Der teuerste Denkfehler in der KI-Debatte
Die meisten Unternehmen denken KI als Automatisierung. Das ist der teuerste Denkfehler der aktuellen Debatte. Denn KI ersetzt keine Arbeit – sie skaliert Expertise. Wer das nicht versteht, reguliert die erste echte Produktivitätssteigerung für Wissensarbeiter weg.
Warum das Automatisierungs-Weltbild Unternehmen Milliarden kostet
Peter Drucker schrieb 1999 einen Satz, der heute fast unangenehm aktuell wirkt:
Die wichtigste Management-Leistung des 20. Jahrhunderts war die Verfünfzigfachung der Produktivität manueller Arbeit – die wichtigste Aufgabe des 21. Jahrhunderts sei, dasselbe für Wissensarbeit zu erreichen.¹
25 Jahre später warten viele Organisationen noch immer.
Laut APQC verbringen Wissensarbeiter im Schnitt nur 30 von 40 Stunden mit produktiver Arbeit; der Rest versickert in Meetings, Informationssuche, Doppelarbeit.²
Das ist kein individuelles Problem. Es ist ein Organisationsdesign-Problem.
Und jetzt kommt KI – zum ersten Mal als Werkzeug, das nicht „Arbeit" ersetzt, sondern kognitiven Output beschleunigt: Entwürfe, Varianten, Verdichtungen, Entscheidungsgrundlagen – schneller in Artefakte übersetzt.³
Trotzdem verpassen viele Unternehmen den Moment.
Nicht, weil sie zu wenig Tools haben.
Sondern weil sie im falschen Weltbild denken.
Zu diesem Gedanken hat mich Nate Jones inspiriert – ein Product-Experte aus Seattle, der täglich über KI publiziert und eine der klarsten Stimmen in der aktuellen Debatte ist.⁴ Er spricht davon, dass wir erstmals Werkzeuge haben, um Expertise zu skalieren. Ich habe versucht, diesen Gedanken weiterzudenken – und dabei auf einen Denkfehler gestoßen, der teurer ist als jede falsche Tool-Entscheidung.
Zwei Weltbilder, zwei Zukünfte
Wenn Führungskräfte heute über KI sprechen, landen sie erstaunlich schnell bei Automatisierung:
- Welche Prozesse können wir automatisieren?
- Welche Tätigkeiten ersetzen?
- Wo senken wir Kosten?
Das ist das industrielle Weltbild: Maschinen ersetzen Hände.
Es hat seinen Platz. Aber als Leitbild für Wissensarbeit ist es gefährlich eng.
Das zweite Weltbild wird selten explizit geführt – obwohl es die eigentliche Sprengkraft enthält: Skalierung von Expertise.
Hier lautet die Frage nicht:
Was kann die Maschine statt des Menschen tun?
Sondern:
Was kann der Mensch mit der Maschine tun, das er ohne sie nicht konnte?
Der Unterschied ist nicht semantisch. Er ist strategisch.
- Automatisierung: weniger Menschen, gleicher Output.
- Skalierung: gleiche Menschen, mehr Wirksamkeit – schneller, breiter, konsistenter.
Was „Skalierung" in der Praxis wirklich heißt
Wissensarbeit hat ein Eigenleben: Sie ist schwer zu standardisieren, voller Ausnahmen, abhängig von Kontext, Urteil, Sprache.
KI ersetzt das Urteil nicht.
Aber sie wirkt wie eine Übersetzungs- und Verstärkungsmaschine:
Sie macht es leichter, Expertise in verwendbare Ergebnisse zu verwandeln – Entwürfe, Zusammenfassungen, Argumentationen, Varianten, Risiko-Checks, Kommunikationspakete.
Das ist entscheidend:
KI „macht" nicht automatisch Qualität. Qualität entsteht weiterhin aus Können.
Aber KI kann Durchsatz erzeugen – und damit einen Hebel, den Wissensarbeit historisch nie hatte.
Genau deshalb berichten Unternehmen, dass intensive KI-Nutzung Zeit spart – im OpenAI-Enterprise-Report liegt die Selbstauskunft bei 40–60 Minuten pro Tag, Heavy User bei mehr als 10 Stunden pro Woche.³
Das ist noch kein garantierter EBIT.
Aber es ist Kapazität. Und Kapazität ist nur dann wertvoll, wenn Führung sie in Wert transformiert: schnellere Entscheidungen, weniger Rework, mehr Output pro Expert:in.
Warum Unternehmen trotzdem blockieren
Weil das Automatisierungs-Weltbild einen Reflex auslöst:
KI = Bedrohung. Also Kontrolle.
Wer KI primär als Automatisierung denkt, sieht Risiken: Jobs, Compliance, Kultur, Machtverschiebungen. Das führt zu Verboten, Restriktionen, Pilot-Dauerschleifen.
Und während oben noch „Governance" diskutiert wird, entsteht unten die Schattenrealität: Menschen nutzen KI trotzdem – nur eben verdeckt, ohne Standards, ohne Lernkurve der Organisation.
Dass viele KI-Programme nicht skalieren, ist inzwischen messbar:
S&P Global berichtet, der Anteil der Unternehmen, die „die meisten" KI-Initiativen wieder einstellen, sei von 17% auf 42% gestiegen; im Schnitt werden viele Proof-of-Concepts vor Produktion verworfen.⁵
Und Gartner erwartet, dass mehr als 40% agentischer KI-Projekte bis Ende 2027 abgebrochen werden – unter anderem wegen unklarem Business-Value und unzureichenden Kontrollen.⁶
Das Problem ist also nicht: „KI funktioniert nicht."
Das Problem ist: Viele Organisationen behandeln KI wie ein Tool-Experiment – statt als Führungs- und Organisationsfrage.
Die eigentliche Revolution ist komplementär, nicht substitutiv
Drei Befunde sind für Vorstände ungemütlich klar:
1) Menschen wollen KI meist zur Entlastung, nicht zur Ersetzung.
Stanford berichtet: In einer großen Auswertung wünschen sich viele Arbeitnehmer KI-Unterstützung, um Zeit für höherwertige Arbeit freizumachen.⁷
In contrast, skills related to prioritizing and organizing work, training and teaching, and effective communication will grow in importance. (ebenda)
2) Der Arbeitsmarkt-Effekt ist eher Ergänzung als Ersatz – jedenfalls als Grundmuster.
MIT Sloan fasst das im EPOCH-Framework als Komplementarität: menschliche Fähigkeiten ergänzen KI-Stärken und umgekehrt.⁸
3) In realer Nutzung dominiert „Augmentation" leicht gegenüber „Automation".
Der Anthropic Economic Index findet eine Verteilung von 57% Augmentation vs. 43% Automation – mit dem Hinweis, dass die Balance sich je nach Integration (Assistenz vs. Workflow/API) verschieben kann.⁹
Das ist der Kern:
KI ist nicht nur ein Rationalisierungswerkzeug.
Sie ist ein Wirksamkeitswerkzeug – und damit ein Kulturtest für Führung.
Was das für dich bedeutet
Wenn du heute KI-Strategie verantwortest, stell dir nicht zuerst die Tool-Frage. Stell die Weltbild-Frage:
Denke ich KI als Automatisierung – oder als Skalierung von Expertise?
Und dann drei nüchterne Konsequenzen:
1) Miss nicht Lizenzen, miss Wirkung.
Drei Kennzahlen reichen für den Anfang:
- Time-to-Decision (Frage → Entscheidung)
- Output pro Expert:in (verwertbare Artefakte pro Woche)
- Rework-Quote (wie viel wird verworfen/neu gemacht)
2) Bau Guardrails, die Lernen ermöglichen – statt Lernen zu verhindern.
Governance darf nicht die Innovationsabteilung ersetzen. Sie muss sichere Räume schaffen, in denen Kompetenz entsteht.
3) Investier in die Skalierung deiner Besten – nicht in die Kontrolle deiner Schwächsten.
Wer KI als Bedrohung behandelt, nivelliert.
Wer KI als Skalierung behandelt, differenziert: Kompetenzaufbau, Standards, Wiederverwendbarkeit.
Der teuerste Denkfehler ist nicht, die falsche Plattform zu wählen.
Es ist, KI als Automatisierungstool zu verstehen, wenn sie in Wahrheit ein Skalierungshebel für Expertise ist.
Drucker wartete auf einen Sprung in der Wissensarbeiter-Produktivität.¹
Die Frage ist nur: Erkennst du ihn – oder regulierst du ihn weg?
Fußnoten
¹ Drucker, P. (1999). Knowledge-Worker Productivity: The Biggest Challenge. California Management Review, 41(2), 79–94.
² APQC (2021). Survey Finds One Quarter of Knowledge Workers' Time is Lost Due to Productivity Drains. APQC Press Release.
³ OpenAI (2025). The State of Enterprise AI Report.
⁴ Jones, N. (2025). AI Has Solved the Oldest Problem: Scaling Expertise. Nate's Substack. Siehe auch: natebjones.com
⁵ S&P Global (2025). Generative AI Shows Rapid Growth but Yields Mixed Results. Market Intelligence Research.
⁸ Rigobon, R. & Loaiza, I. (2025). The EPOCH of AI: Human-Machine Complementarities at Work. MIT Sloan School of Management.
⁹ Anthropic (2025). The Anthropic Economic Index. Task-Analyse zur Verteilung von Augmentation und Automation.
Du liest als Gast — willkommen. Als Leser bekommst du „Den Brief": persönliche Werkstattnotizen, 2x im Monat, direkt in dein Postfach. → Leser werden
