KI und Führung.Rollen, Entscheidungsrechte und Qualitätskontrolle neu ordnen.
Generative KI verändert konkrete Arbeitsschritte sehr unterschiedlich. Manche Aufgaben werden schneller und besser, bei anderen steigt das Fehlerrisiko. Für Führung entsteht daraus eine Gestaltungsaufgabe: Welche Rolle bekommt das System im Workflow, wer prüft seine Ergebnisse und wer trägt die daraus folgende Entscheidung?
Der Nutzen von KI hängt stark von Aufgabe und Erfahrung ab.
Brynjolfsson, Li und Raymond untersuchten die gestaffelte Einführung eines generativen Assistenzsystems bei 5.172 Support-Mitarbeitenden. Der Zugang zur KI erhöhte die Zahl gelöster Fälle pro Stunde im Mittel um 15 Prozent. Die Effekte unterschieden sich deutlich: Weniger erfahrene und weniger leistungsstarke Mitarbeitende profitierten besonders stark, während sehr erfahrene Mitarbeitende nur kleine Geschwindigkeitsgewinne und teilweise kleine Qualitätsverluste zeigten.
Eine zweite Studie mit 758 Wissensarbeitenden bei Boston Consulting Group zeigt eine weitere Grenze. Bei Aufgaben innerhalb der damaligen Leistungsfähigkeit des Systems erledigten Teilnehmende mit KI mehr Aufgaben, arbeiteten schneller und lieferten höhere Qualität. Bei einer komplexen Aufgabe außerhalb dieser Leistungszone waren Teilnehmende mit KI 19 Prozent seltener korrekt.
Für Führung ist diese Heterogenität zentral. Ein allgemeines Urteil über „KI-Produktivität“ sagt wenig darüber aus, ob ein bestimmter Workflow funktioniert. Entscheidend wird die Leistung auf Aufgabenebene, einschließlich Fehlern und Nacharbeit.
KI-Einsatz sollte an realen Aufgaben gemessen werden, mit denselben Qualitätsfragen, die auch für menschliche Arbeit gelten.
Was vor einem breiteren KI-Einsatz geklärt werden sollte.
Die Fragen sind eine praktische Arbeitsstruktur. Sie bilden keinen technischen oder regulatorischen Standard ab.
Welche Funktion übernimmt die KI im Arbeitsprozess?
Erzeugt sie einen Entwurf, fasst sie Informationen zusammen, empfiehlt sie eine Option oder löst sie bereits eine Aktion aus? Diese Unterscheidung bestimmt, wie stark Qualitätskontrolle und Entscheidungsrechte betroffen sind.
Wer darf die resultierende Entscheidung treffen?
Eine KI-Empfehlung kann informell sehr viel Gewicht bekommen. Legen Sie fest, wer sie bewerten, verändern, verwerfen und verbindlich freigeben darf.
Wie wird Qualität überprüft?
Definieren Sie, welche Fehler relevant sind, welche Quellen oder Daten geprüft werden müssen und bei welchem Risiko eine fachliche Zweitprüfung erforderlich ist.
Welche Informationen dürfen verarbeitet werden?
Zugänge, vertrauliche Daten und interne Informationen brauchen einen klaren Rahmen. Führung sollte wissen, welche Tools freigegeben sind und welche Datenarten in welchem System verarbeitet werden dürfen.
Welche Rolle verändert sich durch den Einsatz?
Wenn KI einen relevanten Teil einer Aufgabe übernimmt, verändern sich häufig Lernwege, Qualitätskontrolle und die Verteilung von Expertise. Diese Folgen gehören in die Arbeitsgestaltung.
Eine Empfehlung kann faktisch mehr Autorität bekommen, als ihr formal zugedacht ist.
Ein System kann offiziell nur eine Empfehlung liefern. Im Alltag kann diese Empfehlung trotzdem zum Standard werden, wenn Menschen Abweichungen rechtfertigen müssen oder die KI als objektiver wahrgenommen wird. Dann hat sich der Entscheidungsprozess verändert, obwohl das Organigramm gleich geblieben ist.
Eine aktuelle systematische Review zu algorithmischen Entscheidungen in Organisationen bündelt 90 Arbeiten. Die Befunde hängen von Eigenschaften des Algorithmus, der Aufgabe, der beteiligten Menschen und der Organisation ab. Vertrauen, Fairness, Rollenunklarheit und die konkrete Mensch-System-Interaktion spielen dabei eine relevante Rolle.
Eine weitere Review zu algorithmischem Management analysiert 167 peer-reviewte Arbeiten und zeigt, wie stark sich Formen algorithmischer Steuerung entlang der Autonomie von System und Mitarbeitenden unterscheiden. Für Führung folgt daraus eine sehr praktische Aufgabe: Die Verteilung von Autorität muss sichtbar bleiben.
Klären Sie für jede relevante KI-Empfehlung, wer prüfen, übersteuern und verbindlich freigeben darf.
Fünf Punkte für einen konkreten KI-Arbeitsprozess.
Aufgabe
Den konkreten Arbeitsschritt benennen
Beginnen Sie auf Aufgabenebene. Aussagen wie „Wir automatisieren Marketing“ sind zu grob. Präziser ist: „KI erstellt den ersten Entwurf einer Produktbeschreibung aus freigegebenen Quelldaten.“
Output
Das erwartete Ergebnis definieren
Welche Qualität muss erreicht werden, welche Informationen müssen enthalten sein und welche Fehler wären besonders problematisch? Ohne ein Qualitätsbild lässt sich der Nutzen kaum bewerten.
Prüfung
Menschliche Kontrolle konkret zuordnen
Legen Sie fest, wer prüft und worauf. Bei manchen Aufgaben reicht eine Stichprobe. Bei anderen braucht jede Ausgabe eine fachliche Freigabe.
Entscheidung
Freigabe und Übersteuerung klären
Wer besitzt die Autorität für die endgültige Entscheidung? Wer kann eine KI-Empfehlung übersteuern und wie wird mit Unsicherheit oder widersprüchlichen Signalen umgegangen?
Review
Wirkung im Betrieb messen
Prüfen Sie Geschwindigkeit, Qualität, Fehler, Nacharbeit und Lernwirkung. Eine schnellere Erstellung kann wenig wert sein, wenn die fachliche Prüfung anschließend mehr Zeit benötigt.
Automatisierung verändert auch Lernen, Expertise und Koordination.
Junior-Arbeit kann schneller produktiv werden
In der QJE-Feldstudie profitierten weniger erfahrene und weniger leistungsstarke Support-Mitarbeitende besonders stark. Führung sollte deshalb prüfen, wie sich Einarbeitung, Lernen und der Aufbau eigener Urteilskompetenz verändern.
Expertise verschiebt sich in Richtung Prüfung und Ausnahmefälle
Wenn Standardfälle schneller bearbeitet werden, steigt die Bedeutung von Fachleuten für Grenzfälle, Qualitätsstandards und die Beurteilung, wann ein System außerhalb seiner verlässlichen Leistungszone arbeitet.
Entscheidungsrechte können informell wandern
Ein System kann formell nur beraten und praktisch trotzdem zum dominierenden Referenzpunkt werden. Führung muss beobachten, ob Menschen Empfehlungen noch eigenständig prüfen oder hauptsächlich bestätigen.
Koordination wird zu einer Designfrage
Wenn Menschen und KI unterschiedliche Teile eines Workflows übernehmen, müssen Übergaben, Rückfragen, Freigaben und Eskalationen neu geordnet werden. Sonst beschleunigt ein einzelner Arbeitsschritt und der Gesamtprozess bleibt langsam.
Wenn KI Wissen leichter verfügbar macht, wird die Gestaltung von Lernwegen wichtiger.
Die Support-Feldstudie liefert Hinweise darauf, dass KI Wissen erfahrener Mitarbeitender verbreiten und das Lernen neuer Mitarbeitender beschleunigen kann. Dieser Effekt ist für Organisationen attraktiv. Gleichzeitig verändert er, wie Erfahrung aufgebaut wird.
Führung sollte deshalb entscheiden, welche Fähigkeiten Menschen weiterhin selbst sicher beherrschen müssen. Dazu gehören besonders Fähigkeiten, die zur Qualitätskontrolle, zum Erkennen von Ausnahmen oder zur Übersteuerung eines Systems gebraucht werden.
Für Senior-Expertise entsteht eine zusätzliche Aufgabe. Fachleute können helfen, Qualitätsmaßstäbe, Testfälle und Grenzfälle zu definieren. Damit wird Expertise stärker Teil des Systemdesigns und der Qualitätssicherung.
Acht Fragen für den nächsten KI-Use-Case.
Bei welchen konkreten Aufgaben wird generative KI heute bereits genutzt, offiziell oder informell?
Welche dieser Aufgaben haben hohe finanzielle, rechtliche, sicherheitsbezogene oder reputative Tragweite?
Welche Art von Output erzeugt die KI und wer prüft ihn?
Wer trifft die endgültige Entscheidung und wer darf eine Empfehlung übersteuern?
Welche Fehler messen wir nach Einführung systematisch?
Welche Fähigkeiten sollen Mitarbeitende weiterhin selbst üben und beherrschen?
Welche Rollen oder Schnittstellen verändern sich durch den neuen Workflow?
Wann überprüfen wir, ob der Einsatz tatsächlich Qualität, Geschwindigkeit oder Lernfähigkeit verbessert?
Was sich derzeit belastbar sagen lässt.
Die Forschung zu generativer KI in Organisationen entwickelt sich schnell. Feldstudien liefern inzwischen reale Produktivitätsdaten, gleichzeitig stammen viele Befunde aus einzelnen Berufen, Unternehmen oder klar abgegrenzten Aufgaben. Die praktische Struktur dieses Artikels ist deshalb eine organisationsbezogene Synthese und kein validiertes KI-Führungsmodell.
- Brynjolfsson, Li & Raymond (2025): Feldstudie zur Einführung generativer KI bei 5.172 Support-Mitarbeitenden, veröffentlicht im Quarterly Journal of Economics.
- Dell'Acqua et al. (2025): preregistriertes Experiment mit 758 Wissensarbeitenden zur ungleichmäßigen Leistungsgrenze generativer KI, veröffentlicht in Organization Science.
- Systematic Review zu algorithmic decision-making (2025): Review von 90 Arbeiten zu algorithmischen Entscheidungen in Organisationen und ihren technologischen, menschlichen und organisationalen Bedingungen.
- Chen et al. (2026): systematische Review von 167 peer-reviewten Arbeiten zu algorithmischem Management im Arbeitsplatzkontext.
Häufige Fragen
Ein KI-Use-Case wird häufig klarer, wenn Rollen und Entscheidungen gemeinsam betrachtet werden.
Im Erstgespräch klären wir, welche Führungsfrage hinter Ihrem aktuellen KI-Thema liegt und ob Sparring dafür der passende Rahmen ist. 15–20 Minuten, kostenlos, vertraulich und unverbindlich.