Ab dem vierten KI-Tool kippt der Produktivitätseffekt

Die Debatte über künstliche Intelligenz im Arbeitsalltag wurde lange so geführt, als ließe sich Produktivität einfach addieren: ein Assistent für Text, ein weiterer für Recherche, noch einer für Auswertungen, danach ein Agent für Routinen. Je mehr Werkzeuge, desto besser, so lautete die unausgesprochene Annahme. Eine in der Harvard Business Review veröffentlichte BCG-Studie legt jedoch nahe, dass genau dieses Denken an eine sehr menschliche Grenze stößt.

Das Problem beginnt erstaunlich früh

Boston Consulting Group befragte im März 2026 insgesamt 1.488 vollzeitbeschäftigte Arbeitnehmerinnen und Arbeitnehmer in den USA und untersuchte, wie sich die gleichzeitige Nutzung mehrerer KI-Werkzeuge auf Produktivität und Belastung auswirkt. Das Ergebnis ist bemerkenswert klar. Der Schritt von einem zu zwei Werkzeugen erhöht die wahrgenommene Produktivität. Mit einem dritten System lassen sich weitere Vorteile erzielen. Ab vier gleichzeitig genutzten Anwendungen kippt der Effekt.

Dann fällt die selbst berichtete Produktivität unter das Ausgangsniveau. Die Zugewinne flachen also nicht bloß ab, sie kehren sich um. Die Zusammenfassung bei Fortune macht deshalb auf einen entscheidenden Punkt aufmerksam: Die eigentliche Engstelle liegt nicht in der Leistungsfähigkeit der Modelle, sondern in der begrenzten Aufmerksamkeits- und Entscheidungskapazität der Menschen, die diese Systeme beaufsichtigen sollen.

Was mit „AI brain fry“ gemeint ist

Die Autorinnen und Autoren nennen dieses Muster „AI brain fry“. Gemeint ist damit eine mentale Erschöpfung, die entsteht, wenn Beschäftigte mehr KI beaufsichtigen müssen, als ihre kognitive Kapazität vernünftig verarbeiten kann. Es handelt sich also nicht bloß um gewöhnlichen Feierabendstress. Es geht um ein Arbeitsgefühl aus permanenter Prüfung, Vergleich, Korrektur und Priorisierung maschineller Vorschläge.

14 Prozent der KI-Nutzer in der Studie berichteten von diesem Zustand. Besonders stark betroffen waren Marketingabteilungen mit 26 Prozent. Rechtsabteilungen lagen dagegen bei lediglich 6 Prozent. Der Bericht von The Decoder verweist genau auf diesen Unterschied. Er ist deshalb aufschlussreich, weil er gegen eine vorschnelle Individualisierung des Problems spricht. Es geht offenbar nicht darum, ob Teams belastbar genug sind, sondern darum, wie viele Oberflächen, Empfehlungen und Entscheidungsschleifen gleichzeitig menschliche Aufsicht verlangen.

Wenn die Aufsicht steigt, sinkt die Qualität

Julie Bedard, Managing Director bei BCG und Hauptautorin der Studie, beschreibt die Symptome als Summen im Kopf, mentale Unschärfe, verlangsamte Entscheidungen und Kopfschmerzen. Beschäftigte mit hoher KI-Aufsicht berichteten von 14 Prozent mehr mentalem Aufwand, 12 Prozent höherer Ermüdung und 19 Prozent stärkerer Informationsüberlastung als Kolleginnen und Kollegen mit geringerer Aufsichtslast.

Noch relevanter für Unternehmen ist der Zusammenhang mit Fehlern. Wer „AI brain fry“ angab, machte 39 Prozent mehr schwerwiegende Fehler, zeigte 33 Prozent mehr Entscheidungsfatigue und produzierte 11 Prozent mehr kleinere Fehler. Damit verschiebt sich die Diskussion. Es geht nicht mehr nur um Wohlbefinden. Es geht um Verlässlichkeit, Qualität und Risikosteuerung. Wer mehrere KI-Systeme übereinanderlegt, ohne Rollen und Prozesse neu zu organisieren, beschleunigt möglicherweise nicht nur die Arbeit, sondern auch den Irrtum.

Das Warnsignal zeigt sich auch bei der Bindung von Personal

Hinzu kommt ein Befund, der in Zeiten von Fachkräftemangel und angespannter Mitarbeiterbindung besonders ernst genommen werden sollte. Unter Beschäftigten mit „AI brain fry“ äußerten 34 Prozent eine aktive Wechselabsicht. Bei jenen ohne diesen Zustand waren es 25 Prozent. Die stärkste Überlastung tritt also ausgerechnet dort auf, wo Unternehmen ihre Modernisierung oft am sichtbarsten vorantreiben.

Gerade in einer Arbeitskultur wie der deutschen, in der Work-Life-Balance, Planbarkeit und Schutz vor Dauerverdichtung einen hohen Stellenwert haben, lässt sich dieser Befund kaum als Nebenwirkung abtun. Er deutet vielmehr auf einen systematischen Fehler im Einführungsdesign hin. Viele Organisationen ergänzen KI um bestehende Aufgabenpakete, statt Arbeit grundlegend neu zu verteilen. Beschäftigte erledigen dann nicht weniger Routinetätigkeit, sondern zusätzlich die Aufsicht über Maschinen.

Die Konsequenz lautet nicht: weniger KI

Die Studie liefert allerdings keine pauschale Absage an KI im Arbeitsalltag. Im Gegenteil: Wenn KI repetitive Tätigkeiten tatsächlich ersetzte, statt zusätzliche Überwachungspflichten zu erzeugen, sank Burnout um 15 Prozent. Entscheidend ist also nicht die Technologie selbst, sondern ihre organisatorische Funktion. Entlastet sie wirklich, oder erzeugt sie neue Kontrollarbeit?

Zwei weitere Faktoren reduzierten die Ermüdung deutlich. Führungskräfte, die Fragen zur KI-Nutzung aktiv beantworteten und praktische Unterstützung anboten, senkten die kognitive Ermüdung ihrer Teams um 15 Prozent. Unternehmen, die Work-Life-Balance strukturell ernst nahmen, verzeichneten über alle Nutzungsniveaus hinweg 28 Prozent niedrigere Fatigue-Werte. Die zentrale Empfehlung der Forschenden ist daher ausgesprochen nüchtern: Obergrenzen für simultan genutzte KI-Werkzeuge setzen und Produktivitätskennzahlen von der bloßen Zahl eingesetzter Tools entkoppeln.

Was Unternehmen jetzt prüfen sollten

Organisationen, die derzeit das vierte, fünfte oder sechste KI-Werkzeug pro Rolle einführen, sollten ihre Strategie kurzfristig überprüfen. Der Befund legt nahe, dass die Zukunft nicht jenen gehört, die den längsten Werkzeugkasten präsentieren. Im Vorteil werden eher jene sein, die früh erkennen, dass Zusammenarbeit zwischen Mensch und Maschine ab einem gewissen Punkt eine andere Form der Führung, Priorisierung und Prozessgestaltung erfordert.

Die entscheidende Frage lautet deshalb nicht mehr, wie viel KI ein Team theoretisch nutzen kann. Relevanter ist, wie viel gleichzeitige Aufsicht Sie einzelnen Beschäftigten tatsächlich zumuten, ohne Qualität, Urteilsfähigkeit und Bindung zu gefährden. Genau dort verläuft, nach aktuellem Stand, die eigentliche Produktivitätsgrenze.