Workslop und warum KI Arbeit generieren kann, anstatt sie abzunehmen

Heute stand im Tagesanzeiger, dass KI in der Büroarbeit massiv mehr Aufwand erzeugen kann. Laut GoTo sagen 77 Prozent der Befragten, die Kontrolle von KI generierter Arbeit brauche mehr Zeit als die Kontrolle menschlicher Arbeit. Laut Workday gehen fast 40 Prozent der durch KI gewonnenen Zeit wieder für Korrekturen, Umschreiben und Prüfen verloren.

Gemeint ist also: KI spart zwar Zeit, aber ein grosser Teil dieser Zeit geht wieder verloren, weil Menschen die Resultate nachträglich kontrollieren und verbessern müssen.

Dieser Aufwand entsteht dadurch, dass KI generierte Texte oft keine saubere Kohärenz haben oder keine wirklich guten Resultate liefern. Dann muss man sie nachträglich korrigieren. In einer Untersuchung, über die Harvard Business Review geschrieben hat, gaben 40 Prozent der befragten US Angestellten an, im letzten Monat sogenannten Workslop erhalten zu haben. Die Betroffenen schätzten, dass im Schnitt 15,4 Prozent der Inhalte, die sie bei der Arbeit erhalten, darunterfallen.

Noch schlimmer wird es natürlich, wenn auf solche KI generierten Texte direkte Aktionen folgen. Das heisst, wenn ein Unternehmen mit einem halluzinierenden Text arbeitet und darauf Entscheidungen aufbaut. Halluzinieren heisst in diesem Zusammenhang, dass KI Modelle Fehler machen oder Dinge behaupten, die plausibel klingen, aber nicht stimmen.

Noch schlimmer wäre es, wenn Unternehmen dann genau die Aktionen ausführen, die ein KI Modell vorschlägt, ohne diese vorher sauber zu prüfen.

Jetzt kann man sich fragen: Wer ist dafür verantwortlich?

Juristisch ist es natürlich der, der diese KI Texte nutzt und umsetzt. Ganz so einfach ist es im Detail wahrscheinlich nicht immer, weil es auf Einsatz, Branche, Vertrag und Schaden ankommt. Aber im Arbeitsalltag ist klar: Wer KI Texte nutzt und darauf handelt, muss sie auch prüfen.

Mir geht es hier aber vor allem um die arbeitstechnische Verantwortung.

Wer ist im Arbeitsalltag verantwortlich für solche schlechten oder halbschlechten Resultate?

Wenn der Arbeitgeber seine Mitarbeiter einfach auf kostenlose Chatbots loslässt, weil man denkt, man könne hier Geld sparen, dann beginnt das Problem schon dort. Das kann mann machen aber mann muss sich dessen bewusst sein, Die Arbeitnehmer haben dann oft gar nicht die Möglichkeit, die besten Modelle und Funktionen zu nutzen.

Kostenlose Zugänge sind in der Regel limitiert. Das heisst, weniger Nachrichten, weniger Kontext, weniger Funktionen oder eingeschränkter Zugang zu stärkeren Modellen. Für einfache Aufgaben kann das reichen. Für komplexe Analysen, Strategien oder wichtige Entscheidungen reicht es oft nicht.

Das heisst, ein grosses Problem bei dieser ganzen Geschichte ist die Modellauswahl.

Welches Modell macht welche Arbeit?

Der zweite Punkt ist das Prompting. Und da beginnt schon der Ausbildungsmangel der Mitarbeiter, aber auch der Führung in den Unternehmen. Viele sind sich dessen gar nicht bewusst.

Prompting heisst: Wie gibt man eine Aufgabe in die KI ein? Wie gut ist dieser Prompt aufgebaut? Wie klar ist der Ablauf? Weiss der Mitarbeiter überhaupt, was er da tut? Weiss er, wie er den Prompt verbessern kann? Weiss er, ob das Resultat überhaupt gut genug ist?

Genau hier braucht es Ausbildung. Wer KI im Alltag wirklich nutzen will, muss lernen, wie man Aufgaben sauber stellt, Resultate prüft und Fehler erkennt. Dafür eignen sich zum Beispiel KI Kurse und Schulungen, wenn Mitarbeitende zuerst eine klare Grundlage brauchen.

Ja, es gibt verschiedene Prompt Techniken. Sehr viele Leute wissen aber gar nicht, was Prompt Techniken eigentlich sind. Damit sind wir schon beim nächsten Problem.

Dann haben wir natürlich die Ausgabe der Modelle selbst.

KI Modelle können halluzinieren. Das liegt an der Funktionsweise grosser Sprachmodelle, an Trainingsdaten, an Bewertungsverfahren und auch daran, dass Modelle bei Unsicherheit trotzdem oft eine Antwort erzeugen. Diese Antwort kann richtig klingen und trotzdem falsch sein.

Trainingsdaten spielen dabei ebenfalls eine grosse Rolle. Wenn Trainingsdaten schlecht aufgebaut, einseitig oder verzerrt sind, kann das Modelle stark beeinflussen.

Ein typisches Beispiel ist Bias, also Verzerrung. Bias kann durch einseitige, verzerrte oder gesellschaftlich geprägte Daten entstehen. Dabei muss man nicht immer sagen, dass alles einfach falsch ist. Manchmal bildet ein Modell auch nur das ab, was in den Daten häufiger vorkommt.

Wenn ein Modell bei der Eingabe „Bürofrau“ je nach Region oder Trainingsdaten andere Bilder erzeugt, ist das ein einfaches Beispiel dafür. Die Modelle werden anders trainiert, anders angepasst und mit anderen Daten gefüttert. Das ist nicht immer böse gemeint, aber man muss verstehen, dass solche Verzerrungen entstehen können.

Der dritte Punkt ist die Expertise.

Wenn Sie jemanden, der keine Ahnung von Marketing hat, darauf ansetzen, einen Marketingplan zu erstellen, und ihm sagen, er soll doch ChatGPT benutzen, dann können Sie nicht erwarten, dass dieser Plan sauber geprüft werden kann. Dafür fehlt die Expertise.

Expertise ist ein wichtiger Punkt.

Ein Experte kann gute Resultate erzeugen. Ein Experte, der KI richtig anwendet, kann sehr gute Resultate erzeugen. Aber jemand, der auf einem Gebiet kein Experte ist, kann die Resultate der KI oft gar nicht richtig bewerten. Dann kann der Schuss wirklich hinten losgehen. Früher hat man oft gesagt: Content is King. Heute müsste man fast sagen: Expertise is King.

Bei Unternehmen ist das noch wichtiger. Dort reicht es oft nicht, wenn einzelne Mitarbeiter ein bisschen ausprobieren. Teams brauchen gemeinsame Regeln, Beispiele aus dem eigenen Alltag und ein klares Verständnis dafür, wo KI hilft und wo man vorsichtig sein muss. Genau dafür sind KI Workshops für Unternehmen sinnvoll.

Ergo.

Es ist richtig: KI Modelle halluzinieren. KI Modelle machen Fehler. KI Modelle sind nicht perfekt. Menschen sind es auch nicht.

Hohe Mehraufwände entstehen aber oft, weil Menschen KI Modelle falsch bedienen, die falschen Modelle nutzen oder keine Expertise haben, die Resultate sauber zu korrigieren.

Also gibt es nur eins, um dieses Problem zu reduzieren: Schulung und die richtige Sichtweise.

Wenn ein Unternehmen zuerst prüfen will, wo KI überhaupt Sinn macht, kann auch eine KI Beratung oder Potenzialanalyse der bessere Einstieg sein. Dann beginnt man nicht einfach irgendwo, sondern schaut zuerst, welche Aufgaben, Teams und Prozesse wirklich passen.

Wir werden dieses Problem nicht vollständig eliminieren können. Aber richtig genutzt ist KI ein Zeitsparer und kein Zeitfresser.

Quellen

https://www.goto.com/blog/pulse-of-work-2026
https://investor.workday.com/news-and-events/press-releases/news-details/2026/New-Workday-Research-Companies-Are-Leaving-AI-Gains-on-the-Table/default.aspx
https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity
https://openai.com/index/why-language-models-hallucinate
https://www.nist.gov/artificial-intelligence/ai-research-identifying-managing-harmful-bias-ai