Die Prüfsteuer: Wie viel Zeit das Kontrollieren von KI-Ergebnissen wirklich kostet (und wie Sie sie senken)

Kurzfassung. Die Zeit, die KI Ihnen spart, ist eine Bruttogröße. Die Prüfsteuer ist das, was Sie davon zurückzahlen: 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. Große Umfragen beziffern die selbst berichtete Ersparnis auf 5,4 Prozent der Arbeitsstunden der Nutzer in den USA und 2,8 Prozent in Dänemark, und keine von beiden weist die Prüfzeit 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 verkürzt, doch ihre Aufgaben dauerten 19 Prozent länger, 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 Prüfung als echte Kosten budgetieren, sie nach Tragweite, Erkennbarkeit und Umkehrbarkeit stufen und auf KI verzichten, wo der Break-even-Test negativ ausfällt. Der Studenten-Zug: festhalten, welche Fehler jedes Werkzeug bei Ihrer Arbeit macht, damit die Steuer mit der Zeit sinkt.

Dieser Beitrag behandelt die Ökonomie des Prüfens, nicht das Handwerk. Zum Handwerk siehe die Bewertungskompetenz. Wo Kontrollpunkte hingehören, wenn ein Agent eine mehrstufige Aufgabe ausführt, zeigt menschliche Aufsicht by Design. Und warum individuelle Gewinne so selten in den Unternehmensergebnissen ankommen, erklärt das KI-Produktivitätsparadox.

Was ist die Prüfsteuer, und warum wird sie so leicht übersehen?

Jede KI-gestützte Aufgabe hat zwei Kontenbücher. Das sichtbare verbucht die Entwurfszeit, die Sie nicht aufwenden mussten. Das verborgene verbucht vier Kosten, die in den meisten Angaben zur Zeitersparnis fehlen:

1. Prüfzeit. Die Ausgabe lesen, sie mit Quellen abgleichen, den Code ausführen, die Zahlen kontrollieren.
2. Korrektur- und Neuerstellungszeit. Beheben, was falsch ist, neu prompten oder die KI-Version verwerfen und die Arbeit von Hand erledigen.
3. Kosten verbleibender Fehler. Die erwarteten Kosten von Fehlern, die Ihre Prüfung überstehen und später auftauchen, wenn ihre Behebung teurer ist.
4. Exportierte Steuer. Die Zeit, die Kolleginnen und Kollegen, Prüfer oder Kunden damit verbringen, zu reparieren, was Sie weitergegeben haben.

Die übliche Messung ist nicht darauf ausgelegt, diese Kosten zu erfassen. Eine viel genutzte US-Schätzung von Alexander Bick, Adam Blandin und David Deming fragt Nutzer, in den Worten der Autoren, „wie viele zusätzliche Stunden sie in der vergangenen Woche benötigt hätten, um dieselbe Arbeitsmenge zu erledigen, wenn sie keinen Zugang zu generativer KI gehabt hätten“. Diese eine kontrafaktische Schätzung bündelt eingesparte Entwurfszeit mit aufgewendeter Prüfzeit und kann noch nicht entdeckte Fehler nicht einschließen. Ihre Antwort, 5,4 Prozent der Arbeitsstunden der Nutzer oder 2,2 Stunden pro Woche bei 40 Stunden, ist schon konstruktionsbedingt eine Bruttogröße.

Die Wahrnehmung vergrößert die Lücke. 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: „Größeres Vertrauen in GenAI geht mit weniger kritischem Denken einher.“ Wer dem Werkzeug am meisten vertraut, prüft am ehesten zu wenig.

Was zeigt sich, wenn man die Studien nebeneinanderlegt?

Das Kontenbuch der Prüfsteuer unten widmet jeder Studie eine Zeile und trennt den Bruttogewinn, das, was die Studie über Prüfung 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.

Studie und Design	Aufgabe	Bruttogewinn, wie abgedruckt	Prüf- oder Nacharbeitskosten, wie abgedruckt	Nettoergebnis, wie abgedruckt
Noy und Zhang, Science, 2023. Präregistriertes Online-Experiment, 453 Fachkräfte mit Hochschulabschluss	Schreibaufgaben für Fachkräfte auf mittlerer Ebene	Benötigte Zeit 40 % geringer, Ergebnisqualität 18 % höher	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	Große Nettoersparnis, erzielt mit sehr wenig Prüfung
Brynjolfsson, Li und Raymond, Quarterly Journal of Economics, 2025. Gestaffelte Einführung, 5.172 Agenten	Kundensupport	Gelöste Anliegen pro Stunde im Schnitt 15 % höher	Nicht gesondert ausgewiesen	Im Schnitt positiv; die erfahrensten und qualifiziertesten Agenten verzeichneten „kleine Gewinne bei der Geschwindigkeit und kleine Einbußen bei der Qualität“
Dell’Acqua et al., Organization Science, 2026. Präregistriertes Experiment mit der Boston Consulting Group, 758 Wissensarbeiter	18 realistische Wissensaufgaben innerhalb der KI-Grenze, eine Managementaufgabe außerhalb davon	Innerhalb der Grenze: 12,2 % mehr erledigte Aufgaben, 25,1 % schneller	Außerhalb der Grenze: 19 % geringere Wahrscheinlichkeit, korrekte Lösungen zu liefern	Die Steuer wurde in falschen Antworten bezahlt, nicht in Minuten
METR (Becker, Rush, Barnes, Rein), Preprint, 2025. Randomisierte Studie, 16 Entwickler, 246 Aufgaben	Echte Issues in ausgereiften Open-Source-Repositorys, die die Entwickler gut kannten	Prognose: 24 % weniger Zeit. Einschätzung nach der Studie: 20 % weniger Zeit	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 übernommen	Aufgaben dauerten 19 % länger (Konfidenzintervall +2 % bis +39 %)
METR-Forschungsnotiz, Februar 2026. Gleiches Design, Werkzeuge von Ende 2025, 10 zurückkehrende und 47 neue Entwickler	Open-Source-Entwicklung	Nicht berichtet	Nicht berichtet	Zurückkehrende Entwickler -18 % Zeit (Intervall -38 % bis +9 %); neue Entwickler -4 % (Intervall -15 % bis +9 %). METR hält das Signal wegen Selektionseffekten für unzuverlässig
Tai-Seale et al., JAMA Network Open, 2024. Randomisierte Qualitätsverbesserungsstudie mit Wartelistendesign, 52 Ärztinnen und Ärzte plus 70 Kontrollpersonen	Beantwortung von Patientennachrichten mit KI-Entwürfen	Hypothese war weniger Lese- und Antwortzeit	Lesezeit pro Nachricht 21,8 % höher (95-%-Konfidenzintervall 5,2 % bis 41,0 %)	Antwortzeit -5,9 % (nicht signifikant, P = 0,33); Antworten 17,9 % länger
Garcia et al., JAMA Network Open, 2024. Fünfwöchige Qualitätsverbesserungsstudie mit einer einzigen Gruppe, 162 klinisch Tätige	KI-Antwortentwürfe für Nachrichten im Patientenposteingang	Entwürfe in 20 % der Antworten genutzt (mittlere Nutzungsrate)	Keine Veränderung bei Lese-, Schreib- oder Antwortzeit	Keine Zeitersparnis; die Werte für Arbeitsbelastung und arbeitsbedingte Erschöpfung sanken
Humlum und Vestergaard, Working Paper des Becker Friedman Institute, 2025. Befragung von etwa 25.000 Beschäftigten, verknüpft mit dänischen Registerdaten	11 Berufe mit hoher Exposition gegenüber KI-Chatbots	Zeitersparnis von 2,8 % der Arbeitsstunden der Nutzer	Neue Arbeitslasten für 12 % der Nutzer, auch ohne Initiativen des Arbeitgebers (Schätzung im Anhang); 59 % der neuen KI-bezogenen Aufgaben betreffen Einführung und Aufsicht, einschließlich Qualitätsprüfung	Präzise Nulleffekte auf Verdienste und erfasste Arbeitsstunden; Effekte von mehr als 2 % sind ausgeschlossen
Bick, Blandin und Deming, NBER Working Paper, 2025. Bevölkerungsrepräsentative US-Umfrage	Alle Arbeit	5,4 % der Arbeitsstunden der Nutzer (2,2 Stunden pro Woche bei 40 Stunden)	Nicht gesondert erfragt	1,4 % der Arbeitsstunden aller Beschäftigten, Nicht-Nutzer eingeschlossen
Workday, Unternehmensumfrage unter 3.200 Vollzeitbeschäftigten, durchgeführt von Hanover Research im November 2025, veröffentlicht im Januar 2026 (kommerziell)	Aktive KI-Nutzer in Organisationen mit einem Umsatz ab 100 Mio. $	85 % berichten, ein bis sieben Stunden pro Woche zu sparen	„Fast 40 %“ der KI-Zeitersparnis gehen durch Nacharbeit verloren	Nur 14 % „erzielen konsistent klare, positive Nettoergebnisse“; etwa 60 % der Ersparnis bleiben erhalten (CEOtudent-Berechnung aus der 40-%-Angabe)

CEOtudent-Analyse der zehn in den Zeilen genannten Quellen. Zahlen wie abgedruckt; „nicht berichtet“, wo eine Quelle keine Zahl nennt. Die Editier-Angaben von Noy und Zhang stammen aus dem Working Paper der Autoren vom März 2023, das der Science-Fassung vorausging und 444 Teilnehmende auswies; das Science-Abstract nennt die Aufschlüsselung der Zeit nicht. Die Zahlen zu Dell’Acqua et al. und Brynjolfsson et al. stammen aus den veröffentlichten Abstracts. Der vollständige Bericht von Workday liegt hinter einem Registrierungsformular und wurde nicht geöffnet, daher ließ sich die Methode hinter der 40-Prozent-Angabe nicht prüfen.

Aus dem Kontenbuch ergeben sich drei Lesarten.

Die Steuer ist am kleinsten, wo Prüfen billig ist oder ausgelassen wird, und am größten, wo der Mensch die Antwort bereits kennt. Im Working Paper von Noy und Zhang reichten bei Aufgaben, für die die Kontrollgruppe etwa 27 Minuten brauchte, die meisten Teilnehmenden der Behandlungsgruppe die erste Ausgabe unverändert ein. Die Ersparnis war groß, und es wurde fast keine Prüfung eingekauft. METR ist der Gegenfall: Repositorys mit durchschnittlich 1.100.000 Codezeilen, sehr hohe Qualitätsansprüche und der Befund, dass „Entwickler sich bei Issues, mit denen sie vertrauter sind, stärker verlangsamten“. Ein Entwickler „verschwendete mindestens eine Stunde, indem er zuerst versuchte, [ein bestimmtes Problem] mit KI zu lösen“, bevor er alles zurücksetzte. Wenn Ihr eigenes Urteil schnell und Ihr Anspruch hoch ist, wird das Prüfen des KI-Entwurfs teuer.

Zeit ist nur eine der Währungen. Außerhalb der Grenze bezahlten die Teilnehmenden bei Dell’Acqua mit Korrektheit, nicht mit Minuten. Die qualifiziertesten Support-Agenten zahlten einen kleinen Preis bei der Qualität. Die Entwürfe der Ärztinnen und Ärzte verlängerten die Lesezeit, ohne die Antwortzeit zu verkürzen. Ein Kontenbuch, das nur Minuten erfasst, unterschätzt die Steuer gerade dort, wo sie am meisten zählt.

Die Steuer verändert sich, und sie zu messen wird schwieriger. METRs Notiz vom Februar 2026 berichtet über eine spätere Runde, in der die Punktschätzung für zurückkehrende 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 zurückgehalten 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.

Wer zahlt die Prüfsteuer tatsächlich?

Eine Zeitersparnis meldet die Person, die das Werkzeug genutzt hat. Ein großer Teil der Steuer fällt 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 einfließt.

Wer zahlt	Befund, wie abgedruckt	Quelle
Die Aufmerksamkeit der Nutzer	Generative KI „verlagert das Wesen kritischen Denkens hin zu Informationsprüfung, Integration von Antworten und Verantwortung für die Aufgabe“; 114 von 319 Beschäftigten prüften durch Abgleich mit externen Quellen, und 56 von 319 berichteten von mehr Aufwand bei der Informationsbeschaffung, weil „KI-Antworten falsch sein können und geprüft werden müssen“	Lee et al., CHI 2025 (Microsoft Research und Carnegie Mellon)
Die Zeit der Nutzer	66 % der Entwickler nennen „KI-Lösungen, die fast richtig sind, aber eben nicht ganz“ als Ärgernis; 45,2 % sagen, das Debuggen von KI-generiertem Code sei zeitaufwendiger	Stack Overflow Developer Survey 2025 (Unternehmensumfrage, kommerziell)
Die Prüflast der Nutzer	77 % der täglichen KI-Nutzer prüfen KI-generierte Arbeit „genauso sorgfältig wie von Menschen erledigte Arbeit, wenn nicht sorgfältiger“	Workday-Pressemitteilung, Januar 2026 (kommerziell)
Die Kollegin oder der Kollege, die die Arbeit erhalten	40 % der US-Büroangestellten erhielten im letzten Monat „Workslop“; jeder Vorfall kostet etwa 2 Stunden bis zur Klärung; geschätzte Kosten von 186 $ pro Beschäftigtem und Monat	BetterUp Labs mit dem Stanford Social Media Lab, Umfrage unter 1.150 Beschäftigten, September 2025 (kommerziell)
Die Arbeitsgestaltung der Organisation	59 % der neuen KI-bezogenen Aufgaben betreffen „KI-Einführung und -Aufsicht“; 5 % der Nicht-Nutzer berichten von neuen Arbeitslasten durch KI-Chatbots	Humlum und Vestergaard, 2025
Das Auslieferungssystem	Pro 25 % mehr KI-Einführung: geschätzt 7,2 % weniger Auslieferungsstabilität und 1,5 % weniger Durchsatz (2024). 2025 „verbessert“ KI-Einführung „nun den Durchsatz der Softwareauslieferung“, „erhöht aber weiterhin die Instabilität der Auslieferung“	Google-DORA-Berichte, 2024 und 2025 (Google-Forschung)

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 Zählungen von Lee et al. Die kommerziellen Umfragen beruhen auf Selbstauskünften, und ihre vollständigen Methoden sind nicht alle veröffentlicht.

Für alle, die Menschen führen, ist genau dieses Muster der Punkt. KI-Ergebnisse, in die wenig Aufwand geflossen ist, verlagern die Kosten auf die Empfänger, die in der Zeitersparnis des Absenders nie auftauchen. Ein Team kann steigende KI-Ersparnisse melden, während die Gesamtzeit pro Arbeitsergebnis gleich bleibt, weil die Steuer aus der Spalte des Autors in die des Prüfers gewandert ist. Die DORA-Daten zeigen dieselbe Form auf Systemebene: mehr Durchsatz, weniger Stabilität.

Warum verschwindet die Steuer nicht, wenn man das Prüfen auslässt?

Der naheliegende Weg, die Steuer zu senken, ist, weniger zu prüfen. Die Forschung zum Automation Bias besagt, dass dies sichtbare Zeitkosten in unsichtbare Fehlerkosten verwandelt.

Raja Parasuraman und Dietrich Manzey kamen in ihrer Übersichtsarbeit von 2010 in Human Factors zu dem Schluss, dass Automation Bias „sowohl zu Unterlassungs- als auch zu Begehungsfehlern führt, wenn Entscheidungshilfen unvollkommen sind“, und „sowohl bei unerfahrenen als auch bei fachkundigen Teilnehmenden auftritt“. Selbstgefälligkeit (Complacency) zeigt sich ihren Befunden nach „unter Bedingungen mehrfacher Aufgabenbelastung“, was den größten Teil der Wissensarbeit beschreibt. Eine systematische Übersichtsarbeit von Kate Goddard und Kollegen aus dem Jahr 2012, die 74 von 13.821 gesichteten Arbeiten einschloss, nennt Arbeitsbelastung, Aufgabenkomplexität und Zeitdruck unter den Faktoren, die Menschen zu übermäßigem Vertrauen drängen.

Die Entscheidung, zu prüfen, ist zum Teil auch eine ökonomische. Helena Vasconcelos und Kollegen führten fünf Experimente mit 731 Teilnehmenden durch und argumentieren, dass „Menschen strategisch entscheiden, ob sie sich mit einer KI-Erklärung auseinandersetzen oder nicht“, und dabei den Aufwand des Prüfens gegen das bloße Zustimmen abwägen. Als die Belohnung für Genauigkeit stieg, sank das übermäßige Vertrauen. Lee und Kollegen sahen dieselbe Logik am Werk: 44 von 319 Beschäftigten nannten Zeitmangel als Grund dafür, KI-Ausgaben nicht kritisch zu hinterfragen, und 55 von 319 ließen es bleiben, weil die Aufgabe trivial erschien.

Zu wenig zu prüfen senkt die Prüfsteuer 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 ausdrücklich.

Wie viel Prüfung verdient jede Aufgabe? Ein redaktionelles CEOtudent-Framework

Das Framework besteht aus zwei Teilen: einem Break-even-Test, ob sich KI für eine Aufgabe überhaupt lohnt, und einem gestuften Protokoll dafür, wie viel Prüfung Sie einkaufen, wenn sie sich lohnt. Es ist aus der obigen Evidenz abgeleitet, nicht gemessen.

Der Break-even-Test. Schätzen Sie für jede Aufgabe, die Sie an KI übergeben wollen:

Eingesparte Nettozeit = (Zeit, um es selbst zu erledigen – Zeit für Prompt und Generierung) – Prüfzeit – Korrekturzeit – (Wahrscheinlichkeit, dass die Ausgabe einen wesentlichen Fehler enthält x Wahrscheinlichkeit, dass Ihre Prüfung ihn übersieht x Kosten, falls er durchrutscht)

Ist das Ergebnis negativ, erledigen Sie die Aufgabe selbst oder gestalten Sie sie so um, dass das Prüfen billiger wird. Der letzte Term ist der, den die meisten weglassen: klein, wenn Fehler billig oder sichtbar sind, dominant, wenn ein einziger übersehener Fehler teuer ist.

Das gestufte Protokoll. Bewerten Sie die Aufgabe in jeder der drei Dimensionen mit 1 bis 3 Punkten und addieren Sie dann die Werte.

Dimension	Wert 1	Wert 2	Wert 3
Tragweite: Was kostet eine falsche Antwort?	Privater Entwurf oder Notiz	Interne Entscheidung oder geteilte Teamarbeit	Extern, finanziell, rechtlich, sicherheitsrelevant oder reputationsrelevant
Erkennbarkeit: Wie sichtbar sind Fehler beim normalen Lesen?	Beim Lesen sichtbar (Ton, Struktur, offensichtlicher Unsinn)	Erfordert einen Quellenabgleich (Fakten, Zahlen, Namen, Daten)	Unsichtbar (subtile Logik, Code, der läuft, aber falsch ist, plausible Quellenangaben)
Umkehrbarkeit: Wie schwer lässt es sich rückgängig machen?	Mühelos rückgängig zu machen	Nur mit Aufwand rückgängig zu machen	Unumkehrbar, sobald gesendet, eingereicht, gemergt oder veröffentlicht

Gesamtwert	Stufe	Prüfmethode	Typische Aufgaben
3-4	Stufe 1: Überfliegen	Einmal auf Sinn lesen. Keine Quellenprüfung.	Brainstorming-Listen, erste Gliederungen, Umformulieren eigener Texte
5-6	Stufe 2: Stichprobe	Jede Zahl, jeden Namen, jedes Datum und jedes Zitat prüfen; die übrigen Aussagen stichprobenartig prüfen; Code einmal gegen einen bekannten Fall laufen lassen.	Interne Zusammenfassungen von Material, das Sie selbst geliefert haben, Besprechungsnotizen, Routine-E-Mails
7-8	Stufe 3: Vollständige Prüfung	Zeile für Zeile gegen die Quellen; jede zitierte Quelle öffnen; Tests für jeglichen Code.	Dokumente für Kunden, Entscheidungsvorlagen, Code, der ausgeliefert wird
9	Stufe 4: Unabhängige Nachberechnung oder zweite Quelle	Die zentralen Zahlen selbst aus den Primärdaten neu berechnen oder eine unabhängige zweite Antwort einholen und beide abgleichen. Nie die eigene Zusammenfassung der KI über ihre Quellen akzeptieren.	Alles, was eingereicht, veröffentlicht, vertraglich bindend oder finanziell ist

Redaktionelles CEOtudent-Framework. Stufengrenzen und Prüfmethoden sind redaktionelle Einschätzungen auf Grundlage der in diesem Artikel zitierten Quellen, keine gemessenen Schwellenwerte.

Zwei Anker für Fehlerraten zeigen, warum es die oberste Stufe gibt. In einer präregistrierten Stanford-Evaluation halluzinierten retrieval-basierte Werkzeuge für juristische Recherche jeweils „zwischen 17 % und 33 % der Zeit“, wobei Antworten gezählt wurden, die „fälschlich behaupten, eine Quelle stütze eine Aussage“. Matthew Dahl und Kollegen stellten fest, dass Allzweckmodelle bei überprüfbaren Fragen zu Fällen vor US-Bundesgerichten zwischen 58 und 88 Prozent der Zeit halluzinierten. Die Raten gehören zu Systemen von 2023 und 2024, doch das Prinzip gilt: In manchen Bereichen ist eine Quellenangabe genau das, was geprüft werden muss, und kein Beweis dafür, dass geprüft wurde. Die Mechanik, warum Modelle solche Fehler produzieren, zeigt, wo man hinschauen sollte.

Ein Rechenbeispiel. 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 fünf Entwürfen enthält einen wesentlichen Fehler.

Szenario	Prüfen	Korrigieren	Wahrscheinlichkeit, dass die Prüfung den Fehler übersieht	Kosten, falls ein Fehler durchrutscht	Erwartete Kosten übersehener Fehler	Eingesparte Nettominuten
A. Internes Briefing, Stichprobe nach Stufe 2	20 Min.	10 Min.	40 %	240 Min. (4 Stunden interne Nacharbeit)	19,2 Min.	+60,8
B. Derselbe Entwurf geht an einen Kunden, weiterhin nur stichprobenartig geprüft	20 Min.	10 Min.	40 %	2.400 Min. (40 Stunden Nacharbeit und Reparatur der Kundenbeziehung)	192 Min.	-112
C. Kundenbriefing, unabhängige Nachberechnung nach Stufe 4	60 Min.	15 Min.	5 %	2.400 Min.	24 Min.	+11

Veranschaulichende CEOtudent-Berechnung mit angenommenen Eingangswerten; siehe die Formel oben. Jeder Wert lässt sich aus der jeweiligen Zeile nachrechnen.

Derselbe Entwurf ist innerhalb des Teams eine Stunde wert und kostet fast zwei Stunden, wenn er mit derselben leichten Prüfung bei einem Kunden landet. Eine gründlichere Prüfung rettet ihn, aber nur knapp: In Szenario C liegt der Break-even bei 71 Minuten Prüfzeit. Dauert eine ordentliche Nachberechnung länger, schreiben Sie das Briefing selbst und setzen KI nur dort ein, wo Fehler sichtbar sind.

Wie senken Sie die Prüfsteuer?

Jeder Schritt senkt die Kosten einer Prüfung oder erhöht die Wahrscheinlichkeit, dass sie etwas findet, und jeder ist an Evidenz geknüpft oder als redaktionelle Einschätzung gekennzeichnet.

1. Machen Sie Fehler sichtbar, bevor Sie lesen. Fordern Sie Ausgaben Aussage für Aussage an, mit der Quelle und der belegenden Passage neben jeder Aussage. Vasconcelos und Kollegen stellten fest, dass „Erklärungen, die den Fehler der KI offensichtlicher machen, übermäßiges Vertrauen stärker verringern“. Eine zitierte Quelle ist trotzdem keine geprüfte Quelle: Öffnen Sie sie.
2. Prüfen Sie zuerst die fehleranfälligen Teile. Zahlen, Namen, Daten, Zitate und Quellenangaben tragen pro Wort das größte Risiko. Dahl und Kollegen fanden, dass Modelle „bei Fällen besser abschneiden, die neuer, bekannter und aus prominenteren Rechtsordnungen sind“, was die Prüfung auf obskure Punkte lenkt, und dass sie „Schwierigkeiten haben, ihre eigenen Halluzinationen vorherzusagen“, sodass es kein Ersatz ist, das Modell zu fragen, wo es falsch liegt.
3. Führen Sie ein persönliches Fehlerprotokoll nach Aufgabentyp. Ein kurzes Protokoll darüber, 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 aus KI-Fehlern lernen. Dass dies die Prüfzeit senkt, ist redaktionelle Einschätzung, kein gemessener Effekt.
4. Legen Sie die Tragweite fest, bevor Sie lesen. In den Experimenten von Vasconcelos sank das übermäßige Vertrauen, als die Belohnung für Genauigkeit stieg, und die Übersichtsarbeit von Goddard zählt die Rechenschaftspflicht der Nutzer zu den Faktoren, die Automation Bias abmildern. Benennen Sie für jedes KI-gestützte Arbeitsergebnis eine verantwortliche Person und bewerten Sie seine Stufe, bevor Sie den Entwurf öffnen.
5. Exportieren Sie die Steuer nicht. Alles ab Stufe 2 wird geprüft, bevor es Ihre Hände verlässt. 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.
6. Verzichten Sie auf KI, wo der Test negativ ausfällt. Die Entwickler bei METR wurden bei den Issues, die sie am besten kannten, stärker ausgebremst, und die Ärztinnen und Ärzte bei Tai-Seale lasen länger, 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 verläuft, ist redaktionelle Einschätzung, bis Ihr Protokoll etwas anderes sagt.

Was bedeutet das für den CEO und den Studenten?

Die CEO-Seite ist Budgetierung. Ein Vorstandschef akzeptiert keine Kosteneinsparung, ohne zu fragen, was es gekostet hat, sie zu erzielen. Schätzen Sie die Steuer nach Aufgabenklasse, protokollieren Sie zwei Wochen lang die Prüfzeit und vergleichen Sie sie mit dem, was KI eingespart hat. Die Workday-Umfrage legt nahe, dass die Lücke groß 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 festhält, ob sie die Prüfung überlebt hat. Ein CEO entscheidet auch, wo er nicht antritt: Aufgabenklassen, die den Break-even-Test nicht bestehen, bleiben beim Menschen.

Die Studenten-Seite heißt, die Fehlermuster des Werkzeugs zu lernen, bis das Prüfen 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 länger sein, als man erwartet, was für gezieltes Protokollieren von Fehlern spricht, statt darauf zu warten, dass Vertrautheit die Arbeit erledigt. Testen Sie nach größeren Modell-Updates erneut: METRs Punktschätzungen bewegten sich zwischen Anfang und Ende 2025 von Verlangsamung zu Beschleunigung.

Der Prüfbudget-Check: sieben Fragen, bevor Sie Arbeit an KI übergeben

Zwei oder mehr „Nein“-Antworten bedeuten, dass die Aufgabe umgestaltet, auf einer höheren Stufe geprüft oder ohne KI erledigt werden sollte.

1. Wissen Sie ungefähr, wie lange diese Aufgabe von Hand dauert?
2. Haben Sie Tragweite, Erkennbarkeit und Umkehrbarkeit bewertet und eine Stufe gewählt?
3. Kommt die Ausgabe in einer Form, die Sie schnell prüfen können, mit Quellen neben den Aussagen?
4. Wissen Sie, welche Teile dieser Art von Ausgabe ein Werkzeug üblicherweise falsch macht?
5. Ist die Prüfzeit für diese Stufe deutlich kleiner als die Zeit, die KI einspart?
6. Wenn ein Fehler durchrutscht, können Sie benennen, wer dafür zahlt und ungefähr wie viel?
7. Halten Sie fest, was die Prüfung gefunden hat, damit die nächste Prüfung leichter ausfallen kann?

Was das nicht bedeutet

Es bedeutet nicht, dass KI keine Zeit spart. Das Kontenbuch enthält große, gut gemessene Gewinne beim Schreiben, im Kundensupport und bei Wissensaufgaben innerhalb der Grenze. Die Steuer ist der Preis dieser Gewinne, kein Beleg gegen sie.

Es bedeutet nicht, dass Prüfen Verschwendung ist. Auf der richtigen Stufe bezahlt, ist die Prüfung das, was es sicher macht, die Ersparnis zu behalten.

Es klärt nicht, wie groß die Steuer heute ist. Die meisten gemessenen Studien nutzten Werkzeuge von 2023 bis 2025 bei bestimmten Aufgaben, METR warnt, dass seine jüngste Schätzung unzuverlässig ist, und die kommerziellen Umfragen beruhen auf Selbstauskünften mit nicht vollständig veröffentlichten Methoden. Dieser Artikel ist eine allgemeine Information über Forschung zur Arbeitswelt, keine rechtliche, medizinische oder finanzielle Beratung; die klinischen und juristischen Studien werden nur für das zitiert, was sie über Zeit und Fehlerraten gemessen haben.

Häufig gestellte Fragen

Was ist die Prüfsteuer?
Die Zeit für 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.

Wie groß ist die Prüfsteuer in der Praxis?
Das hängt von der Aufgabe ab. Im Schreibexperiment war sie klein, weil die meisten Teilnehmenden die erste Ausgabe unbearbeitet einreichten. In METRs Studie von 2025 überwog 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.

Ist es besser, alles zu prüfen, was KI produziert?
Nein. Eine vollständige Prüfung bei Arbeit mit geringer Tragweite, die sich leicht rückgängig machen lässt, verschwendet die Ersparnis. Bewerten Sie Tragweite, Erkennbarkeit und Umkehrbarkeit, und richten Sie die Prüfung nach der Stufe aus.

Warum überschätzen Menschen die Zeit, die KI ihnen spart?
Selbstauskünfte messen eine gefühlte Ersparnis, und wer einem Werkzeug mehr vertraut, prüft es weniger. Die Entwickler bei METR glaubten, KI habe ihre Bearbeitungszeit um 20 Prozent verkürzt, während ihre Aufgaben tatsächlich 19 Prozent länger dauerten.

Sinkt die Prüfsteuer, wenn die Modelle besser werden?
Wahrscheinlich, aber die Evidenz ist dünn. METRs spätere Runde deutete auf Beschleunigungen hin, warnte aber zugleich, dass Selektionseffekte die Schätzung unzuverlässig machen. Ihr eigenes Fehlerprotokoll ist der beste Maßstab dafür, ob die Steuer bei Ihrer Arbeit sinkt.

Wer sollte in einem Team für das Prüfen bezahlen?
Der Autor, vor der Übergabe. Wird ungeprüfte Ausgabe weitergereicht, zahlt der Empfänger, und die Zeitersparnis des Autors überzeichnet den tatsächlichen Gewinn des Teams.

Quellen

1. 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.
2. Becker, J., Rush, N., Cunningham, T., Rein, D., Mahamud, K. (METR). We are Changing our Developer Productivity Experiment Design. METR-Forschungsnotiz, 24. Februar 2026.
3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192, 2023 (nur Abstract, über PubMed).
4. Noy, S., Zhang, W. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. MIT Working Paper, 2. März 2023, nicht begutachtet.
5. Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. Quarterly Journal of Economics 140(2), 889-942, 2025 (nur Abstract).
6. Dell’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).
7. Humlum, A., Vestergaard, E. Large Language Models, Small Labor Market Effects. Becker Friedman Institute Working Paper 2025-56, aktualisiert im September 2025.
8. Bick, A., Blandin, A., Deming, D. J. The Rapid Adoption of Generative AI. NBER Working Paper 32966, überarbeitet im Februar 2025.
9. Tai-Seale, M., et al. AI-Generated Draft Replies Integrated Into Health Records and Physicians’ Electronic Communication. JAMA Network Open 7(4), e246565, 2024.
10. Garcia, P., Ma, S. P., et al. Artificial Intelligence-Generated Draft Replies to Patient Inbox Messages. JAMA Network Open 7(3), e243201, 2024.
11. 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.
12. Vasconcelos, H., Jörke, 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.
13. 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).
14. 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).
15. 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.
16. 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.
17. DORA (Google Cloud). Accelerate State of DevOps Report 2024. Google-Forschung.
18. DORA (Google Cloud). State of AI-assisted Software Development 2025. Google-Forschung.
19. Stack Overflow. 2025 Developer Survey, Abschnitt zu KI. Unternehmensumfrage (kommerziell).
20. 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 veröffentlicht (kommerziell); vollständiger Bericht nicht geöffnet.
21. BetterUp Labs und Stanford Social Media Lab. Workslop: The Hidden Cost of AI-Generated Busywork. Umfrage unter 1.150 US-Büroangestellten, September 2025. Vom Unternehmen veröffentlicht (kommerziell).

CEOtudent-Analysen in diesem Artikel: Das Kontenbuch der Prüfsteuer (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 Wahrnehmungslücke von 39 Punkten und der erhaltene Anteil von 60 Prozent sind CEOtudent-Berechnungen aus jeweils einer einzigen Quelle (die wöchentliche Zahl von 2,2 Stunden ist von Bick und Kollegen abgedruckt und wurde nachgeprüft); 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 erhöht (die Primärseite lieferte einen Zugriffsfehler und wurde nicht auf anderem Weg geöffnet); die minutengenaue Workslop-Angabe pro Vorfall, die aus den Artikeln der Harvard Business Review kursiert, die nicht geöffnet wurden (die geöffnete BetterUp-Seite nennt „2 Std.“); und der aus dem Working Paper von Dell’Acqua viel zitierte Prozentsatz des Qualitätsgewinns, weil das hier geöffnete veröffentlichte Abstract nur von „signifikant verbesserter Qualität“ spricht.

---

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: