Fazit in fünf Sekunden
Je leistungsfähiger KI wird, desto weniger hängt der menschliche Wert davon ab, „alles selbst bauen zu können“.
Wichtiger wird, früh zu merken, dass etwas nicht stimmt, zu erklären warum, dieses Störgefühl in Ziele und Grenzen zu übersetzen, die KI nach Lösungen suchen und sie umsetzen zu lassen und anschließend das reale Ergebnis erneut zu beurteilen.
Der Kreislauf lautet:
Störgefühl erkennen → besprechen und diagnostizieren → von null auf eins konzipieren → umsetzen → das echte Ergebnis prüfen → das nächste Störgefühl erkennen.
Von außen kann das wie ein CEO wirken, der nur meckert.
Solange der Mensch aber nicht jeden Pixel und jede Codezeile vorgibt, ist das kein klassisches Mikromanagement. Es ähnelt eher dem Festhalten an Zielfunktion und Qualitätsmaßstab, während Suche und Ausführung an KI delegiert werden.
1. Angefangen hat alles mit einer ordentlichen und trotzdem furchtbar langweiligen Startseite
Stellen wir uns eine Startseite mit sauber sortierten Kategorien und Artikelzahlen vor.
Nichts ist kaputt. Die Informationsarchitektur lässt sich erklären.
Und trotzdem lautet die spontane Reaktion:
„Langweilig.“
Diese Art von Kritik ist schwierig, weil sie kein klassischer Bug ist. Tests laufen durch, die Spezifikation kann erfüllt sein – und dennoch will man nichts anklicken.
Im Gespräch mit einer dialogorientierten KI lässt sich das vage Gefühl langsam diagnostizieren.
Der Betreiber zeigt Bestand: 98 Artikel hier, 78 dort. Ein Erstbesucher denkt aber nicht zuerst an Bestand.
Er denkt:
„Gibt es hier etwas Interessantes für mich?“ „Wo gehe ich hin, wenn ich dieses Problem habe?“ „Ich habe kein genaues Ziel. Kann ich einfach etwas entdecken?“
Wenn das gesamte Problem an eine starke Null-zu-eins-Planungs-KI übergeben wird, kann aus „Kategorien hübscher machen“ plötzlich „den Einstieg am Zustand und Bedarf des Lesers ausrichten“ werden.
Das ist keine CSS-Politur.
Es ist eine neue Definition des Zwecks der Startseite.
2. Die menschliche Rolle sieht plötzlich wie die eines unerträglichen Kunden aus
Wenn KI auch umsetzen kann, klingen menschliche Aussagen zunehmend merkwürdig.
„Das wirkt billig.“ „Technisch stimmt es, aber ich will nicht klicken.“ „Die Funktion ist da, aber die Erfahrung ist tot.“ „Geht das nicht interessanter?“
Aus dem Zusammenhang gerissen klingt das nach Albtraumkunde.
Echtes Mikromanagement wäre dagegen:
„12 Pixel Abstand.“ „Genau drei Spalten.“ „Diesen Satz an genau diese Position.“
Damit wird die Lösung festgelegt, bevor überhaupt gesucht wurde.
Eine bessere Arbeitsteilung lässt dem Menschen die Bewertung: Ist es gut? Passt es zum Zweck? Was fühlt sich falsch an?
Das Wie bleibt weitgehend offen für Planungs- und Implementierungs-KI.
Der angebliche „Nörgelkunde“ übernimmt damit tatsächlich Produktverantwortung, Redaktion, Kreativdirektion und Qualitätssicherung.
Weniger Tastatur, mehr Verantwortung.
3. Ein Störgefühl ist ein wertvoller Sensor, aber keine Spezifikation
„Ich hasse das“ kann ein wichtiges Signal sein.
Unverarbeitet an einen Implementierungsagenten geschickt kann es aber gefährlich werden.
Es könnte nur persönlicher Geschmack sein oder eine Nebenwirkung einer anderen Änderung. Eine gehorsame KI kann eine schlechte Beschwerde perfekt umsetzen und damit das Gesamtprodukt beschädigen.
Das Gespräch sollte die Reaktion in prüfbare Bestandteile verwandeln:
- Symptom: Was löste das Störgefühl aus?
- mögliche Ursache: Warum wirkt es falsch?
- Leser: Wer wird beeinträchtigt?
- Sollzustand: Was soll möglich werden?
- Grenzen: Was darf nicht kaputtgehen?
- Abnahme: Welche Evidenz würde als Verbesserung gelten?
„Die Startseite ist langweilig“ wird zu:
„Die Taxonomie des Betreibers dominiert, deshalb können neue Leser schlecht von ihrem eigenen Bedarf oder Zustand aus erkunden. Wir wollen einen bedarfsorientierten Einstieg statt einer Bestandsanzeige.“
Jetzt ist die Beschwerde ein Designeingang.
4. Das Gespräch verwandelt persönlichen Geschmack in eine widerlegbare Hypothese
Das Störgefühl darf nicht heiliggesprochen werden.
„Ich mag es nicht“ und „es schadet Nutzern“ sind unterschiedliche Aussagen.
Deshalb sollte man die eigene Kritik mit Forschung, Designprinzipien, Gegenbeispielen und echten Nutzungsdaten angreifen.
Ist wirklich zu viel Information das Problem?
Oder ist die Information um den Betreiber statt um den Leser organisiert?
Fehlt Menschen ohne klares Ziel ein Einstieg?
Bevorzugen Stammnutzer vielleicht gerade eine dichte Liste?
Dieser Schritt bewahrt das menschliche Signal, ohne den Geschmack einer Person zum Produktgesetz zu machen.
Das Störgefühl ist der Sensor.
Das Gespräch ist die Diagnose.
Die Umsetzung ist die Behandlung.
Man rennt nicht in den Operationssaal, weil ein Sensor einmal gepiept hat.
5. „Es soll sich anfühlen, als würde man durch einen großen Laden laufen und unerwartet etwas finden“ ist eine brauchbare Anweisung
„Mach es interessanter“ lässt einen riesigen Suchraum offen.
„Es soll sich anfühlen, als würde man durch einen großen Laden laufen und etwas entdecken, das man gar nicht gesucht hat“ vermittelt dagegen eine konkrete Erfahrung:
zufällige Entdeckung, Erkundung, Bewegung, Neugier, und nützliche Dinge außerhalb des ursprünglichen Ziels.
Es geht nicht darum, Farben, Karten oder Layout einer anderen Marke zu kopieren.
Das Beispiel muss eine Abstraktionsebene höher gehoben werden: „Entdeckung jenseits des ursprünglichen Ziels ermöglichen“.
Konkrete Beispiele sollen die Richtung festlegen, nicht die Lösung.
So bleibt der KI Designfreiheit.
6. Null-zu-eins-Planung und Implementierung zu trennen macht das System stärker
Ein bekannter Bug braucht keinen Strategiegipfel.
Ursache finden, reparieren, testen.
„Die Startseite grundsätzlich interessanter machen“ ist dagegen näher an Null-zu-eins-Arbeit. Hier kann ein einziger starker Planungslauf vor der Umsetzung sinnvoll sein.
Eine dialogorientierte KI diagnostiziert und definiert Anforderungen.
Eine Planungs-KI erkundet Strukturen und Alternativen.
Ein Implementierungsagent schreibt Code, testet und prüft Regressionen.
Der Mensch behält Zweck, Grenzen, Priorität und Abnahme.
Endlose Planungsdokumente sind nicht nötig.
Planung hat nur Wert, wenn sie in Ausführung mündet.
7. Forschung sagt ebenfalls nicht, dass Mensch plus KI automatisch das beste Team ist
Eine Meta-Analyse aus Nature Human Behaviour von 2024 bündelte 106 Experimente und 370 Effektgrößen, die Menschen allein, KI allein und Mensch-KI-Kombinationen direkt verglichen.[1]
Im Durchschnitt waren Mensch-KI-Systeme besser als Menschen allein.
Sie waren jedoch schlechter als die jeweils bessere Einzelbedingung aus Mensch oder KI.
Einen Menschen am Ende hinzuzufügen garantiert keine Verbesserung.
Die gleiche Analyse fand stärkere Verluste bei Entscheidungsaufgaben und relativ vielversprechendere Ergebnisse bei Erstellungsaufgaben.
Die zentrale Frage lautet daher nicht einfach: „Nutzen wir KI?“
Sondern:
Wer übernimmt welchen Teil?
Die Aufteilung der Arbeit ist selbst eine Leistungsvariable.
8. Die Fähigkeitsgrenze von KI ist gezackt
Eine 2026 in Organization Science veröffentlichte Feldstudie untersuchte 758 Wissensarbeiter mit realistischen Beratungsaufgaben.[2]
Bei 18 Aufgaben innerhalb der KI-Fähigkeitsgrenze erledigten KI-Nutzer im Durchschnitt 12,2 % mehr Aufgaben, waren 25,1 % schneller und lieferten höhere Qualität.
Bei einer komplexen Managementaufgabe außerhalb dieser Grenze war die Wahrscheinlichkeit einer korrekten Lösung mit KI jedoch um 19 % niedriger.
Zwei Aufgaben können für Menschen gleich „intellektuell“ aussehen und trotzdem auf gegenüberliegenden Seiten der KI-Kompetenz liegen.
Praktisch kann KI daher großflächige Exploration, Entwürfe, Synthese, Implementierung und mechanische Prüfungen übernehmen.
Menschen behalten Absicht, wichtige Zielkonflikte, Systemkohärenz und das Erkennen von „hier stimmt etwas nicht“.
9. Menschen vom Erstentwurf stärker in die Redaktion zu verschieben passt zu weiterer Produktivitätsforschung
In einem Science-Experiment von 2023 mit 453 Fachkräften senkte generative KI die Bearbeitungszeit bei Schreibaufgaben im Durchschnitt um 40 % und erhöhte die bewertete Qualität um 18 %.[3]
Eine 2025 im The Quarterly Journal of Economics veröffentlichte Studie mit 5.172 Kundendienstmitarbeitern fand im Durchschnitt 15 % mehr gelöste Fälle pro Stunde, mit größeren Gewinnen bei weniger erfahrenen Beschäftigten.[4]
Diese Studien beweisen nicht, dass ein Unternehmen läuft, wenn der CEO nur sagt: „Das fühlt sich falsch an.“
Sie stützen eine kleinere Aussage:
Wenn Entwürfe, Routinetätigkeiten und Optionsgenerierung billiger werden, kann menschliche Zeit stärker in die Fragen fließen, was gebaut, behalten oder abgelehnt werden soll.
Praktische Fähigkeiten verschwinden nicht.
Sie sind nur nicht mehr der einzige Engpass.
10. Die größte Falle: jede Beschwerde beheben und im lokalen Optimum landen
Karten verbessern.
Werbung verbessern.
Empfehlungen verbessern.
Suche verbessern.
Jedes Teil wird besser.
Das gesamte Produkt wird unruhiger.
Das kann leicht passieren.
Ein beschwerdegetriebenes System braucht deshalb eine eigene globale Prüfebene.
Wer kommt?
Warum?
Was soll die erste Aktion sein?
Was soll danach entdeckt werden?
Was soll man am Ende mitnehmen?
Welche Funktion sollte vielleicht ganz verschwinden?
Lokale Optimierung und Gesamtrichtung sind unterschiedliche Aufgaben.
Außerdem können Menschen selbst von KI-Ausgaben beeinflusst werden. Experimente zeigen Rückkopplungsschleifen, in denen Mensch-KI-Interaktion menschliche Urteile verändern und Verzerrungen verstärken kann.[5]
„Die KI stimmt mir zu“ ist keine Evidenz.
Zurück zu Forschung, realem Verhalten, Gegenbeispielen und Realität außerhalb der Schleife.
11. „Mach das einfach gut“ funktioniert erst nach genügend gemeinsamem Kontext
Ohne Kontext ist „mach das gut“ eine Lotterie.
Mit genügend gemeinsamem Kontext wird es zur Abkürzung.
Das System muss kennen:
das Ziel, das Gegen-Ziel, die Grenzen, die Referenzerfahrung, und die Abnahmeevidenz.
Beispiel:
Symptom: Die Startseite ist ordentlich, aber tot.
Grund: Die Taxonomie des Betreibers dominiert.
Ziel: Leser steigen über Bedarf oder Zustand ein.
Referenz: durch einen großen Laden gehen und Unerwartetes entdecken.
Nicht tun: eine andere Seite Pixel für Pixel kopieren.
Fertig, wenn: neue Besucher Inhalte über bedarfsorientierte Einstiege finden und reales Verhalten bessere Entdeckung und Weiter-Navigation zeigt.
Das ist keine blinde Delegation.
Es ist komprimierter Kontext.
12. Fällt die Implementierungs-KI aus, darf nicht die gesamte Entwicklung hirntot werden
Angenommen, die Implementierungs-App fällt kurz vor einem wichtigen Arbeitsfenster aus.
Sind Denken und Ausführen fest gekoppelt, steht alles.
Eine bessere Architektur trennt Denk-Warteschlange und Ausführungs-Warteschlange.
Auch ohne Coding-Agent kann das Team:
Störgefühle sammeln, diagnostizieren, recherchieren, priorisieren, Grenzen definieren, und Abnahmekriterien schreiben.
Wenn die Ausführung zurückkehrt, verbraucht die Implementierungs-KI ihre teure Zeit nicht damit, das Problem erneut zu verstehen.
Sie verarbeitet vorbereitete Arbeit.
Das spart Kosten.
Wichtiger noch: Es schafft Resilienz.
Der Ausfall eines Anbieters sollte nicht zum organisatorischen Hirntod führen.
13. Der CEO im KI-Zeitalter muss nicht jede Lösung kennen
Man muss nicht jede Codezeile selbst schreiben.
Nicht beim ersten Versuch die perfekte Oberfläche zeichnen.
Nicht die Lösung kennen, bevor die Suche beginnt.
Aber man muss festhalten können:
„Das ist nicht richtig.“
„Hier ist der Grund.“
„Für diese Person muss dieses Ergebnis besser werden.“
„Diese Dinge dürfen nicht kaputtgehen.“
„Dieses Ergebnis ist gut genug zur Freigabe.“
KI kann viele Lösungen erzeugen, sie implementieren und vieles prüfen.
Wenn aber auch die Definition von „gut“ vollständig ausgelagert wird, verliert das System sein Optimierungsziel.
Menschliche Arbeit verschwindet nicht einfach.
Sie verdichtet sich weiter oben im Prozess.
Der neue Führungssatz lautet:
„Das ist es nicht. Aus diesem Grund. Die Richtung ist dort. Finde den besten Weg dorthin.“
„Mach das einfach gut“ beginnt, eine echte Technologie zu werden.
Quellen
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
