Wie „Entlastung“ durch KI direkt zum Burn-Out führt. Die übersehene Gefahr der Arbeitsverdichtung.

TL;DR – warum Sie trotzdem weiterlesen sollten

Callcenter als Paradebeispiel für dramatisch fehllaufende KI-Entlastung

Callcenter haben früh erkannt, was KI und Sprachmodelle ihnen abnehmen können. Die immer gleiche Frage nach der Öffnungszeit. Die hundertste Bitte um eine Rechnungskopie. Diese Fragen sind einzeln harmlos, aber in großer Zahl zermürbend. Für den Menschen, der sie beantwortet, jedenfalls. Eine KI ermüdet dabei nicht. Sie bleibt geduldig, auch bei der tausendsten Wiederholung, und verliert nicht die Nerven.

Die Einführung verläuft deshalb schnell erfolgreich. Die einfachen Fragen verschwinden aus der Warteschlange, die Zahl der Anrufe, die einen Menschen erreichen, sinkt. In der Projektpräsentation sieht das nach einem eindeutigen Fortschritt aus: weniger Routine, geringere Kosten, schnellere Bearbeitung … und für die Beschäftigten endlich mehr Zeit für die wirklich anspruchsvollen Fälle.

Nur besteht ihr Arbeitstag nun fast ausschließlich aus diesen anspruchsvollen Fällen.

Es melden sich die Kundin, deren Rechnung trotz mehrfacher Reklamation noch immer falsch ist, der Kunde, den der Chatbot dreimal missverstanden hat, und der Geschäftspartner, dessen Vorgang zwischen mehreren automatisierten Systemen verschwunden ist. Wer zu einem Menschen durchgestellt wird, hat häufig bereits gewartet, wiederholt Daten eingegeben und einem Sprachbot erklärt, dass er keinen weiteren Hinweis auf die FAQ benötigt. Der Mensch übernimmt nicht einfach einen komplexen Fall. Er übernimmt einen komplexen Fall plus die Wut über alles, was zuvor nicht funktioniert hat.

So entsteht eine seltsame Form der Aufwertung: Die einfachen Aufgaben verschwinden, aber mit ihnen verschwinden auch jene Abschnitte des Arbeitstags, in denen ein Vorgang überschaubar ist, Kompetenz unmittelbar zum Erfolg führt und sich nach einer schwierigen Situation wieder ein gewisser Rhythmus einstellt. Übrig bleibt die Spitze der Verteilung: die Ausnahme, die Eskalation, der Fehler, das Ungeklärte.

Acht Stunden Callcenter waren vorher schon eine Belastung. Acht Stunden Callcenter, in denen nur noch die wütenden, verwirrten und eskalierten Fälle bei einem landen, sind keine Belastung mehr. Sie sind kaum zu ertragen.

Das ist der eigentliche Punkt dieses Beitrags: nicht dass Entlastung durch KI falsch wäre, sondern dass sie an einer Stelle etwas erzeugt, das genau entgegengesetzt aussieht und das nur dann nicht passiert, wenn ein Unternehmen es von Anfang an mitplant.

[Häufige Fragen in diesem Kontext und deren Antworten finden Sie am Ende des Artikels]

[Ganz Eilige kommen hier sofort zu den Handlungsempfehlungen]

Die Verheißung der besseren Arbeit

Die übliche Erzählung über Automatisierung klingt vernünftig: Maschinen erledigen das Monotone, Menschen konzentrieren sich auf Kreativität, Urteilskraft, Empathie und komplexe Entscheidungen. Tatsächlich spricht vieles dafür, dass generative KI weniger ganze Berufe beseitigen als deren Aufgabenverteilung verändern wird. Die Internationale Arbeitsorganisation kommt in ihrer globalen Analyse von 2025 zu dem Ergebnis, dass weltweit jeder vierte Beschäftigte in einem Beruf mit einem gewissen Maß an GenAI-Exposition arbeitet; weil die meisten Berufe weiterhin menschlichen Input benötigen, sei Transformation wahrscheinlicher als vollständiger Ersatz.

Das ist zunächst eine gute Nachricht.

Es bedeutet aber auch:
Die entscheidende Frage lautet nicht nur, wie viele Arbeitsplätze bleiben.
Ebenso wichtig ist, welche Arbeit innerhalb dieser Arbeitsplätze übrig bleibt.

Schon die ILO-Analyse von 2023 warnte, dass sich die stärksten Folgen weniger in der Zahl als in der Qualität der Arbeitsplätze zeigen könnten – insbesondere bei Arbeitsintensität und Autonomie. Genau dort liegt der blinde Fleck vieler KI-Projekte.

Sie messen, wie viele Vorgänge automatisiert, wie viele Minuten eingespart und wie viele Fälle pro Stunde erledigt wurden.

Seltener messen sie, wie sich die verbleibende Fallmischung verändert hat:
Wie viele Kontakte beginnen bereits eskaliert?
Wie häufig müssen Menschen Systemfehler rekonstruieren?
Wie viel Konzentration kostet die Kontrolle?
Wie viele psychisch leichte Vorgänge gibt es zwischen den schweren noch?

„Anspruchsvoller“ klingt nach interessanter, qualifizierter und besser. Doch Anspruch kann vieles bedeuten. Eine Aufgabe kann fachlich anregend sein, weil jemand Gestaltungsspielraum, ausreichende Zeit und passende Informationen besitzt. Sie kann aber auch deshalb anspruchsvoll sein, weil Informationen fehlen, mehrere Systeme widersprüchliche Ergebnisse liefern, ein Kunde wütend ist und dennoch in wenigen Minuten eine folgenreiche Entscheidung getroffen werden muss.

Das eine ist gute Arbeit. Das andere ist Belastung mit freundlicher Stellenbeschreibung.

Die alte Ironie der Automatisierung

Der Gedanke ist älter als generative KI. Bereits 1983 beschrieb die Psychologin und Human-Factors-Forscherin Lisanne Bainbridge in ihrem grundlegenden Aufsatz „Ironies of Automation“, was geschieht, wenn technische Systeme den Normalbetrieb übernehmen und Menschen für Störungen zurücklassen.

Eine ihrer Beobachtungen trifft die heutige KI-Debatte beinahe unheimlich genau: Derjenige, der den Menschen aus einem Prozess entfernen wolle, lasse ihm am Ende gerade jene Aufgaben, die nicht automatisiert werden konnten. Menschen sollen das System überwachen und eingreifen, wenn es versagt – obwohl sie durch die Automatisierung immer weniger Gelegenheit haben, den normalen Prozess selbst auszuführen, sein Verhalten zu erleben und die notwendigen Fähigkeiten praktisch zu erhalten.

Bainbridge brachte das Problem in einem Satz auf den Punkt:

„By taking away the easy parts of his task, automation can make the difficult parts […] more difficult.“
Nimmt die Technik die einfachen Bestandteile weg, kann sie also gerade die schwierigen noch schwieriger machen.

Das ist kein nostalgisches Plädoyer für Handarbeit. Es ist eine Aussage über Kompetenz und Situationsverständnis. Wer einen Prozess regelmäßig selbst bearbeitet, bemerkt Abweichungen nicht nur aufgrund einer Warnmeldung. Er entwickelt ein Gefühl dafür, was normal aussieht, welche Zwischenschritte plausibel sind und wo ein zunächst unscheinbarer Fehler später Folgen haben wird.

Wer dagegen nur noch gerufen wird, wenn das System bereits gescheitert ist, soll Höchstleistung in einer Situation erbringen, zu der ihm die laufende Verbindung fehlt. Die Forschung bezeichnet diese Schwierigkeit als „out-of-the-loop performance problem“: Automatisierung kann Situationsbewusstsein und manuelle Eingriffsfähigkeit schwächen, sodass Menschen im Störungsfall schlechter übernehmen können. Zu den verschiedenen Formen der Human-Loop-Kombinationen gibt es hier einen Blogbeitrag.

Die Maschine bearbeitet den Alltag. Der Mensch verantwortet die Ausnahme. Aber gerade der Alltag hätte ihm geholfen, die Ausnahme zu verstehen.

Kontrolle ist keine Restaufgabe

In vielen KI-Konzepten erscheint der Mensch als Sicherheitsfaktor: human in the loop. Die KI arbeitet, der Mensch prüft … und verantwortet, was die KI gemacht hat. Damit scheint Verantwortung geklärt und das Risiko beherrscht.

Doch „der Mensch kontrolliert“, „der Mensch verantwortet“ ist noch kein Arbeitskonzept.

Kontrolle und Verantwortung setzen voraus, dass jemand versteht, was das System kann und wo seine Grenzen liegen (Hier mein Blogbeitrag zu genau diesem Themenfeld) . Er muss erkennen, welche Ergebnisse prüfbedürftig sind, auf welche Daten sie zurückgehen und welche Folgen ein Fehler hätte. Er benötigt Zeit, Zugriff auf Quellen, Kontextwissen, Entscheidungskompetenz und die reale Möglichkeit, einen Vorgang zu stoppen oder an sich zu ziehen.

Fehlt auch nur ein Teil davon, wird aus menschlicher Kontrolle leicht ein organisatorisches Ritual: Jemand klickt auf „Freigeben“ und trägt anschließend die Verantwortung.

Dass wirkungsvolle Aufsicht mehr als die Anwesenheit eines Menschen verlangt, erkennt inzwischen auch das Recht an. Artikel 14 des europäischen AI Act fordert für Hochrisiko-KI eine Aufsicht, die den Risiken, der Autonomie und dem Einsatzkontext angemessen ist. Die zuständigen Personen sollen die Fähigkeiten und Grenzen des Systems verstehen, Anomalien erkennen, Ergebnisse richtig interpretieren, Übervertrauen vermeiden und Ausgaben ignorieren, umkehren oder den Betrieb stoppen können.

Das ist eine erstaunlich anspruchsvolle Stellenbeschreibung. Sie hat wenig mit gelegentlichem Draufschauen zu tun.

Besonders problematisch wird die Kontrolle, wenn nicht mehr ein automatisierter Ablauf überwacht wird, sondern mehrere KI-Prozesse parallel Ergebnisse erzeugen. Dann steigt die Produktionsgeschwindigkeit der Maschine, während die menschliche Aufnahme- und Urteilskapazität weitgehend gleich bleibt. Die KI kann zehn Entwürfe, hundert Entscheidungen oder tausend Klassifikationen erzeugen. Der Mensch muss jedoch jeden kritischen Fehler als solchen erkennen – oft in einem Strom überwiegend plausibler Resultate.

Die Metapher von der Nadel im Heuhaufen ist deshalb nicht ganz richtig. Der Mensch sucht nicht nur eine Nadel. Er muss zunächst entscheiden, was in diesem neuen Heuhaufen überhaupt wie eine Nadel aussieht und ob nicht auch Stöckchen, Steine, Blätter oder was auch immer das Problem sein könnten – um in diesem Heuhaufen-Bild weiter zu bleiben.

Wenn Vertrauen die Prüfung schwächt

Die Schwierigkeit liegt nicht allein in der Menge. Sie liegt auch in der Psychologie des Prüfens.

Eine 2025 auf der CHI-Konferenz veröffentlichte Studie von Microsoft Research und der Carnegie Mellon University untersuchte 319 Wissensarbeiter und 936 konkrete Beispiele beruflicher GenAI-Nutzung. Die Forschenden beobachteten eine Verschiebung des kritischen Denkens: weg von der Informationssuche und eigenen Aufgabenausführung, hin zur Verifikation, Integration und Beaufsichtigung von KI-Ergebnissen. Zugleich ging höheres Vertrauen in die Fähigkeiten der KI mit weniger kritischem Denken einher; höheres Vertrauen in die eigene Fachkompetenz dagegen mit mehr.

Das führt zu einem doppelten Problem. Gründliche Kontrolle benötigt hohe Fachkenntnis, Aufmerksamkeit und Zeit. Gleichzeitig erzeugt ein System, das meist richtige und gut formulierte Antworten liefert, gerade jene Gewöhnung, die kritische Aufmerksamkeit schwächen kann. Wer hundert plausible Ausgaben gesehen hat, prüft die hundertunderste nicht zwangsläufig schärfer. Wahrscheinlicher ist, dass er eine Erwartung entwickelt: Es wird schon stimmen.

Die Forschung zur Vigilanz, also zur anhaltenden Aufmerksamkeit für seltene kritische Signale, zeigt seit Langem, wie schwer Menschen monotone Überwachungsaufgaben fallen. In einer Studie zum teilautomatisierten Fahren nahmen Reaktionsgeschwindigkeit, Gefahrenerkennung und Sensitivität im Zeitverlauf ab; zugleich berichteten die Teilnehmenden Stress. Der Kontext ist ein anderer, der Mechanismus aber für KI-Arbeit relevant: Ein System, das fast immer funktioniert und nur gelegentlich folgenschwer irrt, schafft keine einfache Kontrollaufgabe. Es schafft eine besonders schwierige.

Hinzu kommt der sogenannte automation bias: Menschen können dazu neigen, maschinelle Empfehlungen zu stark zu gewichten. Eine aktuelle Forschungsübersicht zu Automation Bias hebt hervor, dass kognitive Überlastung eine angemessene Verifikation erschwert und komplexere Prüfungen das Risiko unangemessenen Vertrauens erhöhen können. Weitere Bias-Auswirkungen für die Arbeit zwischen Maschine und Mensch finden sie in diesem Blogbeitrag.

Ausgerechnet dort, wo Unternehmen wegen hoher Fallzahlen mehr automatisieren, kann somit die menschliche Kontrolle durch dieselbe Menge geschwächt werden, die sie eigentlich als letzte Instanz kontrollieren und beherrschen soll.

Der Mensch als Eskalationsabteilung

Im Kundenservice wird die Verschiebung besonders anschaulich. Automatisierung kann Standardanfragen übernehmen und Beschäftigte mit Zusammenfassungen, Recherche oder Antwortvorschlägen unterstützen. Dass dies reale Vorteile haben kann, zeigt eine große Feldstudie mit 5.172 Servicemitarbeitenden: Der Zugang zu einem generativen Assistenzsystem erhöhte die Zahl gelöster Anliegen pro Stunde im Durchschnitt um 15 Prozent; besonders stark profitierten weniger erfahrene Beschäftigte. Auch Kundenton und Mitarbeiterbindung entwickelten sich in dieser Untersuchung positiv.

Das ist wichtig, denn eine seriöse Betrachtung darf nicht so tun, als mache KI Arbeit zwangsläufig schlechter. Sie kann Routine reduzieren, Informationen verfügbar machen und Menschen in schwierigen Gesprächen unterstützen. Die entscheidende Unterscheidung lautet: Assistiert die KI dem Menschen – oder benutzt die Organisation den Menschen nur noch als letztes Auffangbecken für alles, was die KI nicht bewältigt?

Eine qualitative Studie über Beschäftigte in einem österreichischen Callcenter zeigt die problematische Seite. Die befragten Mitarbeitenden leisteten bereits erhebliche Emotionsarbeit, also das beruflich erwartete Regulieren eigener Gefühle im Umgang mit aufgebrachten oder aggressiven Kunden. Fehlerhafte GenAI-Werkzeuge intensivierten diese Emotionsarbeit: Wenn die Technik versagte, mussten die Beschäftigten zusätzlich Frust und Stress auffangen.

Das ist mehr als ein technisches Qualitätsproblem. Ein Bot, der einen Kunden nicht versteht, verbraucht nicht nur dessen Zeit. Er verbraucht auch deren Geduld. Er verändert den emotionalen Ausgangspunkt des anschließenden Gesprächs. Der menschliche Mitarbeiter beginnt nicht bei null, sondern fett im Minus.

Wenn KI zugleich die freundlichen Standardkontakte erfolgreich abfängt, verändert sich die psychologische Zusammensetzung des Arbeitstags. Früher folgte auf ein schwieriges Gespräch vielleicht als nächstes ein Gespräch für eine Adressänderung, eine kurze Auskunft oder ein leicht lösbarer Vorgang. Künftig kann auf eine Eskalation die nächste folgen. Die Zahl der langweiligen Kontakte mag sinken, während die Belastung je von der KI weitergeleitetem Kontakt steigt.

Das lässt sich nicht mit der durchschnittlichen Bearbeitungszeit erfassen. Und schon gar nicht mit der Formulierung, Menschen könnten sich nun auf „wertvolle Interaktionen“ konzentrieren. Nicht jede wertvolle Interaktion ist angenehm. Nicht jede komplexe Aufgabe ist entwicklungsfördernd. Und nicht jede Form von Empathie bleibt unbegrenzt verfügbar, wenn sie im Minutentakt unter Konfliktdruck abgerufen wird.

Wenn jede Aufgabe ein Ausnahmefall ist

Menschen brauchen keine geistlose Routine. Aber sie brauchen einen ausgleichenden Arbeitsrhythmus.

Arbeit besteht im gesunden Fall aus unterschiedlichen Belastungsniveaus: konzentrierten und leichteren Phasen, bekannten und neuen Problemen, unmittelbaren Ergebnissen und längerfristigen Vorhaben. Routine kann langweilen, doch sie erfüllt auch Funktionen. Sie gibt Sicherheit, erzeugt Tempo ohne dauernde Höchstkonzentration und liefert kleine Erfolgserlebnisse. Sie schafft Momente, in denen Erfahrung mühelos greift und motivierend Kraft gibt.

Wer alle einfachen Fälle entfernt, beseitigt deshalb nicht nur Langeweile. Er beseitigt potenzielle Erholungsinseln innerhalb der Arbeit.

Das etablierte Job-Demands-Resources-Modell beschreibt, warum das relevant ist: Hohe Arbeitsanforderungen wie Arbeitsdruck, Konflikte und kognitive oder emotionale Belastung verbrauchen Ressourcen und können zu Erschöpfung führen. Ressourcen wie Autonomie, soziale Unterstützung, Feedback und Kompetenzspielraum können diese Wirkung abfedern und Motivation fördern.

Die vermeintliche Aufwertung durch KI kann dieses Verhältnis verschlechtern, wenn sie Anforderungen konzentriert, ohne Ressourcen mitzuerhöhen. Dann bleiben:

  • mehr Ausnahmefälle pro Arbeitsstunde;
  • höhere emotionale Intensität je Kontakt;
  • größere Folgen einzelner Entscheidungen;
  • mehr Unterbrechungen durch Warnungen und Eskalationen;
  • zusätzliche Prüf- und Dokumentationspflichten;
  • weniger Routine, in der Sicherheit und Selbstwirksamkeit entstehen;
  • Verantwortung für Ergebnisse, deren Entstehung nur teilweise nachvollziehbar ist.

Das Ergebnis ist keine klassische Überlastung durch bloß „zu viel Arbeit“. Es ist eine Verdichtung schwieriger Arbeit.

KI spart Zeit – und füllt sie wieder

Selbst wenn KI tatsächlich Minuten einspart, folgt daraus noch nicht, dass Beschäftigte weniger belastet sind. Organisationen behandeln gewonnene Zeit selten als Ruhegewinn. Meist wird sie zur neuen Kapazität, die sofort wieder gefüllt wird.

Eine achtmonatige Untersuchung in einem US-Technologieunternehmen mit rund 200 Beschäftigten beobachtete genau diesen Mechanismus. Laut dem Bericht der UC Berkeley Haas School of Business arbeiteten Beschäftigte mit generativer KI schneller, übernahmen ein breiteres Aufgabenspektrum und dehnten Arbeit stärker in Pausen und Randzeiten aus. Mehrere KI-Prozesse liefen parallel im Hintergrund, während Menschen gleichzeitig Dokumente prüften, Code bearbeiteten oder an Besprechungen teilnahmen. Die Technologie beseitigte Arbeit nicht; sie ermöglichte einen Arbeitsrhythmus, in dem Mensch und Maschine dauerhaft in Bewegung blieben.

Auch neuere Daten zur intensiven Aufsicht über KI passen in dieses Bild. Eine BCG-Untersuchung unter 1.488 Vollzeitbeschäftigten in den USA beschreibt mentale Ermüdung durch übermäßige KI-Nutzung oder -Überwachung als „AI brain fry“ und verbindet sie mit mehr Fehlern, Entscheidungsüberlastung und höherer Kündigungsabsicht. BCG betont an anderer Stelle, dass KI zwar mehr und schnellere Arbeit ermögliche, die menschliche kognitive Kapazität aber nicht vergrößere: Menschen müssten Ergebnisse weiterhin prüfen, beurteilen, korrigieren und miteinander abgleichen.

So kann die Effizienz einer einzelnen Aufgabe steigen, während die Belastung des gesamten Arbeitssystems ebenfalls steigt. Die gesparte Minute wird nicht zurückgegeben. Sie wird mit dem nächsten Prompt, dem nächsten Agentenlauf oder dem nächsten Ausnahmefall belegt.

Aus Aufwertung wird Verantwortungsverdichtung

Der Begriff „höherwertige Arbeit“ verschleiert zudem, dass Verantwortung und Entscheidungsmacht auseinanderfallen können.

Ein Beschäftigter soll möglicherweise für eine KI-gestützte Entscheidung geradestehen, obwohl er weder das Modell ausgewählt noch seine Datenbasis bestimmt hat. Er sieht den Output, aber nicht zuverlässig dessen Entstehung. Er soll Fehler erkennen, erhält dafür jedoch nur wenige Sekunden. Er darf formal widersprechen, wird aber anhand von Bearbeitungszeit und Durchsatz bewertet. Auf dem Organigramm bleibt der Mensch verantwortlich; im Prozess fehlt ihm die tatsächliche Souveränität.

Die OECD zeichnet bewusst ein gemischtes Bild. Viele befragte Beschäftigte in Finanzwirtschaft und Produktion berichteten bessere Leistung und mehr Freude an der Arbeit durch KI. Gleichzeitig äußerten sie Sorgen über Arbeitsintensität, Datenerfassung, fehlende Transparenz und den Verlust von Autonomie; Schulung und Beteiligung der Beschäftigten gingen mit besseren Ergebnissen einher.

Auch die Europäische Agentur für Sicherheit und Gesundheitsschutz am Arbeitsplatz nennt Arbeitsintensivierung als eines der am häufigsten berichteten Risiken KI-basierter Beschäftigtensteuerung. Systeme können Minipausen reduzieren, Abläufe beschleunigen und den Takt der Arbeit verdichten; hinzu kommen Risiken von Technostress, Techno-Angst und Techno-Ermüdung.

Der Fehler liegt deshalb nicht in der Behauptung, KI könne menschliche Arbeit aufwerten. Das kann sie. Der Fehler liegt in der Annahme, Aufwertung entstehe automatisch dadurch, dass einfache Aufgaben verschwinden.

Eine Aufgabe wird nicht dadurch gut, dass sie schwer ist. Gute Arbeit entsteht, wenn Schwierigkeit mit Zeit, Kompetenz, Einfluss, Unterstützung und Erholung verbunden wird.

Was Unternehmen jetzt tun müssen

Wer KI nur anhand von Automatisierungsquote, Durchsatz und Kosten beurteilt, sieht lediglich die Leistung des technischen Systems. Er sieht nicht unbedingt die Qualität des menschlichen Arbeitstags, der danach übrig bleibt.

Unternehmen sollten deshalb vor und nach einer Automatisierung nicht nur Volumen, sondern die Struktur der Restarbeit untersuchen:

  • Fallmischung: Welcher Anteil der menschlich bearbeiteten Vorgänge ist komplex, konfliktgeladen oder zeitkritisch?
  • Vorbelastung: Wie viele Kunden erreichen einen Menschen erst nach einer misslungenen KI-Interaktion?
  • Kontrollaufwand: Wie viel Zeit benötigen Beschäftigte tatsächlich, um KI-Ergebnisse fachlich zu prüfen?
  • Eskalationsdichte: Wie viele schwere Fälle folgen unmittelbar aufeinander?
  • Unterbrechungen: Wie häufig müssen parallele KI-Prozesse überwacht oder übernommen werden?
  • Handlungsspielraum: Können Beschäftigte Entscheidungen korrigieren, Abläufe stoppen und Kennzahlen zugunsten einer sauberen Lösung überschreiten?
  • Erholung: Gibt es nach emotional oder kognitiv belastenden Vorgängen reale Puffer?
  • Kompetenzerhalt: Bearbeiten Menschen genügend Normalfälle, um Prozesswissen und Urteilskraft zu behalten?
  • Fehlerfolgen: Wer trägt die Last, wenn ein automatisierter Prozess scheitert – und wird diese Arbeit personell berücksichtigt?

Diese Kennzahlen sind weniger spektakulär und weniger greifbar als eine Folie mit „80 Prozent automatisiert“. Sie beantworten aber die wichtigere Frage: Hat die Technik Arbeit wirklich verbessert – oder nur die leichte Arbeit entfernt?

Die Verdichtung gehört auf den Einführungsplan, nicht auf die Reparaturliste

Entlastung durch KI ist sinnvoll. Aber sie ist niemals nur Entlastung. Sie verdichtet zwangsläufig das, was an Arbeit übrig bleibt, auf die schwierigeren, konfliktreicheren und emotional teureren Fälle. Das ist keine mögliche Nebenwirkung, die im Einzelfall auftreten kann. Es ist die strukturelle Kehrseite genau des Effekts, für den die KI eingeführt wurde.

Wer das erst bemerkt, wenn die Krankenstände steigen oder die Kündigungen zunehmen, hat es zu spät bemerkt. Die Konsequenz gehört an den Anfang der Einführung, nicht an ihr Ende:

Schwierige Arbeit braucht Puffer.
Nach eskalierten Kundenkontakten, kritischen Entscheidungen oder intensiver Fehleranalyse dürfen nicht automatisch die nächsten gleichartigen Fälle folgen. Personalplanung muss die Schwere von Fällen berücksichtigen, nicht nur ihre Zahl und durchschnittliche Dauer. Das ist keine nachträgliche Fürsorgemaßnahme. Es ist der Ausgleich für eine Belastung, die durch die KI-Einführung selbst erst entsteht.

Produktivität darf nicht alles auffüllen.
Wenn KI Zeit spart, muss ein Teil dieses Gewinns als Erholungsspielraum erhalten bleiben – von Beginn an eingeplant, nicht als Kürzung an anderer Stelle nachgeholt. Wird jede freie Minute sofort mit zusätzlichem Volumen belegt, verwandelt das Unternehmen technischen Fortschritt in menschliche Verdichtung, und zwar unweigerlich, nicht nur im ungünstigen Fall.

Beide Punkte lassen sich nicht durch gute Absicht ersetzen. Sie gehören in die gleiche Projektplanung wie die Auswahl des Sprachmodells, die Integration in die Systemlandschaft und das Schulungskonzept als Kostenposition, nicht als Kulanz.

Drei weitere Prinzipien flankieren das:

Menschen brauchen Auswahl statt Dauerbeobachtung.
KI-Systeme sollten nicht nur Ergebnisse produzieren, sondern Unsicherheit, Herkunft, Risikoklasse und Prüfbedarf sichtbar machen. Gute Triage reduziert den menschlichen Kontrollstrom auf jene Fälle, bei denen Urteil tatsächlich benötigt wird. Allerdings darf die Triage selbst nicht blind vertraut werden; Stichproben und unabhängige Qualitätsprüfungen bleiben notwendig.

Verantwortung braucht Befugnis.
Wer ein Ergebnis verantwortet, muss es verwerfen, den Prozess stoppen und zusätzliche Zeit oder Expertise anfordern können. Ein „Human in the Loop“, der aus Leistungsdruck immer zustimmen muss, ist kein Kontrollmechanismus.

Kompetenz braucht Normalbetrieb.
Beschäftigte sollten nicht ausschließlich als Notfallpersonal eingesetzt werden. Rotationen, regelmäßige manuelle Bearbeitung, Simulationen und gemeinsame Fallanalysen halten Prozessverständnis und Eingriffsfähigkeit lebendig. Das ist keine ineffiziente Nostalgie, sondern betriebliche Resilienz.

Die Zukunft der Arbeit entscheidet sich nicht daran, ob Menschen oder Maschinen einzelne Aufgaben besser erledigen. Sie entscheidet sich daran, wie die Aufgaben zwischen ihnen verteilt werden und ob ein Unternehmen bereit ist, die Kosten der Verdichtung genauso ernst zu nehmen wie den Nutzen der Entlastung.

Automatisierung ist erst dann gelungen, wenn sie nicht nur den Prozess effizienter macht, sondern auch die verbleibende menschliche Arbeit erträglich hält. Sonst nimmt die KI den Menschen zwar die Routine ab. Ruhe gibt sie ihnen damit noch lange nicht.

Vortrag anfragen

Wenn Sie das Thema interessiert, ich biete hierzu auch einen Vortrag an oder stehe für Podiumsdiskussionen, Podcasts etc. zur Verfügung. Kontaktieren Sie mich unverbindlich.


Typische Fragen zum Thema

Wie kann KI Mitarbeiter von monotonen Aufgaben entlasten?

KI kann wiederkehrende Standardaufgaben übernehmen und Mitarbeitern dadurch mehr Zeit für anspruchsvollere Tätigkeiten verschaffen. Diese Entlastung funktioniert aber nur, wenn Unternehmen auch betrachten, welche Arbeit danach übrig bleibt. Verschwinden vor allem die einfachen Fälle, kann sich der Arbeitstag auf schwierige, konfliktgeladene und besonders anstrengende Aufgaben konzentrieren – und trotz weniger Routine belastender werden.

Warum führt die Entlastung durch KI nicht automatisch zu weniger Stress?

Wenn KI vor allem einfache Aufgaben übernimmt, bleiben für Menschen überproportional viele schwierige Fälle, Ausnahmen und Eskalationen übrig. Gleichzeitig wird die eingesparte Zeit in Unternehmen häufig mit zusätzlicher Arbeit gefüllt. So kann zwar jede einzelne Aufgabe effizienter werden, während der gesamte Arbeitstag dichter und anstrengender wird. Technische Entlastung ist deshalb nicht automatisch menschliche Entlastung.

Warum steigen Krankenstand und Kündigungen, obwohl KI die Mitarbeiter entlastet?

Steigende Krankenstände oder Kündigungen können viele Ursachen haben und lassen sich nicht automatisch auf KI zurückführen. Ein möglicher Zusammenhang entsteht jedoch, wenn KI die einfachen Aufgaben übernimmt und Mitarbeiter dadurch dauerhaft mit schwierigeren, emotional belastenden oder verantwortungsvolleren Fällen beschäftigt sind. Fehlen zugleich Puffer und Erholungsphasen, kann die vermeintliche Entlastung zu einer stärkeren Arbeitsverdichtung beitragen.


Weitere Beiträge zum Thema

Wenn Sie sich intensiver mit diesem Themenfeld beschäftigen möchten, finden Sie hier weitere Beiträge mit Hintergrund, Einordnung und Praxisbeispielen.