Stanford-Studie deckt auf, warum Milliarden-Investitionen in Künstliche Intelligenz nicht die versprochenen Effizienzgewinne bringen
Jeffrey Hancock bemerkte es zuerst im Herbst 2022, als er die Arbeiten seiner Stanford-Studenten korrigierte. Die Texte sahen gut aus, aber etwas stimmte nicht. „They looked pretty good, but not quite right,“ erinnert sich der Professor für Kommunikationswissenschaft. Als er hundert Arbeiten durchging, erkannte er das Muster: Zehn Arbeiten wirkten identisch unpräzise, verwendet dieselben geschwollenen Formulierungen, sagten viel und doch nichts.
Heute, fast drei Jahre später, hat Hancock gemeinsam mit dem BetterUp Labs ein Phänomen wissenschaftlich dokumentiert, das Millionen von Arbeitnehmern weltweit beschäftigt. Sie nennen es „Workslop“ – eine Wortschöpfung aus „Work“ und „Slop“, die das beschreibt, was entsteht, wenn Menschen Künstliche Intelligenz nicht als Werkzeug, sondern als Abkürzung verwenden.
Infographic – Stanford-BetterUp study results on AI „workslop“ and MIT data on missing ROI
Die Zahlen aus ihrer Studie mit 1.150 Vollzeitbeschäftigten zeichnen ein ernüchterndes Bild der KI-Revolution: 40 Prozent aller Befragten erhielten im letzten Monat Workslop, jene oberflächlich professionellen, aber substanzlosen Inhalte, die mehr Arbeit schaffen als sie lösen. Durchschnittlich verbringen sie dann eine Stunde und 56 Minuten damit, herauszufinden, was der Absender eigentlich meinte, den Inhalt zu korrigieren oder die Aufgabe neu zu bearbeiten.
Für Kate Niederhoffer von BetterUp fühlt sich das Lesen von Workslop an wie „deep effort“. Normalerweise sei sie eine schnelle Leserin, sagt sie, aber bei KI-generierten Inhalten fragt sie sich:
„Why is this feeling so effortful?“
Es ist die kognitive Dissonanz zwischen dem Anschein von Information und dem Fehlen jeglicher Substanz.
Diese Erfahrungen stehen in krassem Widerspruch zu den Verheißungen der KI-Revolution. Während Unternehmen ihre Investitionen in Künstliche Intelligenz nahezu verdoppelt haben – von 14,7 auf 27 Millionen Dollar laut einer Riverbed-Umfrage – und sich die Nutzung von KI-Tools am Arbeitsplatz seit 2023 verdoppelt hat, zeigt eine parallele MIT-Studie ein paradoxes Ergebnis: 95 Prozent der Organisationen sehen keinen messbaren Return on Investment in diese Technologien.
Die Ursache liegt nicht in der Technologie selbst, sondern in ihrer Anwendung. Das MIT-Team um Kristina McElheran analysierte die KI-Einführung in der amerikanischen Fertigungsindustrie und entdeckte eine charakteristische „J-Kurve“: Zunächst sinkt die Produktivität messbar, wenn Unternehmen KI-Tools einführen. Erst nach einer Lernphase, in der Prozesse angepasst und Mitarbeiter geschult werden, zeigen sich die versprochenen Gewinne. Besonders ausgeprägt war dieser Effekt bei etablierten Unternehmen mit veralteten Systemen, während digital reife, jüngere Firmen schneller profitierten.
Diese Erkenntnisse helfen, scheinbare Widersprüche in der Forschung zu verstehen. Kontrollierte Studien zeigen durchweg beeindruckende Produktivitätssteigerungen durch KI-Tools. Die wegweisende Untersuchung von Erik Brynjolfsson an der Stanford University mit fast 5.200 Kundenservice-Mitarbeitern dokumentierte 15 Prozent höhere Produktivität im Durchschnitt, bei weniger erfahrenen Arbeitskräften sogar bis zu 35 Prozent.
Ähnlich spektakuläre Ergebnisse lieferte eine Harvard-Studie mit Unternehmensberatern der Boston Consulting Group. Die MBA-Absolventen mit Jahresgehältern über 250.000 Dollar erledigten ihre Arbeit 25 Prozent schneller und produzierten Ergebnisse, die in der Qualität über 40 Prozent höher bewertet wurden, wenn sie KI-Unterstützung erhielten.
Der entscheidende Unterschied liegt in der Kontrolle.
In erfolgreichen Studien wurden KI-Tools für spezifische, gut definierte Aufgaben eingesetzt – Kundenservice-Gespräche, konkrete Beratungsszenarien. Die Tools erhielten klare Parameter und wurden von geschulten Anwendern für präzise Zwecke genutzt.
AI productivity dashboard mit Task Management und Collaboration Features in einem modernen Arbeitsumfeld
Workslop entsteht, wenn diese Kontrolle fehlt. Wenn Führungskräfte KI „überall und jederzeit“ propagieren, wie die Stanford-Forscher beobachten, entstehen „wahllose Imperative“, die zu „wahlloser Nutzung“ führen. Mitarbeiter verwenden dann generative KI nicht zur Verbesserung ihrer Arbeit, sondern zur Umgehung von Denkprozessen. Das Ergebnis sind jene langen, inhaltsleeren Berichte und E-Mails, die professionell aussehen, aber niemanden weiterbringen.
Die psychologischen Kosten sind beträchtlich. 53 Prozent der Workslop-Empfänger berichten von Verärgerung, 38 Prozent sind verwirrt, 22 Prozent fühlen sich sogar beleidigt. Etwa die Hälfte der Befragten betrachtet Kollegen, die Workslop produzieren, als weniger kreativ, fähig und vertrauenswürdig. Diese zwischenmenschlichen Spannungen bedrohen die Kollaborationskultur, die für erfolgreiche KI-Adoption wesentlich ist.
Tina He, Designerin und Autorin, beschreibt das zugrunde liegende Problem als „psychologisches Jevons-Paradox“. Während KI-Tools das Potenzial jeder Arbeitsstunde verstärken, halten die Erwartungen nicht nur Schritt – sie überholen die tatsächlichen Fähigkeiten wie Schatten, die sich bei Sonnenuntergang verlängern. Eine südkoreanische Studie mit 416 Fachkräften bestätigt diese Beobachtung: KI-Adoption verstärkt paradoxerweise Burnout-Symptome, anstatt sie zu lindern, da das Gehirn gleichzeitig neue Tools erlernen, Qualitätsstandards aufrechterhalten und dieselben Fristen einhalten muss.
Die demografischen Auswirkungen sind besonders aufschlussreich. Stanford-Daten zur Beschäftigungsentwicklung nach der ChatGPT-Einführung zeigen generationsspezifische Unterschiede: Während erfahrene Softwareentwickler über 35 Jahre stabile oder steigende Beschäftigungszahlen verzeichnen, sinken die Anstellungsraten bei jüngeren Entwicklern zwischen 22 und 30 Jahren deutlich.
[
Ähnliche Muster zeigen sich im Marketing und Vertrieb. Die Erfahrung scheint ein entscheidender Faktor zu sein, um KI effektiv zu nutzen, anstatt von ihr ersetzt zu werden. Junge Arbeitskräfte, die KI als universelle Lösung verstehen, geraten in Konkurrenz mit der Technologie. Erfahrene Fachkräfte nutzen sie gezielt als Ergänzung ihrer Expertise.
Diese Beobachtung deckt sich mit den BetterUp-Erkenntnissen zu verschiedenen Nutzertypen. Die Forscher identifizieren „Piloten“ mit hoher Handlungsbereitschaft, die GenAI 75 Prozent häufiger bei der Arbeit nutzen als „Passagiere“ mit geringer Eigeninitiative. Entscheidend ist: Piloten verwenden KI zur Verbesserung ihrer Kreativität, während Passagiere sie zur Arbeitsvermeidung einsetzen.
Die europäische Perspektive zeigt interessante regionale Unterschiede. Der EY European AI Barometer 2025 dokumentiert, dass 56 Prozent der europäischen Unternehmen positive finanzielle KI-Effekte verzeichnen – ein Anstieg von 11 Prozentpunkten gegenüber dem Vorjahr. Spanien führt mit 70 Prozent positiven Rückmeldungen, gefolgt von Belgien und Deutschland mit 60 respektive 59 Prozent.
Die historische Einordnung relativiert die aktuellen Herausforderungen. Die Produktivitätsanalyse von 1871 bis 2021 zeigt, dass bedeutende technologische Durchbrüche – von der Elektrifizierung über die Computerrevolution bis zum Internet – typischerweise Jahre oder Jahrzehnte benötigen, um sich in messbaren Verbesserungen niederzuschlagen.
Das „Solow-Paradox“, benannt nach dem Ökonomen Robert Solow, der 1987 feststellte, dass Computer „überall außer in den Produktivitätsstatistiken“ zu sehen seien, wiederholt sich heute mit KI. Neuere Forschung zeigt jedoch, dass dieses Paradox oft auf Metrik-Fehlmessungen zurückzuführen ist. KI-Produktivitätsgewinne manifestieren sich häufig in Qualitätsverbesserungen, Innovationsbeschleunigung und neuen Geschäftsmodellen, die traditionelle Produktivitätsmessungen nicht erfassen.
Labor productivity growth 1871-2021 für China, USA, UK und Continental Europe – historische Produktivitätsentwicklung und recent slowdowns
Studien aus China und Vietnam belegen, dass KI-Produktivitätsgewinne durchaus realisierbar sind. Eine chinesische Untersuchung mit Daten von 2010 bis 2019 zeigt, dass eine einprozentige Steigerung der KI-Durchdringung zu einer 14,2-prozentigen Erhöhung der totalen Faktorproduktivität führen kann. Ähnliche Evidenz kommt aus Vietnam, wo KI-Adoption in Fertigungs- und Dienstleistungssektoren signifikante Produktivitätssteigerungen bewirkt, besonders bei kleineren Unternehmen mit hoher Qualifikationsintensität.
Die Lösung des Workslop-Problems liegt nicht in weniger KI, sondern in intelligenterer Anwendung. Die erfolgreichen Beispiele zeigen einen klaren Weg auf: spezifische statt universelle Mandate, kollaborative statt substitutive Frameworks, Qualitätsfokus statt Quantitätsjagd.
Samsung hat mit seiner TRUEBench-Initiative gezeigt, wie rigorose Bewertungskriterien entwickelt werden können, die echte Produktivität von oberflächlicher Output-Generation unterscheiden. GitHub Copilot, das über 20 Millionen Nutzer in 77.000 Unternehmen erreicht hat, demonstriert erfolgreich den gezielten Einsatz von KI für spezifische Aufgaben in der Softwareentwicklung.
Die Stanford-BetterUp-Studie hat nicht nur ein Problem identifiziert, sondern auch den Weg zu seiner Lösung aufgezeigt. Workslop entsteht, wenn wir KI bitten, für uns zu denken. Echter Produktivitätsgewinn entsteht, wenn wir KI nutzen, um besser zu denken. In einer Zeit, in der 95 Prozent der KI-Pilotprojekte scheitern, liegt der Schlüssel nicht in mehr KI, sondern in besserer KI-Governance.
Die Revolution findet statt, aber sie ist komplizierter, widersprüchlicher und menschlicher, als ihre Propheten ursprünglich verkündeten. Vielleicht ist das genau richtig so. Denn in einer Ära der künstlichen Intelligenz liegt der wahre Wettbewerbsvorteil in der menschlichen Intelligenz – der Weisheit zu wissen, wann, wie und warum wir diese mächtigen Werkzeuge einsetzen sollten.
Die Technologie kann spektakuläre Verbesserungen bewirken, aber nur unter spezifischen Bedingungen: organisatorische Reife, strategische Klarheit und menschzentrierte Implementierung. Der Weg aus dem Workslop-Dilemma führt durch diese Erkenntnis – und durch die Bereitschaft, KI nicht als magische Lösung, sondern als Werkzeug zu begreifen, das wie jedes andere Werkzeug Können, Übung und Urteilsvermögen erfordert.
