Kurz gefasst: Die kontrollierte Evidenz zu KI und Wissensarbeit wirkt widersprüchlich, bis man sie sortiert. Ein in Science veröffentlichtes Experiment mit 453 Fachkräften fand, dass die durchschnittliche Bearbeitungszeit um 40 Prozent sank. Eine Studie im Quarterly Journal of Economics mit 5.172 Kundenservicekräften fand 15 Prozent mehr gelöste Vorgänge pro Stunde, wobei die erfahrensten Kräfte beim Tempo kaum gewannen und bei der Qualität leicht verloren. Ein Feldexperiment in Organization Science mit 758 Beraterinnen und Beratern der Boston Consulting Group fand 12,2 Prozent mehr erledigte Aufgaben und 25,1 Prozent mehr Tempo bei 18 Aufgaben innerhalb der Fähigkeitsgrenze, aber eine um 19 Prozent geringere Wahrscheinlichkeit einer korrekten Lösung bei einer Aufgabe, die bewusst außerhalb dieser Grenze lag. Ein randomisierter Versuch von 2025 mit 16 erfahrenen Open-Source-Entwicklern, die seit rund fünf Jahren in denselben Repositories arbeiteten, fand, dass KI sie um 19 Prozent langsamer machte, obwohl sie selbst eine Beschleunigung um 24 Prozent vorhergesagt hatten. Nach der aufgabenspezifischen Expertise der Nutzenden sortiert, bilden diese fünf Ergebnisse ein klares Gefälle: Je tiefer die vorhandene Meisterschaft in genau dieser Aufgabe, desto kleiner und schließlich negativer der gemessene Effekt. Ein Tag, der skaliert, ist deshalb ein geschichteter Tag: KI konzentriert sich dort, wo die Expertise flach ist, und wird dort bewusst zurückgehalten, wo sie tief ist.
Die meisten Ratschläge zum Arbeiten mit KI sind so geschrieben, als hätte das Werkzeug eine einzige Effektstärke. Einführen, schneller werden. Die kontrollierte Evidenz stützt das nicht, und die Uneinigkeit zwischen den Studien ist kein Rauschen. Sie ist der Befund.
Vier Forschungsgruppen haben inzwischen belastbare Experimente zu generativer KI und professioneller Arbeit durchgeführt, mit unterschiedlichen Populationen, Aufgaben und Designs. Ihre Kennzahlen spannen einen Bereich von rund sechzig Prozentpunkten auf, von 40 Prozent weniger bis 19 Prozent mehr Zeitaufwand. Jedes Rahmenwerk, das diese Spannweite nicht erklären kann, ist kein Rahmenwerk. Es ist eine Vorliebe.
Was fünf kontrollierte Ergebnisse tatsächlich gemessen haben
Jede Zahl unten stammt aus der veröffentlichten Zusammenfassung der genannten Studie. Nichts davon ist abgeleitet oder aus Sekundärberichterstattung gerundet.
| Studie | Population und Design | Gemessener Effekt |
|---|---|---|
| Noy und Zhang, Science, 2023 | 453 Fachkräfte mit Hochschulabschluss; präregistriertes Online-Experiment; berufsspezifische, incentivierte Schreibaufgaben mittleren Niveaus; die Hälfte zufällig ChatGPT ausgesetzt | Die durchschnittliche Bearbeitungszeit sank um 40 Prozent; die Ergebnisqualität stieg um 18 Prozent; die Ungleichheit zwischen den Beschäftigten nahm ab |
| Brynjolfsson, Li und Raymond, Quarterly Journal of Economics, 2025 | 5.172 Kundenservicekräfte; gestaffelte Einführung eines generativen KI-Dialogassistenten | Gelöste Vorgänge pro Stunde stiegen im Mittel um 15 Prozent; weniger erfahrene und geringer qualifizierte Beschäftigte verbesserten Tempo und Qualität; die erfahrensten und höchstqualifizierten verzeichneten kleine Tempogewinne und kleine Qualitätsverluste |
| Dell’Acqua und Kollegen, Organization Science | 758 Wissensarbeitende bei der Boston Consulting Group; präregistriert; drei Bedingungen; 18 realistische Beratungsaufgaben innerhalb der KI-Fähigkeitsgrenze | Wer KI nutzte, erledigte im Schnitt 12,2 Prozent mehr Aufgaben und war dabei 25,1 Prozent schneller, bei signifikant besserer Qualität |
| Dell’Acqua und Kollegen, dasselbe Experiment, Aufgabe außerhalb der Grenze | Eine komplexe Managementaufgabe, bewusst außerhalb der KI-Fähigkeitsgrenze ausgewählt | Wer KI nutzte, lieferte mit 19 Prozent geringerer Wahrscheinlichkeit eine korrekte Lösung als ohne KI |
| Randomisierter METR-Versuch, 2025 | 16 erfahrene Open-Source-Entwickler mit mittlerer KI-Erfahrung; 246 Aufgaben in ausgereiften Projekten mit durchschnittlich fünf Jahren Vorerfahrung | Die Erlaubnis, KI zu nutzen, verlängerte die Bearbeitungszeit um 19 Prozent; dieselben Entwickler hatten vorher eine Verkürzung um 24 Prozent prognostiziert und schätzten hinterher 20 Prozent |
Zwei Details in dieser Tabelle verdienen es, zweimal gelesen zu werden.
Das erste ist der Prognosefehler in der letzten Zeile. Die Entwickler waren keine Neulinge. Sie hatten die Werkzeuge benutzt, sie arbeiteten in Code, den sie genau kannten, und sie sollten den Effekt vorher vorhersagen und hinterher einschätzen. Sie lagen beide Male in dieselbe Richtung falsch, gemessen am tatsächlichen Ergebnis um rund vierzig Prozentpunkte. Ökonomen, die dasselbe Experiment einschätzen sollten, erwarteten eine Verkürzung um 39 Prozent, Forschende des maschinellen Lernens um 38 Prozent. Das Gefühl, dass KI hilft, ist kein verlässlicher Beleg dafür, dass sie es tut, und es ist genau dort am unzuverlässigsten, wo Menschen sich am sichersten fühlen.
Das zweite ist die interne Spaltung in der Brynjolfsson-Zeile. Dasselbe Werkzeug, im selben Job, im selben Unternehmen, half den am wenigsten erfahrenen Kräften bei Tempo und Qualität, während es bei den erfahrensten kleine Tempogewinne und kleine Qualitätsverluste erzeugte. Der Durchschnitt von 15 Prozent ist eine echte Zahl, die fast niemanden beschreibt.
Das Gefälle, das niemand benennt
Bringen Sie die fünf Ergebnisse in eine einzige Reihenfolge: wie viel aufgabenspezifische Expertise die Nutzenden in genau der gemessenen Arbeit bereits hatten. Nicht allgemeine Seniorität, nicht Berufsjahre, sondern Tiefe in dieser konkreten Aufgabe.
Tabelle: Gemessener KI-Effekt, geordnet nach der aufgabenspezifischen Expertise der Nutzenden (redaktionelles CEOtudent-Rahmenwerk, abgeleitet aus den fünf oben genannten Studien)
| Rang | Wer die Arbeit machte | Tiefe in genau dieser Aufgabe | Gemessene Richtung |
|---|---|---|---|
| 1 | Fachkräfte, die Dokumente mittleren Niveaus schreiben, die sie nur gelegentlich und nicht als Kernhandwerk erstellen | Flach | Zeit minus 40 Prozent, Qualität plus 18 Prozent |
| 2 | Servicekräfte mit der geringsten Erfahrung und dem niedrigsten Ausgangsniveau | Flach | Tempo und Qualität verbesserten sich beide |
| 3 | Beratende bei 18 analytischen und kreativen Standardaufgaben | Mittel | Zeit minus 25,1 Prozent, Durchsatz plus 12,2 Prozent |
| 4 | Servicekräfte mit der meisten Erfahrung und dem höchsten Ausgangsniveau | Tief | Kleiner Tempogewinn, kleiner Qualitätsverlust |
| 5 | Beratende bei einer Managementaufgabe außerhalb der Modellkompetenz | Tief, und die Aufgabe liegt außerhalb der Grenze | 19 Prozent geringere Wahrscheinlichkeit einer korrekten Lösung |
| 6 | Entwickler in Repositories, in denen sie seit rund fünf Jahren arbeiteten | Sehr tief | Zeit plus 19 Prozent |
Die Richtung ist monoton. Mit steigender aufgabenspezifischer Tiefe sinkt der gemessene Effekt, passiert etwa bei Rang vier die Nulllinie und wird negativ. Diese Ordnung stammt von CEOtudent, die zugrunde liegenden Ergebnisse von den Forschenden.
Es lohnt sich, genau zu sein, was das belegt und was nicht. Es handelt sich um fünf verschiedene Experimente mit unterschiedlichen Populationen, Aufgaben und Ergebnismaßen, die Reihenfolge ist also eine interpretierende Synthese und keine einzelne geschätzte Kurve. Keine Studie hat bisher die aufgabenspezifische Expertise experimentell variiert und alles andere konstant gehalten. Sagen lässt sich: Die Rangfolge ist über alle fünf hinweg konsistent, kein Ergebnis verletzt sie, und jedes Forschungsteam berichtete innerhalb der eigenen Daten unabhängig von einer Aufteilung nach Qualifikation oder Expertise, die in dieselbe Richtung läuft.
Der Mechanismus ist nicht rätselhaft. KI-Unterstützung ersetzt den Teil der Arbeit, den man sonst von Grund auf aufbauen müsste. Wenn für eine Aufgabe wenig eigene Struktur vorhanden ist, ist diese Substitution enorm. Ist die eigene Struktur bereits tief, kommt die Modellausgabe als etwas an, das man lesen, bewerten, mit dem eigenen Wissen abgleichen und meist reparieren muss. Bewertung ist nicht kostenlos. Ab einer bestimmten Expertisetiefe übersteigen die Kosten des Prüfens die Kosten des Selbermachens. Aus demselben Grund ist das Beurteilen von KI-Ergebnissen eine eigenständige Fähigkeit und kein Nebenprodukt der Werkzeugnutzung.
Die fünf Schichten
Wenn der Nutzen mit der Tiefe variiert, ist die Gestaltungseinheit weder das Werkzeug noch der Tag. Es ist die Schicht. Der Tag einer wissensarbeitenden Person zerfällt in fünf Arbeitsarten mit strukturell verschiedenen Expertiseprofilen, und jede verdient eine eigene Dauerregel.
Tabelle: Der KI-Workflow in fünf Schichten (redaktionelles CEOtudent-Rahmenwerk)
| Schicht | Was hier passiert | KI-Dauerregel | Warum, in Evidenzbegriffen |
|---|---|---|---|
| 1. Aufnahme | Lesen, Suchen, Besprechungen, eingehende Nachrichten, Rohmaterial sammeln | Maximale Delegation. Zusammenfassen, abrufen, clustern, sichten | Die Tiefe ist per Definition flach, eine eigene Sicht ist noch nicht gebildet. Das ist die Zone von Rang 1 und 2 |
| 2. Entwurf | Erste Fassungen erzeugen: Dokumente, Pläne, Codegerüste, Antworten, Gliederungen | Hohe Delegation, immer als erster Entwurf, nie als Endfassung | Hier leben Noy und Zhang sowie die Beratungsergebnisse innerhalb der Grenze. Große, verlässliche, gut replizierte Gewinne |
| 3. Urteil | Zwischen Optionen wählen, Richtung setzen, Zielkonflikte akzeptieren, entscheiden, was unterbleibt | Der Mensch besitzt die Entscheidung. KI adversarial einsetzen: sie gegen die eigene Wahl argumentieren lassen | Das Ergebnis außerhalb der Grenze war ein Urteilsfehler, der wie eine Analyseaufgabe aussah. Das Modell gab kein Signal, dass es die Linie überschritten hatte |
| 4. Handwerk | Die enge Arbeit, in der Sie wirklich Expertin oder Experte sind und in der Ihr Ruf tatsächlich liegt | Zurückhaltend. Nur mechanische Teilschritte delegieren, die inhaltliche Arbeit standardmäßig manuell halten | Das METR-Ergebnis. Die einzige Schicht, in der der gemessene Effekt negativ war, und die Nutzenden konnten es nicht spüren |
| 5. Prüfung | Kontrollieren, abgleichen, auffangen, was die vorherigen Schichten falsch gemacht haben | Nicht an dasselbe System delegierbar, das die Ausgabe erzeugt hat. Echte Zeit dafür einplanen | Jeder Gewinn in Schicht 1 und 2 erhöht das Volumen, das in Schicht 5 fließt. Wer sie überspringt, wird von der Grenze eingeholt |
Die Schichten sind kein Zeitplan. Sie sind ein Regelwerk. Jede beliebige Stunde kann mehrere enthalten, und der Punkt ist, dass die richtige KI-Haltung zwischen ihnen wechselt, auch wenn das Werkzeug auf dem Bildschirm dasselbe bleibt.
Die Umverteilungsregel
Hier läuft die Einführung meist schief, und es ist eher ein struktureller als ein Disziplinfehler.
Die Schichten 1 und 2 schrumpfen unter KI dramatisch. Das ist das ganze Versprechen, und die Evidenz stützt es. Schicht 5 schrumpft aber nicht. Sie wächst, weil nun mehr Ausgabe zu prüfen ist, schneller erzeugt, von einem System, dessen Fehlermodi sich visuell nicht von seinen Erfolgen unterscheiden. Genau das ist der Befund aus Organization Science: Die Aufgabe außerhalb der Grenze sah nicht schwerer aus als die achtzehn innerhalb, und das Modell gab keinen Hinweis darauf, dass es hinübergegangen war.
Die Regel ist einfach, und fast niemand befolgt sie. Die in Aufnahme und Entwurf gesparte Zeit ist nicht geschenkt. Ein definierter Anteil davon gehört dauerhaft der Prüfung.
Eine praktische Ausgangsaufteilung: Geben Sie im ersten Quartal eines neuen KI-gestützten Ablaufs etwa ein Drittel der gemessenen Zeitersparnis an Schicht 5 zurück und passen Sie danach an, wie viele Fehler die Prüfung tatsächlich findet. Findet die Prüfung über Wochen nichts, ist das Budget zu groß und die Arbeit ist vermutlich in Schichten abgedriftet, in denen KI ohnehin sicher war. Findet die Prüfung Dinge, die Sie sonst veröffentlicht hätten, ist das Budget zu klein. Diese Aufteilung ist eine Arbeitsregel und kein gemessenes Optimum und sollte als Ausgangshypothese behandelt werden, die am eigenen Fehlerprotokoll justiert wird.
Die zweite Hälfte der Regel betrifft Schicht 4. Die eigene Handwerksschicht vor beiläufiger KI-Nutzung zu schützen ist weder Nostalgie noch eine Produktivitätsentscheidung. Es ist ein Messproblem. Die METR-Entwickler erlebten eine Beschleunigung, während sie verlangsamt wurden, und ihre Schätzung war selbst nach getaner Arbeit noch falsch. Wenn Sie den Effekt in Ihrer eigenen Expertenarbeit nicht wahrnehmen können, können Sie ihn nicht nach Gefühl steuern, und die einzig richtige Voreinstellung ist Zurückhaltung, bis Sie gemessen haben. Das ist auch der ehrliche Grund, ein strukturiertes Workflow-Audit durchzuführen, statt dem Gefühl zu vertrauen, wohin die Zeit geht.
Eine Woche lang anwenden
Ein Rahmenwerk nützt nur, wenn es einen Kalender verändert. Eine minimale Umsetzung dauert eine Woche und liefert Evidenz statt Meinung.
Tag eins und zwei: beschriften, nicht ändern. Gehen Sie Ihren bestehenden Tag durch und markieren Sie jeden Block mit einer der fünf Schichten. Die meisten entdecken zwei Dinge. Schicht 3 hat fast keine eigene Zeit und passiert in den Lücken zwischen anderer Arbeit. Schicht 5 hat gar keine, weil Prüfung derzeit unterstellt statt eingeplant wird.
Tag drei: die Dauerregeln setzen. Schreiben Sie pro Schicht eine Zeile, was KI dort darf. Der Wert liegt im Aufschreiben, denn eine ungeschriebene Regel verfällt auf das, was das Werkzeug am leichtesten macht, und das Werkzeug macht es am leichtesten, es überall zu benutzen.
Tag vier und fünf: die Regeln anwenden und jede Korrektur protokollieren. Jedes Mal, wenn die Prüfung etwas auffängt, notieren Sie, welche Schicht es erzeugt hat. Dieses Protokoll ist das einzige verlässliche Instrument, das Sie haben, und darauf sollten bewusste Delegationsgrenzen aufbauen und nicht auf Intuition.
Wochenende: umverteilen. Vergleichen Sie, wo Zeit gespart wurde, mit dem, wo Fehler gefunden wurden. Verschieben Sie Kalenderzeit entsprechend. Dann monatlich wiederholen, denn die Grenze verschiebt sich und Ihre Regeln sollten ein Datum tragen.
Das ist dieselbe Grundmethode wie die Prüfung, welche Aufgaben zuerst automatisiert werden, und sie fügt sich natürlich neben ein strukturiertes Briefing-Rahmenwerk für die Delegation an Agenten. Der Unterschied, den das Schichtmodell hinzufügt: Es hört auf, den ganzen Tag als eine einzige Delegationsentscheidung zu behandeln.
Warum das zugleich ein CEO- und ein Studierendenproblem ist
Die CEO-Hälfte der Aufgabe ist Allokation. Bei fünf Schichten mit unterschiedlichen gemessenen Renditen lautet die Führungsfrage, wohin Kapazität fließt, und die Antwort ist nicht “überall dorthin, wo das Werkzeug funktioniert”. Sie lautet: maximale Delegation, wo die Tiefe flach ist, Zurückhaltung, wo sie tief ist, und ein dauerhaftes Budget für die Prüffunktion, das mit allem mitwächst, was Sie automatisiert haben.
Die Studierendenhälfte ist schwerer, denn sie verlangt zu akzeptieren, dass die Wahrnehmung der eigenen Leistung das unzuverlässigste Instrument ist, das man besitzt, und zwar genau in der Domäne, die man am besten kennt. Die Entwickler im METR-Versuch waren Fachleute, sie wurden gemessen, und sie konnten eine Verlangsamung um 19 Prozent trotzdem nicht spüren. Die einzige Verteidigung dagegen ist, weiter zu messen statt weiter zu glauben.
Ein Tag, der skaliert, ist kein Tag mit mehr KI darin. Es ist ein Tag, an dem KI nach Schicht platziert wird, an dem Ersparnisse bewusst umverteilt werden und an dem die Expertenarbeit verteidigt wird, bis Evidenz und nicht Begeisterung etwas anderes sagt.
Häufige Fragen
Heißt das, Fachleute sollten KI gar nicht nutzen?
Nein. Es heißt, sie sollten sie in ihrem engen Meisterschaftsbereich nicht standardmäßig einsetzen und in den anderen vier Schichten weiterhin stark nutzen. Aufnahme- und Entwurfsschicht einer Expertin sind keine Expertenschichten. Ein erfahrener Entwickler, der eine Spezifikation zusammenfasst, steht auf dem Gefälle bei Rang eins, nicht bei Rang sechs.
Woran erkenne ich, welche meiner Arbeit Schicht 4 ist?
Der praktische Test: Es ist die Arbeit, für die Menschen gezielt zu Ihnen kommen, und die Arbeit, bei der ein feiner Fehler jemandem auffiele, der das Feld kennt. Würde eine falsche Antwort von jeder kompetenten Leserin bemerkt, ist es wahrscheinlich Schicht 2. Würde sie nur einem Fachkollegen auffallen, ist es Schicht 4.
Ist das Ergebnis der Verlangsamung um 19 Prozent verallgemeinerbar?
Es ist ein Versuch mit 16 Entwicklern und 246 Aufgaben, also eher als starkes Signal denn als gesicherter Parameter zu lesen. Die Autoren sammelten und bewerteten Belege zu 20 Eigenschaften ihres Settings, die a priori zur Verlangsamung hätten beitragen können, und berichteten, dass der Effekt über ihre Analysen hinweg robust blieb, während experimentelle Artefakte nicht vollständig auszuschließen seien. Sein Hauptwert: Es ist der einzige Eintrag der Tabelle, in dem sorgfältige Messung jede Vorhersage widerlegte, auch die der Beteiligten selbst.
Warum ist Prüfung eine eigene Schicht und nicht Teil des Entwurfs?
Weil sie einen anderen Eigentümer und einen anderen Fehlermodus hat. Der Entwurf scheitert sichtbar, indem nichts entsteht. Die Prüfung scheitert unsichtbar, indem Zuversicht entsteht. Schichten mit unsichtbarem Fehlermodus brauchen eigene Kalenderzeit, sonst gehen sie in dem auf, was lauter ist.
Was, wenn meine Organisation nur Ausgabemenge misst?
Dann sagt das Gefälle voraus, dass Sie in den ersten beiden Quartalen belohnt und im dritten exponiert werden, weil die Schichten 1 und 2 die Menge sofort bewegen, während Fehler aus Schicht 5 später auftauchen. Die vertretbare Position ist ein eigenes Fehlerprotokoll, damit Sie bei Qualitätsfragen Belege über die Herkunft der Fehler haben und nicht eine Debatte über Anstrengung.
Quellen
Noy, S. und Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science, 2023.
Brynjolfsson, E., Li, D. und Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, 2025.
Dell’Acqua, F. und Kollegen. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science.
METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Bericht zu einem randomisierten kontrollierten Versuch, 2025.
Harvard Business School Digital Data Design Institute und Division of Research and Faculty Development, ausgewiesene Förderer des Feldexperiments bei der Boston Consulting Group.
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:
