Der Wert von Arbeit im KI-Zeitalter

Nachlese zur Keynote „Wieder Mensch werden“, Futuromundo EDU, Juni 2026

Diese Zusammenfassung richtet sich an alle, die die Keynote gesehen haben, und an alle, die sich mit der Frage beschäftigen, worauf sich der Wert von Arbeit künftig gründet. Sie gibt die Argumentation nicht wieder, sondern ordnet sie ein und macht die Belege zugänglich, auf denen sie ruht. Wo die Forschungslage uneindeutig ist, steht das auch so da.

Die Ausgangsthese

Der Wert von Arbeit wurde über zwei Jahrhunderte hinweg über eine klare Kette gebildet: Ausbildung erzeugt Wissen, Wissen wird durch Erfahrung verdichtet, Erfahrung wird über Seniorität vergütet. Diese Kette ist die stille Grundlage fast aller Vergütungssysteme, Karrierepfade und Organigramme, mit denen Unternehmen heute arbeiten.

Die These der Keynote lautet: Diese Kette trägt nicht mehr, weil ihr erstes Glied seine Knappheit verliert. Und die meisten Organisationen reagieren darauf, indem sie die alte Wertschöpfung effizienter machen, statt die neue aufzubauen.

Was die Forschung dazu sagt

Zur Entwertung von Fachwissen

Die Rede von der sinkenden Halbwertszeit des Wissens ist verbreitet und wird oft mit eindrucksvollen Zahlen unterlegt. Die Belastbarkeit dieser Zahlen ist unterschiedlich.

Die am häufigsten zitierte Systematik stammt aus der Innovationsforschung und differenziert nach Wissensart: Schulwissen etwa zwanzig Jahre, Hochschulwissen etwa zehn Jahre, berufliches Fachwissen etwa fünf Jahre, technisches Wissen etwa drei Jahre, IT-Wissen ein bis zwei Jahre (Vahs/Brem, Innovationsmanagement, 2013).

Wichtig ist die Gegenposition: Ein Teil der Bildungsforschung hält den Begriff für irreführend. Nicht das vorhandene Wissen verfällt schneller, sondern die Menge neu produzierten Wissens wächst. Der praktische Effekt für Einzelne ist ähnlich, die Schlussfolgerung aber eine andere. Es geht weniger um Verfall als um Anschlussfähigkeit.

Für die Argumentation der Keynote ist die Differenz nachrangig. Entscheidend ist nicht, wie schnell Wissen veraltet, sondern dass es seine Exklusivität verliert. Ein Wissensvorsprung, der jederzeit für alle abrufbar ist, ist als Wertquelle wertlos, unabhängig von seiner Haltbarkeit.

Zur Erfolgsquote von Transformationen

Die häufig zitierte Zahl, wonach siebzig Prozent aller Transformationen scheitern, sollte man mit Vorsicht verwenden. Sie lässt sich bis zu einer Schätzung von John Kotter aus dem Jahr 1993 zurückverfolgen, die selbst nicht empirisch erhoben war. Spätere Zitationen verweisen häufig im Kreis aufeinander.

Belastbarer sind die eigenen Erhebungen der großen Häuser:

• McKinsey, „Losing from Day One“ (2021): Weniger als ein Drittel der befragten Unternehmen berichtet von Transformationen, die sowohl die Leistung verbesserten als auch die Verbesserung über die Zeit hielten. Die Quote ist über fünfzehn Jahre Forschung hinweg stabil geblieben.
• BCG, „Flipping the Odds of Digital Transformation Success“ (2020): Dreißig Prozent voll erfolgreich, vierundvierzig Prozent mit Teilwert, sechsundzwanzig Prozent ohne nennenswertes Ergebnis.

Die Aussage bleibt damit im Kern bestehen, wird aber präziser: Es scheitern nicht sieben von zehn Vorhaben vollständig. Aber weniger als ein Drittel erreicht, was es sich vorgenommen hat, und zwar dauerhaft.

Zur kollektiven Intelligenz

Die wissenschaftliche Grundlage für die Annahme, dass Gruppenleistung eine eigene, messbare Größe ist, geht auf Woolley und Kollegen zurück (Science, 2010). Ihr Befund: Es existiert ein Faktor c, der die Leistung einer Gruppe über verschiedene Aufgabentypen hinweg vorhersagt, und dieser Faktor korreliert nur schwach mit der durchschnittlichen Einzelintelligenz der Mitglieder.

Drei Variablen erwiesen sich als besonders relevant: die soziale Wahrnehmungsfähigkeit der Mitglieder, die Gleichverteilung der Redeanteile und der Frauenanteil in der Gruppe.

Der Befund ist einflussreich und wurde ebenso kritisch geprüft. Mehrere Replikationsversuche kamen zu abweichenden Ergebnissen, insbesondere zur Frage, wie viel Varianz der Faktor tatsächlich erklärt. Eine Metaanalyse über zweiundzwanzig Studien (Riedl, Kim, Gupta, Malone, Woolley, PNAS 2021) bestätigt die Existenz des Faktors, präzisiert aber die Bedingungen, unter denen er auftritt.

Für die Praxis ist die entscheidende Erkenntnis unabhängig vom Streit über Effektstärken: Die Qualität kollektiven Denkens hängt an gestaltbaren Bedingungen, nicht an der Auswahl der klügsten Köpfe. Redeanteile, soziale Wahrnehmung und Zusammensetzung sind Designfragen.

Zur Rolle von KI: Augmentation statt Substitution

Erik Brynjolfsson hat 2022 den Begriff der Turing-Falle geprägt. Sein Argument: Wenn KI vorrangig darauf ausgerichtet wird, menschliche Leistung nachzubilden und damit zu ersetzen, verlieren Beschäftigte Verhandlungsmacht, und Wert konzentriert sich bei denen, die die Technologie kontrollieren. Wird KI dagegen auf die Erweiterung menschlicher Fähigkeiten ausgerichtet, entstehen neue Produkte und Leistungen, und der geschaffene Wert verteilt sich breiter.

Sein zentraler Punkt für Führungskräfte: Die Anreize zeigen strukturell in Richtung Automatisierung, weil Personalkosten die sichtbarste Position sind. Die Entscheidung zwischen Substitution und Augmentation ist deshalb keine technische, sondern eine bewusste Führungsentscheidung.

Bemerkenswert ist eine Nebenrechnung aus derselben Arbeit: Auf jeden Dollar, der in Machine-Learning-Technologie investiert wird, entfallen schätzungsweise neun Dollar an notwendigen Investitionen in immaterielles Humankapital, also in Qualifizierung, Prozesse und Organisation.

Zur stillen Nichtnutzung: der Competence Penalty

Dies ist der empirisch am besten belegte und in der Praxis am meisten unterschätzte Befund.

Eine Untersuchung an knapp 29.000 Softwareentwicklern eines großen Technologiekonzerns (Gai, Hou, Tu, 2025) zeigte: Obwohl das Unternehmen intern eine Produktivitätssteigerung von dreißig Prozent nachgewiesen und das Werkzeug aktiv beworben hatte, nutzten es im ersten Jahr nur einundvierzig Prozent der Entwickler überhaupt.

Die Erklärung liegt nicht in fehlender Kompetenz oder fehlendem Zugang, sondern in der antizipierten sozialen Bewertung. In einem kontrollierten Experiment wurde identischer Code schlechter bewertet, sobald die Bewertenden annahmen, er sei mit KI-Unterstützung entstanden. Die wahrgenommene Kompetenz sank um etwa neun Prozent im Mittel, bei Frauen deutlich stärker als bei Männern.

Eine unabhängige Studie an 276 Klinikerinnen und Klinikern (Johns Hopkins, publiziert in npj Digital Medicine) kam zu einem vergleichbaren Ergebnis: Ärzte, die KI sichtbar in die Entscheidungsfindung einbezogen, wurden von Kolleginnen und Kollegen als fachlich weniger kompetent eingeschätzt. Der Effekt war schwächer, wenn KI erkennbar zur Absicherung statt zur primären Entscheidung genutzt wurde, verschwand aber nicht.

Die Konsequenz für Führung ist erheblich. Wenn Nutzung mit Statusverlust verbunden ist, entsteht kein offener Widerstand, sondern stille Nichtnutzung. Lizenzzahlen, Schulungsquoten und Akzeptanzumfragen bilden das nicht ab. Sichtbar wird es erst in der Nutzungsquote nach sechs bis zwölf Monaten.

Was daraus folgt

Aus der Zusammenschau ergeben sich vier Schlussfolgerungen, die über die Keynote hinaus tragen.

Erstens. Der Engpass liegt nicht im Wissensbestand einer Organisation, sondern in ihrer Fähigkeit, vorhandenes Wissen in tragfähiges gemeinsames Urteil zu überführen. Urteilsqualität ist keine individuelle, sondern eine kollektive Größe.

Zweitens. KI-Adoption ist keine IT-Aufgabe. Sie berührt berufliches Selbstverständnis und sozialen Status. Programme, die diese Ebene nicht adressieren, erzeugen Nutzungsquoten, die weit unter dem liegen, was Business Case und Lizenzvolumen suggerieren.

Drittens. Die Entscheidung zwischen Substitution und Augmentation ist der eigentliche strategische Hebel. Sie fällt nicht in der IT, sondern in der Führung, und sie fällt meist implizit.

Viertens. Wenn sich die Quelle des Wertes verschiebt, müssen die Systeme nachziehen, die Wert abbilden: Vergütungslogik, Karrierepfade, Kompetenzentwicklung und Organisationsdesign. Das ist der unbequeme Teil, und er wird in den meisten Transformationsagenden ausgespart.

Eigene Forschung

Die in der Keynote genannte Größenordnung stammt aus einer eigenen Erhebung zur Business-Transformation im DACH-Raum, gemeinsam initiiert mit Prof. Dr. Katharina-Maria Rehfeld, International University Berlin. Untersucht wurden abgeschlossene Transformationsvorhaben danach, ob sie kollektive Intelligenz, künstliche Intelligenz, beides oder keines von beidem systematisch eingesetzt haben.

Der Befund: Vorhaben, die beides kombinieren, erreichen deutlich höhere Erfolgswerte als Vorhaben, die auf eines von beiden oder auf keines setzen. In der Spitze ergibt sich eine bis zu fünffach höhere Erfolgswahrscheinlichkeit gegenüber dem Standardvorgehen.

Die Erhebung wird 2026 fortgeführt, mit einem stärkeren Fokus auf die Frage, wie sich Transformationsfähigkeit systematisch entwickeln und messen lässt.

Quellen und weiterführende Literatur

Kollektive Intelligenz

Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., Malone, T. W. (2010): Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science 330, 686–688.
https://www.science.org/doi/10.1126/science.1193147

Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., Woolley, A. W. (2021): Quantifying collective intelligence in human groups. PNAS 118.
https://www.pnas.org/doi/10.1073/pnas.2005737118

Malone, T. W. (2018): Superminds. The Surprising Power of People and Computers Thinking Together.

Augmentation statt Substitution

Brynjolfsson, E. (2022): The Turing Trap. The Promise and Peril of Human-Like Artificial Intelligence. Daedalus 151(2), 272–287.
https://www.amacad.org/sites/default/files/publication/downloads/Daedalus_Sp22_19_Brynjolfsson.pdf
Preprint: https://arxiv.org/abs/2201.04200

Competence Penalty und Adoptionsbarrieren

Gai, P. J., Hou, J., Tu, Y. (2025): Competence Penalty Is a Barrier to the Adoption of New Technology. Studie an 28.696 Softwareentwicklern.
Zusammenfassung: https://ssti.org/blog/employee-use-and-perceived-impacts-their-competence-may-be-behind-slow-ai-adoption-workplace

Yang, H. et al. (2025): Peer perceptions of physicians using generative AI. npj Digital Medicine, Johns Hopkins University.
Zusammenfassung: https://www.futurity.org/doctors-artificial-intelligence-peers-3304862/

Erfolgsquoten von Transformationen

McKinsey & Company (2021): Losing from Day One. Why Even Successful Transformations Fall Short.
https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/successful-transformations

Boston Consulting Group (2020): Flipping the Odds of Digital Transformation Success.

Zur kritischen Einordnung der Siebzig-Prozent-Zahl:
https://strategyu.co/do-70-percent-of-change-initiatives-really-fail/

Halbwertszeit von Wissen

Vahs, D., Brem, A. (2013): Innovationsmanagement. Von der Idee zur erfolgreichen Vermarktung. Schäffer-Poeschel.

Zur kritischen Einordnung des Begriffs:
https://www.bibb.de/dienst/publikationen/download/16571

Ricardo dos Santos Miquelino ist Co-CEO von ... and dos Santos und Partner am Swiss Future Institute. Er arbeitet seit über fünfzehn Jahren an der Schnittstelle von kollektiver und künstlicher Intelligenz mit Organisationen wie ZEISS, Deutsche Bahn und Coca-Cola.