Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich offenbart eine Arbeitsplatzkluft von 958 Millionen Pfund
Deloitte zufolge geben britische Beschäftigte inzwischen schätzungsweise jährlich 958 Millionen Pfund für generative KI-Tools aus, die sie für ihre Arbeit nutzen. Die Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich zeigt, dass Mitarbeitende die Technologie schneller übernehmen, als viele Arbeitgeber sie steuern, finanzieren oder überhaupt wahrnehmen können.
Die Schlagzeilenzahl ist auffällig, doch der zugrunde liegende Konflikt ist wichtiger. Beschäftigte betrachten KI zunehmend als unverzichtbare persönliche Software, während Arbeitgeber sie weiterhin als kontrolliertes Unternehmenssystem behandeln. Mitarbeitende kaufen Zugänge, wählen Tools aus und bauen Workflows auf, bevor formelle Beschaffungs- und Sicherheitsprozesse nachziehen.
Diese Kluft hat in britischen Arbeitsstätten eine große Shadow-AI-Ökonomie geschaffen. Shadow AI bezeichnet die Nutzung generativer KI-Dienste ohne Wissen oder Genehmigung des Arbeitgebers. Sie knüpft an frühere Wellen nicht autorisierter Cloud-Software an, doch Prompts können sensible Daten preisgeben, während generierte Antworten versteckte Fehler einführen können.
Deloittes Ergebnisse belegen nicht, dass all diese Ausgaben denselben Wert schaffen. Die Hälfte der befragten Nutzer berichtete von keiner Zeitersparnis, und die häufigsten Anwendungen bleiben grundlegend. Die eigentliche Geschichte ist daher keine uneingeschränkte KI-Begeisterung. Es geht um die Verlagerung von Technologieentscheidungen, Kosten und Risiken von Arbeitgebern auf einzelne Beschäftigte.
Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich zeigt das Ausmaß
Beschäftigte haben generative KI bereits zum Bestandteil des Arbeitsalltags gemacht – unabhängig davon, ob ihre Organisationen sie formell unterstützen.
Deloitte veröffentlichte die Ergebnisse seiner ersten GenAI Workforce Survey am 16. September 2026. Ipsos UK führte die Online-Erhebung zwischen dem 7. Mai und dem 10. Juni durch und sammelte Antworten von 25.000 Beschäftigten im Alter von 18 bis 70 Jahren.
Die Stichprobe umfasste Angestellte und Selbstständige aus 22 Branchen und 24 Tätigkeitsfeldern. Deloitte gewichtete demografische Merkmale und Beschäftigungsstatus, um die breitere Offline-Bevölkerung abzubilden. Das Unternehmen bezeichnet sie als die bislang größte Einzelländerumfrage zur Nutzung generativer KI am Arbeitsplatz.
Laut der workforce survey gaben 63 % der Befragten an, generative KI wissentlich für die Arbeit genutzt zu haben. Diese Gruppe umfasste in der Gesamtstichprobe 16.749 Personen. Weitere 34 % meldeten keine Nutzung für die Arbeit, während 3 % es nicht wussten.
Die Einführung beschränkte sich nicht auf gelegentliche Experimente. Deloitte zufolge nutzten 24 % aller Beschäftigten im Vereinigten Königreich generative KI täglich bei der Arbeit. Eine andere Umfrageseite nennt jedoch einen Wert von 12 % für die tägliche Nutzung, der offenbar eine enger gefasste Antwortkategorie widerspiegelt. Dieser Unterschied zeigt, warum Häufigkeitsschätzungen sorgfältig gelesen werden müssen.
Auch der Zugang zu Tools kam aus mehreren Richtungen. Unter den Nutzern generativer KI verwendeten 46 % kostenlose Dienste, 34 % nutzten vom Arbeitgeber finanzierte externe Tools und 17 % setzten hauseigene Systeme ein. Die Befragten konnten mehr als eine Kategorie nutzen; diese Zahlen sollten daher nicht addiert werden.
Am wichtigsten ist, dass 17 % mindestens für ein Tool, das sie bei der Arbeit nutzten, persönlich zahlten. Deloitte rechnete diese Ausgaben auf jährlich 958 Millionen Pfund für die britische Erwerbsbevölkerung hoch. Die Schätzung erfasst einen Markt, den übliche Budgets für Unternehmenssoftware möglicherweise übersehen.
Die Deloitte-Umfrage zu Shadow AI liefert ein weiteres wichtiges Detail. Sechs Prozent der selbst zahlenden Nutzer gaben an, monatlich mehr als 50 Pfund auszugeben, meist für mehrere Tools. Dies deutet darauf hin, dass einige Beschäftigte persönliche KI-Stacks zusammenstellen, statt sich auf einen einzigen allgemeinen Assistenten zu verlassen.
Diese Stacks können getrennte Dienste für Schreiben, Recherche, Programmierung, Besprechungszusammenfassungen, Bildgenerierung oder Dokumentenanalyse umfassen. Ein Beschäftigter mag jedes Abonnement als praktische Abkürzung sehen. Ein Arbeitgeber sieht eine fragmentierte Sammlung von Konten mit unterschiedlichen Sicherheitsbedingungen und Datenkontrollen.
Die Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich misst daher mehr als die Nachfrage nach Chatbots. Sie zeigt, wie schnell Beschäftigte eine inoffizielle Softwareschicht rund um ihre Arbeit schaffen können. Diese Schicht wird über persönliche Konten finanziert und liegt häufig außerhalb der Sichtbarkeit des Unternehmens.
Beschäftigte finanzieren die Tools, die Arbeitgeber nicht bereitgestellt haben
Die Ausgabenlücke setzt Arbeitgeber unter Druck, weil Beschäftigte den KI-Zugang eher als Voraussetzung denn als Zusatzleistung am Arbeitsplatz behandeln.
Einige Beschäftigte zahlen offenbar, weil ihre bevorzugten Dienste besser funktionieren als genehmigte Alternativen. Unter den Befragten, die nicht genehmigte Tools nutzten oder persönlich zahlten, sagten 21 %, diese Produkte überträfen die Unternehmens-Tools. Weitere 14 % beschrieben die Dienste als für ihre Arbeit unverzichtbar, aber nicht von ihrem Arbeitgeber finanziert.
Auch Karriereanreize beeinflussen die Entscheidung. Deloitte stellte fest, dass 16 % dieser Gruppe glaubten, persönlich ausgewählte KI-Tools verbesserten ihre Aufstiegschancen. Der Kauf von Software wird zu einer informellen Investition in die individuelle Leistung, selbst wenn die daraus resultierende Arbeit der Organisation zugutekommt.
Dadurch entsteht eine ungewöhnliche wirtschaftliche Konstellation. Arbeitgeber erhalten Entwürfe, Zusammenfassungen, Recherchen oder Code, die mit Diensten erstellt wurden, die Beschäftigte selbst ausgewählt und finanziert haben. Die Organisation profitiert von einem Teil der Ergebnisse und akzeptiert zugleich Risiken, die sie möglicherweise nicht bewertet hat.
Beschäftigte könnten diese Vereinbarung dennoch als lohnend betrachten. Wenn ein Tool repetitive Arbeit beseitigt oder jemandem hilft, eine schwierige Aufgabe zu bewältigen, wirkt es kostspielig, Monate auf eine Beschaffungsgenehmigung zu warten. KI-Dienste für Endverbraucher lassen sich in Minuten nutzen, während Unternehmensbewertungen Prüfungen durch Sicherheit, Recht, Finanzen und Informationstechnologie erfordern.
Das Muster der KI-Ausgaben an britischen Arbeitsplätzen spiegelt zudem Unterschiede zwischen genehmigtem und bevorzugtem Zugang wider. Die Bereitstellung eines internen Assistenten garantiert nicht, dass Beschäftigte keine externen Dienste mehr nutzen. Sie vergleichen Ergebnisqualität, Geschwindigkeit, Modellverfügbarkeit, Integrationen und Vertrautheit.
Der Finanzsektor verdeutlicht das Problem. Deloitte stellte fest, dass 28 % der Nutzer generativer KI in Finanzen, Banken und Versicherungen hauseigene Tools verwendeten, verglichen mit 17 % insgesamt. Vom Unternehmen finanzierte externe Tools erreichten ebenfalls 41 % und lagen damit über dem branchenübergreifenden Wert von 34 %.
Dennoch zahlten 19 % der Nutzer generativer KI in diesem Sektor weiterhin für eigene Tools. Das übertraf die branchenübergreifende Quote trotz der größeren Verfügbarkeit genehmigter Optionen. Mehr Unternehmenssoftware beseitigte persönliche Abonnements nicht automatisch.
Das Ergebnis stellt eine verbreitete Annahme hinter dem Einsatz in Unternehmen infrage. Arbeitgeber erwarten häufig, dass ein genehmigter Assistent die Nutzung bündelt. Beschäftigte scheinen stattdessen bereit zu sein, getrennte Dienste beizubehalten, wenn diese Produkte besser zu bestimmten Workflows passen.
Das bedeutet nicht, dass jedes bevorzugte Tool objektiv überlegen ist. Nutzer bevorzugen möglicherweise Oberflächen, die sie bereits kennen, oder Dienste, die weniger Einschränkungen auferlegen. Ein genehmigtes System kann gerade deshalb schwächer wirken, weil es sensible Handlungen blockiert, die ein Verbraucherkonto erlaubt.
Arbeitgeber stehen nun vor einer erzwungenen Wahl. Sie können ausgewählte Dienste erstatten, interne Alternativen verbessern oder die externe Nutzung strenger einschränken. Jede Reaktion verursacht Kosten, und ein schlichtes Verbot kann die Nutzung weiter in den Untergrund treiben.
Die Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich fasst diese Wahl in finanzielle Größen. Fast 1 Milliarde Pfund an persönlichen Ausgaben signalisiert eine starke Nachfrage der Beschäftigten, benennt aber nicht, welche Tools eine Einführung im Unternehmen verdienen. Unternehmen benötigen weiterhin Nachweise zu Nutzung, Risiken und messbaren Erträgen.
Der zentrale Konflikt ist Nachfrage der Beschäftigten gegen Kontrolle der Arbeitgeber
Beschäftigte wollen sofortigen Zugang zu nützlichen Modellen, während Arbeitgeber einheitliche Regeln für Daten, Genauigkeit, Verantwortlichkeit und Softwareausgaben benötigen.
Deloitte stellte fest, dass 31 % der Nutzer generativer KI ohne Wissen ihres Arbeitgebers agierten. Seine shadow AI analysis beschreibt eine Lücke zwischen formeller Richtlinie und tatsächlichem Verhalten der Beschäftigten.
Dabei handelt es sich nicht einfach um ein Compliance-Versagen leichtsinniger Beschäftigter. Die Umfrage weist auch auf unvollständige Führung und Schulungen hin. Mitarbeitende treffen Entscheidungen in einem Umfeld, in dem offizielle Leitlinien unklar, nicht verfügbar oder von ihrer Arbeit entkoppelt sein können.
Nur 28 % der Nutzer sagten, ihre Organisation verfüge über eine Richtlinie für generative KI, die klar, aktuell, verstanden und leicht auffindbar sei. Weitere 34 % erklärten, ihr Arbeitgeber habe keine Richtlinie, während 23 % nicht wussten, ob eine existierte.
Eine Richtlinie, die Beschäftigte nicht finden können, hat wenig praktischen Wert. Sie beantwortet nicht, ob jemand Besprechungsnotizen, Kundenkorrespondenz, Quellcode oder einen vertraulichen Vorschlag hochladen darf. Beschäftigte unter Zeitdruck werden selbst urteilen.
Die Hälfte der Nutzer generativer KI hatte keine formelle Schulung erhalten. Nur 20 % berichteten von verpflichtender Unterweisung. Diese Zahlen bedeuten, dass Millionen von Beschäftigten durch Experimente, Online-Ratschläge und die von KI-Unternehmen bereitgestellten Oberflächen lernen.
Dieses Schulungsdefizit ist wichtig, weil dialogbasierte Oberflächen technische Komplexität verbergen können. Ein Chatbot wirkt ähnlich wie Such- oder Messaging-Software, doch eingegebene Daten können unter Bedingungen gespeichert, überprüft oder verarbeitet werden, die je nach Dienst und Kontotyp variieren.
Auch generiertes Material muss bewertet werden. Eine flüssige Antwort kann falsche Aussagen, unvollständige Argumentation, erfundene Quellenangaben oder unangemessene Formulierungen enthalten. Beschäftigte benötigen Fachwissen und Gewohnheiten zur Überprüfung, nicht nur Prompting-Techniken.
Die Risiken steigen, wenn ein persönliches Konto Teil eines professionellen Workflows wird. Eine Organisation weiß möglicherweise nicht, welches Modell ein Dokument erstellt hat, welche Informationen in das System gelangten oder ob jemand anderes das Ergebnis geprüft hat. Das schwächt die Nachvollziehbarkeit.
Hinzu kommt ein Beschaffungsproblem. Getrennte persönliche Konten verhindern, dass Arbeitgeber die Gesamtnachfrage erkennen und den Zugang auf Grundlage der tatsächlichen Nutzung verhandeln können. Gleichzeitig können Unternehmenslizenzen ungenutzt bleiben, weil die Organisation ein Produkt auswählte, ohne die Präferenzen der Beschäftigten zu verstehen.
Deloitte zufolge glaubten 22 % der Nutzer, die außerhalb der Aufsicht des Arbeitgebers agierten, dass ihre Organisation die Nutzung genehmigen würde, wenn sie davon wüsste. Diese Gruppe betrachtet sich möglicherweise nicht als Verstoß gegen eine sinnvolle Regel. Sie behandelt Schweigen als stillschweigende Erlaubnis.
Der Arbeitgeber kann dasselbe Verhalten anders interpretieren, insbesondere bei regulierter oder vertraulicher Arbeit. Selbst harmlose Experimente können Unsicherheit schaffen, wenn niemand den genutzten Dienst, die bereitgestellten Informationen oder die anschließend erfolgte Prüfung dokumentiert.
Die Deloitte-Umfrage zu Shadow AI legt daher ein Governance-Problem offen, das durch nicht übereinstimmende Anreize entsteht. Beschäftigte profitieren unmittelbar, wenn ein Tool Aufwand spart. Arbeitgeber tragen langfristigere rechtliche, sicherheitsbezogene, reputationsbezogene und qualitative Risiken.
Strenge Kontrollen allein werden dieses Missverhältnis nicht lösen. Das Blockieren von Websites auf verwalteten Geräten erfasst keine persönlichen Telefone, Heimcomputer oder kopierten Texte. Überwachung kann zudem Vertrauen verringern, ohne offenzulegen, warum Beschäftigte offizielle Tools abgelehnt haben.
Organisationen benötigen einen praktikablen Weg für genehmigte Experimente. Dazu gehören klare Grenzen, zugängliche Alternativen und Möglichkeiten, zusätzliche Dienste anzufordern. Es erfordert auch, dass Führungskräfte erklären, welche Daten niemals in ein externes Modell gelangen dürfen.
Wissensarbeiter können unnötiges Kopieren reduzieren, indem sie vertrauenswürdige Arbeitsmaterialien in einer kontrollierten personal knowledge base halten. Dennoch benötigt das System Richtlinien, die der Sensibilität seiner Inhalte entsprechen.
Der zentrale Wettbewerb findet daher nicht zwischen einem KI-Anbieter und einem anderen statt. Er besteht zwischen mitarbeitergetriebener Einführung und arbeitgebergetriebenem Kontrollanspruch. Der Ausgang wird bestimmen, wer KI am Arbeitsplatz auswählt und wer verantwortlich bleibt, wenn sie versagt.
Hohe Ausgaben bedeuten noch keine hohe Produktivität
Die Schätzung von 958 Millionen £ zeigt Zahlungsbereitschaft, doch Deloittes Daten beschreiben eher eine breite, aber oberflächliche Nutzung als einen gefestigten Produktivitätsschub.
Beschäftigte gaben an, mit generativer KI durchschnittlich 70 Minuten pro Woche einzusparen. Der Großteil dieser Zeit floss laut Deloittes Bekanntgabe der Umfrageergebnisse in zusätzliche Arbeit für denselben Arbeitgeber.
Ein Durchschnittswert kann stark unterschiedliche Erfahrungen verdecken. Deloittes detaillierte Produktivitätsergebnisse zeigten, dass die Hälfte der Nutzenden keine Zeit einspart. Etwa jede achte Person gab an, wöchentlich mehr als drei Stunden einzusparen.
Über die gesamte Erwerbsbevölkerung hinweg sagten 7 %, dass KI ihnen mindestens fünf Stunden pro Woche erspare. In Information und Kommunikation stieg dieser Wert auf 21 %, im Gesundheits- und Sozialwesen fiel er auf 5 %. Der Branchenkontext beeinflusst den von Beschäftigten berichteten Nutzen offenbar deutlich.
Die Umfrage stützte sich auf Erinnerungen der Beschäftigten statt auf direkte Produktivitätsmessungen. Deloitte selbst weist darauf hin, dass die meisten Menschen Zeitersparnisse nicht präzise erinnern können. Die Schätzungen erfassen wahrgenommene Vorteile, nicht kontrollierte Belege für mehr Output oder hochwertigere Arbeit.
Auch die häufigen Anwendungsfälle waren eher bescheiden. Die Suche nach Informationen und das Verfassen von E-Mails wurden jeweils von 43 % der Nutzenden genannt. Das Erstellen von Zusammenfassungen lag mit 31 % auf Platz drei.
Diese Aufgaben können wichtig sein, besonders wenn sie sich über eine große Belegschaft hinweg wiederholen. Doch schneller erzeugte E-Mails können schlicht die Textmenge erhöhen, die Kolleginnen und Kollegen lesen müssen. Eine eingesparte Minute für den Absender kann zusätzliche Arbeit für die Empfänger schaffen.
Deloitte stellte fest, dass 31 % aller Befragten generative KI bei der Arbeit genutzt hatten, ohne Zeit einzusparen. Die Produktivitätsanalyse besagt außerdem, dass 52 % der Nutzenden glaubten, der Verlust des Zugangs würde ihre Arbeit nicht erschweren. Weitere 11 % meinten, die Arbeit könnte sogar leichter werden.
Nur 8 % beschrieben generative KI als so wichtig, dass der Verlust des Zugangs ihre Arbeit deutlich erschweren würde. Das ist eine bedeutende Gruppe, aber wesentlich kleiner als die 63 %, die die Technologie ausprobiert hatten.
Diese Ergebnisse relativieren die Deloitte-Umfrage zu KI-Ausgaben im Vereinigten Königreich. Beschäftigte bezahlen für Werkzeuge, bevor die Erwerbsbevölkerung konsistente Produktivitätsgewinne nachgewiesen hat. Ausgaben offenbaren wahrgenommenen Optionswert ebenso sehr wie nachgewiesenen geschäftlichen Nutzen.
Ein Abonnement verschafft einer Arbeitskraft fortlaufenden Zugang zu neuen Modellen und Funktionen. Es kann als Absicherung für schwierige Aufgaben dienen, selbst wenn der tägliche Nutzen begrenzt bleibt. Jemand kann einen Dienst behalten, weil er eine dringende Aufgabe einmal gut bewältigt hat.
Der Wert kann auch psychologischer Natur sein. Generative KI bietet einen Ausgangspunkt, wenn ein leeres Dokument oder eine unbekannte Frage den Fortschritt bremst. Die Arbeitskraft kann sich leistungsfähiger fühlen, ohne ein Ergebnis zu erzeugen, das herkömmliche Leistungskennzahlen leicht isolieren können.
Wenn Zeit eingespart wird, erfassen Arbeitgeber nicht alles davon. Deloitte stellte fest, dass 27 % derjenigen, die Zeit sparten, zumindest einen Teil des Gewinns für persönliche Aufgaben nutzten. Etwa die Hälfte verwendete die eingesparte Zeit, um mehr von derselben Arbeit zu erledigen.
Dieses Ergebnis ist nicht zwangsläufig verschwenderisch. Kurze Pausen können Ermüdung reduzieren, während ein schnellerer Abschluss von Aufgaben die Arbeitszufriedenheit verbessern kann. Allerdings lässt sich die finanzielle Rendite dadurch schwerer allein aus Arbeitsstunden berechnen.
Arbeitgeber sollten daher vermeiden, Adoptionszahlen als Produktivitätskennzahlen zu behandeln. Die Zahl der Konten, Prompts oder aktiven Nutzenden sagt wenig darüber aus, ob sich die Arbeit verbessert hat. Eine verlässliche Bewertung sollte Ergebnisqualität, Durchlaufzeit, Fehlerquoten und die Erfahrung der Beschäftigten untersuchen.
Die Deloitte-Ergebnisse liefern eine hilfreiche Ausgangsbasis, kein endgültiges Urteil. Der geplante halbjährliche Umfragezyklus sollte zeigen, ob aus Experimentieren Abhängigkeit wird. Er kann auch aufzeigen, ob Schulungen Nutzende über E-Mails, Suche und Zusammenfassungen hinausführen.
Bis dahin sollte die Schätzung von 958 Millionen £ nicht als Beleg für einen gleich großen wirtschaftlichen Gewinn dargestellt werden. Sie misst Ausgaben, die aus selbstberichteten Verhaltensweisen abgeleitet wurden. Sie berechnet weder Gewinn noch Output oder Kapitalrendite.
Die Geheimhaltung wächst, wenn Beschäftigte die Reaktion von Führungskräften fürchten
Shadow AI ist teilweise ein Sicherheitsproblem, doch Deloittes Daten machen daraus auch eine Frage des Vertrauens am Arbeitsplatz.
Fast ein Viertel der Beschäftigten, 23 %, glaubte, dass die Nutzung generativer KI bei der Arbeit mit einem Stigma verbunden sei. Unter den wöchentlichen Nutzenden befürchteten 64 %, dass Führungskräfte zu dem Schluss kommen könnten, KI könne ihre Arbeit erledigen.
Diese Sorge gibt Beschäftigten einen Grund, erfolgreiche Arbeitsabläufe zu verbergen. Eine Person, die mehrere Stunden einspart, könnte mit mehr Aufgaben, einer geänderten Rolle oder Fragen zur Personalbesetzung rechnen. Den Gewinn offenzulegen, kann sich persönlich riskant anfühlen.
Die Geheimhaltung verhindert dann, dass die Organisation erfährt, welche Arbeitsabläufe Mehrwert liefern. Führungskräfte sehen weder das erfolgreiche Experiment noch dessen Grenzen. Sicherheitsteams verlieren zudem die Möglichkeit, den Umgang mit Daten zu bewerten, bevor sich die Praxis verbreitet.
Deloitte UK Chief AI Officer Hayley McKelvey sagte, Beschäftigte, die sich stigmatisiert fühlten, würden ihre Nutzung eher verbergen. Ihre Argumentation verbindet kulturelle Signale mit Risikomanagement. Von Beschäftigten kann nicht erwartet werden, dass sie Experimente offenlegen, wenn Offenlegung bedrohlich wirkt.
Die Kommunikation der Führung bleibt schwach. Laut Deloittes Schulungsforschung hatten 65 % der Nutzenden keine Führungskräfte erlebt, die mit klarem Verständnis über generative KI sprachen.
Zu dieser Gruppe gehörten Menschen, die widersprüchliche Botschaften hörten, ebenso wie Menschen, die nichts hörten. In beiden Fällen erhalten Beschäftigte wenig Hilfe dabei, geförderte Nutzungen von unzulässigen zu unterscheiden.
Das Ergebnis ist ein widersprüchlicher Arbeitsplatz. Führungskräfte können öffentlich die Einführung von KI verlangen, während Manager KI-gestützte Arbeit privat misstrauen. Beschäftigte hören, dass die Technologie strategisch sei, erhalten aber keine stabilen Regeln für ihre Anwendung.
Qualitätsbedenken können dieses Misstrauen verstärken. Manager können auf schwache KI-generierte Arbeit stoßen und darauf reagieren, indem sie jede Nutzung entmutigen. Erfahrene Nutzende werden dann weniger bereit sein zu erklären, wie sie Modelle, Quellen und menschliche Prüfung kombinieren.
Eine bessere Reaktion beginnt damit, Unterstützung von Verantwortung zu trennen. Beschäftigte können KI nutzen, um Optionen zu erzeugen, Notizen neu zu ordnen, Material zusammenzufassen oder Formulierungen zu entwerfen. Sie bleiben dafür verantwortlich, das Ergebnis zu prüfen und eingeschränkte Informationen zu schützen.
Auch Offenlegung braucht verhältnismäßige Regeln. Für jeden Rechtschreibvorschlag einen formellen Bericht zu verlangen, würde unnötige Reibung schaffen. Entscheidungen mit hoher Tragweite, vertrauliche Eingaben oder extern veröffentlichte Behauptungen verdienen eine stärkere Dokumentation.
Schulungen sollten reale Arbeitsszenarien nutzen. Allgemeine Demonstrationen erklären weder einer Recruiterin, einem Softwareingenieur, einer Marketingfachkraft noch einer Verwaltungsmitarbeiterin im Gesundheitswesen, wie sich ihre Risiken unterscheiden. Richtlinien werden glaubwürdig, wenn Beschäftigte sie auf tatsächliche Aufgaben anwenden können.
Deloitte stellte fest, dass 51 % der breiteren Erwerbsbevölkerung sagten, Schulungen würden eine häufigere KI-Nutzung fördern. Nur 20 % der aktuellen Nutzenden betrachteten sich als sehr kompetent. Damit bleibt erheblicher Spielraum für strukturierte Unterstützung, ohne die Einführung zu erzwingen.
Arbeitgeber können genehmigte Systeme auch für die Nutzung mit internen Informationen einfacher gestalten. Ein fragmentierter Arbeitsablauf drängt Beschäftigte oft dazu, Material zwischen Anwendungen und externen Chatbots zu kopieren. Besseres Knowledge Blending kann diese Reibung reduzieren und zugleich den Kontext bewahren, der für nützliche Antworten nötig ist.
Ein genehmigtes System sollte jedoch nicht zum Vorwand werden, jede Frage zu überwachen. Übermäßiges Tracking kann dieselbe Angst reproduzieren, die zur Schattennutzung geführt hat. Governance braucht Transparenz darüber, was protokolliert wird, wer es einsehen kann und warum.
Hier wird die persönliche Ausgabenzahl besonders aufschlussreich. Beschäftigte bringen nicht nur eigene Software mit. Sie verwenden eigenes Geld, um Wahlfreiheit und Privatsphäre bei der Erledigung zugewiesener Arbeit zu bewahren.
Arbeitgeber, die nur mit Einschränkungen reagieren, riskieren eine Vertiefung der Spaltung. Arbeitgeber, die das Verhalten ignorieren, akzeptieren unkontrollierte Risiken. Der praktikable Mittelweg kombiniert nützliche Werkzeuge, klare Grenzen, praxisnahe Schulungen und glaubwürdigen Schutz vor Vergeltungsmaßnahmen.
Was die Deloitte-Umfrage zu Shadow AI nicht beweisen kann
Die Umfrage belegt ein groß angelegtes Muster berichteten Verhaltens, doch ihre einprägsamsten Zahlen bleiben Schätzungen statt direkt beobachteter Transaktionen oder Produktivitätsaufzeichnungen.
Die Zahl von 958 Millionen £ wurde aus einer Online-Umfrage hochgerechnet. Deloitte prüfte weder Bankunterlagen noch Spesenabrechnungen oder Umsätze von Anbietern. Die Schätzung hängt davon ab, dass Befragte ihre Ausgaben und ihre Nutzung am Arbeitsplatz korrekt angeben.
Manche Menschen abonnieren Dienste hauptsächlich aus persönlichen Gründen und nutzen denselben Service gelegentlich auch bei der Arbeit. Andere teilen Konten oder wechseln zwischen kostenlosem und kostenpflichtigem Zugang. Diese Situationen erschweren es, jede Zahlung vollständig der Beschäftigung zuzuordnen.
Die Umfrage kombiniert zudem Beschäftigte und Selbstständige in ihrer umfassenderen Definition der Erwerbsbevölkerung. Wenn eine selbstständige Fachkraft Software über ein persönliches Konto kauft, tätigt sie eine geschäftliche Anschaffung, was sich von einer Beschäftigten unterscheidet, die einen großen Arbeitgeber subventioniert.
Deloitte nennt für einige Fragen getrennte Grundlagen, doch öffentliche Zusammenfassungen können nicht jede methodische Frage beantworten. Die Verteilung der monatlichen Ausgaben würde zeigen helfen, ob der Gesamtwert breite, geringe Zahlungen oder eine kleinere Gruppe intensiver Nutzender widerspiegelt.
Die Forschung maß selbstberichtete Einführung. Befragte könnten generative KI unterschiedlich interpretieren, besonders wenn Funktionen in Suchmaschinen, Office-Suiten, Telefone oder spezialisierte Software eingebettet sind. Deloitte schloss eine kurze Definition ein, doch die Grenzen der Kategorie bleiben fließend.
Ebenso ist die Nutzung eines Werkzeugs ohne Wissen des Arbeitgebers nicht immer gleichbedeutend mit einer Nutzung gegen Richtlinien. Manche Organisationen haben möglicherweise keine Richtlinie, und manche Manager tolerieren informelle Nutzung. Shadow AI umfasst mehrere unterschiedliche Governance-Situationen.
Ein separater Nachrichtenbericht berichtete über dieselben Kernergebnisse und wies darauf hin, dass die Zeitersparnisse nicht direkt gemessen wurden. Diese Einschränkung ist wichtig, wenn Ausgaben von Beschäftigten mit Produktivität verknüpft werden.
Die Umfrage erschien zudem erst zwei Tage vor dem Veröffentlichungsdatum dieses Artikels. Unabhängigen Forschenden, Arbeitnehmervertretungen, Sicherheitsspezialisten oder Arbeitgebern blieb nur begrenzt Zeit, ihre Annahmen zu prüfen und darauf zu reagieren.
Deloitte ist sowohl Herausgeber der Forschung als auch Anbieter von KI-Beratungsleistungen. Das entwertet die Ergebnisse nicht, und Ipsos führte die Feldarbeit durch. Es bedeutet jedoch, dass Lesende zwischen den zugrunde liegenden Umfrageergebnissen und Empfehlungen unterscheiden sollten, die mit Beratungsarbeit übereinstimmen.
Die stärksten Aussagen sind innerhalb der Stichprobe weiterhin gut gestützt: Die Nutzung ist weit verbreitet, persönliche Zahlungen existieren, Schulungen sind uneinheitlich und die Sichtbarkeit für Arbeitgeber ist unvollständig. Der genaue nationale Gesamtwert der Ausgaben ist mit mehr Unsicherheit behaftet als diese richtungsweisenden Schlussfolgerungen.
Die geplanten Folgeumfragen werden die Forschung nützlicher machen. Eine konsistente Methodik kann zeigen, ob die berichteten persönlichen Ausgaben steigen, fallen oder sich hin zu arbeitgeberfinanziertem Zugang verschieben. Eine Umfrage bietet eine Momentaufnahme, während wiederholte Erhebungswellen einen Trend belegen können.
Unabhängige Transaktionsdaten würden eine weitere Ebene hinzufügen. Anbieter, Zahlungsabwickler und Plattformen für Ausgabenmanagement können Abonnementverhalten beobachten, wissen jedoch selten, ob ein persönliches Konto bezahlte Arbeit unterstützt.
Arbeitgeber können bessere interne Evidenz schaffen, indem sie anonyme Beschäftigtenforschung mit der Nutzung genehmigter Werkzeuge und Ergebnissen von Arbeitsabläufen verbinden. Sie sollten Überwachungsprotokolle nicht als vollständiges Bild behandeln, weil verborgene Nutzung weiterhin schwer zu erkennen sein wird.
Die Deloitte-Umfrage zu Shadow AI ist vor allem als Warnung vor organisatorischen blinden Flecken wertvoll. Sie sollte nicht zur Rechtfertigung werden, zu behaupten, jedes Abonnement sei produktiv oder jeder nicht genehmigte Prompt verursache eine Datenschutzverletzung.
Drei Signale werden zeigen, ob Arbeitgeber aufholen
Die nächste Phase wird an Finanzierung, Schulung und nachweisbarem Nutzen gemessen werden – nicht an einem weiteren Anstieg beiläufiger Experimente.
Das erste Signal ist das Verhältnis zwischen persönlichem und arbeitgeberfinanziertem Zugang. Die nächste Befragungswelle von Deloitte sollte zeigen, ob die Quote der Selbstfinanzierung von 17 % sinkt. Ein Rückgang bei stabiler Nutzung würde darauf hindeuten, dass Unternehmen Tools übernehmen, die Beschäftigte bereits schätzen.
Ein durch restriktive Sperren verursachter Rückgang würde etwas anderes bedeuten. Arbeitgeber müssen die gemeldete Nutzung mit Mitarbeiterzufriedenheit und der Akzeptanz freigegebener Tools vergleichen. Andernfalls könnten niedrigere sichtbare Ausgaben lediglich eine stärkere Verlagerung ins Verborgene widerspiegeln.
Das zweite Signal ist, ob Schulungen Beschäftigte erreichen, bevor Richtlinien zu Durchsetzungsmechanismen werden. Die Hälfte der aktuellen Nutzer gab an, keine formale Schulung erhalten zu haben, und nur 28 % beschrieben die Richtlinie ihres Arbeitgebers als klar, aktuell, bekannt und zugänglich.
Wenn sich diese Werte verbessern, könnten Unternehmen unbeabsichtigte Datenoffenlegungen reduzieren und zugleich von sinnvolleren Experimenten profitieren. Steigt das Bewusstsein für Richtlinien ohne Schulungen oder vertrauenswürdigen Zugang, bleibt Governance eine reine Formalität.
Das dritte Signal ist eine Entwicklung über grundlegende Entwürfe, Suche und Zusammenfassungen hinaus. Die aktuellen Daten von Deloitte beschreiben eine weitverbreitete, aber oberflächliche Nutzung. Die stärkste Bestätigung wäre eine messbare Verbesserung vollständiger Arbeitsabläufe – nicht einfach nur mehr generierter Text.
Unternehmen sollten verfolgen, ob KI die Bearbeitungszeit verkürzt, ohne Korrekturen, Prüfaufwand oder nachgelagerte Verwirrung zu erhöhen. Sie sollten außerdem untersuchen, ob sich die Vorteile über verschiedene Rollen hinweg zeigen oder sich auf bereits technisch versierte Beschäftigte konzentrieren.
Für Beschäftigte lautet die praktische Frage, ob ein KI-gestützter Arbeitsablauf sicher offengelegt werden kann. Sie sollten wissen, welche Informationen zulässig sind, wie Ergebnisse überprüft werden müssen und ob freigegebene Alternativen den Tools entsprechen, die sie bereits nutzen.
Für Arbeitgeber lautet die Frage nicht mehr, ob generative KI den Arbeitsplatz erreicht hat. Die Deloitte-UK-Umfrage zu KI-Ausgaben zeigt, dass Beschäftigte diese Entscheidung bereits durch Tausende individueller Käufe und Experimente getroffen haben.
Die verbleibende Entscheidung betrifft, wer die nächste Phase gestaltet. Werden Unternehmen wirksame Tools finanzieren und Regeln schaffen, die Beschäftigte befolgen können, oder werden sie Mitarbeitende weiterhin allein inoffizielle Systeme zusammenstellen lassen?
Diese Antwort wird bestimmen, ob fast 1 Milliarde £ an persönlichen Ausgaben zu einer Brücke für bessere Arbeit wird oder zum Beleg einer dauerhaften Kluft. Arbeitgeber sollten zunächst Beschäftigte fragen, für welche Tools sie bezahlen, welche Probleme diese lösen und was verhindert, dass dieselbe Arbeit sicher innerhalb freigegebener Systeme erledigt wird.
