KI spart keine Zeit, sie zerlegt den Arbeitstag

Die große Verheißung der generativen KI lautet seit Monaten gleich: weniger Routine, mehr Zeit für anspruchsvolle Arbeit. Die neueren Daten zeichnen jedoch ein nüchterneres Bild. Effizienzgewinne sind offenbar vorhanden, nur landen sie nicht dort, wo Beschäftigte sie am dringendsten bräuchten, nämlich bei Konzentration, Entlastung und klareren Arbeitstagen.

Die freigesetzte Kapazität wird sofort wieder aufgefüllt

Besonders deutlich wird das im Datensatz von ActivTrak Productivity Lab. Analysiert wurden 443 Millionen Stunden Arbeitsaktivität in 1.111 Unternehmen mit 163.638 Beschäftigten. Für eine Vorher-nachher-Betrachtung isolierte ActivTrak 10.584 Personen und verglich ihr Verhalten über jeweils 180 Tage vor und nach der Einführung von KI.

Das Ergebnis ist schwer mit der gängigen Effizienzerzählung zu vereinbaren. Die Zeit für E-Mails stieg um 104%, Chat und Messaging legten um 145% zu, Business-Management-Tools um 94%. Keine einzige Aktivitätskategorie ging zurück. Mit anderen Worten: Die durch KI erzeugte Kapazität verschwindet nicht aus dem Kalender, sondern wird unmittelbar mit zusätzlicher Kommunikation, Abstimmung und Kontextwechseln belegt.

Für Unternehmen ist das eine unbequeme Diagnose. Denn sie bedeutet nicht, dass KI wirkungslos wäre. Sie bedeutet, dass die Organisation den Gewinn absorbiert und in neue Anforderungen umwandelt. Genau dort beginnt die Arbeitsverdichtung.

Konzentration wird kürzer, Kollaboration breitet sich aus

Im selben Datensatz sank die durchschnittliche ununterbrochene Fokusphase auf 13 Minuten und 7 Sekunden, also um 9%. Die Fokuseffizienz fiel auf 60%, den niedrigsten Wert seit drei Jahren. Gleichzeitig stiegen Kollaborationszeiten um 34% und Multitasking um 12%, wie der ActivTrak-Bericht zeigt.

Wer in den vergangenen Monaten den Eindruck hatte, dass konzentriertes Denken schwerer geworden ist, findet hier eine plausible Erklärung. KI liefert Entwürfe, Zusammenfassungen und Vorschläge in hoher Geschwindigkeit. Diese Ergebnisse erledigen Arbeit jedoch nicht vollständig. Sie erzeugen Anschlussarbeit: prüfen, interpretieren, priorisieren, freigeben, nachsteuern.

Das entspricht auch der Logik der Berkeley-Forschung zur Ausweitung von Arbeitslast durch KI. KI ersetzt Aufwand nicht einfach. Sie verlagert ihn. Die mechanische Arbeit nimmt ab, die kognitive Aufsicht wächst.

Ab dem vierten Tool kippt der Effekt

Eine zweite, ebenso relevante Spur liefert eine in Harvard Business Review veröffentlichte BCG-Studie. Befragt wurden 1.488 vollzeitbeschäftigte Arbeitnehmerinnen und Arbeitnehmer in den USA. Die zentrale Beobachtung ist bemerkenswert präzise: Mit einer, zwei oder drei KI-Anwendungen steigt die selbstberichtete Produktivität. Ab dem vierten Tool bricht sie ein.

Die Autoren bezeichnen das als „AI brain fry“, also mentale Ermüdung durch exzessive Nutzung oder intensive Beaufsichtigung von KI-Werkzeugen jenseits der eigenen kognitiven Kapazität. Unter den Betroffenen stieg die Entscheidungsmüdigkeit um 33%, schwere Fehler nahmen um 39% zu, und die Kündigungsabsicht lag bei 34%.

Wichtig ist dabei die Form der Kurve. Es handelt sich offenbar nicht um einen langsamen Gewöhnungseffekt, sondern um einen Kipppunkt. Bis zu einem gewissen Maß hilft zusätzliche KI. Danach konkurriert sie mit der Aufmerksamkeit, die sie eigentlich entlasten sollte.

Gefährdet sind nicht die Skeptiker, sondern die Leistungsträger

Gerade dieser Befund sollte Führungskräfte aufhorchen lassen. Laut der BCG-Untersuchung erleben bereits 14% der KI-Nutzenden Anzeichen dieses Zustands. Besonders stark betroffen sind nicht die zögerlichen Anwender, sondern Power-User, also gerade jene Personen, die Unternehmen als besonders wertvoll und bindungsrelevant einstufen.

Im Marketing lag die Betroffenheit bei 26%. Beschäftigte mit hoher KI-Aufsicht, die generierte Inhalte lesen, interpretieren und verifizieren müssen, berichteten von 14% mehr mentalem Aufwand und 19% stärkerer Informationsüberlastung als Personen, deren Systeme routinierte Aufgaben eigenständiger erledigten. Fehlte zudem strukturierte Unterstützung durch Vorgesetzte, erhöhte sich die mentale Ermüdung noch einmal um 5%.

Die Ironie ist offensichtlich. Ausgerechnet jene Mitarbeitenden, die offen experimentieren und KI schnell produktiv einsetzen, laufen am ehesten Gefahr auszubrennen. Wenn dann zusätzlich das Nacharbeitsproblem bei KI greift, frisst die Korrektur der Ergebnisse die eingesparte Zeit wieder auf.

Was Fokus in einer KI-dichten Arbeitsumgebung tatsächlich schützt

Ganz ohne Hoffnung ist das Bild nicht. ActivTrak identifizierte einen Nutzungsbereich, der günstiger wirkt: Beschäftigte, die 7% bis 10% ihrer gesamten Arbeitszeit mit KI-Tools verbringen, erreichten eine Produktivitätsrate von 95%. Das Problem ist nur, dass kaum jemand dort arbeitet. Lediglich 3% der Beschäftigten liegen in diesem Korridor, während 57% KI in weniger als 1% ihrer Arbeitszeit nutzen.

Hinzu kommen zwei Schutzfaktoren. Organisationen mit klarer Priorität für Work-Life-Balance verzeichneten 28% niedrigere Ermüdungswerte. Und Beschäftigte, deren KI-Systeme Routineaufgaben autonom übernahmen, berichteten von 15% weniger Burnout. Der Unterschied ist analytisch wichtig: KI, die lästige Arbeit entfernt, entlastet. KI, die zusätzliche Aufsicht erzeugt, belastet.

Wenn Ihr Unternehmen in diesem Jahr bereits das siebte KI-Tool eingeführt hat, im ActivTrak-Datensatz der aktuelle Durchschnitt gegenüber zwei im Jahr 2023, ist die rationalere Frage vermutlich nicht, welches achte Tool noch fehlt. Die sinnvollere Frage lautet, wie sich Unterbrechungen, Übergaben und Kommunikationsdichte begrenzen lassen. In diesem Zusammenhang erscheint die 90-Minuten-Regel für fokussiertes Arbeiten fast plausibler als die nächste Integration.

Der eigentliche Befund lautet daher nicht, dass KI keine Effizienz erzeugt. Sie erzeugt sie durchaus. Aber bisher wird dieser Gewinn vor allem von E-Mails, Nachrichten und zusätzlicher Abstimmung aufgesogen. Deshalb beginnt der Samstag für viele Beschäftigte inzwischen schon um 7:11 Uhr morgens, genau das hat ActivTrak in seinem Datensatz beobachtet.