KI Workflow and Time Tracking mit TimeSpin
| | | |

Wie viel Arbeit die Kontrolle von KI erzeugt

Wie viel Arbeit die Kontrolle von KI erzeugt

Prüfung und Korrektur als unterschätzte Größen der Produktivität in der Wissensarbeit

Wissenschaftlich fundierter Diskussionsbeitrag für eine New-Work-Fachzeitschrift

Recherchestand: 23. September 2026

Generative künstliche Intelligenz verkürzt in vielen Arbeitsprozessen den Weg zum ersten Entwurf. Ob dadurch tatsächlich Arbeitszeit frei wird, entscheidet sich jedoch häufig erst danach: beim Überprüfen von Aussagen, beim Korrigieren unpassender Ergebnisse und bei der Abstimmung mit Menschen, die diese Ergebnisse weiterverwenden sollen. Die verfügbare Forschung liefert keine allgemeingültige Prozentzahl für diesen Zusatzaufwand. Sie zeigt vielmehr, dass erhebliche Zeitgewinne und zusätzlicher Arbeitsaufwand nebeneinander auftreten können. Für die Gestaltung zeitgemäßer Arbeit folgt daraus eine anspruchsvollere Frage als jene nach der Geschwindigkeit der Texterzeugung: Wie verändert KI den gesamten Aufwand bis zu einem fachlich belastbaren Ergebnis?

Dieser Beitrag ordnet ausgewählte experimentelle Studien, Befragungen und aktuelle Forschungsberichte ein. Er ist eine narrative Diskussion, keine systematische Übersichtsarbeit und keine eigene empirische Untersuchung. Die zentrale These lautet, dass Prüf- und Korrekturarbeit als regulärer Bestandteil von Wissensarbeit geplant und gemessen werden muss, wenn Organisationen den Nutzen von KI beurteilen wollen.

Der erste Entwurf ist noch kein fertiges Arbeitsergebnis


Ein sprachlich überzeugender Bericht kann in wenigen Sekunden entstehen und dennoch beträchtliche Arbeit verursachen. Eine Fachkraft muss beurteilen, ob die verwendeten Zahlen stimmen, ob die Quellen die Aussagen tatsächlich tragen und ob entscheidende Einschränkungen fehlen. Anschließend ist zu klären, ob das Ergebnis zur konkreten Aufgabe passt. Ein sachlich richtiger Text kann für eine Entscheidung ungeeignet sein, weil er die falschen Annahmen verwendet oder betriebliche Besonderheiten übersieht.

Für die Analyse sind drei Tätigkeiten auseinanderzuhalten. Prüfung bezeichnet die Feststellung, ob ein Ergebnis verlässlich und zweckmäßig ist. Korrektur umfasst die Behebung erkannter Fehler. Integration bezeichnet die Anpassung an vorhandene Dokumente, Software, Entscheidungen oder Arbeitsabläufe. Diese Tätigkeiten können sich überschneiden, sind aber keineswegs gleichbedeutend. Auch ein fehlerfreier KI-Entwurf kann aufwendig zu prüfen sein, während ein klar erkennbarer Fehler unter Umständen schnell behoben wird.

Allerdings gab es Qualitätssicherung bereits vor dem Einsatz generativer KI. Wer sämtliche Prüfminuten als zusätzliche KI-Kosten verbucht, überschätzt den Mehraufwand. Aussagekräftig ist erst der Vergleich mit einem fachlich gleichwertigen Arbeitsprozess ohne KI. Umgekehrt überschätzt eine Organisation den Nutzen, wenn sie nur die Zeit bis zum Entwurf erfasst und spätere Nacharbeit ausblendet.

Was die Forschung tatsächlich quantifiziert


Dass KI deutliche Vorteile ermöglichen kann, belegt das in Science veröffentlichte Experiment von Noy und Zhang. Bei berufstypischen Schreibaufgaben mit 453 qualifizierten Teilnehmenden sank die durchschnittliche Bearbeitungszeit durch den Zugang zu ChatGPT um 40 Prozent; die bewertete Qualität stieg um 18 Prozent. Das Ergebnis betrifft die untersuchten, abgegrenzten Schreibaufgaben. Daraus lässt sich weder eine allgemeine Einsparung für vollständige Unternehmensprozesse noch ein fester Anteil nachgelagerter Prüfzeit ableiten (Noy und Zhang, 2023).

Ein anderes Bild ergab eine randomisierte Untersuchung von METR mit 16 erfahrenen Entwicklern und 246 Aufgaben in ihnen vertrauten Open-Source-Projekten. Mit den untersuchten KI-Werkzeugen benötigten sie durchschnittlich 19 Prozent mehr Bearbeitungszeit. In einer Teilstichprobe von 44 Aufgaben mit auswertbaren Bildschirmaufzeichnungen entfielen ungefähr neun Prozent der Zeit auf das Prüfen und Bereinigen von KI-Ausgaben. Bemerkenswert ist die Abweichung zur Wahrnehmung: Nach dem Experiment glaubten die Beteiligten weiterhin, durch KI im Mittel 20 Prozent Zeit gespart zu haben (Becker et al., 2025).

Diese Zahlen messen unterschiedliche Sachverhalte. Die neun Prozent beschreiben einen beobachteten Tätigkeitsanteil; die 19 Prozent bezeichnen den Gesamteffekt auf die Bearbeitungszeit. Sie dürfen weder addiert noch als zwei Schätzungen derselben Größe behandelt werden. Zudem untersuchte METR Werkzeuge aus dem Zeitraum Februar bis Juni 2025 und ein spezifisches Arbeitsumfeld. Das Ergebnis ist kein allgemeines Urteil über Softwareentwicklung mit KI im September 2026.

Tatsächlich berichtete METR im Februar 2026 über erhebliche Probleme einer Folgeuntersuchung. Manche Entwickler wollten auf KI nicht mehr verzichten oder reichten bevorzugt bestimmte Aufgaben für das Experiment ein. Die Forschenden hielten stärkere Beschleunigung inzwischen für plausibel, bewerteten die neuen Daten wegen solcher Auswahlverzerrungen aber als wenig belastbar für deren genaue Größenordnung. Eine Fortschreibung des ursprünglichen Verlangsamungseffekts wäre daher ebenso unzulässig wie die Behauptung einer abschließend nachgewiesenen Umkehr (Becker et al., 2026).

Eine im Mai 2026 als Preprint veröffentlichte Metaanalyse von Maier und Kollegen, die 23 Studien zum Programmieren zusammenführt, findet insgesamt einen moderaten positiven Produktivitätseffekt bei erheblichen Unterschieden zwischen den Untersuchungen. Der standardisierte Effekt von g = 0,33 ist keine Zeitersparnis von 33 Prozent. Die Analyse beschreibt größere Vorteile in kontrollierten Experimenten und geringere Effekte in betrieblichen beziehungsweise Open-Source-Kontexten. Auch sie liefert keine allgemeine Quote für zusätzliche Korrekturarbeit (Maier et al., 2026).

Wenn die Zeitersparnis bei anderen zur Mehrarbeit wird


Besonders relevant für die betriebliche Zusammenarbeit ist das unter dem Begriff „Workslop“ diskutierte Phänomen: KI-generierte Arbeitsergebnisse wirken fertig, verlangen den Empfängern aber erhebliche zusätzliche Denkarbeit ab. BetterUp berichtete in Zusammenarbeit mit dem Stanford Social Media Lab auf Grundlage einer Befragung US-amerikanischer Büroarbeitskräfte, dass 40 Prozent im vorangegangenen Monat solche Ergebnisse erhalten hätten. Für den Umgang mit einem entsprechenden Vorfall wurden durchschnittlich eine Stunde und 51 Minuten angegeben (Leon, 2025).

Diese Angabe ist eine Selbstauskunft über problematische Fälle, keine experimentell gemessene Zusatzzeit pro KI-Nutzung. Sie bedeutet weder, dass jede KI-Ausgabe fast zwei Stunden Nacharbeit erzeugt, noch dass der gesamte genannte Aufwand gegenüber einem Arbeitsprozess ohne KI zusätzlich anfällt. Der Anbieterbericht ist zudem von begutachteten Forschungsartikeln zu unterscheiden; seine Angaben zur Stichprobengröße sind zwischen Fließtext und Abbildung nicht einheitlich. Die Ergebnisse sind deshalb als Hinweis auf ein relevantes Problem zu lesen, nicht als Grundlage einer pauschalen Kostenhochrechnung.

Der organisatorische Mechanismus lässt sich dennoch präzise beschreiben. Spart die absendende Person bei der Erstellung Zeit, während mehrere Empfänger Annahmen rekonstruieren, Fehler suchen und Rückfragen beantworten müssen, verschiebt sich der Aufwand innerhalb der Organisation. Die lokale Leistungskennzahl kann sich verbessern, obwohl das Team insgesamt länger arbeitet. Dies ist eine analytische Folgerung, deren Ausmaß im jeweiligen Betrieb gemessen werden muss.

Gerade in projektbasierten Organisationen kann diese Verschiebung unbemerkt bleiben. Die Erstellung wird einem Projekt zugeordnet, während spätere Klärungen unter Besprechungen, interner Kommunikation oder allgemeiner Qualitätssicherung verschwinden. Eine tragfähige Produktivitätsmessung muss deshalb auch die Arbeit der Empfänger und die nachgelagerten Korrekturschleifen berücksichtigen.

Warum die fachliche Prüfung anspruchsvoll bleibt


Eine Untersuchung von Lee und Kollegen mit 319 Wissensarbeitenden und 936 berichteten Anwendungssituationen beschreibt eine Verschiebung kritischen Denkens hin zur Informationsprüfung, zur Einbindung von Ergebnissen und zur Verantwortung für den gesamten Aufgabenprozess. Größeres Vertrauen in die KI war mit weniger berichtetem kritischem Denken verbunden, höheres Vertrauen in die eigene Kompetenz mit mehr. Die Befragung misst Zusammenhänge und Selbsteinschätzungen; sie belegt weder einen kausalen Verlust von Denkfähigkeit noch eine bestimmte Zahl zusätzlicher Arbeitsstunden (Lee et al., 2025).

Für die Arbeitsgestaltung ergibt sich daraus ein praktisches Problem. Die Anweisung, Beschäftigte sollten KI-Ergebnisse einfach kontrollieren, lässt offen, welche Kenntnisse, Quellen und zeitlichen Spielräume dafür erforderlich sind. Wer eine fachliche Lücke selbst nicht erkennt, kann auch einen überzeugend formulierten KI-Vorschlag nur eingeschränkt prüfen. Ein zweites Sprachmodell kann die Kontrolle unterstützen, ersetzt aber keinen geeigneten Referenzmaßstab, etwa Originalquellen, nachvollziehbare Berechnungen oder überprüfbare Tests.

Aus arbeitswissenschaftlicher Sicht wäre deshalb genauer zu untersuchen, wie sich dauernde Prüftätigkeit auf Aufmerksamkeit und Handlungsspielraum auswirkt. Ein Arbeitstag kann zeitlich kürzer und zugleich mental anspruchsvoller werden, wenn routinemäßige Erstellung entfällt und überwiegend schwierige Beurteilungen verbleiben. Das ist eine plausible Forschungsfrage, keine durch die genannten Studien bereits allgemein belegte Folge. Für New Work ist sie dennoch zentral, weil gute Arbeit auch davon abhängt, ob Beschäftigte Zusammenhänge verstehen, Entscheidungen beeinflussen und ihre fachlichen Fähigkeiten weiterentwickeln können.

Wie sich der Nettoeffekt berechnen lässt


Für die betriebliche Bewertung bietet sich eine einfache Vergleichsrechnung an. Der menschliche Gesamtaufwand mit KI umfasst die Vorbereitung und Erstellung, die Prüfung, die Korrektur sowie die nachgelagerte Integration und Abstimmung. Davon ist der entsprechende Gesamtaufwand ohne KI abzuziehen. Voraussetzung sind vergleichbare Aufgaben und ein vorab festgelegtes Qualitätsniveau. Reine Maschinenlaufzeit muss getrennt ausgewiesen werden, sofern Beschäftigte währenddessen anderweitig produktiv arbeiten können.

Ein ausdrücklich hypothetisches Beispiel verdeutlicht den Unterschied. Ohne KI benötigt eine Aufgabe 90 Minuten für die Erstellung, 20 Minuten für Prüfung und Korrektur sowie zehn Minuten für die Abstimmung, insgesamt 120 Minuten. Mit KI sinkt die Erstellung einschließlich Vorbereitung auf 30 Minuten. Prüfung und Korrektur beanspruchen nun 45 Minuten, die Abstimmung 15 Minuten. Insgesamt fallen 90 Minuten an. Obwohl die Prüf- und Korrekturarbeit um 25 Minuten steigt, werden netto 30 Minuten beziehungsweise 25 Prozent eingespart.

Kommen bei den Empfängern weitere 40 Personenminuten hinzu, die im Vergleichsprozess ohne KI nicht anfielen, steigt der Gesamtaufwand auf 130 Minuten. Aus dem Vorteil beim Ersteller wird für das Team ein Mehraufwand von zehn Minuten. Das Beispiel illustriert eine Rechenlogik, keinen empirischen Durchschnitt. Es zeigt zugleich, weshalb Personenminuten und Durchlaufzeit getrennt betrachtet werden sollten: Parallel arbeitende Beschäftigte können eine Aufgabe schneller abschließen und dabei insgesamt mehr Arbeitszeit verbrauchen.

Für aussagekräftige Erprobungen sollten Organisationen Aufgaben nach Schwierigkeit und Fehlerfolgen unterscheiden, Modellversionen dokumentieren und Einarbeitungsphasen gesondert betrachten. Neben der Zeit bis zur fachlichen Abnahme sind später entdeckte Fehler zu erfassen. Wo praktikabel, verbessern zufällig zugeteilte oder gut vergleichbare Aufgaben mit und ohne KI die Aussagekraft. Eine reine Vorher-nachher-Betrachtung kann dagegen mit gleichzeitig veränderten Anforderungen oder wachsender Erfahrung verwechselt werden.

Tätigkeitstransparenz als Grundlage guter Arbeit


Eine solche Untersuchung benötigt eine Erfassung, die zwischen Erstellung, Quellenprüfung, Korrektur und Abstimmung unterscheiden kann. Pauschale Tagesstunden reichen dafür nicht aus. Gleichzeitig muss der Aufwand der Messung begrenzt bleiben. Zu viele Kategorien erschweren die Zuordnung und können selbst Unterbrechungen erzeugen. Sinnvoll sind wenige, gemeinsam definierte Tätigkeiten, eine zeitlich begrenzte Erprobung und eine Auswertung auf Prozess- oder Teamebene. Die Beteiligten sollten wissen, welche Frage die Erfassung beantworten soll und wie die Ergebnisse verwendet werden.

Ein praktischer Ansatz ist die haptische Tätigkeitserfassung, wie sie TimeSpin ermöglicht. Die zwölf Seiten des Dodekaeder-Würfels werden mit individuell beschrifteten Tätigkeits- oder Aktivitätsaufklebern versehen, beispielsweise für „Erstellen“, „KI-Ergebnis prüfen“, „Korrigieren“ und „Abstimmen“. Durch einfaches Umdrehen wechseln die Nutzenden die erfasste Tätigkeit; die Daten werden automatisch synchronisiert. Im Vergleich zur nachträglichen Rekonstruktion aus Kalendern kann die unmittelbare Erfassung Erinnerungslücken verringern. Gegenüber einer ausschließlich bildschirmgebundenen Erfassung bietet der Würfel einen direkt greifbaren Tätigkeitswechsel.

Ob dies in einem konkreten Team zu weniger Erfassungsfehlern und höherer Akzeptanz führt, sollte begleitend überprüft werden. Ein wissenschaftlicher Wirksamkeitsnachweis für TimeSpin lässt sich aus den hier besprochenen KI-Studien nicht ableiten. Der Nutzen für die vorliegende Fragestellung liegt in der Möglichkeit, bislang vermischte Tätigkeiten getrennt sichtbar zu machen. Bei Projektabrechnungen und internen Nachkalkulationen kann dadurch nachvollziehbar werden, wo der tatsächliche Aufwand entsteht. Welche Zeiten abrechenbar sind, ergibt sich weiterhin aus den jeweiligen Vereinbarungen.

Über eine REST-API und geeignete Exporte lassen sich entsprechende Auswertungen grundsätzlich in bestehende Softwarelandschaften einbinden. Für eine Übergabe an DATEV, Sage oder andere ERP- und Warenwirtschaftssysteme sind die verfügbaren Schnittstellen, Datenformate und Zuordnungen im jeweiligen Projekt zu prüfen. Entscheidend für die Analyse ist, dass die Tätigkeitskategorien bei der Weiterverarbeitung erhalten bleiben. Andernfalls verschwindet gerade der Prüfaufwand wieder in einer Gesamtsumme.

Welche Konsequenzen sich für New Work ergeben


Aus der dargestellten Evidenz folgt keine allgemeine Pflicht, KI zurückhaltender einzusetzen. Sie begründet vielmehr die Forderung, den Einsatz differenzierter zu organisieren. Führungskräfte sollten festlegen, wann ein Ergebnis als geprüft gilt, welche Kontrollen dem Fehlerrisiko angemessen sind und wer dafür Zeit erhält. Ein interner Ideenvorschlag verlangt eine andere Prüftiefe als eine Berechnung, die eine Investitionsentscheidung trägt. Einheitliche Vorgaben können ebenso zu unnötiger Kontrolle wie zu unzureichender Absicherung führen.

Zudem sollten Beschäftigte KI für eine konkrete Aufgabe ablehnen dürfen, wenn der erwartete Prüfaufwand den Nutzen übersteigt. Fachliche Selbstständigkeit schließt die Entscheidung über geeignete Werkzeuge ein. Wer jede Tätigkeit an einer hohen KI-Nutzungsquote misst, setzt einen Anreiz zur Anwendung, ohne damit bereits bessere Ergebnisse zu erreichen. Ebenso problematisch wäre es, gründliche Prüfung als mangelnde Geschwindigkeit zu bewerten, während ungeprüfte Ausgaben als Leistung zählen.

Die Frage, wie viel zusätzliche Arbeit KI erzeugt, lässt sich deshalb nur zusammen mit der Frage beantworten, wo diese Arbeit anfällt und welchen Qualitätsgewinn sie ermöglicht. Die Forschung belegt erhebliche Unterschiede zwischen Aufgaben und Arbeitsumgebungen; eine universelle Korrekturquote wäre wissenschaftlich nicht haltbar. Für Unternehmen ist der entscheidende Maßstab der gesamte menschliche Aufwand bis zu einem verlässlichen Ergebnis. Erst wenn dieser Aufwand einschließlich der Arbeit anderer sichtbar wird, lässt sich beurteilen, ob KI tatsächlich Freiräume schafft und wie diese Freiräume für bessere Arbeit genutzt werden können.

Literatur und Quellen
Noy, S., und Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586

Becker, J., Rush, N., Barnes, B., und Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, Forschungsbericht. https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf

Becker, J., Rush, N., Cunningham, T., Rein, D., und Mahamud, K. (2026). We are Changing our Developer Productivity Experiment Design. METR, Forschungsupdate vom 24. Februar 2026. https://metr.org/blog/2026-02-24-uplift-update/

Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., und Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming. arXiv-Preprint, 6. Mai 2026. https://doi.org/10.48550/arXiv.2605.04779

Leon, M. (2025). The hidden cost of AI “workslop” — and how leaders can fix it. BetterUp, 29. September 2025. Anbieterbericht über die Forschung von BetterUp Labs und Stanford Social Media Lab. https://www.betterup.com/blog/hidden-costs-workslop

Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. Autorenversion: https://www.microsoft.com/en-us/research/wp-content/uploads/2025/01/lee_2025_ai_critical_thinking_survey.pdf

Ähnliche Beiträge