Kurzfassung

Eine Studie von Berkeley-Haas-Professoren zeigt: KI reduziert nicht die Arbeitsbelastung, sondern intensiviert sie. Mitarbeiter übernehmen neue Aufgaben, arbeiten in Pausen und führen Multitasking durch. Der Effekt ist ambivalent – Organisationen werden produktiver, aber Mitarbeiter erleben stärkere Dauerlast. Die Forschung widerlegt die Annahme, dass KI-Zeitersparnis automatisch zu weniger Arbeit führt.

Personen

Themen

  • Künstliche Intelligenz & Arbeitswelt
  • Produktivität und Burnout
  • Organisationsmanagement
  • Agentic AI

Clarus Lead

Arbeitsintensität nimmt trotz KI-Tools zu. Eine Studie der Berkeley Haas-Professoren Aruna Ranganathan und Ching-Chi Maggie Yi belegt: KI-Tools führen nicht zu kürzerer Arbeitszeit, sondern zu erweiterten Aufgabenbereichen und ständiger Verfügbarkeit. Die Forschung beobachtete 200 Mitarbeiter eines Technologieunternehmens von April bis Dezember 2025. Entscheidungsträger müssen neue Management-Strategien entwickeln, um Dauerlast zu vermeiden – ein kritisches Problem für Personalentwicklung und Mitarbeiterbindung.

Detaillierte Zusammenfassung

Die Studie identifiziert drei Hauptformen der Arbeitsverdichtung. Erstens Aufgabenerweiterung: KI-Tools reduzieren Wissenslücken, sodass Mitarbeiter Verantwortungen übernehmen, die zuvor andere Fachleute hatten. Product Manager schreiben Code, Forscher übernehmen Engineering-Aufgaben. Diese Grenzüberschreitung fühlt sich zunächst empowernd an – neue Fähigkeiten, sofortige Rückmeldung – akkumuliert aber zu deutlich grösseren Jobbeschreibungen.

Zweitens Verwischung von Arbeits- und Freizeit: Weil KI-Prompts so einfach sind, arbeiten Mitarbeiter in Pausen, während Meetings, oder senden schnell einen Prompt ab, bevor sie den Schreibtisch verlassen. Diese Momente summieren sich zu permanenter Verfügbarkeit.

Drittens intensives Multitasking: Parallel laufen mehrere KI-Agenten, während Mitarbeiter gleichzeitig manuell arbeiten. Die Erwartung, dass Agenten „nie leer laufen", wird zur psychologischen Last.

Die Nebenwirkung ist erheblich: Ingenieure verbringen mehr Zeit mit Code-Review und Coaching von Kollegen, die „vibe coding" betreiben. Ein „Frosch im kochenden Wasser"-Effekt tritt auf – Mitarbeiter bemerken erst im Nachhinein, dass Downtime verschwunden ist und Tempo-Erwartungen gestiegen sind, ohne explizite Anweisung. Schlafmangel und mentale Erschöpfung werden berichtet.

Kernaussagen

  • Arbeitsumfang wächst: Mitarbeiter übernehmen Aufgaben ausserhalb ihres Ursprungsbereichs; der Job wird breiter, nicht kürzer.
  • Permanente Verfügbarkeit: KI-Nutzung in Pausen und Meetings führt zu unscharfen Grenzen zwischen Arbeit und Freizeit.
  • Psychische Last trotz Produktivität: Obwohl Menschen mehr erreichen, steigt das Stressgefühl – der Eindruck, nicht genug zu tun, bleibt bestehen.
  • Organisatorische Nachwirkungen: Andere Mitarbeiter müssen mehr Zeit mit Review und Qualitätskontrolle aufwenden.

Kritische Fragen

  1. Evidenz (Datenqualität): Die Studie basiert auf ethnografischer Beobachtung einer einzelnen 200-Personen-Firma. Wie repräsentativ sind diese Ergebnisse für grössere Unternehmen oder andere Branchen? Welche Kontrollgruppe ohne KI-Nutzung wurde verglichen?

  2. Interessenkonflikte (Unabhängigkeit): Ranganathan und Yi veröffentlichten in der Harvard Business Review. Gibt es Interessenskonflikte mit KI-Anbietern oder Investoren? Welche Förderung finanzierte die Forschung?

  3. Kausalität (Alternative Hypothesen): Könnte die beobachtete Arbeitsverdichtung auch durch Unterbesetzung oder Erwartungserhöhung unabhängig von KI entstehen? Wurde gemessen, ob Unternehmen bewusst mehr Arbeit zuwiessen, weil KI verfügbar ist?

  4. Umsetzbarkeit (Lösungen): Die Autoren erwähnen „intentionale Pausen" und „Sequenzierung" als Management-Strategien. Wie konkret funktionieren diese Massnahmen? Wurden sie getestet und welche Ergebnisse zeigen sie?

  5. Langfristige Effekte: Ist Burnout-Risiko erhöht? Gibt es Fluktuation oder Kündigungen? Die Studie endete Dezember 2025 – welche längerfristigen Daten liegen vor?

  6. Branchenspezifik: Die Studie erfolgte in einem „Technologieunternehmen" mit positiver KI-Einstellung. Wie unterscheiden sich Ergebnisse in konservativen oder regulierten Branchen (Finanzwesen, Gesundheit)?

  7. Messgenauigkeit: Wie wurde „Arbeitsintensität" operationalisiert? Basiert das auf Selbstbericht, Systemtracking oder objektiven Metriken wie Arbeitszeit?

Weitere Meldungen

  • ByteDance Seed Dance 2.0: Chinesischer Videogenerator mit nativer Audio-Synchronisation übertrifft Sora 2 und OpenAI-Modelle; erste chinesische KI mit echter Lippensynchronisation.
  • OpenAI schaltet Werbung: ChatGPT zeigt jetzt Anzeigen für kostenlose und $8-Go-Nutzer; Pro/Enterprise/Education-Nutzer bleiben werbe­frei; Nutzer können Datennutzung kontrollieren.
  • Databricks $7-Milliarden-Finanzierung: Umsatzrate auf $5,4 Mrd./Jahr (+65% YoY); ein Viertel kommt aus KI-Produkten; CEO positioniert dies als Widerlegung der „SaaS ist tot"-Narrative.

Quellenverzeichnis

Primärquelle: The AI Daily Brief – Podcast Episode zu Berkeley Haas Studie (Harvard Business Review; Transkript: 2026-02-11)

Autoren der Studie:

  • Aruna Ranganathan, UC Berkeley Haas School of Business
  • Ching-Chi Maggie Yi, UC Berkeley Haas School of Business
  • Publikation: Harvard Business Review (2026)

Ergänzende Quellen:

  1. Anthropic Agentic Coding Trends Report (2026)
  2. CNBC: OpenAI-Modell-Ankündigung (Feb. 2026)
  3. Politico: White House AI Data Center Pact (Feb. 2026)
  4. Simon Willison Blog Post zur Haas-Studie (2026)

Verifizierungsstatus: ✓ 2026-02-11

Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 2026-02-11