Künstliche Intelligenz verändert unseren Arbeitsalltag rasant: Sie macht uns produktiver, beschleunigt Wissensarbeit und ermöglicht Aufgaben, die früher deutlich mehr Zeit oder Spezialwissen gebraucht hätten. Aber was passiert, wenn genau diese neue Effizienz beginnt, uns zu erschöpfen? Wenn aus eingesparter Zeit mehr Aufgaben werden, aus KI-Unterstützung immer mehr Kontextwechsel und aus hilfreichen KI-Agents zusätzliche parallele Arbeitsstränge? Ich nenne dieses Muster AI Fatigue. Und ich glaube, dass wir gerade erst beginnen zu verstehen, was der zunehmende Einsatz von KI mit unserer Konzentration, unserer Produktivität und der Verantwortung von Führungskräften macht.

KI macht mich produktiver. Teilweise erheblich produktiver.

Ich kann heute komplexe Zusammenhänge in kurzer Zeit erschließen, mich in Themen einarbeiten, die außerhalb meines eigentlichen Fachgebiets liegen, unterschiedliche Lösungswege vergleichen oder Aufgaben erledigen, bei denen der Aufwand früher schlicht zu groß gewesen wäre. Nicht unbedingt, weil mir das Wissen grundsätzlich gefehlt hätte, sondern weil Recherche, Einarbeitung und Umsetzung in keinem vernünftigen Verhältnis zum erwarteten Ergebnis gestanden hätten.

Mit modernen KI-Systemen und Agents geht das heute: Ich kann mehrere Aufgaben anstoßen und währenddessen an etwas anderem arbeiten. Ein Agent recherchiert, ein anderer analysiert ein Dokument, während ich bereits das nächste Thema bearbeite.

Das ist faszinierend und wirtschaftlich hochinteressant.

Gleichzeitig beobachte ich dabei ein neues Erschöpfungsmuster. Je leistungsfähiger die Werkzeuge werden, desto mehr Themen lassen sich gleichzeitig bewegen. Je schneller Ergebnisse entstehen, desto häufiger müssen sie bewertet, eingeordnet und weitergeführt werden. Aus eingesparter Arbeitszeit entsteht deshalb nicht automatisch weniger Arbeit. Häufig entsteht einfach mehr Arbeit in derselben Zeit.

Ich nenne dieses Phänomen AI Fatigue.

KI spart Arbeit, aber nicht zwangsläufig Aufmerksamkeit

Dass generative KI die Produktivität erhöhen kann, ist inzwischen gut belegt. In einem Experiment von Shakked Noy und Whitney Zhang erledigten Wissensarbeiter bestimmte Aufgaben mit ChatGPT deutlich schneller und erzielten gleichzeitig bessere Ergebnisse. Eine weitere Untersuchung mit mehr als 5.000 Beschäftigten im Kundensupport stellte ebenfalls messbare Produktivitätssteigerungen fest.

Das deckt sich mit meiner eigenen Erfahrung. Viele Tätigkeiten werden tatsächlich schneller.

Die entscheidende Frage lautet aber, was mit der eingesparten Zeit passiert.

In Unternehmen liegt die Antwort schnell nahe: Wenn eine Aufgabe nur noch halb so lange dauert, müsste man in derselben Zeit doch ungefähr doppelt so viel schaffen können.

Diese Rechnung übersieht einen wichtigen Punkt. KI kann Produktion massiv beschleunigen, menschliche Aufmerksamkeit aber nicht im gleichen Maß skalieren.

Zehn Agents können gleichzeitig für mich arbeiten. Ich kann ihre Ergebnisse trotzdem nur nacheinander lesen und verstehen.

Aus zehn digitalen Helfern werden irgendwann zehn Arbeitsstränge, die gleichzeitig auf eine Entscheidung warten. Die Maschine arbeitet parallel, der Mensch bleibt weitgehend seriell.

Genau dort beginnt ein Teil der neuen Erschöpfung.

Aus Wartezeit werden Kontextwechsel

Arbeit hatte früher natürliche Verzögerungen. Eine Recherche dauerte, ein Konzept musste geschrieben werden, eine Analyse brauchte Zeit. Diese Wartezeiten waren aus Produktivitätssicht nicht immer wünschenswert, begrenzten aber automatisch die Zahl der Themen, die gleichzeitig auf uns einprasselten.

KI beseitigt viele dieser Grenzen.

Während ein Agent arbeitet, starte ich den nächsten. Dann einen weiteren. Kurz darauf kommt das erste Ergebnis zurück. Ich wechsle das Thema, lese, hinterfrage, korrigiere und gebe eine neue Anweisung. Inzwischen liegt das Ergebnis des zweiten Agents vor. Dazu kommen E-Mails, Chats, Meetings und die normale operative Arbeit.

Die Folge ist nicht zwingend ein längerer Arbeitstag, sondern häufig ein dichterer.

Das Problem von Kontextwechseln ist dabei nicht neu. Aus der Forschung ist seit Langem bekannt, dass ein Teil unserer Aufmerksamkeit an einer vorherigen Aufgabe hängen bleiben kann, wenn wir bereits zur nächsten wechseln. Dieses sogenannte Attention Residue verschwindet nicht nur deshalb, weil der vorherige Arbeitsprozess von einer KI statt von einem Menschen ausgeführt wurde.

Im Gegenteil: KI kann die Zahl dieser Wechsel erheblich erhöhen.

Das Nadelöhr verschiebt sich

Lange war die Erstellung selbst der Engpass. Einen Text zu schreiben, Informationen zusammenzutragen, einen Entwurf zu erstellen, eine Präsentation vorzubereiten oder einen Lösungsansatz auszuarbeiten kostete Zeit.

Genau diese Produktionsschritte werden durch KI in vielen Bereichen drastisch günstiger.

Dadurch verschiebt sich das Nadelöhr.

Nicht mehr das Erstellen ist zwangsläufig das Problem, sondern das Verstehen, Bewerten, Priorisieren und Verantworten der Ergebnisse.

Eine KI kann mir in wenigen Minuten ein umfangreiches Konzept erstellen. Das bedeutet nicht, dass ich dieses Konzept in wenigen Minuten verantworten kann. Ich muss verstehen, welche Annahmen getroffen wurden, ob wichtige Informationen fehlen, ob Schlussfolgerungen zu unserem Kontext passen und ob Fakten korrekt sind.

Die Erstellung wird schneller. Die notwendige Urteilskraft beschleunigt sich nicht automatisch mit.

Daraus entsteht ein grundlegendes Missverständnis über KI-Produktivität: Ein Ergebnis liegt früher vor, aber damit ist die Arbeit nicht zwangsläufig abgeschlossen.

Das Problem ist größer als Vibe Coding

In der Softwareentwicklung hat sich dafür ein besonders anschauliches Beispiel etabliert. Beim sogenannten Vibe Coding beschreibt man einer KI, was entstehen soll, lässt Code generieren und entwickelt immer weiter, ohne den erzeugten Code noch vollständig zu verstehen.

Für Experimente oder Prototypen kann das hervorragend funktionieren. Problematisch wird es, wenn niemand mehr beurteilen kann, was eigentlich entstanden ist.

Dieses Muster betrifft aber längst nicht nur Software.

Eine KI kann eine überzeugende Marktanalyse schreiben, eine juristisch klingende Einschätzung formulieren, eine Strategie entwickeln, Daten interpretieren oder einen professionellen Marketingtext erzeugen. Gerade weil diese Ergebnisse sprachlich und formal inzwischen sehr hochwertig wirken, entsteht leicht der Eindruck, sie seien bereits fertig.

Das sind sie nicht zwangsläufig.

Professionelle Darstellung ist kein Nachweis für fachliche Richtigkeit.

Wer KI produktiv einsetzen will, muss deshalb genau an dieser Stelle Kompetenz aufbauen. Nicht nur beim Prompting, sondern bei der Fähigkeit, Ergebnisse zu hinterfragen.

AI Fatigue entsteht durch entgrenzte Möglichkeiten

Für mich liegt hier ein wesentlicher Unterschied zu klassischer digitaler Überlastung.

AI Fatigue entsteht nicht einfach deshalb, weil wir ein weiteres digitales Werkzeug benutzen. Sie entsteht durch die Beschleunigung des gesamten Arbeitssystems.

Früher schützte uns Aufwand teilweise vor schlechten Prioritäten. Eine interessante Idee, deren Umsetzung drei Wochen gedauert hätte, wurde vielleicht verworfen. Heute kann ein erster Prototyp innerhalb weniger Stunden entstehen. Also probieren wir es.

Und weil es funktioniert, probieren wir noch etwas… und noch etwas…

Die Einstiegskosten für neue Arbeit sinken.

Damit wächst die Gefahr, dass wir immer mehr Themen beginnen, nur weil wir es können.

KI reduziert nicht nur den Aufwand bestehender Arbeit. Sie erzeugt auch zusätzliche Arbeit, weil vorher unrealistische oder unwirtschaftliche Ideen plötzlich erreichbar werden. Deshalb wird Priorisierung mit KI wichtiger und nicht unwichtiger.

Der Produktivitätsgewinn kann zur Produktivitätsfalle werden

An diesem Punkt wird AI Fatigue zu einem Führungsthema.

Wenn Führungskräfte künstliche Intelligenz ausschließlich als Beschleunigungsmaschine betrachten, entsteht schnell eine problematische Erwartungshaltung. Eine Präsentation, die früher zwei Tage Vorbereitung benötigte, ist heute vielleicht in zwei Stunden möglich. Daraus kann leicht die Forderung entstehen, künftig einfach deutlich mehr Präsentationen, Analysen oder Projekte in derselben Zeit zu erledigen.

Dann wird der Produktivitätsgewinn vollständig in höhere Arbeitsdichte umgewandelt.

Gleichzeitig erwarten Unternehmen zu Recht, dass Mitarbeitende KI-Ergebnisse nicht blind übernehmen. Quellen sollen geprüft, Annahmen hinterfragt, Risiken erkannt und fachliche Entscheidungen weiterhin verantwortet werden.

Beides gleichzeitig funktioniert nur, wenn diese Kontrolle auch als Arbeit betrachtet wird.

Es wäre widersprüchlich, verantwortungsvollen KI-Einsatz zu fordern und gleichzeitig die dafür notwendige Zeit wegzuoptimieren.

30 Prozent produktiver bedeutet nicht 30 Prozent mehr Aufgaben

Eine lineare Rechnung halte ich deshalb für gefährlich.

Wenn ein Team durch KI messbar produktiver wird, bedeutet das nicht automatisch, dass seine Ziele im selben Verhältnis erhöht werden sollten. Ein Teil der eingesparten Zeit fließt in Kontrolle, Einordnung, Lernen und zusätzliche Entscheidungen.

Und ein Teil sollte vielleicht bewusst nicht sofort wieder verplant werden.

Das wirkt in stark optimierten Organisationen schnell wie verschenktes Potenzial. Tatsächlich entstehen in diesen Freiräumen aber Dinge, die sich schlecht in Auslastungsquoten messen lassen: Nachdenken, Verbesserung, Kreativität, Lernen und die Fähigkeit, auf unerwartete Probleme zu reagieren.

Ein vollständig ausgelastetes System ist nicht zwangsläufig ein leistungsfähiges System.

Führung muss Aufmerksamkeit als knappe Ressource verstehen

Die vielleicht wichtigste Veränderung besteht deshalb darin, Aufmerksamkeit stärker als begrenzte Ressource zu betrachten.

Gute Führung muss nicht nur fragen, wo KI Arbeit beschleunigen kann. Sie muss auch beobachten, wo dadurch neue Belastungen entstehen.

Dazu gehören für mich einige einfache Fragen:

• Wie viele Themen bearbeiten Mitarbeitende tatsächlich gleichzeitig?
• Wer prüft und verantwortet KI-generierte Ergebnisse?
• Welche Ergebnisse benötigen eine gründliche Kontrolle und welche nicht?
• Führt eingesparte Zeit zu echter Entlastung oder lediglich zu mehr paralleler Arbeit?
• Wird Produktivität an Wirkung gemessen oder nur an der Menge produzierter Ergebnisse?

Diese Fragen werden wichtiger, je leistungsfähiger die Systeme werden.

Denn wenn Texte, Analysen, Konzepte und Software immer schneller erzeugt werden können, verliert die reine Menge an Aussagekraft. Hundert erzeugte Ideen sind kein Wert an sich. Zehn Analysen sind nicht automatisch besser als zwei. Und mehr Code bedeutet schon heute nicht zwangsläufig bessere Software.

Der Wert verschiebt sich von Produktion zu Auswahl, von Geschwindigkeit zu Urteilskraft und von Output zu Wirkung.

KI-Kompetenz bedeutet auch, Dinge nicht zu tun

Vielleicht gehört deshalb noch eine weitere Fähigkeit zu einem reifen Umgang mit künstlicher Intelligenz.

Nicht nur zu wissen, wie man KI möglichst effektiv einsetzt, sondern auch zu erkennen, wann eine zusätzliche Analyse, ein weiterer Agent oder eine weitere Variante keinen relevanten Mehrwert erzeugt.

Am Anfang der Entwicklung begeistert uns, was plötzlich alles möglich ist. Später muss die Frage stärker lauten, was davon tatsächlich sinnvoll ist.

Nicht jede Idee muss umgesetzt werden, nur weil ihre Umsetzung billiger geworden ist. Nicht jedes Problem braucht fünf Lösungsvarianten. Und nicht jede eingesparte Stunde muss sofort wieder mit einer neuen Aufgabe gefüllt werden.

Das ist keine Ablehnung von KI. Im Gegenteil. Es ist die Voraussetzung dafür, ihre Produktivitätsgewinne dauerhaft sinnvoll nutzen zu können.

Fazit: AI Fatigue ist auch eine Führungsaufgabe

Künstliche Intelligenz kann Wissensarbeit enorm beschleunigen. Sie ermöglicht mir heute Dinge, die vor wenigen Jahren nur mit erheblich mehr Zeit, Spezialwissen oder zusätzlichen Mitarbeitern möglich gewesen wären.

Genau darin liegt aber auch das Risiko.

KI beseitigt bisherige Engpässe und erzeugt neue. Sie reduziert Produktionszeit, erhöht aber die Zahl möglicher Arbeitsstränge. Sie ermöglicht Parallelität, obwohl unsere Aufmerksamkeit weiterhin begrenzt ist. Und sie erzeugt Ergebnisse schneller, als wir sie in manchen Situationen verantwortungsvoll prüfen können.

AI Fatigue beschreibt für mich diese neue Form der Erschöpfung: nicht die Erschöpfung durch künstliche Intelligenz selbst, sondern durch eine Arbeitswelt, deren mögliche Geschwindigkeit schneller wächst als unsere Fähigkeit, Informationen zu verarbeiten, Prioritäten zu setzen und Entscheidungen bewusst zu treffen.

Für Führungskräfte entsteht daraus eine klare Verantwortung. Sie sollten Produktivitätsgewinne durch KI nutzen, ohne jeden gewonnenen Freiraum unmittelbar wieder mit zusätzlicher Arbeit zu füllen.

Denn gute Führung bedeutet nicht, aus Menschen den maximal möglichen Durchsatz herauszuholen.

Sie schafft Bedingungen, unter denen Menschen dauerhaft gute Entscheidungen treffen und leistungsfähig bleiben.

Vielleicht besteht einer der größten Vorteile künstlicher Intelligenz deshalb manchmal tatsächlich darin, früher fertig zu sein.

Vielleicht werden wir in einigen Jahren auf diese Phase der KI-Entwicklung zurückblicken und feststellen, dass wir ihren größten Effekt anfangs falsch verstanden haben. Vielleicht war nicht entscheidend, wie viel Arbeit uns KI abnehmen konnte, sondern wie stark sie das Tempo, die Dichte und die Erwartungen an menschliche Arbeit verändert hat. Und vielleicht werden wir uns dann fragen, warum wir so selbstverständlich jede technische Beschleunigung sofort in noch mehr Leistung übersetzt haben. Ob AI Fatigue nur eine Übergangserscheinung ist oder ein frühes Warnsignal für eine Arbeitswelt, die den Menschen dauerhaft überfordert, wird sich erst noch zeigen.