Was kritisches Denken wert ist, wenn KI die Arbeit übernimmt
KI-Agenten können Analysen und Vorschläge in Sekunden liefern. Ihr wirtschaftlicher Nutzen hängt auch davon ab, ob Mitarbeitende die richtigen Fragen stellen, Belege beurteilen und aus den Ergebnissen lernen. Eine Intelligence Architecture muss deshalb die Fähigkeiten der Mitarbeitenden gezielt verbessern. Wie lässt sich diese Entwicklung in der täglichen Arbeit fördern und ihr Geschäftswert prüfen?

Ein Unternehmen kann mit KI mehr Analysen erstellen, mehr Kundenanfragen beantworten und mehr Software ausliefern. Ob daraus ein wirtschaftlicher Vorteil entsteht, hängt davon ab, welche Arbeit tatsächlich gebraucht wird und wie gut die Ergebnisse sind. Es hängt auch davon ab, was die Menschen währenddessen lernen. Werden sie fähiger, schwierige Fälle zu beurteilen, oder können sie vor allem mehr fertige Antworten weiterreichen?
Addy Osmani beschreibt in seinem Beitrag Critical thinking when agents do the work eine Verschiebung, die diese Frage dringlich macht. Wo Agenten schnell plausible Ergebnisse liefern, entsteht kritisches Denken nicht mehr selbstverständlich durch die eigene Bearbeitung. Zwischen dem Delegieren einer Aufgabe und dem ungeprüften Übernehmen ihres Ergebnisses liegt oft kein auffälliger Bruch.1
Das ist zunächst eine Beobachtung aus seiner Arbeit, kein allgemeiner Nachweis eines Kompetenzverlusts. Für die Gestaltung von KI-Einsatz folgt daraus aber eine konkrete Aufgabe. Eine Intelligence Architecture sollte die Menschen, die mit ihr arbeiten, befähigen, anspruchsvollere Fragen zu bearbeiten, bessere Entscheidungen zu treffen und aus deren Folgen zu lernen. An dieser Entwicklung muss sich ihr Geschäftswert mitmessen lassen.
Welche Entscheidung wird durch kritisches Denken besser?
Kritisches Denken bedeutet hier, eine Frage präzise zu stellen, eine Behauptung an Belegen zu prüfen und die eigene Einschätzung zu ändern, wenn diese Belege nicht tragen. Dazu gehört, zu erkennen, welche Information fehlt und wann ein scheinbar gutes Ergebnis am eigentlichen Problem vorbeigeht. Dauernd zu widersprechen wäre kein brauchbarer Maßstab dafür.
Nehmen wir als Gedankenexperiment ein Serviceteam, dessen Agent Beschwerden sortiert und Antwortvorschläge erstellt. Die Fälle werden schneller geschlossen. Eine Mitarbeiterin bemerkt jedoch, dass sich hinter unterschiedlich formulierten Anfragen immer wieder dasselbe Produktproblem verbirgt. Sie prüft ursprüngliche Nachrichten, vergleicht betroffene Kundengruppen und schlägt vor, die Ursache im Produkt zu beheben. Die bisherige Kennzahl hätte vor allem die schnelle Bearbeitung belohnt. Ihre Untersuchung könnte weitere Beschwerden verhindern.
Der wirtschaftliche Beitrag läge in diesem Beispiel in einer besseren Wahl der Aufgabe. Für den Agenten lautete sie, Anfragen effizient zu beantworten. Für das Unternehmen könnte es wertvoller sein, den Anlass der Anfragen zu beseitigen. KI kann helfen, das Muster zu finden und Gegenargumente zu untersuchen. Menschen müssen die vorgeschlagene Erklärung dennoch beurteilen und entscheiden, ob eine Produktänderung den Aufwand und ihre möglichen Nebenwirkungen rechtfertigt.
Ähnlich konkret lässt sich der Wert bei einer Investitionsentscheidung suchen. Eine gut geschriebene Marktanalyse hilft wenig, wenn sie die falsche Kundengruppe untersucht. Wer diese Annahme früh infrage stellt, kann eine andere Recherche oder einen begrenzten Versuch veranlassen, bevor viel Geld gebunden wird. Kritisches Denken kann so Kosten vermeiden und neue Möglichkeiten erschließen. Ob das im Einzelfall gelingt, muss an der anschließenden Entscheidung und ihren Folgen beurteilt werden.
Bessere Ergebnisse bedeuten noch keinen Kompetenzzuwachs
Dass KI Mitarbeitende unterstützen kann, ist empirisch gut untersuchbar. Erik Brynjolfsson, Danielle Li und Lindsey Raymond analysierten die schrittweise Einführung eines KI-Assistenten im Kundensupport. In der NBER-Fassung ihrer Studie mit 5.179 Beschäftigten stieg die Zahl gelöster Anliegen pro Stunde, besonders bei wenig erfahrenen beziehungsweise zuvor schwächer abschneidenden Mitarbeitenden. Die Forschenden fanden auch Hinweise auf die Weitergabe erfolgreicher Arbeitsweisen und mögliche Lerneffekte.2
Das ist ein ermutigender Befund. Er erlaubt aber nicht, jede Verbesserung während der Nutzung mit einer dauerhaft erworbenen Fähigkeit gleichzusetzen. Wer mit einem Assistenten eine schwierige Aufgabe bewältigt, kann von dessen Leistung profitieren, ohne dieselbe Aufgabe anschließend besser zu verstehen.
Judy Hanwen Shen und Alex Tamkin untersuchten diese Unterscheidung in einem randomisierten Experiment mit 52 Personen aus der Softwareentwicklung, überwiegend in Juniorpositionen. Die Teilnehmenden sollten eine ihnen unbekannte Python-Bibliothek anwenden. Im direkt anschließenden Wissenstest erreichte die Gruppe mit KI-Unterstützung durchschnittlich 50 Prozent, die Gruppe ohne Unterstützung 67 Prozent. Der Unterschied betrug 17 Prozentpunkte. Ein Zeitvorteil der KI-Gruppe war statistisch nicht gesichert.3
Die Untersuchung misst einen kurzen Lernprozess und unmittelbares Verständnis. Sie belegt weder langfristiges Verlernen noch einen allgemeinen Effekt autonomer Agenten. In der nachträglichen Analyse schnitten allerdings Nutzungsweisen besser ab, bei denen die Teilnehmenden Erklärungen einholten oder konzeptionelle Fragen bearbeiteten. Diese Nutzungsweisen waren nicht zufällig zugewiesen. Der Befund ist also ein Hinweis für die Gestaltung, kein Beweis für die Wirksamkeit einer bestimmten Lernmethode.
Für Unternehmen ergibt sich eine wichtige Unterscheidung. Ein besseres Arbeitsergebnis und kompetentere Mitarbeitende sind zwei mögliche Erträge derselben Zusammenarbeit. Man sollte beide beobachten, statt den zweiten aus dem ersten abzuleiten.
KI kann Mitarbeitende zu besseren Fragen befähigen
Im Serviceteam könnte ein Agent erfahrene Vorgehensweisen an nachvollziehbaren Fällen erläutern. Er könnte eine Gegenhypothese zum vermuteten Produktfehler formulieren, auf fehlende Kundendaten hinweisen oder zeigen, welche Beobachtung die Vermutung widerlegen würde. Eine Mitarbeiterin könnte damit eine Untersuchung vorbereiten, für die ihr zuvor Erfahrung oder Methodenwissen fehlte.
Eine solche Unterstützung erweitert ihr Können nur, wenn sie sich die Unterscheidungen aneignet. Dafür lässt sich der Arbeitsablauf gestalten. Bei ausgewählten schwierigen Fällen formuliert die zuständige Person zunächst eine eigene vorläufige Erklärung. Danach vergleicht sie diese mit dem Vorschlag des Agenten und prüft eine entscheidende Annahme an den Originaldaten. Sobald die Folgen der Entscheidung bekannt sind, kehrt das Ergebnis zu ihr zurück. Sie kann feststellen, welche Überlegung getragen hat und welche sie beim nächsten Fall ändern muss.
Der Agent darf dabei recherchieren, rechnen, erklären und Einwände entwickeln. Auch die Prüfung kann weitgehend automatisiert sein. Entscheidend ist, ob die Mitarbeitenden anschließend mehr über den Fall und seine Grenzen wissen und dieses Wissen auf eine veränderte Situation übertragen können. Eine zusätzliche KI-Erklärung, die niemand nachvollzieht, erfüllt diesen Zweck nicht.
Das erfordert Fachwissen. Wer wichtige Kundenanforderungen, technische Abhängigkeiten oder rechtliche Grenzen nicht kennt, kann fehlende Voraussetzungen schwer erkennen. Allgemeine Aufforderungen zum kritischen Denken ersetzen deshalb weder fachliche Ausbildung noch den Austausch mit erfahrenen Kolleginnen und Kollegen. KI kann diesen Austausch vorbereiten und neue Fragen zugänglich machen. Sie sollte nicht dazu führen, dass Nachwuchskräfte nur noch fertige Vorschläge genehmigen.
Lernen braucht Befugnisse und eingeplante Zeit
Die Mitarbeiterin im Gedankenexperiment muss das Produktproblem weiterverfolgen dürfen. Fehlen ihr die ursprünglichen Beschwerden, der Kontakt zum Produktteam oder die Befugnis zur Eskalation, bleibt ihre bessere Einsicht folgenlos. Wird sie ausschließlich an der Zahl abgeschlossener Tickets gemessen, kann sorgfältiges Nachfragen ihre eigene Bewertung sogar verschlechtern.
Hier beginnt die Aufgabe der Intelligence Architecture. Sie verbindet den Zugang zu Informationen mit Arbeitsaufträgen, Zuständigkeiten und den Möglichkeiten, Entscheidungen zu ändern. Zum Entwurf gehört deshalb auch, welche Fälle Lerngelegenheiten bieten, wer sie gemeinsam bespricht und wo dafür Zeit vorgesehen ist. Kompetenzaufbau darf nicht nur als private Zusatzleistung nach Feierabend stattfinden.
Nicht jede Routineaufgabe muss zu einer Übung werden. Wenn eine Tätigkeit wenig Folgen hat und gut überprüfbar ist, kann vollständige Delegation angemessen sein. Bei folgenreichen Entscheidungen oder neuem Fachgebiet lohnt sich eher eine bewusst gestaltete Auseinandersetzung. Welche Fähigkeiten wichtig bleiben und welche niemand mehr manuell ausüben muss, ist eine Entscheidung über die künftige Arbeit des Teams. Sie sollte ausdrücklich getroffen werden.
Wie daraus ein belastbarer Geschäftsfall wird
Der wirtschaftliche Nutzen lässt sich nicht an der Zahl kritischer Rückfragen ablesen. Viele Einwände können schlechte Vorschläge anzeigen, unnötige Reibung erzeugen oder tatsächlich eine bessere Entscheidung vorbereiten. Erst ihre Folgen machen den Unterschied.
Im Serviceteam wären wiederholte Anfragen, spätere Korrekturen und tatsächlich behobene Problemursachen aussagekräftiger als die reine Bearbeitungszahl. Hinzu kommt der gesamte Aufwand einschließlich Recherche, Prüfung, Abstimmung und Lernen. Eine vermiedene Nacharbeit darf in der Rechnung nicht zugleich als Zeitersparnis und noch einmal als voller vermiedener Personalkostenblock gezählt werden. Freie Zeit wird erst dann zu einem realisierten Vorteil, wenn sie sinnvoll genutzt oder eine Ausgabe tatsächlich vermieden wird.
Kompetenzentwicklung braucht eine eigene Beobachtung. Kann jemand einen neuen, vergleichbar schwierigen Fall begründen? Erkennt die Person eine wichtige Ausnahme, die im Vorschlag fehlt? Gelingt das nach einigen Wochen noch? Dabei sind sowohl Aufgaben mit KI als auch ausgewählte Aufgaben ohne ihre fertige Lösung sinnvoll. Es geht um die Fähigkeit, Wissen anzuwenden, nicht um einen Wettbewerb gegen die Maschine.
Ein Unternehmen könnte unterschiedliche Arbeitsweisen zunächst in vergleichbaren Teams oder schrittweise erproben. Fallmix und Qualitätsmaßstab müssten vergleichbar bleiben. So ließe sich untersuchen, ob die zusätzliche Lernzeit später weniger Korrekturen, eigenständigere Entscheidungen oder bessere Lösungen ermöglicht. Eine bloße Zufriedenheitsbefragung oder ein kurzer Wissenstest würde diesen wirtschaftlichen Nachweis nicht ersetzen.
Eine leistungsfähigere KI kann den unmittelbaren Durchsatz erhöhen. Eine gute Intelligence Architecture sollte zugleich dafür sorgen, dass Mitarbeitende neue Probleme besser verstehen und verantwortlich bearbeiten können. Ihr Geschäftswert zeigt sich auch darin, ob ein Team künftig Aufgaben bewältigt, an denen es heute noch scheitert. Diese Fähigkeit aufzubauen ist ein eigenständiges Ziel des KI-Einsatzes.
Footnotes
-
Addy Osmani, Critical thinking when agents do the work. Erfahrungsbeitrag zu agentengestützter Arbeit, Delegation und der eigenen Prüfung von Ergebnissen. Die hier entwickelte wirtschaftliche und organisatorische Argumentation geht über seinen Beitrag hinaus. ↩
-
Erik Brynjolfsson, Danielle Li und Lindsey R. Raymond, Generative AI at Work, NBER Working Paper 31161, Fassung November 2023. Feldstudie zur schrittweisen Einführung eines Assistenzsystems in einem Unternehmen. Die Autoren beschreiben Hinweise auf Lernen, keinen allgemeinen Beweis dauerhaften Kompetenzzuwachses. Eine überarbeitete Fassung erschien 2025 im Quarterly Journal of Economics. ↩
-
Judy Hanwen Shen und Alex Tamkin, How AI Impacts Skill Formation, 2026; ergänzend ihr Forschungsbericht vom 29. Januar 2026. Randomisiertes Experiment mit 52 Teilnehmenden und anschließende qualitative Analyse der KI-Nutzung. Gemessen wurde unmittelbares Verständnis einer neuen Bibliothek, keine langfristige Kompetenzentwicklung. ↩

