Ein Strategieteam, das früher einen ganzen Dienstagvormittag damit verbrachte, sich durch ein einziges Memo zu kämpfen, produziert heute vier Versionen, bevor der Kaffee kalt geworden ist, und wählt die, die sich am besten liest. Monate später fragt ein Vorstandsmitglied, warum eigentlich die dritte Annahme gelten soll. Und im Raum stellt sich heraus, dass niemand das Argument rekonstruieren kann, weil niemand es je wirklich vorgebracht hat. Es war schon da, als der Kaffee noch warm war.
Das ist keine Geschichte über Faulheit und auch keine über schlechte KI. Es ist eine Geschichte über zwei ungeschriebene Grundsätze, nach denen jedes Unternehmen verständlicherweise arbeitet, weil sie zu offensichtlich erscheinen, um sie überhaupt auszusprechen: Die Ergebnisse sollen besser werden, und der Aufwand soll geringer werden. Ergebnisbesessen und mühevermeidend zugleich.
Über den größten Teil der Wirtschaftsgeschichte standen diese beiden Wünsche im Widerspruch, denn bessere Ergebnisse kosteten in aller Regel mehr Mühe, und weniger Mühe bedeutete schlechtere Ergebnisse. Dann kam ein Werkzeug, das zum ersten Mal versprach, beide gleichzeitig zu bedienen.
Der Bruch, den niemand bemerkt
Wenn ein einziges Instrument verspricht, sowohl den Zähler zu heben als auch den Nenner zu senken, müsste ein rationales Unternehmen beide Hebel mit gleicher Energie ziehen. Es müsste fragen, was jetzt an Ergebnissen möglich wird, das vorher schlicht zu teuer war, mit derselben Hartnäckigkeit, mit der es fragt, was sich jetzt billiger erledigen lässt. Die Theorie sagt: Symmetrie.
Die Praxis sagt etwas anderes. In McKinseys State of AI 2025 nennen rund 80 Prozent der befragten Unternehmen Effizienz als ein Ziel ihrer KI-Initiativen, und ausgerechnet die leistungsstärksten Organisationen sind diejenigen, die zusätzlich Wachstum und Innovation als ausdrückliches Ziel formulieren. Die Mehrheit zieht also vor allem an einem Hebel, am Nenner, und die kleine Gruppe, die auch den Zähler bedient, ist genau die, die am Ende den größeren Nutzen meldet.
Man könnte das mit unternehmerischer Vorsicht erklären, mit Quartalsdruck, mit der Tatsache, dass Einsparungen sich leichter in eine Bilanz schreiben lassen als hypothetisches Wachstum. All das stimmt und reicht trotzdem nicht, denn es erklärt nicht, warum die Schieflage so verlässlich, so flächendeckend und so wenig hinterfragt auftritt. Eine bewusste Entscheidung würde Streuung zeigen. Was wir sehen, sieht eher aus wie ein Reflex.
Warum sich Mühelosigkeit anfühlt wie ein Gewinn
An dieser Stelle lohnt sich ein Umweg über das Gehirn, denn dort sitzt der eigentliche Hebel, und er sitzt unterhalb der Ebene, auf der Strategie verhandelt wird. Jede Belohnung wird nicht für sich bewertet, sondern gegen den Aufwand, der nötig war, um sie zu bekommen. Das Gehirn rechnet ständig ein Verhältnis aus, und der emotionale Preis steht im Nenner dieser Rechnung.
Dafür ist ein Stoff zuständig, über den fast alle das Falsche glauben. Dopamin gilt als das Lustmolekül, als der Stoff, der ausgeschüttet wird, wenn etwas schön ist. Tatsächlich zeigten Schultz, Dayan und Montague 1997 in Science, dass Dopamin überwiegend ein Vorhersagefehler ist, also ein Signal dafür, dass die Wirklichkeit besser ausfiel als erwartet. Es feuert am stärksten, wenn ein gutes Ergebnis leichter eintritt als gedacht, und es schweigt, wenn das Ergebnis exakt so kommt, wie man es ohnehin erwartet hatte.
Daraus folgt etwas Unbequemes: Wer den Aufwand für eine gleichbleibende Belohnung auf nahezu null senkt, baut nicht etwa einen besonders effizienten Arbeitsplatz, sondern das neurologische Profil eines Spielautomaten. Belohnung bei minimalem Einsatz, immer wieder, mit gerade genug Variabilität im Ergebnis, dass das nächste Mal wieder reizvoll ist.
KI wird auf der individuellen Ebene zur Slotmaschine, nicht nachdem man es erklärt bekommt, sondern nachdem man es ein paarmal erlebt hat.
Der Vorstand, der vier mühelos erzeugte Memos gegen eine mühsam erkämpfte These tauscht, hat keine schlechtere Arbeitsmoral als seine Vorgänger. Er hat ein Werkzeug, das jedes Mal, wenn er den Hebel zieht, einen kleinen Vorhersagefehler nach oben produziert, und sein Gehirn behandelt diesen Reiz so, wie es jeden anderen Reiz dieser Bauart behandelt.
Der Behavioral Misfit
Hier ist der Punkt, an dem sich zwei Logiken trennen, die jeder für identisch hält. Die ROI-Logik behauptet, sie maximiere ein Verhältnis aus Ergebnis und Aufwand. Die Verhaltensmechanik darunter belohnt aber nicht das Verhältnis, sondern allein den schrumpfenden Nenner. Beide schauen auf dieselbe Formel und meinen Verschiedenes, und genau diese Lücke nenne ich den Behavioral Misfit: den Abstand zwischen dem, was ein System zu optimieren vorgibt, und dem, was es tatsächlich belohnt.
Solange die beiden Größen in dieselbe Richtung zogen, blieb der Misfit unsichtbar. KI trennt sie zum ersten Mal sauber voneinander, weil sie den Aufwand so radikal senken kann, dass die Aufwandsreduktion zur eigentlichen Belohnung wird und das Ergebnis nur noch der Vorwand ist, der sie rechtfertigt. Man glaubt, man optimiere den ROI, und tatsächlich drückt man den emotionalen Preis, weil sich das in jedem einzelnen Moment besser anfühlt.
Eine geplante Entscheidung, KI für Kostensenkung einzusetzen, ist legitim und oft richtig. Das Problem ist nicht die Entscheidung, sondern dass dieselbe Verschiebung auch ohne Entscheidung passiert, getrieben von einem Belohnungsmechanismus, der nie als solcher erkannt und deshalb auch nie hinterfragt wird.
Was sich anfühlt wie unternehmerische Klugheit, ist über weite Strecken ein kollektives Ausweichen vor Anstrengung, das sich nur zufällig wie eine Strategie liest.
Die Frage, die fast niemand mit Ja beantwortet
Es gibt einen einfachen Test für den Verdacht, und er lässt sich in einem Satz stellen. Wen kennen Sie, der wegen KI heute mehr Aufwand betreibt als vorher, weil er auf ein Ergebnis zielt, das früher außer Reichweite lag, statt dasselbe Ergebnis billiger zu produzieren?
Die meisten Menschen, die diese Frage hören, brauchen einen Moment und nennen dann niemanden. Sie kennen viele, die schneller, günstiger und mit weniger Leuten dasselbe tun. Sie kennen kaum jemanden, der die freigewordene Mühe wieder investiert hat, um an eine schwerere Frage heranzukommen. Das ist kein Charakterfehler einer Branche, sondern die zu erwartende Folge eines Mechanismus, der Aufwandsreduktion sofort belohnt und Ergebnissteigerung erst viel später, wenn überhaupt.
Wer den Misfit schließen will, muss den Benchmark verschieben, und zwar bevor das Gehirn ihn an seiner Stelle verschiebt. Nicht die Frage, wie viel schneller eine Aufgabe erledigt wurde, entscheidet, sondern die Frage, welche Aufgabe durch KI überhaupt erst lösbar geworden ist. Die gesparte Zeit ist dann kein Gewinn, den man verbucht, sondern ein Budget, das man ausgibt, und zwar für genau die Anstrengung, die sich das System gerade so angenehm wegzunehmen anbietet.
Die ehrliche Antwort auf die Frage nach dem Benchmark ist unbequem, weil sie verlangt, freiwillig wieder Mühe in ein System zu stecken, das gerade gelernt hat, einen für deren Vermeidung zu belohnen. Das ist beabsichtigt.