Rick Manelius’ KI-Produktivitätsthese: Fokus schlägt alles zugleich zu tun
Rick Manelius veröffentlichte am 26. Juli eine Warnung zur KI-Produktivität, nachdem seine Projektliste auf rund 40 aktive Proofs of Concept angewachsen war. KI hatte einzelne Aufgaben beschleunigt, doch seine Arbeit fühlte sich stärker fragmentiert an. Statt die gewonnene Zeit in Freiraum zu verwandeln, hatte er sie in weitere Verpflichtungen umgemünzt.
Die KI-Produktivitätsthese von Rick Manelius stellt das verlockendste Versprechen rund um generative KI infrage. Schnellere Umsetzung schafft nicht automatisch Fokus, abgeschlossene Arbeit oder einen kürzeren Arbeitstag. Sie kann schlicht die Kosten dafür senken, etwas Neues zu beginnen.
Dieser Unterschied ist wichtig, weil KI-Assistenten Entwürfe, Prototypen, Recherche und Experimente heute ungewöhnlich leicht anstoßen können. Claude, ChatGPT, Copilot und Coding-Agenten können innerhalb von Minuten sichtbare Fortschritte liefern. Die schwierigere menschliche Arbeit beginnt erst nach diesem ersten Ergebnis, wenn jemand auswählen, überprüfen, überarbeiten, koordinieren und abschließen muss.
Manelius argumentiert, dass die wertvolle Reaktion vertikal statt horizontal sein sollte. Wissensarbeiter sollten KI nutzen, um bei weniger wichtigen Projekten tiefer einzusteigen, statt ihre Aufmerksamkeit auf jede neu erschwingliche Idee zu verteilen. Sein persönlicher Bericht ist keine kontrollierte Forschung, benennt jedoch ein Produktivitätsproblem, das sich zunehmend in Arbeitsplatzdaten zeigt.
Ein Gründer verwandelte gewonnene Zeit in 40 offene Projekte
Die unmittelbare Veränderung war kein neues Modell und kein Produkt-Release. Es war ein öffentlicher Bericht darüber, wie KI-Effizienz mehr unerledigte Arbeit erzeugte.
Manelius ist ein Seriengründer, der beschrieb, mehr als 100 Artikeltitel und Gliederungen mit sich herumzutragen. Außerdem warteten etwa 50 potenzielle Projekte auf verfügbare Zeit. Generative KI schien jene Beschränkung aufzuheben, die viele dieser Ideen bislang ruhen ließ.
Er begann, Claude in fünfminütigen Lücken zwischen Meetings Aufgaben zu geben. Der Assistent konnte weiter Material erstellen, während er zum nächsten Gespräch wechselte. Die ersten Experimente funktionierten gut genug, um weitere Ausweitung zu fördern.
Dieser Erfolg wurde zum Problem. Schnellere Entwürfe und Prototypen erhöhten seine Erwartungen daran, wie viele Projekte er parallel tragen könnte. Schließlich war er für rund 40 Proofs of Concept verantwortlich, die jeweils weitere Entscheidungen und Aufmerksamkeit erforderten.
In seinem ursprünglichen Bericht beschreibt Manelius jedes Projekt als eine weitere offene Schleife. Eine offene Schleife ist eine ungelöste Verpflichtung, die weiterhin um mentale Aufmerksamkeit konkurriert. KI verringerte den Aufwand, diese Schleifen zu öffnen, ohne die menschlichen Kosten ihres Schließens zu beseitigen.
Für Wissensarbeiter ist das ein bedeutender Unterschied. Generative KI verkürzt häufig die erste Arbeitsphase, etwa Brainstorming, Entwurf, Zusammenfassung oder den Bau eines Prototyps. Sie verkürzt nicht zwangsläufig jede spätere Phase im gleichen Maß.
Ein generierter Artikel braucht weiterhin Faktenprüfung, strukturelles Urteilsvermögen, Redaktion und Veröffentlichung. Ein Softwareprototyp benötigt weiterhin Tests, Sicherheitsprüfung, Wartung und Nutzersupport. Ein Recherche-Memo verlangt weiterhin Quellenbewertung und eine Entscheidung durch jemanden, der Verantwortung trägt.
KI verändert daher die Ökonomie des Beginnens, bevor sie die Ökonomie der Verantwortung verändert. Anfangen wird billig, während konsequente Umsetzung teuer bleibt. Wenn die Zahl der Anfänge schneller wächst als die Abschlusskapazität, sammelt der Nutzer Verpflichtungen statt Freiheit an.
Manelius fasste seine Korrektur als weniger, aber besser zu tun zusammen. Er verschob einen weiteren Artikel, weil er überzeugt war, dass dieser mehrere zusätzliche Überarbeitungen benötigte. Diese Entscheidung veranschaulicht die tiefere Aussage hinter seinem Beitrag.
Der neue Engpass besteht nicht mehr immer darin, eine plausible erste Version zu erstellen. Er liegt darin, zu entscheiden, welche Version nachhaltige Aufmerksamkeit verdient. Diese Entscheidung lässt sich nicht sicher delegieren, wenn Prioritäten, Reputation oder langfristige Folgen im Spiel sind.
Damit ist die Geschichte größer als die überfüllte Projektliste eines einzelnen Gründers. Dasselbe Muster kann auftreten, wenn ein Mitarbeiter zehn Vorschläge entwirft, ein Manager fünf Analysen beginnt oder ein Entwickler mehrere Anwendungen generiert. Jedes Artefakt schafft potenzielle Folgearbeit, selbst wenn seine Erstellung nahezu mühelos wirkte.
KI-Output ist nicht dasselbe wie abgeschlossener Wert. Wert entsteht, wenn das Ergebnis einer Überprüfung standhält, seinen vorgesehenen Nutzer erreicht und ein nützliches Resultat erzeugt. Ein wachsender Ordner plausibler Entwürfe kann eher Bestand als Fortschritt darstellen.
Manelius gibt der Alternative einen klaren Namen: Fokus und konsequente Umsetzung. Fokus begrenzt, welche Verpflichtungen überhaupt in das System gelangen. Konsequente Umsetzung liefert das Urteilsvermögen und die anhaltende Anstrengung, die nötig sind, um die gewählten Verpflichtungen über die Ziellinie zu bringen.
Die KI-Produktivitätswarnung von Rick Manelius passt zu einem endlosen Arbeitstag
KI gelangte in Arbeitsplätze, die bereits Reaktionsfähigkeit, sichtbare Aktivität und stetige Projektausweitung belohnen.
Die Arbeitsplatz-Telemetrie von Microsoft bietet einen nützlichen Blick auf dieses Umfeld. Laut der Analyse können Beschäftigte mit besonders vielen Nachrichten während der Kernarbeitszeit alle zwei Minuten unterbrochen werden. Für die am stärksten unterbrochenen Nutzer entspricht das 275 Meetings, E-Mails oder Chats an einem vollen Tag.
Dieselbe Analyse des Arbeitstags ergab, dass Chats außerhalb der Arbeitszeit im Jahresvergleich um 15 Prozent gestiegen waren. Außerdem wurden durchschnittlich 58 Nachrichten vor oder nach den regulären Arbeitszeiten empfangen. Meetings, die nach 20 Uhr begannen, hatten um 16 Prozent zugenommen.
Diese Messungen beweisen nicht, dass KI fragmentierte Arbeit verursacht hat. Sie zeigen, dass KI in ein bereits überlastetes Aufmerksamkeitssystem einzieht. Schnellere Inhaltserstellung kann diesem System mehr Nachrichten, Meetings, Prüfungen und Entscheidungen zuführen.
Auch der organisatorische Anreiz ist einfach. Wenn eine Aufgabe weniger Zeit benötigt, behandelt ein Unternehmen nicht jede eingesparte Minute automatisch als geschützte Freizeit. Manager können die Output-Erwartungen erhöhen, Beschäftigte können sich für mehr Aufgaben melden und Wettbewerber schneller liefern.
Ein Working Paper aus dem Jahr 2025 untersuchte Zeitnutzungsdaten bis 2023 und kam zu einem verwandten Ergebnis. Eine stärkere berufliche Exposition gegenüber KI war mit längeren Arbeitstagen und weniger Freizeit verbunden. Die Autoren argumentierten, dass KI menschliche Arbeit häufig ergänzt und zusätzliche Arbeitszeit dadurch wirtschaftlich wertvoller macht.
Diese Forschung zu verlängerten Arbeitstagen belegt nicht, was jeder heutige Nutzer generativer KI erleben wird. Ihr Zeithorizont umfasst breitere Formen von KI, während sich Arbeitsplatzpraktiken weiter verändern. Dennoch stellt sie die Annahme infrage, dass arbeitssparende Technologie die gewonnene Zeit automatisch den Beschäftigten zugutekommt.
Der Druck trifft Wissensarbeiter besonders stark, weil ihre Arbeit keinen natürlichen Endpunkt hat. Eine Lagerschicht endet, doch ein Strategiedokument kann immer noch ein weiteres Szenario vertragen. Ein Produkt kann immer noch ein weiteres Experiment erhalten, und ein Posteingang kann immer noch eine weitere Antwort hervorbringen.
Generative KI erweitert diese optionale Arbeit. Sie kann mehr Kampagnen, Produktideen, Analysen, Interviewfragen oder Designvarianten vorschlagen, als eine Person manuell entwickeln könnte. Jede Option kann für sich genommen wertvoll erscheinen.
Die Überlastung entsteht auf Portfolioebene. Eine Person könnte jede KI-gestützte Aufgabe schneller erledigen und dennoch zu viele Aufgaben gleichzeitig voranbringen. Lokale Effizienz erzeugt dann systemweite Überlastung.
Das ist die zentrale Umkehrung im Produktivitätsargument von Rick Manelius. KI beseitigt Reibung beim Erstellen von Dingen, doch ein Teil dieser Reibung schützte zuvor die Aufmerksamkeit. Ein schwieriger Start zwang Menschen dazu, zu entscheiden, ob eine Idee die Investition verdiente.
Diese Schutzbarriere verschwindet. Jeder kann vor dem Frühstück einen respektablen Projektauftrag erstellen. Ein Entwickler kann an einem Nachmittag eine unbekannte Codebasis erzeugen, während ein Marketer in einer Sitzung Kampagnenvarianten für Wochen generieren kann.
Die Ergebnisse schaffen nachgelagerten Bedarf. Jemand muss die beste Kampagne auswählen, den generierten Code verstehen, Widersprüche auflösen und entscheiden, ob das neue Projekt ein tatsächliches Ziel unterstützt. Diese Aufgaben hängen von Kontext und Verantwortlichkeit ab.
Unternehmen können das Problem verschärfen, indem sie KI-Einführung über Aktivität messen. Prompt-Zahlen, generierte Dokumente und eingesetzte Assistenten lassen sich leicht erfassen. Weniger abgeschlossene Prioritäten, schnellere Kundenergebnisse oder bessere Entscheidungsqualität erfordern sorgfältigere Messung.
Ein Mitarbeiter, der 20 Entwürfe generiert, kann beschäftigter wirken als jemand, der eine starke Idee auswählt und abschließt. Die zweite Person schafft möglicherweise mehr Wert, doch ihr Prozess erzeugt weniger sichtbare KI-Aktivität.
Die daraus entstehende Kultur kann jede eingesparte Stunde in eine weitere Anforderung verwandeln. Beschäftigte erleben KI dann als Beschleunigungsgebot statt als Quelle von Autonomie. Die Maschine wird schneller, während der Mensch für jede Folge verantwortlich bleibt.
Arbeit zu beginnen wurde billig, doch ihr Abschluss hat weiterhin einen menschlichen Preis
Generative KI hat die Produktion stärker komprimiert als Auswahl, Überprüfung, Koordination und Verantwortung.
Forscher haben reale Produktivitätsgewinne bei klar abgegrenzten Aufgaben dokumentiert. Eine einflussreiche Studie untersuchte 5.179 Kundensupport-Mitarbeiter, die einen generativen KI-Assistenten nutzten. Der Zugang erhöhte die durchschnittlich pro Stunde gelösten Fälle um 14 Prozent.
Die Gewinne waren ungleich verteilt. Anfänger und weniger qualifizierte Beschäftigte verbesserten sich um 34 Prozent, während erfahrene Beschäftigte nur geringe Vorteile sahen. Die Studie zu Support-Mitarbeitern legt nahe, dass KI Muster verbreiten kann, die von leistungsstärkeren Kollegen gelernt wurden.
Dieses Ergebnis stützt den Nutzen von KI-Unterstützung. Es zeigt aber auch, warum die Aufgabendefinition wichtig ist. Kundensupport bietet messbare Fälle, etablierte Arbeitsabläufe und eine klare Abschlussbedingung.
Viele Wissensprojekte bieten diese Grenzen nicht. Ein Gründer, der entscheidet, ob ein Konzept ein Unternehmen verdient, kann nicht auf gelöste Fälle pro Stunde optimieren. Ein Redakteur, der beurteilt, ob ein Argument fertig ist, kann sich nicht allein auf Entwurfsgeschwindigkeit verlassen.
Die Forschung zum Programmieren erzählt eine ähnliche, differenzierte Geschichte. Drei Feldexperimente mit 4.867 Softwareentwicklern ergaben bei Beschäftigten mit einem KI-Coding-Assistenten einen Anstieg abgeschlossener Aufgaben um 26,08 Prozent. Weniger erfahrene Entwickler zeigten eine höhere Nutzung und größere Gewinne.
Auch dort beseitigen abgeschlossene Entwicklungsaufgaben nicht die Integrationskosten. Generierter Code muss zur bestehenden Architektur, zu Sicherheitsanforderungen und zu Wartungspraktiken passen. Die schnellere Entwicklung von Funktionen kann an anderer Stelle in der Organisation den Prüfaufwand erhöhen.
KI-Agenten haben zudem Schwierigkeiten, wenn Arbeit gleichzeitig und vernetzt wird. Microsoft-Forscher berichteten, dass führende Computer-Use-Agenten in einer Einzelaufgaben-Umgebung eine Abschlussquote von 16,7 Prozent erreichten. Unter Mehrfachaufgabenlast sank ihre Quote auf 8,7 Prozent.
Die Agentenbewertung des Teams nutzte Multi-Horizon-Umgebungen, die voneinander abhängige Arbeit über unterschiedliche Zeitrahmen hinweg testen. Der Rückgang spiegelt ein Problem wider, das menschlichen Projektverantwortlichen vertraut ist: Fortschritt erfordert mehr als das Abschließen isolierter Aktionen.
Reale Arbeit bringt Abhängigkeiten mit sich. Ein Verkaufsangebot hängt von freigegebenem Positioning, aktuellen Kundendaten und rechtlich geprüfter Sprache ab. Ein Produktlaunch hängt von getestetem Code, Dokumentation, Supportbereitschaft und einem koordinierten Veröffentlichungstermin ab.
KI kann Teile dieser Kette beschleunigen. Sie kann nicht jede Abhängigkeit verschwinden lassen. Wenn eine Person mehr Ketten beginnt, als die Organisation tragen kann, kann sich der Gesamtfluss verlangsamen, obwohl einzelne Aufgaben schneller werden.
Deshalb verdient Follow-through denselben Stellenwert wie Fokus. Fokus wählt die Kette aus, die zählt. Follow-through steuert Abhängigkeiten, bis das Ergebnis einen echten Kunden, Kollegen, Leser oder Entscheider erreicht.
Die letzte Phase erfordert oft unverhältnismäßig viel Aufwand. Ein Entwurf, der zu 90 Prozent fertig aussieht, kann immer noch unbelegte Behauptungen, schwache Übergänge oder unklare Entscheidungen enthalten. Ein Prototyp kann funktionsfähig wirken, ohne die für den Produktiveinsatz erforderliche Zuverlässigkeit zu bieten.
Manelius nutzte den visuellen Unterschied zwischen einer partiellen und einer totalen Sonnenfinsternis, um diese Lücke zu beschreiben. Die Metapher sollte nicht zu einer universellen Formel für Qualität werden. Manche Aufgaben benötigen tatsächlich eher eine schnelle, ausreichende Antwort als umfassenden Feinschliff.
Dennoch passt die Metapher zu Arbeit, bei der Vertrauen und Kohärenz zählen. Eine nahezu abgeschlossene Kundenmigration kann trotzdem scheitern. Ein größtenteils korrektes Memo für Führungskräfte kann dennoch zu einer schlechten Entscheidung führen. Eine fast sichere Anwendung bleibt unsicher.
KI macht es leichter, sichtbare Vollständigkeit mit betrieblicher Einsatzbereitschaft zu verwechseln. Flüssig formulierter Text wirkt fertig, auch wenn seine Quellen unsicher bleiben. Generierte Oberflächen wirken funktional, obwohl ihre Sonderfälle nicht getestet wurden.
Wissensarbeiter benötigen daher eine strengere Definition von „fertig“. Ein Projekt ist nicht abgeschlossen, wenn das Modell aufhört zu generieren. Es ist abgeschlossen, wenn jemand das Ergebnis überprüft, kritische Abhängigkeiten klärt und es an seinen vorgesehenen Bestimmungsort liefert.
Ein persönliches Wissenssystem kann diesen Prozess unterstützen, indem es Kontext bewahrt und wiederholte Suchen reduziert. Beispielsweise kann eine persönliche Wissensdatenbank Entscheidungen, Quellen und Projektverlauf miteinander verknüpft halten. Sie kann nicht entscheiden, welches Projekt Priorität verdient.
Diese Grenze ist wichtig. Besserer Abruf kann Koordinationsreibung verringern, sollte jedoch einem begrenzten Portfolio dienen. Andernfalls hilft eine bessere Organisation einer Person lediglich dabei, eine größere Sammlung unerledigter Verpflichtungen zu verwalten.
Fokus und Follow-through schlagen horizontale KI-Produktivität
Die knappe Ressource verschiebt sich von Produktionskapazität hin zur Fähigkeit, Aufmerksamkeit zu lenken und aufrechtzuerhalten.
Traditionelle Produktivitätssysteme gehen häufig davon aus, dass Arbeit von außen hereinkommt. Sie helfen Nutzern, Verpflichtungen festzuhalten, zu sortieren und effizient auszuführen. Generative KI verändert dieses Modell, weil das Werkzeug neue Arbeit ebenso schnell erzeugen kann, wie es bei der Erledigung bestehender Arbeit hilft.
Bitten Sie einen Assistenten um Wachstumsideen, kann er Dutzende liefern. Fragen Sie nach Feature-Möglichkeiten, kann er eine Roadmap erstellen. Bitten Sie um Forschungsrichtungen, kann er genug Fragen generieren, um ein Team zu beschäftigen.
Nutzer benötigen nun eine Zulassungsrichtlinie für Arbeit. Jedes neue Projekt sollte um begrenzte Aufmerksamkeit konkurrieren, bevor KI die Erlaubnis erhält, es auszuweiten. Ohne dieses Tor wird Ideengenerierung zu einer automatisierten Quelle für Scope Creep.
Das ist die vertikale Produktivitätsstrategie innerhalb der KI-Produktivitätsthese von Rick Manelius. Der Nutzer wählt eine kleine Zahl bedeutender Ergebnisse und setzt KI dann wiederholt innerhalb dieser Grenzen ein. Das Werkzeug vertieft die Ausführung, statt das aktive Portfolio zu verbreitern.
Für einen Produktmanager könnte das bedeuten, KI zu nutzen, um Interviews zu synthetisieren, eine Hypothese herauszufordern, eine Spezifikation zu entwerfen und eine Entscheidung vorzubereiten. Alle vier Aufgaben dienen einer Produktfrage.
Die horizontale Alternative würde Spezifikationen für mehrere nicht zusammenhängende Features generieren, weil jedes nun bezahlbar erscheint. Dieser Ansatz schafft mehr Abstimmungen mit Stakeholdern, Abhängigkeiten, Kennzahlen und Wartungspflichten.
Für einen Autor könnte vertikale Nutzung Recherche, Quellenvergleich, Strukturkritik und Lektorat rund um einen Artikel verbinden. Horizontale Nutzung könnte mehrere oberflächliche Entwürfe erzeugen, die um dieselbe Veröffentlichungszeit und redaktionelle Energie konkurrieren.
Für einen Ingenieur könnte vertikale Nutzung Debugging, Testgenerierung, Dokumentation und Code Review für ein klar definiertes Release umfassen. Horizontale Nutzung könnte mehrere experimentelle Services ohne klaren Verantwortlichen oder Stilllegungsplan hervorbringen.
Fokus bedeutet nicht, Erkundung abzulehnen. Er bedeutet, Erkundung von Verpflichtung zu trennen. Ein kostengünstiges Experiment kann eine klar definierte Frage beantworten, doch sein Ergebnis sollte eine bewusste Entscheidung auslösen, fortzufahren, zu pausieren oder aufzuhören.
Dieser Entscheidungspunkt verhindert, dass Prototypen zu dauerhaften Hintergrundverpflichtungen werden. Er wirkt auch der psychologischen Anziehungskraft sichtbaren Fortschritts entgegen. Generierter Output fühlt sich produktiv an, weil er etwas Konkretes schafft, selbst wenn er das Hauptziel nicht voranbringt.
Follow-through erfordert nach dieser Entscheidung geschützte Aufmerksamkeit. KI kann helfen, die Arbeit vorzubereiten, doch Menschen benötigen weiterhin ununterbrochene Zeiträume für Urteilsvermögen. Ständiges Wechseln zwischen Projekten schwächt den Kontext, der nötig ist, um subtile Fehler und Zielkonflikte zu erkennen.
Die Unterbrechungsdaten von Microsoft lassen diese Anforderung schwierig erscheinen. KI kann jedoch helfen, Fokus zu verteidigen, wenn sie Routineinhalte innerhalb eines gewählten Workflows verarbeitet. Dieselbe Technologie, die mehr Optionen schafft, kann Updates zusammenfassen, frühere Entscheidungen abrufen oder ein klar begrenztes Briefing vorbereiten.
Der Unterschied liegt darin, wer die Warteschlange kontrolliert. Wenn jede Nachricht, Idee und generierte Empfehlung zu einer Aufgabe wird, beschleunigt KI die Fragmentierung. Wenn eine klare Priorität bestimmt, was der Assistent verarbeitet, kann KI das Rauschen rund um dieses Ergebnis reduzieren.
Knowledge Blending, das Informationen aus mehreren relevanten Quellen zusammenführt, ist unter diesen Bedingungen nützlich. Ein System wie Knowledge Blending kann verstreuten Kontext in einer Antwort zusammenbringen. Der Nutzer muss weiterhin die Entscheidung definieren, die diese Antwort unterstützen soll.
Organisationen benötigen dieselbe Disziplin in größerem Maßstab. Führungskräfte sollten bestimmen, welche Workflows Beschleunigung verdienen, bevor sie Agenten über alle Abteilungen verteilen. Sie sollten auch entscheiden, wofür die eingesparte Zeit verwendet wird.
Wenn ein Unternehmen erwartet, dass jede eingesparte Zeit zu mehr Output wird, werden Beschäftigte rationalerweise mehr Arbeit beginnen. Wenn es einen Teil der Kapazität für Überprüfung und Erholung schützt, können KI-Gewinne sowohl Qualität als auch Nachhaltigkeit verbessern.
Kennzahlen sollten Abschluss fördern. Teams können das Alter laufender Arbeit, die Zahl aktiver Projekte, abgeschlossene Kundenergebnisse, Überarbeitungsraten und aufgegebene Prototypen verfolgen. Diese Signale zeigen, ob KI den Fluss verbessert oder den Bestand erhöht.
Eine niedrigere Projektzahl deutet nicht zwingend auf geringeren Ehrgeiz hin. Sie kann darauf hinweisen, dass ein Team seine Ressourcen dort konzentriert, wo Abschluss zählt. Der praktische Test ist, ob weniger Verpflichtungen zu stärkeren Ergebnissen führen.
Die Burnout-Behauptung braucht mehr als die Erfahrung eines einzelnen Gründers
Manelius benennt einen glaubwürdigen Mechanismus, doch sein Bericht beweist nicht, dass KI-Nutzung Burnout verursacht.
Die Weltgesundheitsorganisation definiert Burnout als ein berufliches Phänomen, das aus chronischem Stress am Arbeitsplatz resultiert, der nicht erfolgreich bewältigt wurde. Zu seinen drei Dimensionen gehören Erschöpfung, zunehmende Distanz oder Zynismus sowie verringerte berufliche Wirksamkeit.
Diese Burnout-Definition bezieht sich speziell auf Arbeit. Manelius sprach sowohl über Startup-Aktivitäten als auch über persönliche Nebenprojekte. Seine Erfahrung kann Burnout ähneln, ohne jedes Element der beruflichen Definition zu erfüllen.
Auch seine Effizienzschätzungen erfordern Vorsicht. Er schrieb, dass KI einige Aufgaben zwei- bis 100-mal schneller erledigen könne. Diese Zahlen beschreiben eine breite Spanne und kein gemessenes Ergebnis aus seinem Projektportfolio.
Zuverlässige Gewinne variieren stark nach Aufgabe, Beschäftigtem, Modell und Qualitätsschwelle. Ein erster Entwurf kann deutlich schneller entstehen, während die Überprüfung einen Teil dieser Zeitersparnis aufzehren kann. Einige komplexe Aufgaben liegen weiterhin außerhalb der zuverlässigen Fähigkeiten eines Modells.
Die Evidenz zeigt auch, dass KI Arbeit reduzieren statt ausweiten kann. Eine randomisierte Feldstudie mit 66 Unternehmen und 7.137 Wissensarbeitern untersuchte ein KI-Tool, das in E-Mail, Meetings und Schreiben integriert war.
Unter den behandelten Beschäftigten, die das Tool nutzten, verbrachten die Teilnehmer in der zweiten Hälfte des Experiments pro Woche zwei Stunden weniger mit E-Mails. Sie reduzierten zudem Arbeit außerhalb regulärer Arbeitszeiten. Die Forscher stellten keine breiteren Veränderungen bei Aufgabenmenge oder -zusammensetzung fest.
Diese Ergebnisse schwächen jede Behauptung, dass generative KI zwangsläufig Überlastung erzeugt. Sie legen nahe, dass integrierte Tools Zeit zurückgeben können, wenn sie auf bestehende Arbeit angewendet werden. Sie zeigen auch, dass individueller Toolzugang Teampraktiken nicht automatisch neu organisiert.
Die entscheidende Variable könnte sein, was passiert, nachdem Zeit eingespart wurde. Ein Beschäftigter kann die Zeit schützen, während ein anderer drei neue Projekte beginnt. Ein Manager kann den administrativen Aufwand senken, während ein anderer die Output-Ziele anhebt.
Persönliche Handlungsfähigkeit zählt, doch auch organisationale Macht ist wichtig. Beschäftigte kontrollieren möglicherweise nicht, ob eingesparte Zeit zu Erholung, vertiefter Arbeit oder einer weiteren Aufgabe wird. Wettbewerbsmärkte und Leistungssysteme beeinflussen, wie Produktivitätsgewinne verteilt werden.
Auch der Projekttyp verändert das Risiko. Kundensupport bietet wiederkehrende Arbeit mit Abschluss. Unternehmertum, Schreiben und Produktentwicklung enthalten nahezu unbegrenzt optionalen Umfang. KI kann in diesen offenen Bereichen weitaus mehr potenzielle Arbeit anstoßen.
Es gibt ein weiteres Gegenargument. Mehr Experimente auszuliefern kann rational sein, wenn die Unsicherheit hoch ist. Startups lernen oft, indem sie mehrere Ideen testen, und KI senkt die Kosten, diese Evidenz zu sammeln.
Das Problem ist nicht allein die Anzahl der Experimente. Es ist das Fehlen expliziter Abbruchregeln. Ein Experiment sollte eine Frage, ein begrenztes Budget und ein Entscheidungsdatum haben. Ohne diese Kontrollen wird Erkundung zu einem wachsenden Portfolio vager Verpflichtungen.
Perfektionismus birgt ein verwandtes Risiko. Manelius plädiert dafür, bei wichtigen Projekten die Kosten für das letzte Prozent zu tragen. Dieses Prinzip kann folgenreiche Arbeit verbessern, doch es kann die Auslieferung auch verzögern, wenn Nutzer von einer früheren Version profitieren würden.
Fokus und Follow-through sollten nicht bedeuten, alles unbegrenzt zu polieren. Sie sollten bedeuten, die angemessene Qualitätsschwelle festzulegen, bevor die Arbeit beginnt. Eine private Analyse, ein öffentlicher Essay, ein medizinischer Workflow und eine Finanzentscheidung erfordern unterschiedliche Absicherungsniveaus.
Die stärkste Version des Arguments ist daher bedingt. KI kann Überlastung erhöhen, wenn Nutzer jeden Effizienzgewinn in zusätzliche Verpflichtungen reinvestieren. Sie kann Überlastung reduzieren, wenn sie laufende Arbeit begrenzen und die zurückgewonnene Zeit schützen.
Diese Einordnung hält die KI-Produktivitätswarnung von Rick Manelius nützlich, ohne eine einzelne Erfahrung als universellen Beleg zu behandeln. Seine Geschichte liefert den Mechanismus. Arbeitsplatzstudien zeigen, dass Ergebnisse von Aufgabenabgrenzungen, Managemententscheidungen und der Kontrolle durch Beschäftigte abhängen.
Drei Signale werden zeigen, ob KI bessere Arbeit unterstützt
Die nächste Phase der KI-Produktivität wird anhand abgeschlossener Ergebnisse, Arbeitszeiten und Leistung unter realen Multitasking-Bedingungen beurteilt werden.
Das erste Signal ist, ob Organisationen beginnen, laufende Arbeit statt generierten Output zu messen. Einführungs-Dashboards machen es derzeit leicht, Prompts, Assistentennutzung oder erstellte Dokumente zu feiern. Diese Kennzahlen sagen wenig über abgeschlossenen Wert aus.
Ein stärkeres Messsystem würde KI-Nutzung mit Durchlaufzeit, Kundenergebnissen, Fehlern und der Anzahl aktiver Projekte verknüpfen. Wenn sich diese Ergebnisse verbessern, während laufende Arbeit kontrolliert bleibt, gewinnt die Fokusthese an Unterstützung.
Wenn Unternehmen mehr generiertes Material ohne schnelleren Abschluss berichten, wird die Warnung stärker. KI würde dann den organisatorischen Bestand ausweiten, statt den nützlichen Durchsatz zu steigern.
Das zweite Signal ist, ob eingesparte Zeit den Arbeitstag verkürzt. Die Forschung weist bereits in entgegengesetzte Richtungen. Eine Feldstudie stellte weniger E-Mail-Zeit und verringerte Arbeit außerhalb regulärer Arbeitszeiten fest, während Forschung zur Zeitnutzung KI-Exposition mit längeren Arbeitszeiten verband.
Zukünftige Arbeitsplatz-Telemetrie kann klarer zeigen, welches Muster sich durchsetzt. Nachrichten nach Feierabend, Aktivitäten am Wochenende, das Meetingvolumen und ununterbrochene Fokuszeit liefern bessere Hinweise als die alleinige Selbsteinschätzung zur Geschwindigkeit.
Ein Rückgang der Aktivitäten außerhalb der Arbeitszeit würde zeigen, dass Unternehmen Beschäftigten erlauben, zumindest einen Teil der Effizienzgewinne zu behalten. Eine anhaltende Ausweitung würde darauf hindeuten, dass KI-Kapazitäten durch steigende Erwartungen aufgezehrt werden.
Das dritte Signal ist die Leistung von Agenten über lange, miteinander verknüpfte Workflows hinweg. Demonstrationen einzelner Aufgaben können den Eindruck erwecken, Autonomie sei nahezu vollständig erreicht. Der Nutzen am Arbeitsplatz hängt jedoch davon ab, ob Agenten Kontext bewahren, Abhängigkeiten verwalten und sich sicher von Fehlern erholen können.
Der berichtete Rückgang der Abschlussquote von 16,7 Prozent auf 8,7 Prozent unter Multitasking-Last verdeutlicht die aktuelle Lücke. Bessere Leistung würde es KI ermöglichen, mehr Nachverfolgung zu übernehmen, statt lediglich mehr Ausgangsmaterial zu erzeugen.
Diese Verbesserung würde menschliches Urteilsvermögen nicht überflüssig machen. Sie würde verändern, an welcher Stelle Urteilsvermögen in den Prozess einfließt. Menschen könnten Ergebnisse und Ausnahmen überwachen, während Agenten mehr Koordination über klar definierte Arbeitsströme hinweg übernehmen.
Bis diese Zuverlässigkeit erreicht ist, sollten Wissensarbeiter jedes KI-generierte Projekt als künftige Belastung ihrer Aufmerksamkeit betrachten. Das erste Ergebnis ist eine Einladung, kein abgeschlossenes Resultat.
Die praktische Frage lautet nicht länger, ob KI Sie schneller machen kann. Das kann sie bei vielen klar abgegrenzten Aufgaben eindeutig. Die Frage ist, ob diese Geschwindigkeit ein bewusst gewähltes Ergebnis voranbringt oder eine weitere offene Schleife erzeugt.
Bevor Sie einen Assistenten bitten, etwas Neues zu beginnen, bestimmen Sie, welche Verpflichtung dadurch verdrängt wird. Definieren Sie, was „fertig“ bedeutet, wer die Überprüfung verantwortet und wann die Arbeit endet. Nutzen Sie KI anschließend, um dieses ausgewählte Projekt weiter voranzutreiben.
Die neuen KI-Superkräfte sind nicht endlose Generierung und ständige Bewegung. Sie bestehen in der Fähigkeit, zu entscheiden, was Aufmerksamkeit verdient, den Kontext darum zu bewahren und es sorgfältig abzuschließen. Welches unvollendete Projekt werden Sie abschließen, bevor Sie ein weiteres beginnen?
