Wenn generative KI erfahrene Expert:innen ausbremst und was das für Unternehmen bedeutet

„Generative KI macht erfahrene Expert:innen langsamer.“

Diese Aussage wirkt im ersten Moment irritierend. Schließlich wird KI derzeit fast ausschließlich als Produktivitätshebel diskutiert – als Technologie, die Arbeit beschleunigt, Prozesse effizienter macht und bessere Ergebnisse in kürzerer Zeit ermöglicht.

Und doch zeigt sich sowohl in der Praxis als auch in aktueller Forschung ein deutlich differenzierteres Bild. Unter bestimmten Bedingungen kann genau das Gegenteil eintreten: Erfahrene Expert:innen werden durch den Einsatz von KI langsamer, ohne dass sich die Qualität ihrer Ergebnisse verbessert.

Das ist keine Randbeobachtung. Es ist ein Hinweis auf ein tieferliegendes Missverständnis darüber, wie Produktivität im Kontext von KI überhaupt entsteht.

Der entscheidende Unterschied: Ergebnis vs. Arbeitsprozess

Ein wesentlicher Grund für diese Fehleinschätzung liegt darin, dass viele Diskussionen rund um KI stark ergebnisorientiert geführt werden. Im Fokus steht meist die Frage, was am Ende herauskommt: Schnellerer Code, bessere Texte, effizientere Analysen.

Die spannendere Frage ist jedoch eine andere: Was passiert im Arbeitsprozess selbst?

Genau hier setzt die zitierte Studie an. Sie zeigt, dass KI insbesondere in der frühen Phase – also bei der Ideenfindung – einen klar positiven Effekt hat. Sie erweitert Denkräume, senkt Einstiegshürden und ermöglicht es, schneller unterschiedliche Perspektiven zu entwickeln. Dieser Effekt ist weitgehend unabhängig vom Erfahrungsniveau.

Sobald es jedoch in die Umsetzung geht, dreht sich das Bild. Erfahrene Expert:innen benötigen mit KI häufig mehr Zeit und das ohne messbar bessere Ergebnisse.

Warum Erfahrung plötzlich zum Nachteil werden kann

Um dieses Phänomen zu verstehen, lohnt sich ein Blick auf das, was Expertise eigentlich ausmacht. Erfahrene Fachkräfte verfügen über gewachsene Routinen, stabile mentale Modelle und eingespielte Arbeitsweisen. Genau diese Faktoren sorgen im Alltag für Geschwindigkeit und Qualität.

KI bringt jedoch eine andere Logik ins Spiel. Sie erzeugt Vorschläge, die nicht zwangsläufig den etablierten Denk- und Arbeitsmustern entsprechen. Dadurch entsteht ein Spannungsfeld zwischen der eigenen, bewährten Herangehensweise und den Alternativen, die die KI anbietet. In der Praxis führt das zu zusätzlichem Aufwand. Ergebnisse müssen stärker geprüft, eingeordnet und angepasst werden. Statt eines klaren, linearen Arbeitsprozesses entsteht ein iteratives Hin und Her zwischen menschlicher und maschineller Logik. Die Studie beschreibt dieses Phänomen treffend als „Expertise Fixation“: Das, was uns über Jahre hinweg effizient gemacht hat, kann im Umgang mit neuen Technologien plötzlich zur Reibungsquelle werden.

KI ist kein Produktivitäts-Tool im klassischen Sinne

Viele Organisationen führen generative KI aktuell mit einer klaren Erwartung ein: Mehr Output in kürzerer Zeit. Diese Perspektive greift jedoch zu kurz.

Denn KI verändert nicht nur die Geschwindigkeit einzelner Aufgaben, sondern die Struktur der Arbeit selbst. Arbeitsschritte verschieben sich, Entscheidungsprozesse verändern sich, und die Rolle von Expertise wird neu definiert.

Das erklärt auch die widersprüchlichen Erfahrungen, die derzeit viele Unternehmen machen. Während einzelne Tätigkeiten deutlich schneller werden, steigt gleichzeitig die Komplexität im Gesamtprozess. Mehr Output bedeutet nicht automatisch mehr Produktivität.

Produktivität wird nicht einfach gesteigert, sie wird verschoben.

Der eigentliche Hebel liegt im Prozess, nicht im Tool

Vor diesem Hintergrund stellt sich eine andere, deutlich relevantere Frage: Wo im Arbeitsprozess ist der Einsatz von KI tatsächlich sinnvoll und wo nicht?

Die Ergebnisse legen nahe, dass KI insbesondere in frühen Phasen ihre Stärken ausspielt. Dort, wo es um Exploration, Ideengenerierung und erste Konzeptansätze geht, kann sie einen echten Mehrwert liefern. In der Umsetzungsphase hingegen ist ein differenzierter Umgang notwendig. Hier kann KI unterstützen, führt aber nicht automatisch zu einer Beschleunigung, insbesondere nicht bei erfahrenen Expert:innen.

Entscheidend ist daher nicht die bloße Einführung von KI, sondern die bewusste Gestaltung von Arbeitsprozessen. Wer bestehende Abläufe unverändert lässt und KI lediglich „daraufsetzt“, wird die beschriebenen Reibungsverluste zwangsläufig erleben.

Was das für innovationsgetriebene Organisationen bedeutet

Gerade in innovationsgetriebenen Bereichen wie Forschung, Entwicklung oder Produktmanagement ist diese Dynamik besonders relevant. Hier treffen hohe Unsicherheit und hohe Expertise aufeinander – zwei Faktoren, die durch den Einsatz von KI zusätzlich verstärkt werden.

Organisationen stehen damit vor einer doppelten Herausforderung. Sie müssen nicht nur neue Technologien integrieren, sondern gleichzeitig ihre etablierten Arbeitsweisen hinterfragen. Das betrifft sowohl Prozesse als auch Rollenbilder. Erfahrung bleibt dabei ein zentraler Erfolgsfaktor, allerdings in veränderter Form. Weniger als reine Umsetzungskompetenz, sondern stärker als Fähigkeit zur Einordnung, Bewertung und Steuerung in einem hybriden Arbeitsumfeld.

Fazit: Produktivität neu denken

Die zentrale Erkenntnis lässt sich klar zusammenfassen: Generative KI erhöht nicht automatisch die Produktivität. Sie verändert, wie Produktivität entsteht.

Ein Teil der Arbeit wird schneller, ein anderer langsamer. Prozesse werden nicht linear effizienter, sondern verschieben sich. Genau deshalb reicht es nicht aus, KI als reines Effizienzwerkzeug zu betrachten.

Unternehmen, die das Potenzial von KI wirklich nutzen wollen, müssen bereit sein, ihre Arbeitsweisen aktiv weiterzuentwickeln. Es geht nicht darum, bestehende Prozesse zu beschleunigen, sondern darum, sie neu zu denken.

Denn die eigentliche Transformation liegt nicht in der Technologie, sondern in der Art, wie wir arbeiten.

Ausblick

Viele Organisationen stehen aktuell noch am Anfang dieser Entwicklung. Die Erfahrungen sind vielfältig und oft widersprüchlich. Gerade deshalb lohnt es sich, genauer hinzusehen und systematisch zu verstehen, wo KI tatsächlich Mehrwert schafft und wo sie neue Herausforderungen erzeugt.

Die entscheidende Frage ist dabei nicht, ob KI unsere Arbeit verändert.
Sondern, ob wir bereit sind, unsere Vorstellung von Produktivität entsprechend anzupassen.