Künstliche Intelligenz wird in vielen Unternehmen als Produktivitätsversprechen eingeführt. Das klingt harmlos. Ist es aber nicht. Wer Produktivität sagt, spricht immer auch über Arbeit: über Aufgaben, Rollen, Erwartungen, Kontrolle, Geschwindigkeit, Zuständigkeiten und über die Frage, wer am Ende von einer Entlastung profitiert. Deshalb wird die KI-Debatte in Unternehmen nicht auf der Ebene der Technologie entschieden. Sie wird dort entschieden, wo Arbeit tatsächlich stattfindet.

 

Der wirtschaftliche Druck ist groß. Deutschland verliert an Attraktivität für ausländische Investitionen. Kosten steigen, Unsicherheit bleibt, Reformen kommen langsam voran. Unternehmen müssen produktiver werden, ohne einfach mehr Personal, mehr Budget oder mehr Zeit einsetzen zu können. In dieser Lage wirkt KI wie eine Antwort, auf die viele gewartet haben. Sie verspricht Tempo, Entlastung, Automatisierung, bessere Entscheidungen, mehr Output.

 

Besonders im Marketing ist die Erwartung hoch. Budgets stehen unter Druck, Kanäle werden komplexer, Kundenerwartungen steigen, Datenquellen vermehren sich, und zugleich soll alles schneller, präziser und messbarer werden. KI scheint dafür gemacht: Kampagnenideen, Varianten, Zielgruppen, Analysen, Mediapläne, Reports, Texte, Bilder, Prognosen. Was früher Tage dauerte, entsteht in Minuten. Zumindest auf den ersten Blick.

 

Der zweite Blick ist unbequemer. Es ist leicht, ein KI-Tool einzuführen. Es ist schwer, Arbeit neu zu ordnen. Es ist leicht, ein Pilotprojekt zu starten. Es ist schwer, alte Routinen zu beenden. Es ist leicht, Mitarbeitende zur Nutzung von KI zu ermuntern. Es ist schwer, offen zu sagen, welche Arbeit künftig nicht mehr gebraucht wird, welche Zuständigkeit bleibt und welche Erwartung ausdrücklich nicht steigen soll.

 

Viele Unternehmen führen KI additiv ein. Bestehende Reports bleiben. Bestehende Meetings bleiben. Bestehende Freigaben bleiben. Bestehende Schattenlisten bleiben. Bestehende Abstimmungsschleifen bleiben. Bestehende Dokumentationspflichten bleiben. Darauf kommt ein weiteres Werkzeug, ein weiterer Kanal, eine weitere Erwartung. Die Organisation arbeitet dann nicht weniger, sondern anders mehr. Sie produziert mehr Varianten, mehr Entwürfe, mehr Analysen, mehr Präsentationen, mehr Content, mehr Prüfbedarf.

 

Im Alltag fühlt sich das selten nach Entlastung an.

 

Produktivität entsteht nicht, wenn ein System schneller schreibt, schneller zusammenfasst oder schneller auswertet. Produktivität entsteht erst, wenn eine Organisation entscheidet, welche Tätigkeit dadurch entfällt. Ein automatisch erstellter Report spart nichts, wenn er anschließend geprüft, kommentiert, diskutiert und in ein weiteres Format übertragen wird. Ein KI-generierter Kampagnenentwurf entlastet nicht, wenn danach drei zusätzliche Abstimmungsrunden entstehen. Ein Chatbot hilft nur begrenzt, wenn die ungelösten Fälle anschließend mit größerem Misstrauen bei Menschen landen.

 

Gerade im Marketing lässt sich das gut beobachten. Ein Team nutzt KI, um schneller Kampagnenideen, Betreffzeilen, Landingpage-Texte und Social-Media-Varianten zu erzeugen. Auf den ersten Blick steigt die Leistung. Aus drei Varianten werden zwanzig. Aus einer Headline entstehen fünfzig. Aus einem Briefing werden mehrere Zielgruppenansprachen. Doch wenn nicht entschieden wird, welche Abstimmung entfällt, welche Varianten gar nicht erst geprüft werden und welche Qualitätskriterien gelten, wächst die Arbeit. Mehr Content erzeugt mehr Auswahl, mehr Korrektur, mehr Unsicherheit. Die Maschine schreibt schneller. Die Organisation entscheidet nicht besser.

 

In Media und Advertising zeigt sich dasselbe Muster. KI kann Zielgruppen clustern, Gebote optimieren, Creatives dynamisch variieren, Budgetverschiebungen vorschlagen und Kampagnenperformance zusammenfassen. Das kann entlasten. Es wird aber zur Mehrarbeit, wenn Media-Teams weiterhin dieselben Wochenreports bauen, dieselben Kampagnen manuell erklären, dieselben Freigaben einholen und zusätzlich die Logik der Plattformen plausibilisieren müssen. Dann entsteht kein schlankerer Media-Betrieb, sondern eine neue Kontrollschicht über einer alten Steuerungslogik.

 

Im AdTech-Umfeld ist das besonders riskant. Automatisierte Gebotsstrategien, Dynamic Creative Optimization, Retail-Media-Netzwerke, Clean Rooms, serverseitiges Tracking, Consent Management und Attribution sind ohnehin komplex. KI beseitigt diese Komplexität nicht einfach. Sie kann sie sogar verdecken. Wenn Datenqualität, Consent-Logik, Taxonomien, Zielgruppendefinitionen und Messmodelle nicht sauber sind, optimiert KI auf unsicherer Grundlage. Dann steigt nicht Wirkung, sondern Fehlergeschwindigkeit. Ein schlecht definiertes Segment bleibt schlecht, auch wenn es automatisiert bespielt wird.

 

Eine falsche Attribution wird nicht richtiger, weil ein Modell sie flüssig zusammenfasst.

 

Auch im MarTech-Betrieb ist KI selten die alleinige Antwort. Viele Unternehmen betreiben CRM, Marketing Automation, CDP, Consent Management, Webanalyse, Data Warehouse, Personalization Engine, E-Mail-Plattform, Customer Journey Tool und Reporting-Layer nebeneinander. KI-Assistenten können helfen, Daten abzufragen, Segmente vorzuschlagen, Kampagnen zu konfigurieren oder Analysen zu formulieren. Aber wenn niemand festlegt, welches System führend ist, welche Datenqualität ausreicht, welche Felder gepflegt werden müssen und welche manuelle Doppelpflege entfällt, wird KI zum freundlichen Aufsatz auf einer überlasteten Architektur. Der Stack wird nicht einfacher. Er bekommt nur eine neue Bedienoberfläche.

 

Die Arbeitgeberperspektive ist nachvollziehbar. Unternehmen müssen effizienter werden. In vielen Bereichen ist Arbeit durch Komplexität aufgebläht. Marketing, Vertrieb, Service, HR und Controlling sind voll von Tätigkeiten, die historisch gewachsen sind und kaum noch grundsätzlich geprüft werden. Es gibt Berichte, die erstellt werden, weil sie immer erstellt wurden. Freigaben, die niemand abschaffen will, weil niemand das Risiko übernehmen möchte. Meetings, die vor allem der Absicherung dienen. Dokumentationen, die mehr über Misstrauen als über Steuerung sagen. In solchen Strukturen kann KI tatsächlich helfen.

 

Aber sie hilft nicht automatisch. Arbeitgeber sehen häufig zuerst den Output. Mehr Texte. Schnellere Analysen. Kürzere Antwortzeiten. Mehr personalisierte Varianten. Weniger manuelle Recherche. Das ist legitim. Doch wenn diese Logik allein dominiert, entsteht eine verkürzte Rechnung. Das Management fragt: Wie bekommen wir mit derselben Mannschaft mehr heraus? Beschäftigte fragen: Kommt die Entlastung bei uns an, oder steigt nur die Erwartung?

 

Für Arbeitnehmerinnen und Arbeitnehmer ist KI selten nur ein Werkzeug. Sie ist ein Signal. Sie kann Erleichterung bedeuten, wenn mühsame Routinearbeit verschwindet. Sie kann auch Bedrohung bedeuten, wenn unklar bleibt, ob Effizienz am Ende Personalabbau, Verdichtung oder dauerhafte Leistungssteigerung meint. Wer ohnehin unter hoher Taktung arbeitet, hört bei KI-Versprechen oft nicht Entlastung. Er hört: Bald wird mehr erwartet.

 

Damit entsteht ein Vertrauensproblem. Es lässt sich nicht durch Schulungen lösen und auch nicht durch interne Kommunikation. Menschen arbeiten nicht offen mit neuen Systemen, wenn sie befürchten müssen, dadurch die eigene Ersetzbarkeit zu beweisen. Sie experimentieren nicht frei, wenn jeder Zeitgewinn sofort zur neuen Norm wird. Sie teilen keine Unsicherheiten, wenn Führung vor allem Begeisterung erwartet. Dann entsteht die schlechteste Form der Digitalisierung: formale Zustimmung, defensive Nutzung, verdeckte Umgehung.

 

Aus Sicht von Digital Leadership ist das kein weicher Faktor. Es ist eine Leistungsbedingung. Organisationen lernen nur, wenn Menschen genug Sicherheit haben, Unklarheit auszusprechen. Wer Angst vor Statusverlust, Kontrolle oder Überforderung hat, lernt nicht besser, nur weil ein neues System verfügbar ist. Vertrauen ist hier keine Kulturromantik. Es ist die Voraussetzung dafür, dass KI nicht nur eingeführt, sondern in Arbeitsweisen übersetzt wird.

 

Viele KI-Programme scheitern nicht an der Technik, sondern am fehlenden Umbau der Arbeit. Sie verwechseln Einführung mit Veränderung. Die Software ist live, die Lizenzen sind verteilt, die ersten Anwendungsfälle laufen. Aber die Organisation arbeitet weiter nach alten Mustern. Das ist aus den meisten Digitalisierungsprogrammen bekannt. Erst wird ein Werkzeug eingeführt, danach wundert man sich, dass Prozesse, Rollen, Kompetenzen und Entscheidungen nicht automatisch folgen.

 

In vielen mittelständischen Unternehmen ist dieses Muster besonders gut sichtbar. Es fehlt selten nur an Technologie. Es fehlt an klaren Zuständigkeiten, belastbaren Daten, sauber beschriebenen Prozessen, einheitlichen Begriffen, Entscheidungswegen und digitaler Routine. Wird in eine solche Organisation KI gelegt, entsteht keine neue Reife. Es entsteht schnellere Improvisation. Der Reifegrad steigt nicht dadurch, dass ein neues Werkzeug hinzukommt. Er steigt, wenn Strategie, Struktur, Systeme, Fähigkeiten, Führungsstil und gemeinsame Werte zusammenpassen.

 

Die bessere Einstiegsfrage lautet deshalb nicht: Wo können wir KI einsetzen?

Sie lautet:

• Welche Arbeit ist heute überhaupt noch sinnvoll?
• Welche Arbeit existiert nur, weil Systeme schlecht verbunden sind?
• Welche Arbeit dient der Absicherung statt der Wertschöpfung?
• Welche Reports werden gelesen, aber nicht genutzt?
• Welche Meetings ersetzen Entscheidungen?
• Welche Freigaben verschleiern fehlendes Vertrauen?
• Welche Dokumentation entsteht nur, weil niemand der Datenbasis traut?

 

Erst wenn diese Fragen gestellt werden, kann KI produktiv werden.

Die Logik „Wollen, Können, Machen“ hilft, die Schwäche vieler Programme zu erkennen. Viele Unternehmen wollen KI. Es gibt Strategiepapiere, Piloten, Budgets, Anbieterpräsentationen und Vorstandsrunden. Das Können ist deutlich schwächer. Es fehlen Datenqualität, Prozessklarheit, Governance, Rollen, Kompetenzen und Vertrauen. Und beim Machen zeigt sich der Fehler: Statt Arbeit neu zu ordnen, werden Tools eingeführt. Statt Entscheidungswege zu verkürzen, werden Ergebnisse beschleunigt. Statt Aufgaben abzuschaffen, wird zusätzlicher Output erzeugt.

 

Hier liegt der Konflikt zwischen Arbeitgebern und Arbeitnehmern. Arbeitgeber erwarten Produktivität. Arbeitnehmer erwarten Fairness. Arbeitgeber wollen mit KI Kosten senken, Geschwindigkeit erhöhen oder Wachstum ermöglichen. Arbeitnehmer wollen wissen, ob die gewonnene Zeit zu Entlastung, Lernen, besserer Arbeit oder nur zu mehr Taktung führt. Beides ist legitim. Aber es muss ausgesprochen werden.

 

Wer das verschweigt, beschädigt Vertrauen.

 

Eine ehrliche KI-Einführung müsste mit einer unangenehmen Liste beginnen. Welche Aufgaben werden durch KI vollständig ersetzt? Welche teilweise? Welche bleiben menschlich, weil sie Urteil, Beziehung oder Verantwortung brauchen? Welche Qualitätsprüfung bleibt unverzichtbar? Welche Freigabe entfällt? Welcher Report wird gestrichen? Welche Meetingserie wird beendet? Welche Kennzahl wird angepasst, weil sie sonst nur mehr Output statt bessere Wirkung misst?

 

Für Marketing heißt das konkret: Wird der monatliche Kampagnenreport gestrichen, wenn ein Dashboard mit KI-Zusammenfassung täglich verfügbar ist? Entfallen manuelle Wettbewerbsrecherchen, wenn ein System sie zuverlässig vorbereitet? Werden Briefings kürzer, wenn Zielgruppen-, Angebots- und Kanalinformationen sauber im System liegen? Oder bleiben alle alten Formate bestehen, während zusätzlich KI-generierte Varianten geprüft werden müssen?

 

Für Media heißt es: Wenn KI Budgetverschiebungen vorschlägt, welche manuelle Optimierung fällt weg? Wenn Plattformen automatisch Creatives testen, welche Freigabeschritte werden verschlankt? Wenn Retail Media, Search, Social, Display und CTV übergreifend ausgewertet werden, entsteht dann ein gemeinsames Steuerungsmodell oder bauen alle Kanäle weiterhin eigene Berichte? Ohne Antwort auf diese Fragen erzeugt KI mehr Media-Betrieb, nicht bessere Media-Steuerung.

 

Für MarTech und AdTech heißt es: Wenn eine CDP Segmente automatisiert vorschlägt, wer verantwortet die Segmentlogik? Wenn ein Consent-System Signale in Echtzeit steuert, welche manuellen Prüfungen entfallen? Wenn ein Clean Room neue Auswertungen ermöglicht, welche alten Attributionstabellen werden abgeschafft? Wenn ein KI-Assistent Kampagnen in der Marketing Automation vorbereitet, wer entscheidet über Datenqualität, Ausschlüsse und Kontaktfrequenz? Wer nur neue Fähigkeiten aktiviert, ohne alte Arbeit zu beenden, erhöht die operative Last.

 

In vielen Unternehmen fehlt genau diese Streichliste. Es gibt stattdessen Ideenlisten. Anwendungsfälle. Roadmaps. Schulungspläne. Prompt-Bibliotheken. Governance-Boards. All das kann sinnvoll sein. Aber ohne Streichliste bleibt KI ein Zusatzprogramm. Und Zusatzprogramme erzeugen Arbeit.

 

Besonders gefährlich wird es, wenn KI schlechte Prozesse nur flüssiger macht. Eine unklare Strategie wird nicht besser, weil Präsentationen schneller entstehen. Eine schwache Positionierung wird nicht schärfer, weil mehr Content produziert wird. Ein schlecht definiertes Segment wird nicht wertvoller, weil es automatisiert bespielt wird. Ein misstrauisches Reporting wird nicht besser, weil Zusammenfassungen schneller geschrieben werden. KI kann Schwächen tarnen, bevor sie sie löst.

 

Das gilt auch für Führung. Wer vorher nicht entschieden hat, wird durch KI nicht entscheidungsstärker. Wer Verantwortung diffus hält, bekommt keine klare Organisation, nur weil ein Agent Aufgaben übernimmt. Wer alte Machtmuster nicht anspricht, automatisiert sie womöglich. Wer Angst im System erzeugt, bekommt keine Lernkultur. Wer Kontrolle mit Führung verwechselt, wird KI nutzen, um Kontrolle weiter auszubauen.

 

In solchen Fällen wird KI nicht zum Produktivitätshebel, sondern zum Verstärker des Bestehenden.

 

Für Arbeitnehmer ist das problematisch. Sie tragen oft die praktische Last solcher Einführungen. Sie sollen neue Werkzeuge lernen, alte Arbeit weiter leisten, Ergebnisse prüfen, Fehler erkennen, Risiken vermeiden und zugleich schneller liefern. Offiziell heißt es: KI entlastet. Praktisch kommt eine neue Ebene der Arbeit hinzu. Wer KI-Ergebnisse nutzt, muss sie kontrollieren. Wer sie nicht nutzt, muss sich rechtfertigen. Wer sie falsch nutzt, trägt Verantwortung. Wer sie gut nutzt, bekommt häufig mehr Arbeit.

 

Diese Dynamik schadet der Akzeptanz. Beschäftigte sind nicht gegen Entlastung. Sie sind gegen unehrliche Entlastungsversprechen. Viele wissen sehr genau, welche Tätigkeiten unsinnig sind. Sie wissen, welche Abstimmungen nur der Absicherung dienen. Sie wissen, welche Berichte niemand braucht. Sie wissen, wo Daten nicht stimmen, wo Prozesse brechen, wo Systeme doppelt gepflegt werden. Eine kluge KI-Einführung würde dieses Wissen nutzen.

 

Stattdessen werden Mitarbeitende oft erst dann gefragt, wenn die Lösung schon ausgewählt ist. Dann sollen sie akzeptieren, was sie nicht mitgestaltet haben. Das ist kein Beteiligungsproblem im moralischen Sinn. Es ist ein Qualitätsproblem. Wer Arbeit nicht versteht, kann sie nicht sinnvoll automatisieren. Und wer Arbeit nur aus Sicht des Managements versteht, automatisiert häufig die falschen Teile.

 

Aus Arbeitgeberperspektive ist diese Einbindung kein Gefallen. Sie ist wirtschaftlich notwendig. KI erzeugt nur dann Wert, wenn sie an den richtigen Stellen eingesetzt wird. Diese Stellen liegen selten nur in Organigrammen oder Prozesshandbüchern. Sie liegen in der tatsächlichen Arbeit: in informellen Übergaben, in Datenbrüchen, in wiederkehrenden Korrekturen, in unnötigen Rückfragen, in stillen Umgehungslösungen. Dort steckt Produktivität. Dort entsteht aber auch Widerstand, wenn über Menschen hinweg entschieden wird.

 

Wer KI als Sparprogramm einführt, bekommt schnell Misstrauen. Wer KI als Arbeitsverbesserung einführt, muss zeigen, was besser wird. Das bedeutet nicht, dass jede Effizienzsteigerung in Freizeit umgewandelt werden muss. Unternehmen sind keine Wohlfahrtsverbände. Aber es braucht eine faire Verteilung der Gewinne. Ein Teil kann in Kostenentlastung gehen. Ein Teil in bessere Qualität. Ein Teil in Weiterbildung. Ein Teil in reduzierte Überlastung. Ein Teil in schnellere Kundenreaktion. Wird alles nur in höhere Zielwerte übersetzt, entsteht keine Transformation.

 

Es entsteht Verdichtung.

 

Diese Verdichtung lässt sich im Marketing leicht unterschätzen. Ein Team, das früher drei Kampagnenvarianten erstellt hat und mit KI nun dreißig Varianten erzeugen kann, ist nicht automatisch produktiver. Wenn Mediaplanung, Kreation, Legal, Brand, CRM und Analytics alle dreißig Varianten prüfen, steigt die Last. Wenn jede Plattform zusätzliche Asset-Formate verlangt, steigt die Last. Wenn jede Zielgruppe eigene Botschaften bekommt, aber keine klare Entscheidungslogik existiert, steigt die Last. Die Arbeit verschiebt sich von Erstellung zu Prüfung, von Produktion zu Kontrolle, von Kreativität zu Koordination.

 

In AdTech kommt hinzu, dass Automatisierung selten vollständig transparent ist. Plattformen optimieren, aber sie erklären nicht immer so, dass Fachbereiche daraus lernen können. Media-Teams müssen deshalb nicht weniger verstehen, sondern mehr. Sie müssen Datenqualität, Conversion-Definitionen, Consent-Ausfälle, Modelllogiken, Frequenzwirkungen, Kanalüberschneidungen und inkrementelle Effekte einordnen. KI nimmt ihnen diese Aufgabe nicht ab. Sie macht sie sichtbarer.

 

Die nötige Disziplin betrifft nicht nur Technik. Sie betrifft Arbeit. Welche KI-Ergebnisse gelten als vorläufig? Welche dürfen nach Prüfung verwendet werden? Wer haftet für falsche Aussagen? Welche Inhalte brauchen fachliche Freigabe? Welche Entscheidungen dürfen nicht automatisiert werden? Welche Daten dürfen in Systeme eingegeben werden? Welche Arbeitszeit wird für Lernen, Testen und Korrigieren eingeplant? Wer diese Fragen nicht beantwortet, verlagert Risiko auf die Beschäftigten.

 

Das ist der blinde Fleck vieler KI-Debatten. Man spricht über Toolkosten, Lizenzmodelle, Effizienz und Anwendungsfälle. Man spricht weniger darüber, wer die zusätzliche kognitive Last trägt. Denn KI nimmt Arbeit nicht nur ab. Sie verändert Arbeit. Aus Erstellen wird Prüfen. Aus Recherchieren wird Bewerten. Aus Formulieren wird Kuratieren. Aus Ausführen wird Überwachen. Das kann anspruchsvoller und besser sein. Es kann aber auch anstrengender werden, wenn Verantwortung wächst, ohne dass Zeit, Kompetenz und Entscheidungsrechte mitwachsen.

 

Weiterbildung allein reicht deshalb nicht. Natürlich brauchen Menschen Fähigkeiten im Umgang mit KI. Sie müssen verstehen, wie Systeme arbeiten, wo Grenzen liegen, wie Ergebnisse geprüft werden und welche Daten genutzt werden dürfen. Aber Kompetenz ohne Handlungsspielraum führt zu Frust. Wer prüfen soll, braucht Zeit. Wer Verantwortung tragen soll, braucht Entscheidungsrechte. Wer neue Arbeit übernehmen soll, muss alte Arbeit abgeben können.

 

Hier liegt die Aufgabe des Managements. Nicht jede Führungskraft muss KI-Spezialist werden. Aber jede Führungskraft muss Arbeitsarchitekt werden. Sie muss entscheiden, welche Arbeit verschwindet, welche bleibt, welche neu entsteht und welche Standards gelten. Das ist unbequemer als ein Tool-Rollout. Es greift in Routinen ein. Es berührt Macht. Es stellt Rollen infrage. Es zwingt dazu, Prioritäten nicht nur zu verkünden, sondern sichtbar zu machen.

 

Ein gutes KI-Programm müsste drei Prüfungen bestehen. Wird konkrete Arbeit reduziert oder abgeschafft? Ist klar, wer die verbleibende Verantwortung trägt? Haben die betroffenen Menschen Zeit, Fähigkeiten und Rechte, um die neue Arbeit gut zu leisten? Wenn eine dieser Fragen offen bleibt, ist das Programm noch kein Produktivitätsprogramm. Es ist ein Technologieprogramm mit Produktivitätsbehauptung.

 

Viele Organisationen weichen genau hier aus. Sie sagen, es sei zu früh, Arbeit abzuschaffen. Man müsse erst Erfahrungen sammeln. Man wolle niemanden verunsichern. Man müsse flexibel bleiben. Das kann stimmen. Es kann aber auch die bequemere Ausrede sein. Solange alte Arbeit nicht infrage gestellt wird, bleibt das Neue additiv. Und additive Veränderung ist der sicherste Weg in Überlastung.

 

Der Satz „Wir wollen euch entlasten“ reicht nicht. Er muss im Kalender sichtbar werden. In weniger Abstimmungen. In kürzeren Freigaben. In weniger doppelter Pflege. In gestrichenen Reports. In klareren Zuständigkeiten. In besseren Daten. In mehr Lernzeit. In weniger Pseudo-Transparenz. Wenn Beschäftigte davon nichts merken, ist KI für sie keine Entlastung, sondern ein Managementnarrativ.

 

Auch Arbeitgeber sollten daran kein Interesse haben. Überlastete Organisationen werden nicht produktiver. Sie werden fehleranfälliger, defensiver und langsamer. Sie verlieren die Fähigkeit, Wesentliches von Unwesentlichem zu unterscheiden. Dann erzeugt KI zwar mehr Output, aber nicht mehr Wirkung. Mehr Varianten sind kein Fortschritt, wenn niemand sauber entscheidet. Mehr Content ist kein Wert, wenn er austauschbar wird. Mehr Analyse ist keine Führung, wenn daraus keine Konsequenz entsteht.

 

Die entscheidende Frage lautet nicht: Wie viele KI-Anwendungsfälle haben wir? Sie lautet: Welche Arbeit haben wir durch KI beendet? Solange diese Frage offen bleibt, ist der Produktivitätsgewinn theoretisch.

Arbeitgeber brauchen den Mut, offen über Effizienz zu sprechen. Arbeitnehmer brauchen die Sicherheit, dass Effizienz nicht automatisch Verdichtung bedeutet. Beide Seiten brauchen eine ehrlichere Sprache. KI kann Arbeit erleichtern. KI kann Arbeit verändern. KI kann Arbeit ersetzen. Alles drei ist möglich. Aber jede dieser Wirkungen verlangt andere Führung.

 

• Wer Entlastung verspricht, muss Arbeit streichen.
• Wer Veränderung verlangt, muss Lernen ermöglichen.
• Wer Automatisierung einführt, muss Zuständigkeiten klären.
• Wer Produktivität erwartet, muss Prioritäten setzen.

 

Am Ende wird KI nicht daran gemessen werden, wie viele Lizenzen ausgerollt wurden. Auch nicht daran, wie viele Mitarbeitende geschult wurden oder wie viele Inhalte schneller entstehen. Sie wird daran gemessen werden, ob Unternehmen mit weniger Reibung bessere Entscheidungen treffen, Kunden sauberer bedienen, Beschäftigte sinnvoller einsetzen und wirtschaftlich robuster werden.

 

Das gelingt nicht durch KI allein. Es gelingt durch Führung, die bereit ist, Arbeit neu zu ordnen.

Wer KI einführt, ohne Arbeit abzuschaffen, schafft nur neue Arbeit. Und wer neue Arbeit schafft, sollte wenigstens so ehrlich sein, sie nicht Produktivität zu nennen.