KI hat Ihrem Mitarbeiter 10 Stunden gespart. Warum arbeitet er trotzdem genauso viel?

„Wir haben KI eingeführt und sparen zehn Stunden pro Woche.“ Dieser Satz steht in vielen Projektberichten, und meistens stimmt er. Der Arbeitstag der Mitarbeiter ist dadurch aber nicht kürzer geworden. Wohin sind die zehn Stunden verschwunden?

Meistens fließen sie an drei Stellen ab: in die Prüfung und Nacharbeit von KI-Ergebnissen, in die Überwachung der KI selbst und in neue Aufgaben, die die frei gewordene Zeit stillschweigend füllen. Wir gehen alle drei durch und anschließend eine Checkliste, die vor der Einführung ausgefüllt werden sollte.

Wo die eingesparten Minuten verloren gehen

Nehmen wir eine bekannte Aufgabe: einen Bericht, ein Angebot, eine Kundenantwort. Früher hat der Mitarbeiter sie selbst erledigt. Jetzt erstellt die KI in einer Minute den Entwurf, und das sieht nach reiner Ersparnis aus. Doch der Prozess endet damit nicht:

Anfrage → KI → Prüfung → Korrektur → Freigabe → Versand

Es gibt mehr Glieder, und das automatisierte braucht am wenigsten Zeit. Hier ein Beispiel in Minuten. Die Zahlen sind erfunden: Das ist eine Illustration, kein Ergebnis einer Studie und keine Daten aus einem realen Projekt.

Das Glied „Erledigen“ ist auf ein Achtel geschrumpft, die gesamte Aufgabe aber länger geworden. Gelingt es, Prüfung und Korrektur auf je fünf Minuten zu senken und die Freigabe wegfallen zu lassen, dauert die Aufgabe 15 Minuten. Der Unterschied zwischen 45 und 15 Minuten liegt nicht an der KI, sondern daran, wie die Arbeit um sie herum organisiert ist.

Für dieses Phänomen gibt es einen Begriff: Botsitting, das „Babysitten“ eines Bots. Geprägt hat ihn das Unternehmen Glean im Work AI Index 2026 (6.000 Beschäftigte aus den USA, Großbritannien und Australien). Die Beschäftigten schätzen die Ersparnis durch KI auf rund 11 Stunden pro Woche. Gleichzeitig gehen 6,4 Stunden pro Woche dafür drauf, dass die KI überhaupt ein brauchbares Ergebnis liefert: Kontext ergänzen, prüfen, korrigieren, erneut anfragen.

Einschränkung: Das sind Selbsteinschätzungen, und Glean verkauft selbst KI-Lösungen für Unternehmen. Nicht alle diese Stunden sind verloren, ein Teil gehört zur normalen Arbeit mit jedem Werkzeug. In ROI-Berechnungen tauchen diese Stunden aber oft gar nicht auf, und deshalb gehen die Ersparnis auf dem Papier und im Arbeitsalltag auseinander.

Wohin die Stunden fließen, Stelle 1: Prüfung und Nacharbeit

So sieht es aus. Die KI hat einen Entwurf erstellt, und der Mitarbeiter prüft ihn „kurz“. Er findet Ungenauigkeiten, schreibt ein paar Absätze um, gleicht Zahlen ab. Dann geht das Ergebnis an einen Kollegen, der dasselbe tut.

Was die Daten zeigen. Workday (3.200 Beschäftigte und Führungskräfte, November 2025): Rund 37 % der durch KI eingesparten Zeit gehen für Rework drauf, also für das Korrigieren von Fehlern, Umschreiben und Prüfen. Nur 14 % der Befragten haben dauerhaft einen echten Nettogewinn.

Ein Teil dieser Arbeit landet nicht beim Autor, sondern beim Kollegen. Forscher von Stanford und BetterUp (1.150 Beschäftigte in den USA, September 2025) beschreiben den Fall, dass ein Mitarbeiter KI-Text weiterleitet, der fertig aussieht, aber tatsächlich unfertig ist. Sie nannten das „Workslop“, auf Deutsch etwa „KI-Pfusch“. Der Empfänger muss herausfinden, was nicht stimmt, und alles überarbeiten. Etwa 40 % der Befragten waren damit konfrontiert, und jeder Fall kostete im Schnitt rund zwei Stunden.

Was das bedeutet. Die Prüfung von KI-Ergebnissen ist notwendig und richtig. Das Problem ist nicht sie selbst, sondern dass ihre Zeit selten in die Ersparnisrechnung einfließt und dass sie manchmal unbemerkt bei einer anderen Person landet.

Wohin die Stunden fließen, Stelle 2: Überwachung der KI

So sieht es aus. Der Mensch beobachtet nicht mehr ein Ergebnis, sondern mehrere Agenten gleichzeitig: Was haben sie getan, wo haben sie sich geirrt, was muss gestoppt werden?

Was die Daten zeigen. In der BCG-Studie (1.488 Beschäftigte in den USA, März 2026) war gerade die Überwachung von Agenten der belastendste Faktor. Die Komfortgrenze lag nach diesen Daten bei etwa drei Werkzeugen gleichzeitig. Bei denen, die von geistiger Überlastung berichteten, gab es 39 % mehr schwerwiegende Fehler. Und in einer anderen BCG-Umfrage (AI at Work 2026, 11.749 Beschäftigte, Juni 2026) sagen 47 %, sie verbrächten mehr Zeit damit, die KI zu steuern, als mit der eigentlichen Arbeit. Das ist eine Selbsteinschätzung, aber sie wiederholt sich in verschiedenen Studien.

Was das bedeutet. Die Überwachung der KI wird zu einer eigenen Aufgabe, über die niemand gesprochen hat.

Wohin die Stunden fließen, Stelle 3: neue Aufgaben

So sieht es aus. Die Aufgaben sind schneller geworden, der Mitarbeiter ist „frei“. Doch nach einer Woche hat er wieder dieselben acht Stunden, nur mit anderer Arbeit gefüllt.

Was die Daten zeigen. Das japanische Persol Research Institute (landesweite Umfrage, Februar 2026) hat nicht die Zeit pro Aufgabe gemessen, sondern die Arbeitszeit der Menschen. Pro Aufgabe sank die Zeit im Schnitt um 16,7 %, aber die tatsächliche Arbeitszeit verringerte sich nur bei etwa jedem vierten Nutzer. Über 60 % der frei gewordenen Zeit flossen zurück in die Arbeit, überwiegend in Routine. Zu demselben Ergebnis kamen Forscher der UC Berkeley (HBR, Februar 2026): In acht Monaten hat KI in einem Technologieunternehmen die Arbeit nicht verringert, sondern verdichtet. Das ist die Beobachtung eines einzelnen Unternehmens und keine Statistik, aber der Mechanismus ist nachvollziehbar.

Was das bedeutet. Wenn niemand entschieden hat, wohin die frei gewordene Zeit fließt, füllt sie sich von selbst: mit zufälligen Aufgaben, dringenden Bitten, einem weiteren Bericht. Vermutlich nicht mit dem, was das Unternehmen braucht, und weniger effizient, als die Führungskraft erwartet hat.

Warum das so ist

Die drei Stellen haben eines gemeinsam: Der Mitarbeiter ist nicht schuld. Wer prüft, korrigiert und die KI beaufsichtigt, ist nicht langsam. Er gleicht aus, was niemand durchdacht hat: was genau geprüft wird, wer dafür verantwortlich ist und was mit der gewonnenen Zeit geschieht.

Das zeigt sich auch bei ganzen Projekten. Gartner prognostiziert, dass mehr als 40 % der Projekte mit agentischer KI bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklaren Nutzens oder unzureichender Risikokontrolle.

Wenn ein KI-Projekt nicht den erwarteten Effekt bringt, liegt die Ursache deshalb oft nicht in der Technologie und nicht bei den Menschen, sondern im Prozess drumherum.

Checkliste vor der KI-Einführung

Sechs Schritte, die ich empfehle und die ich bei jeder KI-Einführung gehe. Arbeiten Sie die Liste vor dem Start ab, nicht danach.

1. Beschreiben Sie den Prozess und jeden seiner Schritte

Halten Sie Schritt für Schritt fest: Was kommt als Input, wer macht was, wohin geht das Ergebnis, wo wartet es auf eine Freigabe? Beantworten Sie für jeden Schritt: Wozu ist er da? Schritte ohne klare Antwort sollten Sie streichen, nicht automatisieren. Das deckt sich mit dem Ergebnis von McKinsey, die mehr als 50 Agenten-Projekte ausgewertet hat: Wert entsteht, wenn sich der gesamte Arbeitsprozess ändert, nicht wenn ein beeindruckender Agent auftaucht. Laut der McKinsey-Umfrage (1.491 Teilnehmende, März 2025) hat von 25 Faktoren die Neugestaltung von Arbeitsabläufen den stärksten Einfluss auf das Ergebnis mit KI. Doch zumindest einen Teil ihrer Prozesse haben nur 21 % der Unternehmen, die generative KI nutzen, grundlegend neu gestaltet.

2. Prüfen Sie, ob und an welchem Schritt KI überhaupt nötig ist

Gehen Sie den beschriebenen Prozess durch und fragen Sie bei jedem Schritt: Lässt er sich als Regel „Wenn X, dann Y“ formulieren? Falls ja, braucht es dort keine KI. Das löst eine gewöhnliche Automatisierung über Baukästen wie Zapier oder Make, manchmal genügen auch ein paar Zeilen individueller Code. Eine Regel funktioniert jedes Mal gleich, und ihr Fehler ist sofort sichtbar, deshalb braucht sie keinen Kontrolleur. McKinsey weist ausdrücklich darauf hin, dass in standardisierten Prozessen mit geringer Varianz einfache Regeln manchmal besser sind als Agenten. KI lohnt sich dort, wo der Input unscharf ist: E-Mails, Verträge, Freitext.

3. Messen Sie die Prozessdauer vor dem Start und danach

Notieren Sie, wie viel menschliche Arbeitszeit aktuell pro Ergebnis anfällt: vom Eingang bis zum geprüften Ergebnis, einschließlich Warten und Freigabe. Messen Sie 30 bis 90 Tage nach dem Start dasselbe noch einmal. Ohne zwei Zahlen lässt sich nicht beurteilen, ob die KI Zeit gespart oder nur die Struktur der Arbeit verändert hat. So rechnen Sie:

Zeit vorher − (Arbeit der KI + Prüfung + Korrektur + Freigabe) = tatsächliche Ersparnis

4. Legen Sie fest, welche KI-Ergebnisse geprüft werden und welche ohne Prüfung durchlaufen

Heute prüft der Mensch oft jedes Ergebnis: auch die, in denen alles stimmt, und die, in denen ein Fehler steckt. Die Zeit geht dafür drauf, sich zu vergewissern, dass alles in Ordnung ist. Geprüft werden sollten nur die Fälle, in denen das System selbst auf ein Problem hinweist: Das Modell ist unsicher, der Betrag oder das Risiko liegt über der Schwelle, eine Ausnahmeregel greift. Alles andere läuft ohne Prüfung, und der Mensch bekommt nicht einen Strom von allem, sondern eine Liste der Ausnahmen. Benennen Sie außerdem einen Prozessverantwortlichen, der für das Ergebnis geradesteht.

Das ist das Prinzip Jidoka aus dem Toyota-Produktionssystem. Das Unternehmen ist aus Webstühlen hervorgegangen, die sich selbst stoppten, wenn ein Faden riss: Der Arbeiter musste nicht danebenstehen und jeden Faden kontrollieren, die Maschine meldete sich bei einem Problem.

Es gibt auch einen wissenschaftlichen Grund. Die Metaanalyse von Vaccaro, Almaatouq und Malone in Nature Human Behaviour (2024) fasste 106 Experimente zusammen. Im Schnitt schnitten Kombinationen aus „Mensch + KI“ schlechter ab als die bessere der beiden Seiten allein. Wenn der Mensch bei der Aufgabe stärker war als die KI, gewann die Kombination, war die KI stärker, verschlechterte der Mensch in der Kette das Ergebnis. Setzen Sie den Menschen deshalb dorthin, wo er Qualität beiträgt (Kontext, Ausnahmen, Risikobewertung), nicht als formale Unterschrift unter jeden Schritt. Auch der EU AI Act verlangt für Hochrisiko-Systeme, dass die Aufsicht gestaltet wird: Der Mensch soll die Gefahr blinden Vertrauens kennen und das System anhalten können. Für gewöhnliche Büroaufgaben ist das keine Pflicht, aber eine Orientierung.

5. Begrenzen Sie die Belastung pro Mitarbeiter

Übertragen Sie einer Person nicht die Aufsicht über zu viele Agenten: Nach BCG-Daten liegt die Grenze bei etwa drei Werkzeugen. Die Berkeley-Forscher empfehlen drei Praktiken, die sie „AI Practice“ nennen: bewusste Pausen, Ergebnisse gebündelt prüfen statt auf jede Meldung zu reagieren und den persönlichen Austausch behalten statt allein mit der KI zu arbeiten.

6. Entscheiden Sie, wohin die gesparte Zeit fließt und wie der Mitarbeiter sie verteilt

Vereinbaren Sie es vorab: für wertvollere Aufgaben, Weiterbildung oder weniger Überstunden. Andernfalls füllt sich die Zeit mit Routine, wie die Daten von Persol und Berkeley zeigen. Halten Sie die Entscheidung zusammen mit dem Termin für die Nachmessung aus Schritt 3 fest.

Was diese Daten nicht beweisen

Sie beweisen nicht, dass KI nutzlos ist: Sowohl bei Workday als auch bei Persol werden Aufgaben tatsächlich schneller. Sie beweisen auch nicht, dass es in jedem Unternehmen so läuft. Fast alle Zahlen stammen aus Umfragen, und ein Teil der Studien wurde von Organisationen durchgeführt, die KI oder Beratung verkaufen. Die Metaanalyse von Vaccaro umfasst Experimente aus den Jahren 2020–2023, und in späteren Arbeiten wurde kein allgemeiner Effekt in die eine oder andere Richtung mehr gefunden. Das ist ein Signal, kein Gesetz. Aber ein ausreichend stabiles, um es bei der Planung zu berücksichtigen.

Fazit

Ich bin nicht gegen KI: Wo sie gebraucht wird, verkürzt sie tatsächlich Schritte. Aber ein Schritt und ein Prozess sind nicht dasselbe. Wenn KI nicht den erwarteten Effekt bringt, liegt die Ursache oft in einer schlecht durchdachten Prozessarchitektur drumherum.

KI verkürzt einen Schritt. Zeit spart nur ein durchdachter Prozess.

Quellen: Glean Work AI Index 2026; Workday (November 2025); Stanford Social Media Lab und BetterUp (September 2025); BCG „AI Brain Fry“ (März 2026) und AI at Work 2026 (Juni 2026); Persol Research Institute (Februar 2026); Ranganathan und Ye, UC Berkeley, Harvard Business Review (9. Februar 2026); Gartner (Juni 2025); McKinsey, The State of AI (März 2025) und „One year of agentic AI: Six lessons from the people doing the work“ (September 2025); Vaccaro, Almaatouq, Malone, Nature Human Behaviour 8 (2024); Verordnung (EU) 2024/1689 (AI Act), Artikel 14; Toyota Motor Corporation, Jidoka-Prinzip.

Besprechen wir Ihren Prozess →