Rick Manelius AI-Produktivität: Fokus schlägt mehr Output
Rick Manelius veröffentlichte am 26. Juli 2026 eine unverblümte Warnung zur AI-Produktivität, nachdem seine Projektliste auf rund 40 aktive Experimente angewachsen war. AI hatte es dramatisch erleichtert, Arbeit zu beginnen. Seine Fähigkeit, alles Begonnene auch abzuschließen, hatte sie nicht erhöht.
Diese Unterscheidung ist wichtig, weil die meisten Behauptungen zur AI-Produktivität die Geschwindigkeit innerhalb einer klar definierten Aufgabe messen. Selten erfassen sie, was geschieht, wenn die eingesparte Zeit zu einem ambitionierten Beschäftigten zurückkehrt. Sie kann zu Erholung, tieferer Arbeit oder einem weiteren Dutzend Verpflichtungen werden.
Der Essay von Rick Manelius argumentiert, dass sich die knappe Ressource verschoben hat. Einen Entwurf, Prototyp, eine Analyse oder Anwendung zu erstellen, erfordert heute weniger Aufwand. Schwieriger geworden ist es, zu entscheiden, was Aufmerksamkeit verdient, offene Schleifen zu schließen und wertvolle Arbeit bis in ihre Endphase zu tragen.
Dieses Argument von Rick Manelius zur AI-Produktivität stellt die gängigste Erzählung über AI am Arbeitsplatz infrage. Microsoft, OpenAI, Anthropic, Google und zahllose Startups verkaufen Formen erweiterter Kapazität. Manelius fragt, was passiert, wenn Menschen diese Kapazität sofort füllen.
Seine Antwort ist unbequem. Schnellere Produktion kann mehr Arbeit statt weniger erzeugen. Die wertvollsten menschlichen Fähigkeiten könnten daher Fokus und konsequente Umsetzung sein – nicht die Fähigkeit, mehr AI-gestützte Aktivitäten anzustoßen.
Was das Argument von Rick Manelius zur AI-Produktivität verändert
Das Ereignis ist keine neue Modellveröffentlichung. Es ist eine zeitgemäße Herausforderung für die Kennzahl, mit der AI-gestützte Arbeit bewertet wird.
Manelius beschreibt eine vertraute Abfolge. Vor generativer AI hatte er mehr als 100 Artikelideen und etwa 50 mögliche Projekte, die auf Aufmerksamkeit warteten. Die Zeit hielt diese Ambitionen in Grenzen.
AI schwächte diese Begrenzung. Er begann, zwischen Meetings Prompts zu senden, teils in Fünf-Minuten-Fenstern, während Modelle im Hintergrund weiterarbeiteten. Frühe Experimente lieferten ermutigende Ergebnisse, wodurch weitere Experimente vernünftig wirkten.
Die Ausweitung setzte sich fort, bis er etwa 40 Proofs of Concept gleichzeitig laufen hatte. Jedes Projekt wirkte günstig, wenn man nur seine Startkosten betrachtete. Zusammen schufen sie ein großes Portfolio unfertiger Verpflichtungen.
Diese Erfahrung veranlasste Manelius, zwischen horizontaler Produktivität und vertikalem Fortschritt zu unterscheiden. Horizontale Produktivität bedeutet, mehr Dinge gleichzeitig zu tun. Vertikaler Fortschritt bedeutet, weniger wichtige Dinge weiter voranzubringen.
Der Unterschied klingt einfach, doch Arbeitsplatzsoftware belohnt gewöhnlich die erste Kategorie. Aktivität zeigt sich in generierten Dokumenten, Aufgabenupdates, Pull Requests, Prototypen, Nachrichten und Meeting-Zusammenfassungen. Konsequente Umsetzung ist langsamer und weniger sichtbar.
Ein abgeschlossenes Projekt erfordert zudem Arbeitsformen, die AI nicht beseitigt. Jemand muss entscheiden, ob das Ergebnis korrekt, relevant, vollständig, sicher und nützlich ist. Jemand muss Feedback integrieren und Verantwortung für das Resultat übernehmen.
Manelius veranschaulicht dieses Problem mit einem unfertigen Essay. Er entschied, dass dessen erste Version nicht gut genug war, obwohl sie fast veröffentlichungsreif war. Statt ihn schnell zu veröffentlichen, entschied er sich für mehrere weitere Überarbeitungen.
Diese Entscheidung steht für die zentrale Umkehrung. AI senkt die Kosten, eine plausible erste Version zu erreichen. Die verbleibende Lücke zwischen plausibel und exzellent kann weiterhin den Großteil von Urteilsvermögen, Bearbeitung und Engagement erfordern.
Deshalb ist der Essay mehr als persönliche Produktivitätsberatung. Er erfasst einen Konflikt, der in der AI-gestützten Wissensarbeit auftritt. Organisationen können mehr Artefakte erzeugen, ohne mehr Entscheidungen, Kundennutzen oder abgeschlossene Ergebnisse zu schaffen.
Die Geschichte trifft zudem auf einen konkreten Zeitpunkt. AI-Agenten können nun mehrere Aufgaben ausführen, während ein Beschäftigter an einem Meeting teilnimmt oder ein anderes Ergebnis prüft. Parallele Ausführung steigert den Maschinendurchsatz, vergrößert aber auch die menschliche Prüfwarteschlange.
Die Technologie schafft Optionen schneller, als Menschen sie bewerten können. Dadurch werden Auswahl, Reihenfolge und Abschluss wirtschaftlich wichtig. Fokus ist nicht länger eine Lifestyle-Präferenz, sondern wird zu einer Produktionsbeschränkung.
Schnellere Aufgaben führen zu längeren Arbeitstagen
Beschleunigte Aufgaben garantieren keinen kürzeren Arbeitstag, weil eingesparte Zeit häufig zu neuer Kapazität für zusätzliche Arbeit wird.
Kontrollierte Forschung hat gezeigt, dass generative AI die Leistung bei klar abgegrenzten Aufgaben verbessern kann. Ein Experiment aus dem Jahr 2023 mit 453 hochschulgebildeten Fachkräften ergab, dass ChatGPT die durchschnittliche Bearbeitungszeit für Schreibaufgaben um 40 Prozent reduzierte. Die Qualität stieg um 18 Prozent.
Das Schreibexperiment maß eine klare Aufgabe, einen definierten Endpunkt und ein vergleichbares Ergebnis. Diese Bedingungen helfen Forschenden, einen Produktivitätseffekt zu isolieren.
Eine weitere Studie untersuchte Tausende Kundensupport-Agenten, die einen AI-Assistenten nutzten. Die Forschenden stellten fest, dass der Zugang die durchschnittlich pro Stunde gelösten Fälle um 14 Prozent erhöhte. Weniger erfahrene Beschäftigte profitierten am stärksten.
Diese Ergebnisse stützen Behauptungen zur AI-Produktivität. Sie belegen nicht, dass jeder Beschäftigte eine entsprechende Menge an freier Zeit erhält. Eine schnellere Aufgabe kann unmittelbar zu einem größeren Arbeitsvolumen führen.
Eine im Februar 2026 von UC Berkeley Haas veröffentlichte Forschung beschreibt diese Intensivierung. Die Forschenden Aruna Ranganathan und Xingqi Maggie Ye führten eine achtmonatige ethnografische Studie in einem Technologieunternehmen mit 200 Beschäftigten durch.
Beschäftigte erledigten Aufgaben schneller, erweiterten den Umfang ihrer Rollen und ließen Arbeit in mehr Teile des Tages vordringen. Sie hielten zudem mehrere Arbeitsströme aktiv, während AI-Prozesse im Hintergrund liefen.
Die Berkeley-Ergebnisse identifizieren drei Muster. Beschäftigte übernahmen Aufgaben, die früher anderen Bereichen zugeordnet waren, nutzten natürliche Pausen für Prompts und hielten mehrere parallele Arbeitsstränge aufrecht.
Diese Beschreibung entspricht eng Manelius’ Darstellung. Eine Person sendet vor einem Meeting einen Prompt, weil die Handlung Sekunden dauert. Die Antwort schafft dennoch eine zukünftige Verpflichtung, sie zu lesen, zu beurteilen, zu überarbeiten, weiterzuleiten oder abzulehnen.
Der Prompt beansprucht wenig Zeit. Sein Ergebnis stellt einen Anspruch auf spätere Aufmerksamkeit.
Dieser Mechanismus erklärt, warum AI den Aufwand pro Aufgabe senken und zugleich die gesamte kognitive Belastung erhöhen kann. Kognitive Belastung ist der mentale Aufwand, der erforderlich ist, um Informationen zu halten, zu verarbeiten und zu koordinieren. Jedes aktive Projekt fügt Abhängigkeiten und ungelöste Entscheidungen hinzu.
Daten aus der Arbeitswelt zeigen bereits wenig Raum für weitere Fragmentierung. Microsoft berichtete 2025, dass Beschäftigte während der Kernarbeitszeit alle zwei Minuten durch ein Meeting, eine E-Mail oder einen Chat unterbrochen wurden.
Die globale Umfrage des Unternehmens ergab, dass 80 Prozent der Beschäftigten nicht genügend Zeit oder Energie für ihre Arbeit hatten. Gleichzeitig sagten 53 Prozent der Führungskräfte, die Produktivität müsse steigen.
Der Bericht zum unendlichen Arbeitstag stellte außerdem fest, dass sich Aktivität auf frühe Morgenstunden und Abende ausweitet. Microsoft präsentierte AI und neu gestaltete Arbeitsabläufe als Teil der Lösung.
Manelius fügt diesem Vorschlag eine wesentliche Bedingung hinzu. AI kann Aufmerksamkeit nicht schützen, wenn jeder Effizienzgewinn eine weitere Verpflichtung rechtfertigt. Ohne Grenzen beschleunigt Automatisierung dasselbe überlastete System.
Wissensarbeiter stehen daher vor einem Kapazitätsparadox. Sie können mehr Arbeitseinheiten erzeugen und fühlen sich doch weiter vom Abschluss entfernt. Ihr Output steigt, während ihr Gefühl der Kontrolle sinkt.
Das ist kein Beleg dafür, dass AI keinen Wert hat. Es zeigt, warum Organisationen breitere Produktivitätskennzahlen benötigen. Geschwindigkeit ist wichtig, doch ebenso wichtig sind die Länge des Arbeitstags, der Bestand unfertiger Arbeit, der Überarbeitungsaufwand, die Entscheidungsqualität und die Erholung der Beschäftigten.
Mehr Output konkurriert mit abgeschlossener Arbeit
Der zentrale Wettbewerb lautet nicht Mensch gegen AI. Er besteht zwischen sichtbarem Output und Arbeit, die eine Prüfung übersteht und ein nutzbares Ergebnis schafft.
Generative AI ist hervorragend darin, glaubwürdige Zwischenartefakte zu erzeugen. Sie kann eine Strategie entwerfen, Interviews zusammenfassen, Code skizzieren, Kampagnen vorschlagen oder Notizen in eine Präsentation verwandeln. Jedes Artefakt kann wie Fortschritt wirken.
Doch ein Artefakt ist nicht automatisch ein Ergebnis. Eine Strategie braucht Entscheidungen und Ressourcenzusagen. Eine Forschungszusammenfassung braucht nachvollziehbare Belege. Code braucht Tests, Wartung, Sicherheitsprüfung und eine klar verantwortliche Person.
Diese Unterscheidung wird schwerer erkennbar, weil AI-Output oft in einer ausgefeilten Struktur erscheint. Gute Formatierung kann einen unfertigen Gedanken als abgeschlossen erscheinen lassen. Flüssige Sprache kann fehlenden Kontext oder unbelegte Annahmen verdecken.
BetterUp Labs und das Stanford Social Media Lab nennen eine Variante dieses Problems „workslop“. Der Begriff beschreibt poliertes AI-generiertes Material, dem ausreichend Substanz oder Kontext fehlt, um die Arbeit des Empfängers voranzubringen.
Ihre Umfrage vom September 2025 umfasste 1.150 amerikanische Vollzeitkräfte mit Büroarbeitsplatz. Vierzig Prozent gaben an, im Vormonat workslop erhalten zu haben. Die Befragten berichteten, durchschnittlich zwei Stunden für die Klärung jedes Vorfalls aufzuwenden.
Die workslop-Forschung liefert Umfrageergebnisse, keine universelle Messung für jeden Arbeitsplatz. Dennoch macht sie einen wichtigen Arbeitstransfer sichtbar.
Ein Absender kann Zeit sparen, indem er ein Dokument schnell generiert. Der Empfänger investiert dann Zeit, um dessen Zweck zu rekonstruieren, seine Behauptungen zu prüfen und zu entscheiden, was als Nächstes geschehen soll. Lokale Effizienz erzeugt nachgelagerte Arbeit.
Manelius’ Argument betrifft einen ähnlichen Transfer innerhalb einer einzelnen Person. Der Start eines AI-Projekts wirkt günstig, weil die anfängliche Generierung günstig ist. Dieselbe Person übernimmt später die Kosten für Prüfung, Koordination und Abschluss.
Das verändert die Ökonomie persönlicher Projektportfolios. Vor AI hielt der Aufwand, ein Projekt zu beginnen, manche schwachen Ideen davon ab. Diese Reibung diente als unvollkommener Filter.
AI beseitigt einen Großteil dieses Filters. Beschäftigte können nun einen Prototyp erstellen, bevor sie vollständig entschieden haben, ob das Problem Aufmerksamkeit verdient. Teams können mehrere strategische Optionen generieren, bevor sie sich über ihre Einschränkungen einigen.
Erkundung hat einen echten Wert. Günstige Experimente können schlechte Annahmen sichtbar machen, bevor ein Unternehmen eine größere Verpflichtung eingeht. Das Problem beginnt, wenn sich Experimente ohne explizite Abbruchregeln ansammeln.
Jeder Proof of Concept braucht eine Entscheidung. Er sollte weitergeführt, mit einem anderen Vorhaben zusammengeführt, pausiert oder abgeschlossen werden. Diese Entscheidung zu vermeiden, hält das Experiment nicht kostenlos.
Das Projekt beansprucht weiterhin Dashboards, Gespräche, Gedächtnis und Speicherplatz. Kollegen können davon abhängen. Stakeholder können seine Existenz als Versprechen interpretieren.
Hier unterscheidet sich konsequente Umsetzung von Beharrlichkeit. Beharrlichkeit bedeutet, trotz Schwierigkeiten weiterzumachen. Konsequente Umsetzung bedeutet, eine Verpflichtung aufzulösen – auch dann, wenn die richtige Auflösung die Einstellung des Vorhabens ist.
Die These von Rick Manelius zur AI-Produktivität rückt daher Verantwortung ins Zentrum moderner Arbeit. AI kann Optionen anbieten, doch eine Person oder ein Team muss den Endpunkt verantworten. Ohne Verantwortung schafft schnellere Generierung ein breiteres Feld der Unklarheit.
Organisationen sollten beachten, wen diese Verschiebung unter Druck setzt. Einzelne Mitarbeitende erhalten mehr Material zur Validierung. Manager erhalten mehr Vorschläge zur Priorisierung. Kunden begegnen mehr Funktionen, Nachrichten und Dokumentation, die um Aufmerksamkeit konkurrieren.
Der Druck erreicht auch Führungskräfte auf höchster Ebene. Sie müssen operativen Durchsatz von strategischer Bewegung unterscheiden. Ein Unternehmen kann mehr Veränderungen ausliefern und gleichzeitig die Kohärenz seines Produkts schwächen.
Fokus schützt Kohärenz. Konsequente Umsetzung verwandelt ausgewählte Möglichkeiten in verlässliche Ergebnisse. Gemeinsam entscheiden sie, ob AI-generierte Kapazität zu Wert oder Lärm wird.
KI macht den Einstieg billig und den Abschluss teuer
KI beschleunigt den ersten Entwurf, doch auf der letzten Meile bündeln sich weiterhin Urteilsvermögen, Verantwortung und schwierige Abwägungen.
Manelius vergleicht den Zustand kurz vor dem Abschluss mit dem Unterschied zwischen einer partiellen und einer totalen Sonnenfinsternis. Der letzte Prozentpunkt kann das gesamte Erlebnis verändern, selbst wenn die numerische Differenz gering wirkt.
Die Metapher ist hilfreich, weil Fortschritt bis zur Fertigstellung nicht gleichmäßig verläuft. Ein Entwurf kann schnell eine akzeptable sprachliche Qualität erreichen. Seine faktische Zuverlässigkeit und strategische Präzision zu verbessern, kann mehrere menschliche Prüfrunden erfordern.
Bei Software verläuft die Kurve ähnlich. KI kann funktionsfähigen Code schnell erzeugen, besonders für bekannte Muster. Produktionsreife erfordert, ungewöhnliche Bedingungen zu testen, Daten zu schützen, Entscheidungen zu dokumentieren und das System nach der Veröffentlichung zu warten.
Die letzte Meile kann zudem offenlegen, dass die ursprüngliche Richtung falsch war. Diese Erkenntnis wirkt ineffizient, weil sie bisherige Ergebnisse entwertet. Tatsächlich verhindert das Erkennen einer schwachen Richtung größere Verschwendung.
KI verkompliziert diese Phase, indem sie versunkene Kosten größer erscheinen lässt. Ein Team kann in wenigen Stunden umfangreichen Code, Texte oder Analysen erzeugt haben. Dieses Volumen macht einen Verzicht emotional schwierig, selbst wenn die Erstellung günstig war.
Dadurch entsteht eine neue Form der Bindung. Menschen verteidigen ein Projekt, weil es bereits umfangreich aussieht. Sie verwechseln erzeugte Masse mit erarbeitetem Wert.
Gut abzuschließen erfordert die gegenteilige Reaktion. Teams müssen Projekte an ihren aktuellen Zielen messen, nicht an der Menge bereits produzierter Inhalte. Sie müssen bereit bleiben, plausible Arbeit zu löschen.
Das Qualitätsproblem geht auch über Halluzinationen hinaus. Eine Halluzination ist eine selbstsichere KI-Ausgabe ohne faktische Grundlage. Selbst faktisch korrekte Inhalte können scheitern, weil sie lokale Vorgeschichten, Bedürfnisse von Stakeholdern oder organisatorische Einschränkungen ignorieren.
Deshalb ist der Zugang zu Kontext entscheidend. Wissensarbeiter brauchen relevante Entscheidungen, Dokumente, Gespräche und Belege unmittelbar zum Zeitpunkt der Prüfung. Eine durchsuchbare persönliche Wissensdatenbank kann die Zeit verkürzen, die für das Wiederherstellen dieses Kontexts benötigt wird.
Abrufbarkeit trifft jedoch nicht die endgültige Entscheidung. Besserer Kontext unterstützt das Urteilsvermögen, bestimmt aber nicht das Ziel. Der Mensch entscheidet weiterhin, welche Belege zählen und welchen Kompromiss die Organisation akzeptiert.
Zum Abschluss gehört auch soziale Arbeit. Jemand muss Zustimmung sichern, Folgen erklären, auf Einwände reagieren und die Umsetzung koordinieren. Diese Aufgaben bewegen sich oft in menschlichem Tempo, weil Vertrauen nicht auf Abruf erzeugt werden kann.
Dieselbe Grenze zeigt sich in kreativer Arbeit. KI kann innerhalb weniger Minuten zwanzig Ideen für eine Kampagne liefern. Ein Team braucht dennoch eine Botschaft, die zu Zielgruppe, Produkt, Zeitpunkt und Reputation passt.
Eine Idee auszuwählen bedeutet, neunzehn abzulehnen. KI fördert Ausweitung, während Strategie Auslassung verlangt.
Die Fähigkeit, Alternativen zu erzeugen, erhöht daher den Wert einer klaren Definition von „fertig“. Eine Definition von „fertig“ benennt die Bedingungen, die ein Ergebnis erfüllen muss, bevor eine Verpflichtung abgeschlossen ist. Sie sollte Anforderungen an Qualität, Verantwortlichkeit und Auslieferung enthalten.
Ohne diese Definition bleiben KI-gestützte Projekte dauerhaft verbesserbar. Modelle können immer eine weitere Variante, zusätzliche Recherche oder eine überarbeitete Fassung liefern. Iteration wird zum Vermeidungsmechanismus.
Manelius’ Entscheidung, weniger Artikel dafür gründlicher zu überarbeiten, ist eine mögliche Antwort. Er führt Knappheit wieder ein, nachdem die Technologie sie beseitigt hat. Die Einschränkung entsteht durch redaktionelles Urteilsvermögen statt durch Produktionskosten.
Unternehmen brauchen einen vergleichbaren Schritt. Sie können parallele Arbeit begrenzen, klare Verantwortliche benennen und Belege verlangen, bevor sie eine weitere Initiative starten. Diese Entscheidungen klingen operativ, schützen aber den strategischen Wert von KI.
Fokus ist ein Betriebssystem, keine Charaktereigenschaft
Fokus wird nicht bestehen, wenn Organisationen KI-Aktivität feiern und Mitarbeitende zugleich dafür belohnen, unbegrenzt Arbeit anzunehmen.
Es liegt nahe, Manelius’ Erfahrung als Problem persönlicher Disziplin zu betrachten. Er hatte zu viele offene Schleifen, erkannte die Belastung und reduzierte seine Verpflichtungen. Eine bessere Aufgabenliste könnte ausreichend erscheinen.
Diese Interpretation übersieht die Anreize am Arbeitsplatz rund um KI. Führungskräfte führen diese Werkzeuge oft ein, um Kapazitäten zu erhöhen. Mitarbeitende nehmen verständlicherweise an, dass eingesparte Zeit zu mehr Output führen sollte.
Der Work Trend Index 2025 von Microsoft ergab, dass 82 Prozent der Führungskräfte erwarteten, digitale Arbeit innerhalb von 12 bis 18 Monaten zur Erweiterung der Arbeitskapazität einzusetzen. Mit digitaler Arbeit sind KI-Systeme gemeint, die Teile organisatorischer Arbeit ausführen.
Ausweitung kann einem Team mit begrenzten Ressourcen helfen. Sie kann aber auch die Erwartung schaffen, dass jeder Mitarbeitende mehr gleichzeitige Aktivitäten überwachen sollte. Die Arbeit verschiebt sich vom Erledigen von Aufgaben hin zum Verwalten einer wachsenden Warteschlange maschineller Ergebnisse.
Mitarbeitende können dieses Gestaltungsproblem nicht allein durch Konzentration lösen. Sie brauchen die Befugnis, Arbeit abzulehnen, Experimente zu beenden und ununterbrochene Prüfzeit zu schützen. Andernfalls steht Fokus im Konflikt mit Leistungserwartungen.
Ein praktisches Betriebsmodell beginnt mit weniger aktiven Ergebnissen. Ein Ergebnis beschreibt eine bedeutende Veränderung, etwa die Lösung eines Kundenproblems oder die Bereitstellung einer verlässlichen Fähigkeit. Es ist nicht bloß ein erzeugtes Deliverable.
Teams können anschließend parallele Arbeit begrenzen. Eine Begrenzung laufender Arbeit legt die Zahl aktiver Punkte fest, bevor ein weiterer beginnen kann. Diese Praxis existiert seit Langem in Softwareentwicklung und Fertigung, doch KI macht sie für die gesamte Wissensarbeit relevant.
Die Begrenzung sollte KI-Prozesse einschließen, nicht nur menschliche Zuweisungen. Ein Agent, der zehn Themen recherchiert, schafft zehn Prüfpflichten. Diese Verpflichtungen zählen, auch während der Agent ohne Aufsicht arbeitet.
Organisationen sollten auch Abschlüsse messen. Sinnvolle Signale sind abgeschlossene Projekte, geklärte Entscheidungen, beseitigte Kundenprobleme und beendete alte Verpflichtungen. Erzeugte Dokumente allein sollten nicht als Erfolg gelten.
Prüfkapazität verdient ein eigenes Budget. Bevor ein Team einen KI-Workflow startet, sollte es bestimmen, wer die Ergebnisse prüft und wie viel Zeit diese Prüfung erfordert. Eine Prüfung ohne Verantwortliche ist versteckte Schuld.
Dasselbe Prinzip gilt für Besprechungen und Nachrichten. KI-Zusammenfassungen können Kosten für Teilnahme oder Erinnerung senken. Sie können aber auch mehr Meetings fördern, weil Dokumentation automatisch zu entstehen scheint.
Eine Zusammenfassung löst keine konkurrierenden Prioritäten. Wenn jedes Meeting fünf Aktionspunkte hervorbringt, kann Automatisierung die Zahl der Verpflichtungen erhöhen, die ins System gelangen.
Manager müssen daher Endpunkte schützen. Mittagspausen, Abende und Zeit zwischen Meetings begrenzten Arbeit früher auf natürliche Weise. Ständig verfügbare Modelle können diese Grenzen auflösen, wenn Teams sie nicht bewusst wiederherstellen.
Das erfordert keine Absage an Ambition. Es erfordert, Ambition auf Tiefe auszurichten. Eine Person könnte KI nutzen, um mehrere Ansätze schnell zu testen, sich dann für einen entscheiden und die übrigen schließen.
KI kann diesen Prozess unterstützen, indem sie Belege vergleicht, Widersprüche identifiziert und Projektkontext bewahrt. Ein Werkzeug wie ask remio kann dabei helfen, früheres Material abzurufen, ohne eine weitere Recherche-Schleife zu öffnen.
Die Priorisierung bleibt in der Verantwortung des Menschen. Kein Modell kennt die vollständigen Opportunitätskosten einer neuen Verpflichtung, solange die Organisation ihre Ziele und Grenzen nicht klar formuliert hat.
An diesem Punkt wird das Argument von Rick Manelius zur KI-Produktivität praktisch umsetzbar. Die neue Fähigkeit besteht nicht einfach darin, bessere Prompts zu schreiben. Sie besteht darin, ein Arbeitssystem zu gestalten, in dem billige Anfänge teure Abschlüsse nicht überrollen können.
Was die Fokus-These weiterhin nicht beweisen kann
Manelius liefert eine überzeugende Diagnose, doch seine persönliche Erfahrung beweist weder, dass KI Burnout generell verstärkt, noch dass weniger Projekte immer bessere Ergebnisse liefern.
Der ursprüngliche Essay enthält auffällige Produktivitätsschätzungen von zwei- bis hundertmal schneller. Diese Zahlen beschreiben Manelius’ Erfahrung und Einordnung. Sie sollten nicht als kontrollierte Messungen über verschiedene Berufe hinweg betrachtet werden.
Verifizierte Forschung findet unter spezifischen Bedingungen meist geringere Effekte. Das Experiment zum professionellen Schreiben maß eine Verringerung der Bearbeitungszeit um 40 Prozent. Die Studie zum Kundensupport stellte eine durchschnittliche Produktivitätssteigerung von 14 Prozent fest.
Die Ergebnisse unterscheiden sich auch nach Aufgabe und Mitarbeitenden. In der Kundensupport-Forschung profitierten weniger erfahrene Beschäftigte stärker. Erfahrene Beschäftigte verzeichneten geringere Gewinne.
Andere Experimente haben eine gezackte Kompetenzgrenze festgestellt. KI bewältigt einige scheinbar schwierige Aufgaben gut, scheitert aber bei ähnlichen Aufgaben außerhalb ihrer Stärken. Nutzende können ungenauer werden, wenn sie dem Modell im falschen Bereich vertrauen.
Diese Unterschiede sind wichtig, weil Fokus nicht jede technische Einschränkung korrigieren kann. Selbst ein hoch engagierter Mensch kann einer ungenauen Modellausgabe folgen. Konzentration ersetzt keine Überprüfung.
Auch sollte nicht jedes offene Projekt als schädlich eingestuft werden. Explorative Arbeit schafft Lernen, besonders bei hoher Unsicherheit. Mehrere schnelle Prototypen können zeigen, welcher Weg ernsthafte Investitionen verdient.
Der entscheidende Unterschied ist, ob Experimente Entscheidungen hervorbringen. Ein Portfolio von Versuchen kann diszipliniert sein, wenn jeder einzelne eine Frage, eine verantwortliche Person, ein Zeitlimit und eine Abbruchbedingung hat.
Manelius verbindet seine Projektausweitung außerdem mit aufkommendem Burnout. Burnout ist ein arbeitsbezogenes Syndrom, das mit Erschöpfung, Distanz zur Arbeit und verringerter beruflicher Wirksamkeit verbunden ist. Es hat mehrere organisatorische und persönliche Ursachen.
Sein Bericht kann KI nicht als Ursache isolieren. Elternschaft, Unternehmertum, Anforderungen am Arbeitsplatz, finanzieller Druck, Gesundheit und Organisationskultur können alle die Erschöpfung beeinflussen.
Auch die Berkeley-Ergebnisse verdienen ähnliche Vorsicht. Die im Februar 2026 diskutierte Forschung basierte auf einer achtmonatigen Studie in einem einzelnen Technologieunternehmen. Sie liefert umfangreiche Verhaltensbelege, jedoch keine repräsentative Schätzung für die gesamte Erwerbsbevölkerung.
Auch die Telemetriedaten von Microsoft haben Grenzen. Sie spiegeln Aktivitäten in Microsoft-365-Umgebungen wider und schließen einige Bevölkerungsgruppen aus. Nachrichtenvolumen ist nicht gleichbedeutend mit psychischer Belastung.
Dennoch weisen diese Quellen auf einen plausiblen Mechanismus hin. KI reduziert die Reibung beim Beginn kognitiver Arbeit. Menschen reagieren darauf, indem sie den Umfang erweitern, mehr parallele Stränge aufrechterhalten und Zeit nutzen, die früher als Pause diente.
Dieser Mechanismus sollte branchenübergreifend getestet werden. Forschende brauchen Längsschnittdaten, die KI-Einführung mit Arbeitszeiten, unerledigter Arbeit, Qualität, Autonomie und Wohlbefinden verbinden.
Arbeitgeber sollten zudem freiwillige Exploration von auferlegter Intensivierung unterscheiden. Ein Gründer, der sich für zusätzliche Experimente entscheidet, befindet sich in einer anderen Lage als ein Mitarbeitender, dessen Leistungsziel nach der KI-Einführung steigt.
Kontrolle verändert die Erfahrung. Beschäftigte, die entscheiden, wie sie eingesparte Zeit nutzen, können mehr Autonomie erleben. Beschäftigte, die höhere Quoten erhalten, können dieselbe Technologie als Überwachung oder Druck erleben.
Hinzu kommt eine Verteilungsfrage. KI kann für eine Person lästige Arbeit reduzieren, während sie die Validierungsarbeit auf eine andere überträgt. Produktivität in der gesamten Organisation kann anders aussehen als individuelle Produktivität.
Eine faire Bewertung muss die Arbeit über alle Übergaben hinweg verfolgen. Sie sollte feststellen, wer Zeit spart, wer Prüfaufwand übernimmt und wer Verantwortung trägt, wenn das Ergebnis scheitert.
Die Fokus-These bleibt wertvoll, weil sie diese Fragen stellt. Ihre Schwäche besteht nicht darin, dass ihr eine universelle Antwort fehlt. Sie würde erst dann zur Schwäche, wenn Unternehmen „mehr Fokus“ in eine weitere Forderung an bereits überlastete Mitarbeitende verwandelten.
Fokus erfordert Subtraktion. Wenn Führungskräfte jedes Ziel, jedes Meeting, jede Initiative und jede Reaktionserwartung beibehalten, wird eine neue Fokuspolitik zu leerer Sprache. Etwas muss das System verlassen.
Drei Signale werden zeigen, ob die Umsetzung gewinnt
Die nächste Phase der KI am Arbeitsplatz wird daran gemessen werden, ob Organisationen schnellere Aufgabenausführung in bessere Ergebnisse umwandeln, ohne menschliche Arbeit unbegrenzt auszuweiten.
Das erste Signal ist eine Veränderung bei der Messung von Produktivität. Unternehmen sollten über das Zählen erzeugter Artefakte, Prompts oder der KI-Einführung hinausgehen. Stattdessen sollten sie abgeschlossene Ergebnisse, Nacharbeit, Entscheidungsdauer und unerledigte Bestände messen.
Wenn solche Kennzahlen üblich werden, gewinnt die Fokusthese an Gewicht. Sie würde zeigen, dass Organisationen den Unterschied zwischen maschinellem Durchsatz und geschäftlichem Fortschritt erkennen.
Wenn Unternehmen weiterhin Nutzung feiern, ohne die nachgelagerte Arbeit zu messen, verliert die These als operative Bewegung an Kraft. Fokus bliebe dann eine persönliche Bewältigungsstrategie statt eines institutionellen Standards.
Das zweite Signal ist, ob KI-Produkte stärkere Kontrollmöglichkeiten für aktive Arbeit entwickeln. Nützliche Funktionen könnten jeden laufenden Agenten, jede ausstehende Prüfung, jede ungelöste Entscheidung und jedes aufgegebene Ergebnis an einem Ort sichtbar machen.
Solche Funktionen würden menschliche Aufmerksamkeit als begrenzte Ressource behandeln. Sie würden Beschäftigten helfen, die künftigen Verpflichtungen zu verstehen, die durch einen neuen Prompt oder eine delegierte Aufgabe entstehen.
Wenn Anbieter vor allem auf mehr gleichzeitig laufende Agenten, mehr Generierungen und mehr automatisierte Nachrichten optimieren, bleibt Überlastung wahrscheinlich. Die Oberfläche wird Ausweitung fördern und zugleich die Kosten der Fertigstellung verbergen.
Das dritte Signal sind Langzeitdaten zur Arbeitsintensität. Forschende sollten Dauer des Arbeitstags, Aufgabenumfang, Erholungszeit und Autonomie der Beschäftigten vor und nach einer substanziellen KI-Einführung vergleichen.
Ein Rückgang der Arbeitsstunden bei stabiler Qualität würde die stärkste Version von Manelius’ Warnung infrage stellen. Er würde zeigen, dass eingesparte Zeit unter unterstützenden Bedingungen tatsächlich eingespart bleiben kann.
Längere Arbeitszeiten, weiter gefasste Verantwortlichkeiten oder zunehmende Nacharbeit würden seine Analyse stützen. Sie würden darauf hindeuten, dass lokale Produktivitätsgewinne durch wachsende Erwartungen aufgezehrt werden.
Wissensarbeiter müssen nicht auf diese Ergebnisse warten, bevor sie ihre eigenen Systeme überprüfen. Sie können aktive Verpflichtungen zählen, Ergebnisse mit ausstehender Prüfung identifizieren und Experimente abschließen, die keine wichtige Frage mehr beantworten.
Das Ziel ist keine künstliche Verknappung. Es ist eine bewusste Zuteilung. KI sollte es leichter machen, wertvolle Arbeit abzuschließen, statt jedes mögliche Projekt als verpflichtend erscheinen zu lassen.
Darin liegt die nachhaltige Erkenntnis hinter Rick Manelius AI productivity. Schnellere Ausführung verändert, wo der Engpass liegt. Wenn Generierung im Überfluss verfügbar wird, gewinnen Urteilsvermögen und Verbindlichkeit an Wert.
Wählen Sie die Projekte, deren Abschluss wirklich etwas bewirken würde. Definieren Sie, was „fertig“ bedeutet, bevor Sie sie ausweiten. Nutzen Sie KI dann, um tiefer zu gehen, Kontext zu bewahren, Annahmen zu prüfen und vermeidbare Arbeit zu reduzieren.
Die offene Frage ist nicht länger, ob KI Ihnen helfen kann, mehr Arbeit zu beginnen. Das kann sie eindeutig. Die Frage ist, ob Sie diese neue Kapazität dafür einsetzen, Verpflichtungen zu vervielfachen, oder die wenigen Vorhaben abzuschließen, die es wert sind, verfolgt zu werden.
