Ich beginne mit einer unbequemen Zahl: In einer randomisierten Studie des Forschungsinstituts METR waren erfahrene Entwickler mit KI-Werkzeugen 19 Prozent langsamer als ohne. Das Bemerkenswerte daran ist nicht die Verlangsamung. Es ist, dass dieselben Entwickler hinterher fest davon überzeugt waren, 20 Prozent schneller gewesen zu sein.
Lassen Sie das einen Moment wirken. Fast 40 Prozentpunkte zwischen gefühlter und gemessener Produktivität, bei hochqualifizierten Profis, die ihre eigene Arbeit besser kennen sollten als jeder andere.
Ich erlebe diese Lücke gerade in vielen Führungsetagen. Jeder nutzt KI. Jeder fühlt sich produktiver. Und gleichzeitig berichtet die Internationale Arbeitsorganisation vom „Aggregation Paradox“: Die individuellen Effizienzgewinne kommen auf Unternehmensebene schlicht nicht an. Erste Entwürfe entstehen schneller, und die gesparte Zeit wandert in Prüfen, Nacharbeiten, Korrigieren. Aus Schreibarbeit wird Redigierarbeit. Unterm Strich: Verschiebung statt Gewinn.
Vier Entkopplungen
Wenn ich die Forschung der letzten zwölf Monate zusammenlege, sehe ich nicht ein Produktivitätsproblem, sondern vier Entkopplungen.
Erstens: die Entkopplung vom eigenen Ergebnis. Das MIT Media Lab hat in der Studie „Your Brain on ChatGPT“ per EEG gemessen, was beim Schreiben mit KI im Kopf passiert. Die LLM-Gruppe zeigte die schwächste neuronale Vernetzung und das geringste Gefühl von Eigentümerschaft an den eigenen Texten, und sie konnte die eigene Arbeit hinterher kaum noch zitieren. Die Forscher nennen das „cognitive debt“: kognitive Schulden, die man aufnimmt, ohne den Zinssatz zu kennen. Wer Ergebnisse produziert, die er nicht mehr als seine eigenen erkennt, hat den Bezug zu seiner Arbeit verloren. Das ist kein Effizienzthema. Das ist ein Substanzthema.
Zweitens: die Entkopplung vom eigenen Urteil. Sprachmodelle sind nachweislich sykophantisch: Sie stimmen zu. Studien zeigen, dass schon die Formulierung „Ich glaube, die Antwort ist X“ Modelle in rund zwei Dritteln der Fälle dazu bringt, eine falsche Nutzermeinung zu übernehmen. Nach Widerspruch wechseln sie von richtigen zu falschen Antworten. Die Ursache ist kein Gruppenzwang wie beim Menschen, sondern ein Trainingsartefakt: Modelle werden dafür belohnt, dass Menschen ihre Antworten mögen. Das Ergebnis ist aber dasselbe wie in jeder schlecht geführten Managementrunde: Konformität statt Korrektiv. Wer KI als Bestätigungsinstanz nutzt, hat keinen Sparringspartner. Er hat einen Spiegel mit Eloquenz.
Drittens: die Entkopplung vom Unternehmen selbst. Ein generisches Modell, das man auf die eigenen Datenbanken loslässt, liefert keine brauchbaren Antworten. Es kennt weder Strategie noch Sprache noch Kontext der Organisation. KI zieht in die Unternehmen ein, aber sie versteht sie nicht. Und Werkzeuge, die nicht verstehen, produzieren genau das, was die Statistik zeigt: viel Output, wenig Wirkung.
Viertens: die Entkopplung von der eigenen Einzigartigkeit. Das ist die strategisch gefährlichste. Wenn alle dieselben Copiloten mit denselben Standard-Prompts auf dieselben Modelle loslassen, produzieren alle dasselbe. Die Forschung bestätigt das inzwischen empirisch: LLM-Outputs sind über Modellfamilien hinweg untereinander deutlich ähnlicher als menschliche. Wer KI als Denkpartner nutzt, konvergiert mit allen anderen KI-Nutzern auf dieselben Ergebnisse. Eine dänische Studie mit 25.000 Beschäftigten in 7.000 Firmen zeigt zugleich: Trotz Adoptionsraten von 64 bis 90 Prozent waren die Effekte auf Löhne und Stunden nach zwei Jahren praktisch null. Massenhafte, unqualifizierte Nutzung von Standard-KI erzeugt also genau das, was Ökonomen erwarten würden: Was jeder hat, differenziert niemanden. Me-too-Werkzeuge erzeugen Me-too-Produkte. Und schlimmer: Was Ihr Unternehmen einzigartig macht, das Erfahrungswissen Ihrer Leute und Ihre Art, Probleme zu lösen, fließt in keinen dieser Copiloten ein. Es kratzt an der Oberfläche und nennt es Fortschritt.
Man könnte es zuspitzen: Wir bauen gerade Organisationen, in denen Menschen Ergebnisse verantworten, die sie nicht durchdrungen haben, abgesichert von einer KI, die ihnen vor allem recht gibt, auf Basis von Daten, die niemand von beiden wirklich versteht. Und am Ende sehen alle Wettbewerber gleich aus. Dass das in keiner Bilanz ankommt, sollte uns nicht überraschen.
Die konstruktive Wende: Es liegt nicht an der Technologie
Hier könnte der Artikel zynisch enden. Tut er nicht, denn dieselbe Forschung zeigt auch den Ausweg.
Die METR-Studie sagt nicht „KI macht langsamer“. Sie sagt: Unstrukturierter KI-Einsatz bei Experten in komplexen Kontexten macht langsamer, und niemand merkt es, weil niemand misst. Die Support-Forschung zeigt umgekehrt: Bei Routineaufgaben und weniger erfahrenen Mitarbeitenden steigen Lösungsquoten um über 30 Prozent. Und die MIT-Studie zeigt: Wer zuerst selbst denkt und KI danach einsetzt, behält Engagement und Eigentümerschaft. Die Reihenfolge macht den Unterschied, nicht das Werkzeug.
Das Problem ist also lösbar. Aber es ist kein Tool-Problem, sondern ein Architektur- und Führungsproblem. Genau dafür haben wir bei BRIDGE unseren Ansatz entwickelt: Fähigkeiten aufbauen, mit Menschen und KI. Drei Prinzipien daraus adressieren die vier Entkopplungen direkt.
1. Grounding statt Generik. KI braucht ein Modell des Unternehmens, nicht nur Zugriff auf seine Daten. Unser Wissensgraph in BRAIN baut mit einer Ontologie ein lebendes Abbild der Organisation: Strategie, Wissen, Kontext, Verantwortlichkeiten. Jede Antwort ist in den eigenen Quellen verankert und nachprüfbar. Dass das funktioniert, ist messbar: Unser Tech-Service-Agent beantwortet bei Industriekunden Fachfragen über mehr als 140.000 Dokumente mit rund 96 Prozent Genauigkeit, gerade weil er nur sagt, was er belegen kann. Eine KI, die Quellen zeigt, kann man prüfen. Eine KI, die man prüfen kann, entkoppelt nicht, sie verbindet. Und es ist zugleich die Antwort auf die Me-too-Falle: Das Modell Ihrer Organisation, ihr Wissen, ihre Sprache und ihre Eigenheiten, ist das Einzige an Ihrem KI-Stack, das kein Wettbewerber kaufen kann. Das Sprachmodell ist Commodity. Das Verstehen ist es nicht.
2. Menschen im Loop, strukturell statt symbolisch. „Human in the loop“ darf kein Feigenblatt sein, bei dem ein Mensch müde abnickt, was die Maschine vorschlägt. In unserer 6D-Logik (Discover, Define, Develop, Decide, Design, Deploy) bleibt die Entscheidung ausdrücklich beim Menschen, und zwar als kollektive Entscheidung: KI konsolidiert Perspektiven, Menschen ringen um die Bewertung und verpflichten sich auf die Umsetzung. Das ist das wirksamste Gegenmittel gegen Sykophantie, das ich kenne. Eine KI kann Ihnen nach dem Mund reden, zwanzig Schlüsselpersonen mit Umsetzungsverantwortung tun das nicht. Eigentümerschaft entsteht nicht durch Delegation an die Maschine, sondern durch Beteiligung an der Entscheidung.
3. Messen statt fühlen. Wenn Profis sich um 40 Prozentpunkte verschätzen, sind Zufriedenheitsumfragen zum KI-Einsatz wertlos. Für uns heißt das: Wirkung wird auf Organisationsebene gemessen, an Durchlaufzeiten, Qualität und dem Umsetzungsgrad von Initiativen, nicht auf der Ebene gefühlter Einzelproduktivität. Erst dann sieht man, wo KI trägt (Routine, Wissenszugang, Konsolidierung) und wo sie schadet (Kernarbeit von Experten, Urteilsbildung, Verantwortung).
Was ich Geschäftsführern heute rate
Ein Wort noch zum Wildwuchs an Agenten, der gerade in vielen Häusern entsteht: Wer sein Unternehmen mit mittelmäßigen Standard-Agenten zupflastert, braucht zweierlei. Erstens Hygiene: jeder Agent mit eigenem Owner, eigener Identität, definiertem Lebensende und gemessener Genauigkeit, bevor er Verantwortung für einen Prozess bekommt. Nicht-menschliche Identitäten übertreffen menschliche in Unternehmen bereits 45 zu 1, und nur gut jede fünfte Organisation steuert sie sauber. Zweitens eine Architektur mit zwei Schichten: Standard-Copiloten für die persönliche Produktivität zulassen, aber von Kernsystemen fernhalten, und die Investitionen in die Schicht lenken, die das Unternehmen wirklich versteht. Die guten Systeme verdrängen die mittelmäßigen dann nicht per Dekret, sondern weil niemand freiwillig zur unbelegten Antwort zurückkehrt.
KI-Einsatz zu stoppen wäre die falsche Konsequenz, der Wettbewerbsnachteil wäre größer als das heutige Paradox. Aber „mehr Lizenzen“ ist keine Strategie. Die Frage für 2026 lautet nicht, ob Ihre Leute KI nutzen. Das tun sie längst, mit oder ohne Freigabe. Die Frage ist, ob Ihre Organisation eine Architektur hat, in der KI Ihr Unternehmen versteht, Ihre Menschen entscheiden und Ihre Zahlen die Wahrheit sagen.
Die Produktivität der Einzelnen ist gestiegen. Jetzt ist Führung dran, daraus die Produktivität des Ganzen zu machen.
Wie messen Sie in Ihrem Unternehmen, ob KI tatsächlich wirkt oder nur gefühlt? Ich freue mich auf den Austausch.