Szenario C liegt der Break-even bei 71 Minuten Pr\u00fcfzeit. Dauert eine ordentliche Nachberechnung l\u00e4nger, schreiben Sie das Briefing selbst und setzen KI nur dort ein, wo Fehler sichtbar sind.<\/p>\n<h2 id=\"wie-senken-sie-die-prufsteuer\"><span class=\"ez-toc-section\" id=\"Wie-senken-Sie-die-Pruefsteuer\"><\/span>Wie senken Sie die Pr\u00fcfsteuer?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Jeder Schritt senkt die Kosten einer Pr\u00fcfung oder erh\u00f6ht die Wahrscheinlichkeit, dass sie etwas findet, und jeder ist an Evidenz gekn\u00fcpft oder als redaktionelle Einsch\u00e4tzung gekennzeichnet.<\/p>\n<ol>\n<li><strong>Machen Sie Fehler sichtbar, bevor Sie lesen.<\/strong> Fordern Sie Ausgaben Aussage f\u00fcr Aussage an, mit der Quelle und der belegenden Passage neben jeder Aussage. Vasconcelos und Kollegen stellten fest, dass \u201eErkl\u00e4rungen, die den Fehler der KI offensichtlicher machen, \u00fcberm\u00e4\u00dfiges Vertrauen st\u00e4rker verringern\u201c. Eine zitierte Quelle ist trotzdem keine gepr\u00fcfte Quelle: \u00d6ffnen Sie sie.<\/li>\n<li><strong>Pr\u00fcfen Sie zuerst die fehleranf\u00e4lligen Teile.<\/strong> Zahlen, Namen, Daten, Zitate und Quellenangaben tragen pro Wort das gr\u00f6\u00dfte Risiko. Dahl und Kollegen fanden, dass Modelle \u201ebei F\u00e4llen besser abschneiden, die neuer, bekannter und aus prominenteren Rechtsordnungen sind\u201c, was die Pr\u00fcfung auf obskure Punkte lenkt, und dass sie \u201eSchwierigkeiten haben, ihre eigenen Halluzinationen vorherzusagen\u201c, sodass es kein Ersatz ist, das Modell zu fragen, wo es falsch liegt.<\/li>\n<li><strong>F\u00fchren Sie ein pers\u00f6nliches Fehlerprotokoll nach Aufgabentyp.<\/strong> Ein kurzes Protokoll dar\u00fcber, was jedes Werkzeug bei welcher Aufgabe falsch gemacht hat, verwandelt diffuses Misstrauen in eine gezielte Checkliste und erlaubt es, eine Aufgabe eine Stufe herabzusetzen, sobald sie sich das verdient hat; die Methode steht in <a href=\"\/de\/aus-ki-fehlern-lernen-so-werden-modellfehler-zum-eigenen-kompetenzgewinn\">aus KI-Fehlern lernen<\/a>. Dass dies die Pr\u00fcfzeit senkt, ist redaktionelle Einsch\u00e4tzung, kein gemessener Effekt.<\/li>\n<li><strong>Legen Sie die Tragweite fest, bevor Sie lesen.<\/strong> In den Experimenten von Vasconcelos sank das \u00fcberm\u00e4\u00dfige Vertrauen, als die Belohnung f\u00fcr Genauigkeit stieg, und die \u00dcbersichtsarbeit von Goddard z\u00e4hlt die Rechenschaftspflicht der Nutzer zu den Faktoren, die Automation Bias abmildern. Benennen Sie f\u00fcr jedes KI-gest\u00fctzte Arbeitsergebnis eine verantwortliche Person und bewerten Sie seine Stufe, bevor Sie den Entwurf \u00f6ffnen.<\/li>\n<li><strong>Exportieren Sie die Steuer nicht.<\/strong> Alles ab Stufe 2 wird gepr\u00fcft, bevor es Ihre H\u00e4nde verl\u00e4sst. Andernfalls landen die Kosten bei einer Kollegin oder einem Kollegen, wie es die BetterUp-Umfrage beschreibt, und verschwinden aus Ihrem Kontenbuch, nicht aber aus dem des Teams.<\/li>\n<li><strong>Verzichten Sie auf KI, wo der Test negativ ausf\u00e4llt.<\/strong> Die Entwickler bei METR wurden bei den Issues, die sie am besten kannten, st\u00e4rker ausgebremst, und die \u00c4rztinnen und \u00c4rzte bei Tai-Seale lasen l\u00e4nger, ohne schneller zu antworten. Wo Ihr Urteil schnell und Ihr Anspruch hoch ist, kann es billiger sein, die Arbeit selbst zu erledigen; wo diese Grenze verl\u00e4uft, ist redaktionelle Einsch\u00e4tzung, bis Ihr Protokoll etwas anderes sagt.<\/li>\n<\/ol>\n<h2 id=\"was-bedeutet-das-fur-den-ceo-und-den-studenten\"><span class=\"ez-toc-section\" id=\"Was-bedeutet-das-fuer-den-CEO-und-den-Studenten\"><\/span>Was bedeutet das f\u00fcr den CEO und den Studenten?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Die CEO-Seite<\/strong> ist Budgetierung. Ein Vorstandschef akzeptiert keine Kosteneinsparung, ohne zu fragen, was es gekostet hat, sie zu erzielen. Sch\u00e4tzen Sie die Steuer nach Aufgabenklasse, protokollieren Sie zwei Wochen lang die Pr\u00fcfzeit und vergleichen Sie sie mit dem, was KI eingespart hat. Die Workday-Umfrage legt nahe, dass die L\u00fccke gro\u00df sein kann: 85 Prozent der Befragten gaben an, ein bis sieben Stunden pro Woche zu sparen, doch nur 14 Prozent erzielten konsistent klare, positive Nettoergebnisse. Humlum und Vestergaard fanden, dass 80 Prozent der Chatbot-Nutzer eingesparte Zeit in andere berufliche Aufgaben umlenken, sodass die Ersparnis umverteilt wird, ohne dass jemand festh\u00e4lt, ob sie die Pr\u00fcfung \u00fcberlebt hat. Ein CEO entscheidet auch, wo er nicht antritt: Aufgabenklassen, die den Break-even-Test nicht bestehen, bleiben beim Menschen.<\/p>\n<p><strong>Die Studenten-Seite<\/strong> hei\u00dft, die Fehlermuster des Werkzeugs zu lernen, bis das Pr\u00fcfen billiger wird. METR sah in den ersten 30 bis 50 Stunden der Werkzeugnutzung keinen klaren Lerneffekt, danach eine positive Beschleunigung bei dem einen Entwickler mit mehr als 50 Stunden, ein Ergebnis, dem die Autoren zu geringe statistische Aussagekraft bescheinigen. Die Lernkurve kann l\u00e4nger sein, als man erwartet, was f\u00fcr gezieltes Protokollieren von Fehlern spricht, statt darauf zu warten, dass Vertrautheit die Arbeit erledigt. Testen Sie nach gr\u00f6\u00dferen Modell-Updates erneut: METRs Punktsch\u00e4tzungen bewegten sich zwischen Anfang und Ende 2025 von Verlangsamung zu Beschleunigung.<\/p>\n<h2 id=\"der-prufbudget-check-sieben-fragen-bevor-sie-arbeit-an-ki-ubergeben\"><span class=\"ez-toc-section\" id=\"Der-Pruefbudget-Check-sieben-Fragen-bevor-Sie-Arbeit-an-KI-uebergeben\"><\/span>Der Pr\u00fcfbudget-Check: sieben Fragen, bevor Sie Arbeit an KI \u00fcbergeben<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Zwei oder mehr \u201eNein\u201c-Antworten bedeuten, dass die Aufgabe umgestaltet, auf einer h\u00f6heren Stufe gepr\u00fcft oder ohne KI erledigt werden sollte.<\/p>\n<ol>\n<li>Wissen Sie ungef\u00e4hr, wie lange diese Aufgabe von Hand dauert?<\/li>\n<li>Haben Sie Tragweite, Erkennbarkeit und Umkehrbarkeit bewertet und eine Stufe gew\u00e4hlt?<\/li>\n<li>Kommt die Ausgabe in einer Form, die Sie schnell pr\u00fcfen k\u00f6nnen, mit Quellen neben den Aussagen?<\/li>\n<li>Wissen Sie, welche Teile dieser Art von Ausgabe ein Werkzeug \u00fcblicherweise falsch macht?<\/li>\n<li>Ist die Pr\u00fcfzeit f\u00fcr diese Stufe deutlich kleiner als die Zeit, die KI einspart?<\/li>\n<li>Wenn ein Fehler durchrutscht, k\u00f6nnen Sie benennen, wer daf\u00fcr zahlt und ungef\u00e4hr wie viel?<\/li>\n<li>Halten Sie fest, was die Pr\u00fcfung gefunden hat, damit die n\u00e4chste Pr\u00fcfung leichter ausfallen kann?<\/li>\n<\/ol>\n<h2 id=\"was-das-nicht-bedeutet\"><span class=\"ez-toc-section\" id=\"Was-das-nicht-bedeutet\"><\/span>Was das nicht bedeutet<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Es bedeutet nicht, dass KI keine Zeit spart.<\/strong> Das Kontenbuch enth\u00e4lt gro\u00dfe, gut gemessene Gewinne beim Schreiben, im Kundensupport und bei Wissensaufgaben innerhalb der Grenze. Die Steuer ist der Preis dieser Gewinne, kein Beleg gegen sie.<\/p>\n<p><strong>Es bedeutet nicht, dass Pr\u00fcfen Verschwendung ist.<\/strong> Auf der richtigen Stufe bezahlt, ist die Pr\u00fcfung das, was es sicher macht, die Ersparnis zu behalten.<\/p>\n<p><strong>Es kl\u00e4rt nicht, wie gro\u00df die Steuer heute ist.<\/strong> Die meisten gemessenen Studien nutzten Werkzeuge von 2023 bis 2025 bei bestimmten Aufgaben, METR warnt, dass seine j\u00fcngste Sch\u00e4tzung unzuverl\u00e4ssig ist, und die kommerziellen Umfragen beruhen auf Selbstausk\u00fcnften mit nicht vollst\u00e4ndig ver\u00f6ffentlichten Methoden. Dieser Artikel ist eine allgemeine Information \u00fcber Forschung zur Arbeitswelt, keine rechtliche, medizinische oder finanzielle Beratung; die klinischen und juristischen Studien werden nur f\u00fcr das zitiert, was sie \u00fcber Zeit und Fehlerraten gemessen haben.<\/p>\n<h2 id=\"hufig-gestellte-fragen\"><span class=\"ez-toc-section\" id=\"Haeufig-gestellte-Fragen\"><\/span>H\u00e4ufig gestellte Fragen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Was ist die Pr\u00fcfsteuer?<\/strong><br \/>\nDie Zeit f\u00fcr das Durchsehen, Korrigieren und Neuerstellen von KI-Ausgaben, plus die erwarteten Kosten von Fehlern, die durchrutschen, und die Nacharbeit, die andere an der Arbeit leisten, die Sie weitergeben. Die meisten Angaben zur Zeitersparnis nennen die Ersparnis vor dieser Steuer.<\/p>\n<p><strong>Wie gro\u00df ist die Pr\u00fcfsteuer in der Praxis?<\/strong><br \/>\nDas h\u00e4ngt von der Aufgabe ab. Im Schreibexperiment war sie klein, weil die meisten Teilnehmenden die erste Ausgabe unbearbeitet einreichten. In METRs Studie von 2025 \u00fcberwog sie den Gewinn, und 9 Prozent der Zeit entfielen auf das Durchsehen und Bereinigen von KI-Ausgaben. Die Anbieterumfrage von Workday beziffert die Nacharbeit auf fast 40 Prozent der eingesparten Zeit.<\/p>\n<p><strong>Ist es besser, alles zu pr\u00fcfen, was KI produziert?<\/strong><br \/>\nNein. Eine vollst\u00e4ndige Pr\u00fcfung bei Arbeit mit geringer Tragweite, die sich leicht r\u00fcckg\u00e4ngig machen l\u00e4sst, verschwendet die Ersparnis. Bewerten Sie Tragweite, Erkennbarkeit und Umkehrbarkeit, und richten Sie die Pr\u00fcfung nach der Stufe aus.<\/p>\n<p><strong>Warum \u00fcbersch\u00e4tzen Menschen die Zeit, die KI ihnen spart?<\/strong><br \/>\nSelbstausk\u00fcnfte messen eine gef\u00fchlte Ersparnis, und wer einem Werkzeug mehr vertraut, pr\u00fcft es weniger. Die Entwickler bei METR glaubten, KI habe ihre Bearbeitungszeit um 20 Prozent verk\u00fcrzt, w\u00e4hrend ihre Aufgaben tats\u00e4chlich 19 Prozent l\u00e4nger dauerten.<\/p>\n<p><strong>Sinkt die Pr\u00fcfsteuer, wenn die Modelle besser werden?<\/strong><br \/>\nWahrscheinlich, aber die Evidenz ist d\u00fcnn. METRs sp\u00e4tere Runde deutete auf Beschleunigungen hin, warnte aber zugleich, dass Selektionseffekte die Sch\u00e4tzung unzuverl\u00e4ssig machen. Ihr eigenes Fehlerprotokoll ist der beste Ma\u00dfstab daf\u00fcr, ob die Steuer bei Ihrer Arbeit sinkt.<\/p>\n<p><strong>Wer sollte in einem Team f\u00fcr das Pr\u00fcfen bezahlen?<\/strong><br \/>\nDer Autor, vor der \u00dcbergabe. Wird ungepr\u00fcfte Ausgabe weitergereicht, zahlt der Empf\u00e4nger, und die Zeitersparnis des Autors \u00fcberzeichnet den tats\u00e4chlichen Gewinn des Teams.<\/p>\n<h2 id=\"quellen\"><span class=\"ez-toc-section\" id=\"Quellen\"><\/span>Quellen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Becker, J., Rush, N., Barnes, B., Rein, D. (METR). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv 2507.09089, Version 2, Juli 2025. Preprint.<\/li>\n<li>Becker, J., Rush, N., Cunningham, T., Rein, D., Mahamud, K. (METR). We are Changing our Developer Productivity Experiment Design. METR-Forschungsnotiz, 24. Februar 2026.<\/li>\n<li>Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192, 2023 (nur Abstract, \u00fcber PubMed).<\/li>\n<li>Noy, S., Zhang, W. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT Working Paper, 2. M\u00e4rz 2023, nicht begutachtet.<\/li>\n<li>Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. Quarterly Journal of Economics 140(2), 889-942, 2025 (nur Abstract).<\/li>\n<li>Dell&rsquo;Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 2026 (nur Abstract).<\/li>\n<li>Humlum, A., Vestergaard, E. Large Language Models, Small Labor Market Effects. Becker Friedman Institute Working Paper 2025-56, aktualisiert im September 2025.<\/li>\n<li>Bick, A., Blandin, A., Deming, D. J. The Rapid Adoption of Generative AI. NBER Working Paper 32966, \u00fcberarbeitet im Februar 2025.<\/li>\n<li>Tai-Seale, M., et al. AI-Generated Draft Replies Integrated Into Health Records and Physicians&rsquo; Electronic Communication. JAMA Network Open 7(4), e246565, 2024.<\/li>\n<li>Garcia, P., Ma, S. P., et al. Artificial Intelligence-Generated Draft Replies to Patient Inbox Messages. JAMA Network Open 7(3), e243201, 2024.<\/li>\n<li>Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., Wilson, N. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025, Microsoft Research.<\/li>\n<li>Vasconcelos, H., J\u00f6rke, M., Grunde-McLaughlin, M., Gerstenberg, T., Bernstein, M. S., Krishna, R. Explanations Can Reduce Overreliance on AI Systems During Decision-Making. Proceedings of the ACM on Human-Computer Interaction 7(CSCW1), Artikel 129, 2023.<\/li>\n<li>Parasuraman, R., Manzey, D. H. Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors 52(3), 381-410, 2010 (nur Abstract).<\/li>\n<li>Goddard, K., Roudsari, A., Wyatt, J. C. Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association 19(1), 121-127, 2012 (nur Abstract).<\/li>\n<li>Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., Ho, D. E. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. arXiv 2405.20362, 2024. Preprint.<\/li>\n<li>Dahl, M., Magesh, V., Suzgun, M., Ho, D. E. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. Journal of Legal Analysis 16(1), 64-93, 2024.<\/li>\n<li>DORA (Google Cloud). Accelerate State of DevOps Report 2024. Google-Forschung.<\/li>\n<li>DORA (Google Cloud). State of AI-assisted Software Development 2025. Google-Forschung.<\/li>\n<li>Stack Overflow. 2025 Developer Survey, Abschnitt zu KI. Unternehmensumfrage (kommerziell).<\/li>\n<li>Workday. New Workday Research: Companies Are Leaving AI Gains on the Table. Pressemitteilung, 14. Januar 2026, zum Umfragebericht Beyond Productivity: Measuring the Real Value of AI. Vom Unternehmen ver\u00f6ffentlicht (kommerziell); vollst\u00e4ndiger Bericht nicht ge\u00f6ffnet.<\/li>\n<li>BetterUp Labs und Stanford Social Media Lab. Workslop: The Hidden Cost of AI-Generated Busywork. Umfrage unter 1.150 US-B\u00fcroangestellten, September 2025. Vom Unternehmen ver\u00f6ffentlicht (kommerziell).<\/li>\n<\/ol>\n<p><em>CEOtudent-Analysen in diesem Artikel: Das Kontenbuch der Pr\u00fcfsteuer (erste Tabelle) und die Tabelle der Zahler (zweite Tabelle) sind CEOtudent-Zusammenstellungen von Zahlen wie abgedruckt; die Anteile 35,7 Prozent und 17,6 Prozent, die Wahrnehmungsl\u00fccke von 39 Punkten und der erhaltene Anteil von 60 Prozent sind CEOtudent-Berechnungen aus jeweils einer einzigen Quelle (die w\u00f6chentliche Zahl von 2,2 Stunden ist von Bick und Kollegen abgedruckt und wurde nachgepr\u00fcft); der Break-even-Test, das gestufte Protokoll und der Check mit sieben Fragen sind redaktionelle CEOtudent-Frameworks, und das Rechenbeispiel verwendet angenommene, veranschaulichende Eingangswerte. Bewusst nicht verwendet: die Zahlen des Upwork Research Institute von 2024 dazu, dass KI Arbeitslasten erh\u00f6ht (die Prim\u00e4rseite lieferte einen Zugriffsfehler und wurde nicht auf anderem Weg ge\u00f6ffnet); die minutengenaue Workslop-Angabe pro Vorfall, die aus den Artikeln der Harvard Business Review kursiert, die nicht ge\u00f6ffnet wurden (die ge\u00f6ffnete BetterUp-Seite nennt \u201e2 Std.\u201c); und der aus dem Working Paper von Dell&rsquo;Acqua viel zitierte Prozentsatz des Qualit\u00e4tsgewinns, weil das hier ge\u00f6ffnete ver\u00f6ffentlichte Abstract nur von \u201esignifikant verbesserter Qualit\u00e4t\u201c spricht.<\/em><\/p>\n<hr>\n<p><em>Dieser Inhalt wurde nach eingehender Recherche mit Unterst\u00fctzung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und f\u00fcr die Ver\u00f6ffentlichung aufbereitet.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Gro\u00dfe Umfragen beziffern die selbst berichtete Zeitersparnis durch KI auf 2,8 bis 5,4 Prozent der Arbeitsstunden der Nutzer, und keine von ihnen weist die Zeit f\u00fcr das Pr\u00fcfen und Korrigieren der Ergebnisse als eigenen Kostenfaktor aus. In einer randomisierten Studie glaubten erfahrene Entwickler, KI habe ihre Bearbeitungszeit um 20 Prozent verk\u00fcrzt, w\u00e4hrend ihre Aufgaben dadurch 19 Prozent l\u00e4nger dauerten. Diese CEOtudent-Analyse stellt zehn Studien nebeneinander und macht daraus ein risikogestuftes Pr\u00fcfprotokoll mit Break-even-Test.<\/p>\n","protected":false},"author":1,"featured_media":326527,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-326524","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts\/326524","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/comments?post=326524"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/posts\/326524\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/media\/326527"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/media?parent=326524"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/categories?post=326524"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/de\/wp-json\/wp\/v2\/tags?post=326524"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}