Was wir bei KI und Produktivität falsch machen

David Rice: Also, Ihr Team nutzt KI, um Berichte zu schreiben, Daten zu analysieren und schnellere Entscheidungen zu treffen. Die Produktivität ist gestiegen, oder? Ihre Quartalskennzahlen sehen wahrscheinlich ziemlich gut aus, aber wissen Sie was? Sie machen Ihre Leute leise dümmer. Das ist keine Dramatisierung. Eine aktuelle Studie zu medizinischen Fachkräften, die KI-gestützte Diagnosetools verwenden, hat gezeigt, dass die Betroffenen so abhängig von der Technologie wurden, dass sie, wenn man die KI abschaltet, deutlich schlechter abschnitten als je zuvor vor der Nutzung. Das ist kein Trainingsproblem. Das ist Gehirnatrophie.

Der heutige Gast im Podcast ist Dr. Vivienne Ming. Sie ist theoretische Neurowissenschaftlerin und Unternehmerin, die bereits vor 15 Jahren vorhergesagt hat, dass GPS-Navigation die Demenzrate ursächlich erhöhen würde. Und heute gibt es empirische Belege dafür, dass sie Recht hatte – aber genau darum geht es heute nicht.

Was sie uns heute sagen möchte: Wir stehen jetzt vor einer Entscheidung zwischen zwei völlig unterschiedlichen Wegen – kognitive Automatisierung, bei der KI die Arbeit für Sie erledigt und Sie kurzfristige Erfolge erzielen, aber auf lange Sicht verlieren, oder kognitive Erweiterung, bei der KI die Arbeit anspruchsvoller macht und Ihre Leute ehrlich besser werden lässt.

Wir besprechen, warum das Argument „KI macht das Leben leichter“ aktuell das gefährlichste Verkaufsargument in der Geschäftswelt ist, den Unterschied zwischen Automatisierung, die Kompetenzen zerstört, und Erweiterung, die sie aufbaut, wie man KI-Tools so gestaltet, dass Menschen nach deren Nutzung besser sind als davor, weshalb Führungskräfte, die den einfachen Weg wählen, zwar kurzfristig davon profitieren, auf lange Sicht aber strategisch scheitern.

Ich bin David Rice. Das ist People Managing People. Und falls Sie Produktivitätsgewinne feiern, ohne zu fragen, was dabei auf der Strecke bleibt, ist dieses Gespräch ein Weckruf. Los geht's.

Alles klar, Vivienne, willkommen in der Sendung.

Vivienne Ming: Es ist großartig, hier zu sein.

David Rice: Bevor wir losgelegt haben, habe ich – wie so oft – die Nachrichten durchstöbert und einen Artikel gesehen. Nature hat letzte Woche eine Studie veröffentlicht, wonach KI, wenn sie mit Informationen gefüttert wird – insbesondere von sozialen Medien – Probleme bekommt. Sie versteht so gut wie nichts mehr. Ich wollte gerne Ihre Reaktion dazu hören, denn es wurde tatsächlich formuliert: Zu viel Social Media verursacht Gehirnverfall bei KI-Chatbots.

Vivienne Ming: Ja.

David Rice: Ist der Content also für niemanden gut?

Vivienne Ming: „Gehirnverfall“ ist der Fachbegriff des Moments – Gehirnverfall und Arbeitsschlamm. Ich kann dazu eine sehr nerdige Antwort geben, was da passiert und was wir dagegen tun können. Aber für ein breiteres Publikum gilt: Das sollte uns zu denken geben. Es braucht tatsächlich nur sehr wenig minderwertige Information, um ein großes Sprachmodell in völlig falsche Richtungen zu lenken.

Und selbst wenn man dann „Human in the Loop“-Anpassungen vornimmt, Reinforcement Learning, ist es sehr schwer, das ursprüngliche Potenzial wiederherzustellen. Viele sprechen über die Bedeutung hochwertiger Daten. Das ist ein Beispiel dafür, dass schon kleine, unbeabsichtigte oder manchmal auch beabsichtigte (indem man bewusst Müll einspeist) Änderungen ausreichen, um die KI wortwörtlich zu manipulieren.

Das ist nicht mal Gehirnverfall, das ist eher Gehirnwurm. Das sind Dinge, über die wir nachdenken sollten. Hier meine ziemlich nerdige Antwort, die ich auch in einem Aufsatz behandelt habe, den ich bald einreichen werde: Menschen sind nicht perfekt. Wir sind auch voller Vorurteile. Es zeigt sich: Wenn wir durchs Internet scrollen, verkommt unser Gehirn ebenfalls.

Doch trotz aller Ehrlichkeit: Menschen machen etwas sehr Wichtiges. Wenn wir eine total absurde Information erhalten, ignorieren wir sie meist. Natürlich gibt es Ausnahmen. Aber in der Studie über Gehirnverfall, wie dort berichtet, war es oft Kauderwelsch.

Kein Mensch würde beim Anblick von Kauderwelsch denken: Oh mein Gott, das muss ich mir merken. Wir haben ein Superkraft, die aktuelle KIs nicht besitzen. Wir haben ein Modell der Welt. Die KI-Branche spricht ständig von „World Models“, aber das entspricht nicht der Realität. Wir projizieren unser Modell auf die Welt und blenden das Unpassende aus – sowohl zum Guten als auch zum Schlechten.

Wir entscheiden: Das ist weniger wichtig, das speichere ich nicht so tief ab. Genau das müssen wir bei KI ebenfalls ermöglichen. Die Idee, wir müssten perfekte Datensätze kuratieren und dürften der KI niemals eine schlechte Röntgenaufnahme oder irgendeinen Internetmüll zeigen, da sie sofort „Gehirnverfall“ bekommen könnte, ist ein echtes Schwachpunkt der heutigen Trainingsmethodik.

David Rice: Viele sagen, wir hätten ein Hirn erschaffen, das so ausgefeilt ist wie unseres – das habe ich schon gehört. Ich weiß nicht, ob das zutrifft und habe den Begriff „Hirn“ oft kritisch gesehen. Als ich das jedoch las, dachte ich: Vielleicht ist es doch ein Hirn – Social-Media-Inhalte wirken bei KI ähnlich wie bei uns.

Vivienne Ming: Ja. Ich versuche einen nüchternen Zugang. Ich bin eine KI-Realistin. Es gibt viel Unsinn: die KI-Utopist:innen glauben, KI löse alles, die Dystopist:innen meinen, wir produzieren Skynet. Ich wünschte, wir hätten ein Skynet-Problem – nicht aus Bedrohungsgründen, sondern weil wir überhaupt keine Ahnung haben, sowas zu bauen.

Wir wissen es nicht. Aber was geschaffen wurde, ist tatsächlich intelligent. Es ist Künstliche Intelligenz, allerdings mit einer spezifischen Intelligenz: statistisches Lernen. Genau davon machen wir selbst oft Gebrauch, darin ähneln Maschinen uns tatsächlich. Deshalb gibt es viele Gemeinsamkeiten zwischen großen Sprachmodellen und Menschen.

Aber wir besitzen zudem noch viele andere Intelligenzformen: niedrige rechnerische, sehr hohe (abstrakte) Intelligenz... Berühmterweise hatte Henry Markham wegen eines Eingriffs gegen Epilepsie keine Möglichkeit mehr, neue Langzeiterinnerungen zu bilden, wusste aber weiterhin, wie man Gitarre spielt – ohne sich daran zu erinnern, es gelernt zu haben. Intelligenz gibt’s in vielen Ausprägungen.

Er konnte keine neuen Erinnerungen mehr formen, aber weiterhin Gitarre lernen. Maschinen und Menschen bringen unterschiedliche Stärken ein. Statt künstliche Menschen zu bauen, sollten wir uns freuen, was KI gut kann.

Dann wäre die Welt heute schon besser aufgestellt.

David Rice: Da bin ich bei Ihnen und das führt zum eigentlichen Thema. Es herrscht die Vorstellung, KI würde alles leichter, bequemer, effizienter und profitabler machen – besonders davon scheinen sich viele Führungskräfte blenden zu lassen. Aber Sie haben vorab zu mir gesagt: Was, wenn KI das Leben nicht einfach macht, sondern schwerer – aber auf eine Art, die uns besser macht? Wie sieht das in Ihren Worten aus?

Vivienne Ming: Ich habe erst vor kurzem in meinem Newsletter über gänzlich KI-unabhängige Forschung geschrieben. Ein Befund: Geldgeber – etwa Venture Capitalists – investieren wahrscheinlicher in Entrepreneure mit ähnlichen Gesichtern (gleicher Ethnie etc.), wobei die Chance steigt, aber die Erfolgsquote sinkt. Das Experiment war u.a. nur mit Hilfe von KI möglich: Man misst die Gesichtssimilarität, sieht: 3 % mehr Investment, aber 7 % weniger Erfolg. Das Beispiel verdeutlicht: Wir sind voller Vorurteile.

Hilft uns das? Wir haben die Tendenz, Leute einzustellen, die uns ähneln, obwohl das zu schlechteren Ergebnissen führt. Wir wollen uns einreden, wir wären rational – sind wir aber nicht. Wir alle wollen es uns leicht machen. In der Psychologie sprechen wir von oberflächlicher und tiefer Verarbeitung. Die meiste Zeit, selbst hochintelligente Menschen, leben wir oft im Automodus. Das ist okay, aber man muss auch tief eintauchen.

Nur: Wir haben das perfekte Werkzeug gebaut, um ein Leben lang völlig oberflächlich zu bleiben. Wenn darauf dann noch dazu suboptimale Führungsentscheidungen kommen („Einstellen nach Ähnlichkeit statt Fähigkeit“)...

Eine weitere Studie bestätigte das Peter-Prinzip: In Verkaufsteams wird man befördert, weil man gut verkauft, nicht weil man ein guter Chef ist – das hat reale wirtschaftliche Folgen. Die gleichen Menschen, die mit diesen Schwächen Entscheidungen über Beförderungen, Investments und KI-Einsatz treffen, kaufen das Argument: KI nimmt Ihnen die langweilige Arbeit ab, Sie dürfen das Kreative machen. Aber meine Forschung zeigt: Je mehr KI die langweiligen Aufgaben übernimmt, desto mehr entsteht davon für alle.

Ein Beispiel: Unternehmen werben intern damit, dass KI Mails liest/schreibt, „spart“ Zeit für Kommunikation. Doch je mehr KI Spam produziert, desto mehr Mails gibt es letztlich – nicht weniger. Das Versprechen von KI als Produktivitäts-„Koks“ ist meiner Meinung nach eine Sackgasse.

Vor allem, weil menschliches Kapital nachweisbar untergraben wird, wenn KI die Arbeit übernimmt. Also: KI nimmt uns nicht die Routine ab und wir werden dann auf magische Weise kreativer. Wer bessere Menschen will, sollte KI so einsetzen, dass sie explizit und nachweislich Kreativität fördert – und genau das macht das Arbeiten schwerer, nicht leichter. Sie widerspricht, sie zeigt Fehler auf. Sie ist die loyale Opposition. Ich schreibe darüber in meinem neuen Buch und nenne es das „Nemesis Prompt“.

Ich habe es zum Schreiben verwendet: Nach dem Verfassen eines Kapitels habe ich Gemini den Auftrag gegeben: „Du bist mein Nemesis, mein Erzfeind. Finde jeden Fehler und erläutere ihn, zeige Schwächen auf und mache Verbesserungsvorschläge.“ KI sollte mir das Schreiben nicht leichter machen, sondern schwerer – aber eben besser.

David Rice: Das zeigt sich überall in der KI-Kultur, oder? Meist verkaufen wir sie als Abkürzung zu Produktivität oder Effizienz, selten als Katalysator für Wachstum oder als Trainings-Booster für Führungskräfte. Oder, wie Sie sagten: Werden Menschen nach Qualität der Verkäufe befördert, anstatt bessere Fragen zu stellen, Veränderung zu fördern? Wir rahmen KI wie die meisten Technologien der letzten 50 Jahre: Sie macht es bequem. Davon profitiert haben wir nicht wirklich...

Vivienne Ming: Als ich aus der Wissenschaft ein Stück weit in die Wirtschaft wechselte und meine ersten Unternehmen gründete (KI in Bildung, Arbeit, Medizin), wurde ich oft zu Keynotes/Podiumsdiskussionen eingeladen, um den Wandel der Arbeitswelt zu diskutieren.

Der Tenor vieler: Es sei wie die Industrielle Revolution. Man brauche sich nicht zu sorgen, KI schaffe mehr Jobs als sie zerstöre, wie Strom oder Verbrennungsmotor. Die simple Annahme: „Es ist wie die Industrielle Revolution“, als naturwissenschaftlicher Beweis vorgetragen.

Ich habe in einer Podiumsrunde, mit jemandem, der einfach nur Halbwahrheiten verbreitete, innerlich gekündigt – und niedergeschrieben: Das ist nicht die Industrielle Revolution!

Das resultierte in einem hunderttausend-Wörter-Kapitel. Die Kernfrage: Wissen wir überhaupt, was die Industrielle Revolution war? Und zweitens: Ist KI einfach nur das Fließband, ist sie einfach Strom, Motor? Wir blicken auf diese historischen Umbruchmomente, aber KI funktioniert anders: Ihr gibt es kein „Unten“. Man kann sie bitten, den albernsten Tweet zu schreiben oder die Krebsforschung zu revolutionieren – es ist ihr egal. Beides ist für sie gleichwertige Rechenoperation.

Das ist nicht Fließband, Landwirtschaftsrevolution oder Ähnliches. Das heißt nicht, dass es schlecht oder gut wird.

Erst wenn wir akzeptieren: Menschen sind chaotisch, KI ist chaotisch, aber anders chaotisch. Bringt man beide richtig zusammen, entsteht Großartiges; platziert man sie falsch, werden Endokrinolog:innen schlechter in der Krebsdiagnose, Schüler:innen lernen weniger, Aktivität nimmt ab... Es ist ein großes, dynamisches, komplexes System – und wie wir es nutzen, entscheidet. Die Wechselwirkung zwischen unserem Handeln und Algorithmen formt die Zukunft.

Wenn wir nicht bereit sind, in die Tiefe zu gehen – dann mache ich mir Sorgen.

David Rice: Ich bleibe dabei hängen, dass vorherige Erfindungen viel langsamer abliefen. Unser Gehirn ist gar nicht gebaut für den Wandel in diesem Tempo. Man sieht schon jetzt, wie es Menschen schwerfällt, zu erkennen, was echt ist. Das gab es früher so nicht. Es ist eine viel größere Herausforderung für uns – wie wir die Technologie nutzen, ist entscheidend. Und wenn das Verständnis fehlt, ist viel Raum für Fehlanwendungen.

Vivienne Ming: Ich arbeite gerade an einer Pilotstudie. Ich möchte hybride kollektive Intelligenz untersuchen, das Zusammenspiel von Mensch und Maschine – die Chancen, Risiken und Unwägbarkeiten. Noch ist es früh, aber die Idee ist: Ich messe, wie gut Menschen zusammen Vorhersagen treffen können – etwa bei Poly Market, wo Wetten auf reale Ereignisse platziert werden.

Eine Gruppe Nicht-Expert:innen kommt zusammen, trifft Vorhersagen, wir vergleichen: Wie machen es Profis? Wie macht es KI? Wie machen es Mensch+KI gemeinsam? Überraschend: Menschen sind nicht so gut wie Profis; KIs sind ziemlich gut, aber bei unvorhersehbaren Ergebnissen versagen sie eher. In hybriden Teams hängt alles vom Humankapital ab: Menschen ohne Wissen folgen einfach blind der KI. Je höher das Humankapital, desto mehr Dynamik entsteht: Menschen werfen Ideen ein, die KI verfeinert, es gibt einen kreativen Zyklus. Besonders spannend: In solchen Teams werden besonders unvorhersehbare Situationen am besten gelöst.

Lange Rede, kurzer Sinn: Nur in tiefer, aktiver Auseinandersetzung mit dem System, im gemeinsamen Innovationsprozess, zeigen sich die tatsächlichen Vorteile. Wer nicht daran glaubt: Das ist einer der größten Forschungserkenntnisse – die derzeit intelligenteste Entität auf dem Planeten ist hybride Intelligenz. Nicht irgendeine Super-KI, nicht das größte menschliche Genie – sondern eine Gruppe überdurchschnittlicher Menschen, verstärkt durch KI. Das ist wirklich beeindruckend.

David Rice: Das ist faszinierend. Da kommen mir viele Ideen. Ich habe am Wochenende über Poly Market gelesen – zum ersten Mal gehört – und war erstaunt, wie man heute auf alles wetten kann. Sehr eigenartig. Aber zum Thema: Ich wollte gerne über den Effizienz-Mythos sprechen, der uns im Arbeitsalltag ständig begegnet. Denken Sie, dass diese Erzählung der Effizienz KIs Wirkung auf die Arbeit bremst?

Vivienne Ming: Die Effizienzannahme beruht auf Annahmen: Dass wir Effizienz gut messen könnten – Zeilen Code, Deals im Vertrieb sagen angeblich alles über Unternehmenserfolg aus. Tatsächlich aber stammt das meiste Wirtschaftswachstum der letzten 30 Jahre von wenigen Unternehmen („Super-Firmen“), die „intangible assets“ (immaterielle Faktoren) einbringen. Ihre Produktivität ist spektakulär; sie ist nicht auf Mails oder Code zurückzuführen.

Studien bei Google zeigten: Die besten Teams waren nicht besonders effizient – sie interagierten wenig untereinander, viel aber mit anderen Teilen der Organisation, vertrauten einander und arbeiteten sehr selbständig. Meine eigene Forschung untersuchte „höhere Ordnung der Produktivität“: Wie macht eine Person andere besser? Die meisten Indikatoren messen individuelle oder Gruppenleistung, nie deren kollektive Wirkung.

Ich habe ein riesiges Unternehmen wie ein neuronales Netz modelliert – und fand: 11 % der Angestellten sorgten für 80 % der „nicht sichtbaren“ Produktivität. Was unterschied sie? Hilfsbereitschaft – sie waren ineffizient, halfen oft abseits der eigentlichen Arbeit. Das erfasst keine klassische Kennziffer der Effizienz, ist aber ein massiver Treiber der Gesamtleistung!

Denkt man, Callcenter-Mitarbeiter durch Bots zu ersetzen, spart man Gehalt – das wirkt sich kurzfristig aus. Aber was, wenn das Folgekosten verursacht, und wie beim automatisierten Programmieren am Ende Senior-Entwickler:innen alles korrigieren müssen? Man hat wenig verbessert. Wenn aber High Potentials KI nutzen, um sich tiefer mit ihrer Arbeit zu befassen, sind sie kurzfristig weniger effizient, langfristig aber produktiver; die Qualität steigt weit über die kurzfristigen Einbußen hinaus.

Unsere Vorstellungen von Effizienz sind im Kontext moderner KI völlig überholt. Wir sollten Menschen Raum geben, produktive Fehler zu machen und neue Wege auszuprobieren – unterstützt durch KI –, nicht immer nur das Bekannte automatisieren lassen.

David Rice: Ich finde das Beispiel sehr anschaulich, wieviel ausfällt, wenn bestimmte Menschen ein Team verlassen. Jede:r hat schon erlebt, dass der- oder diejenige fehlt, die/der „alles zusammenhält“. Wie kann man das in Daten abbilden?

Vivienne Ming: Sportteams nehmen diese Komplexität sehr ernst. Es gibt Metriken wie „Value over Substitution“, die zeigen, dass nicht die offensichtlich besten Spieler den größten Effekt auf die Gemeinschaft haben. In Unternehmen gilt dasselbe: Man muss die Komplexität des Humankapitals wie in der Lieferkette verstehen. Es gibt perfekte Passformen für Teams. Menschen, die überall Höchstleistungen bringen, sind selten. Oft machen Leute, die individuell mittelmäßig wirken, das gesamte Team viel besser.

Das gibt dem Begriff Potential ganz neue Dimensionen. Wir sollten KI so nutzen, dass sie Menschen verstärkt und nicht ersetzt.

David Rice: Sie hatten das Bild vom neuronalen Netz mit 500.000 Personen genannt. Dadurch entstehen sehr viele unterschiedliche Blickwinkel, die man nur mit vielen Menschen im Netzwerk abdecken kann.

Aktuell gibt es große Sorgen rund um den Wegfall von Einstiegsjobs. Das betrifft nicht nur fachliche Entwicklung und Karrierepfade, sondern auch frische Perspektiven. Gibt es aus Ihrer Sicht einen kognitiven Preis dafür, wenn wir Einstiegsstellen – also das „erste Erleben“ der Arbeitswelt – eliminieren?

Vivienne Ming: Zu dem Satz, den ich Ihnen gesagt hatte – lassen Sie mich das erläutern. Meine Doktorand:innen an der UC Berkeley und anderen Orten sind extrem intelligent, sie wissen über ihr Thema mehr als ich. Aber der Grund, warum ich „dabei“ bin: Sie kennen die Fakten, aber sie verstehen nichts. Mein Job ist es, ihnen Verständnis zu vermitteln – wie man Forscher:in ist, wie man Unbekanntes erforscht. Das Gehirn ist viel komplizierter als die modernste KI.

Was wir als Wissenschaftler:innen tun: Nach Fakten suchen und dann danach fragen, was eigentlich die richtigen Fragen sind – das kann keine KI. Mit einem LLM ist es, als arbeite ich mit meinen Promovierenden – nur dass das LLM alles über alles weiß. Aber: Es versteht nichts. Es weiß nichts über sein Unwissen. Deswegen ist der Mensch am Zug, das Unbekannte zu erkunden – das macht uns besonders. Bei Berufseinsteiger:innen: Wir mieten sozusagen deren Wissen an, damit erfahrene Leute Zeit sparen – und geben ihnen die Gelegenheit, zu lernen, „was man wirklich damit macht“.

Ein Beispiel: Eine Juristin sagte mir, dass sie neuen Mitarbeitenden anfangs alle Verträge lesen lässt – die kommen danach mit tollen Funden, aber ihr wird schnell klargemacht: Wir machen das nicht so, auch wenn du Schwächen in Konkurrenzverträgen entdeckst, weil wir die langfristigen Folgen kennen. Man muss Dinge verstehen, nicht nur wissen.

Wenn man das Wissenssammeln aus der Laufbahn entfernt, wie sollen Menschen zum Verstehen kommen? Nur einzelne können sich „hochhangeln“. Im Creator-YouTube-Tiktok-Umfeld ist das okay – Millionen probieren es, ein Bruchteil schafft es, aber ist das ein Modell für beruflichen Aufstieg? Wohl kaum – da entscheidet Zufall genauso wie Talent. Besser wäre, Lernen in jeder Phase zu fördern.

Das Entscheidende ist: Die besten Entscheidungen entstehen dann, wenn Menschen gemeinsam mit KI Daten analysieren, iterieren und herausfinden, worauf es ankommt. Nicht Jobteilung nach Zentaur/Mensch/KI, sondern alles als Team kombinieren. Das erhöht die Qualität und Lernchancen für alle.

David Rice: Man kommt immer wieder darauf zurück: KI hat keinen Kontext, keine Praxiserfahrung und kein Urteil. Praktisches Urteilsvermögen bildet sich jahrelang in kleinen Schritten – und die Sorge ist, dass genau dieser Wachstumsweg für Menschen verloren geht. Ist das überzogen?

Vivienne Ming: Ein scheinbares Paradoxon, interessant für Nerds, fatal für die Menschheit:

Schon lange gibt es sehr tiefgehende Forschung zu KI im Bildungsbereich. Entscheidend: Gibt der Tutor die Antwort direkt, lernen Lernende nichts. Das wurde an MIT und auch bei Anthropic gezeigt. Für die Karriere gilt: Gibt das LLM Antworten direkt, lernt der Mensch kaum. Ein kleiner Prozentsatz wird trotzdem selbstständig lernen, aber der Großteil eben nicht.

Das Paradoxon: Der beste KI-Tutor gibt nie Antworten, sondern setzt immer auf Fragen (reines Sokrates-Prinzip). LLMs führen zu eigener Einsicht, geben sie aber nicht vor. Das Ziel sollte immer sein, dass Menschen besser werden – nicht nur durch die KI, sondern auch danach, wenn diese abgeschaltet ist. Leider zeigen viele Studien, auch meine eigene: Für die meisten führt KI zur Verschlechterung der eigenen Fähigkeiten. Das muss aber nicht so sein! Der Schlüssel ist: KI, die zum Nachdenken zwingt und gezielte Unterstützung bietet, nicht bloß Wünsche erfüllt.

David Rice: Sie hatten mal vom „Jiffy Lube Economy“ gesprochen – für mich klingt das nach Deprofessionalisierung. Was meinen Sie?

Vivienne Ming: Wie gesagt – oft heißt es: KI schafft mehr Jobs als sie vernichtet, wie es auch bei Looms und der Fastenindustrie war. Doch heute ist es anders: Jede Routineaufgabe, sei sie noch so anspruchsvoll, wird binnen Monaten durch KI übernommen, wenn sie wirtschaftlich relevant ist. Wer bekommt dann noch Aufgaben, die KI nicht übernehmen kann? Das ist nur eine kleine Gruppe. Statt alle zu „Superdoktor:innen“ zu machen, landen wir vielleicht bei der „Jiffy Lube-Koloskopie“: Das An- und Abstöpseln an Computer übernehmen Hilfskräfte zum Mindestlohn, nicht mehr Spitzenärzt:innen. Für viele CFOs klingt das wirtschaftlich reizvoll. Das ist Deprofessionalisierung: Es entstehen viele einfache Jobs, einfach weil sich die Automatisierung hochqualifizierter Aufgaben (noch) nicht lohnt. Aber das ist gesellschaftlich ein tiefer Einschnitt.

David Rice: Augmentation – das fordern viele von KI. Meist läuft es aber doch auf Automatisierung hinaus. Was ist der Unterschied zwischen kognitiver Automatisierung und kognitiver Erweiterung, und warum ist das für Führungskräfte entscheidend?

Vivienne Ming: Ich kann auf Wunsch sehr tief einsteigen – etwa mit Hirnaktivitäten: Bei wirklicher Nutzung unseres Gehirns ist der präfrontale Cortex aktiv, man beobachtet Gamma-Aktivität. In einer MIT-Studie war diese Aktivität bei Studierenden, die mit LLMs Essays verfassten, erheblich reduziert (im Vergleich zu Google- oder Nicht-Unterstützung). Wer selbst schrieb, lernte besser, kannte den eigenen Text und überzeugte damit mehr. Die LLM-Texte wurden eher als fremd empfunden und waren für Außenstehende weniger überzeugend.

Denken wir an Navigation: Londoner Taxifahrer mussten alle Straßen auswendig kennen und hatten besonders ausgeprägte Hirnregionen – und blieben geistig gesünder. Uber-/Lyft-Fahrer folgen heute nur noch der Karte, was im Moment zwar hilft, langfristig aber schadet. Ich sagte schon vor 15 Jahren voraus, dass Navigation per KI die Demenzrate erhöht. Es gibt heute Belege dafür: Automatisierung macht vielleicht kurzfristig besser, langfristig aber schlechter.

Augmentation dagegen bringt uns weiter: Ich überlasse Google Maps die Routenberechnung, schlage dann aber je nach Kontext einen eigenen (für mich besseren) Weg ein – etwa bei Veranstaltungen oder lokalen Tricks, die der Algorithmus nicht kennen kann. Das ist kognitive Erweiterung: Ich benutze mein Hirn, profitiere aber trotzdem von KI. Augmentierende KI kann explizit gebaut werden – aber heutige LLMs tun das meist nicht von sich aus.

David Rice: Interessant. Ich bin vor ein paar Jahren umgezogen und habe nach Monaten gezielt auf Navigation verzichtet, um meinen inneren Stadtplan zu entwickeln. Als ich Maps dann wieder nutzte, diente es vor allem als Stau-Hinweis, aber das Navigieren habe ich bewusst selbst übernommen.

Vivienne Ming: Genau, Sie navigieren selbst – und wenn man wirklich genau hinschaut (siehe auch die Studie mit Gastroenterolog:innen): Ärzt:innen mit KI-Assistenz werden bei Abschalten der KI wesentlich schlechter. Kurzfristig verbessert, langfristig verschlechtert sich die Leistung dramatisch. Menschen und KIs machen unterschiedliche Fehler. Nur bei Erweiterung, im hybriden Zusammenspiel, schöpft man beide Stärken aus. Bei bloßer Automatisierung, bei völliger Auslagerung, geht das verloren.

David Rice: Das war ein wirklich faszinierendes Gespräch, Vivienne. Vielen Dank für Ihre Teilnahme! Mir gefällt es besonders, dass wir tatsächlich darüber sprechen, wie KI und Gehirn zusammenwirken und welche Langfristauswirkungen das hat.

Vivienne Ming: Danke, dass ich hier sein durfte. Abschließend: Es geht um Führungspersonen. Wer die faule Version wählt, erhält kurzfristige Produktivitätsgewinne und langfristig strategische Verluste. Wer bereit ist, ins Humankapital zu investieren, wird langfristig profitieren – das erfordert Mut und politischen Willen.

David Rice: Absolut. Ich hielt letzte Woche einen Vortrag vor HR-Leitungen und meinte: Sie sind vermutlich nicht aus philosophischem Interesse in der Branche gelandet, aber jetzt ist es Zeit für eine Grundsatzdiskussion – machen Sie sich damit vertraut. Danke für Ihre Insights und das Schlusswort.

Vivienne Ming: Es war mir eine Freude. Vielen Dank.

David Rice: Liebe Hörer:innen, wenn Sie es noch nicht getan haben, abonnieren Sie unbedingt den Newsletter. Gehen Sie auf peoplemanagingpeople.com, melden Sie sich an. Unser AI Transformation Explorer könnte interessant für Sie sein. Wenn Sie noch kein kostenloses Konto haben, legen Sie eines an – so bekommen Sie vollen Zugriff.

Bis zum nächsten Mal – der Mensch steht im Mittelpunkt und Sie gestalten den Wandel.