The NeWoS | Lagebesprechung | November 2026

Kuratiert von:  Dr. Anja C. Wagner | FROLLEINFLOW - Institut für kreative Flaneure

Diese Ausgabe steht unter der Frage:

Warum sollte jemand einer KI beibringen, wie die eigene Arbeit geht, wenn danach die Stelle wegfällt?

Im April begann Meta, auf den Arbeitsrechnern von Beschäftigten in den USA Mausbewegungen, Klicks und Tastatureingaben aufzuzeichnen, um seine KI zu trainieren. Im selben Monat erfuhren die Beschäftigten, dass der Konzern für Mai den Abbau von rund zehn Prozent der weltweiten Belegschaft plante. Laut Business Insider unterschrieben mehr als 1.800 von ihnen eine Petition gegen die Aufzeichnung. Anfang Juni erlaubte Meta, sie zeitweise zu unterbrechen. Am 22. Juni setzte der Konzern sie aus, nachdem sensible Daten aus dem Programm im ganzen Unternehmen einsehbar waren. Im September ruhte das Programm weiter, ein Neustart soll nur mit ausdrücklicher Zustimmung der Beschäftigten kommen.

Zwei Ökonomen, Joshua Gans und Peter Landry, greifen den Fall in einem Arbeitspapier auf und rechnen ihn als theoretisches Modell durch, ohne eigene Daten aus Betrieben. Sie untersuchen eine Situation, die bei Meta so nicht nachgewiesen ist: Eine Firma braucht die Erfahrung genau der Person, deren Stelle sie automatisieren will. Unter welchen Bedingungen lohnt es sich für diese Person, ihr Wissen weiterzugeben?

Was der Bildschirm verrät

Nehmen wir eine Mitarbeiterin im Kundenservice. Sie öffnet eine Rechnung und sieht, dass einem Kunden die Lieferung berechnet wurde. Sie erinnert sich, dass die Firma ihm eine kostenlose Lieferung zugesagt hatte. Ein Anruf genügt, die Rechnung wird korrigiert. Wer später die Bildschirmaufzeichnung ansieht, kann die Korrektur nachvollziehen. Was die Mitarbeiterin auf den Fehler gebracht hat, bleibt unsichtbar. Für den Kunden ist der Fall erledigt. Eine KI, die den nächsten Fall übernehmen soll, müsste noch etwas lernen. Sie müsste wissen, dass es solche Sondervereinbarungen gibt und wo sie nachsehen kann, ob eine davon gilt.

An diesem Beispiel lässt sich die Überlegung von Gans und Landry nachvollziehen. Die Mitarbeiterin kann jeden einzelnen Fall sorgfältig bearbeiten, ohne je festzuhalten, woran sie eine Ausnahme erkennt. Braucht die Firma dieses Wissen, bekommt die Mitarbeiterin eine zweite Aufgabe. Sie soll erklären, wie sie zu ihrem Urteil kommt. In diesem Szenario fällt ihre Stelle weg, sobald das System solche Fälle zuverlässig allein bearbeiten kann.

Damit bekommt die Bezahlung im Modell eine andere Bedeutung. Bisher hatte die Mitarbeiterin einen guten Grund, sich anzustrengen, wenn sie in der Firma mehr verdiente als anderswo. Gute Arbeit half ihr, diese Stelle zu behalten. Beim Anlernen der KI gerät sie in eine andere Lage. Jeder gut erklärte Fall kann den Tag näher rücken, an dem sie sich eine neue Arbeit suchen muss. Damit sich die Mitarbeit für sie trotzdem lohnt, kann die Firma ihr für die verbleibende Zeit so viel zahlen, dass sie insgesamt sogar besser dasteht als ohne das KI-Projekt.

Auch das Tempo spielt eine Rolle. Plant die Firma mehr Zeit für das Anlernen ein, kann die Mitarbeiterin länger mit ihrem Gehalt rechnen. Dann hat sie weniger zu verlieren, wenn sie ihr Wissen weitergibt. Im Modell kann es sich für die Firma deshalb lohnen, langsamer vorzugehen, als es technisch möglich wäre. Dazu muss die Mitarbeiterin keine einzige Erklärung für sich behalten. Es genügt, dass die Firma bei ihrer Planung berücksichtigt, dass sie es könnte.

Das kann sogar darüber entscheiden, ob eine Stelle überhaupt entsteht. Für die tägliche Arbeit allein würde sich eine Einstellung vielleicht kaum rechnen. Wenn die neue Mitarbeiterin zugleich ein System anlernt, das die Firma später weiter nutzen kann, kann sich die Einstellung lohnen. Umgekehrt kann die nötige Bezahlung so hoch ausfallen, dass die Firma auf die Einstellung verzichtet. Dann fehlt ihr auch die Person, die das System hätte anlernen können.

Eine weitere Möglichkeit wäre ein Abschlussbonus. Könnte die Mitarbeiterin schon heute fest mit einer ausreichend hohen Zahlung rechnen, hätte auch sie einen finanziellen Grund, das Anlernen zügig abzuschließen. Entscheidend ist, woran die Firma die Auszahlung knüpft. Soll die Mitarbeiterin später belegen, dass die KI ausgerechnet dank ihrer Erklärung eine fehlerhafte Rechnung erkannt hat, ist das Versprechen für sie wenig wert. Das Modell erklärt, warum Bezahlung, Zeitplan und verlässliche Zusagen beeinflussen, ob es sich für Beschäftigte lohnt, ihre Erfahrung weiterzugeben. Wie oft sie im Arbeitsalltag Wissen für sich behalten, haben Gans und Landry damit nicht untersucht.

„Akzeptanz“

Wenn Beschäftigte bei der Einführung von KI zögern, heißt es schnell, es fehle an Akzeptanz. Dann liegt der Gedanke nahe, man müsse ihnen das Vorhaben besser erklären. Bei der Mitarbeiterin im Kundenservice kann eine solche Erklärung das Zögern sogar verstärken. Jetzt versteht sie, warum die Firma ihre Erfahrung braucht. Ob sie selbst noch gebraucht wird, sobald die KI solche Fälle allein bearbeiten kann, ist für sie weiter offen.

Wir sprechen deshalb nur dann von Akzeptanz, wenn klar ist, wozu die Mitarbeiterin Ja sagen soll. Vielleicht übernimmt die KI künftig die Routinefälle. Dann hat die Mitarbeiterin mehr Zeit für KundInnen, deren Anliegen sich nur mit Erfahrung klären lassen. Vielleicht soll sie ihr Wissen aber auch so lange weitergeben, bis die Firma ihre Stelle streichen kann. In der Präsentation kann über beiden Vorhaben „Entlastung“ stehen. Für die Mitarbeiterin hängt an diesem Unterschied, ob sie künftig anders arbeitet oder ihren Arbeitsplatz verliert.

Wir raten davon ab, Beschäftigte ihren eigenen Ersatz anlernen zu lassen, ohne zu klären, was sie selbst davon haben.

Nach ein paar Wochen kann so ein KI-Projekt schon ziemlich weit aussehen. Der Kundenservice bearbeitet wie gewohnt seine Fälle, während das System die Arbeitsschritte aufzeichnet. Bald kann das Projektteam vielleicht Tausende dokumentierte Vorgänge vorweisen. Bei der Rechnung lässt sich sogar Schritt für Schritt verfolgen, wie die Mitarbeiterin die Lieferkosten gestrichen hat. Ob die KI beim nächsten Kunden von selbst auf die Idee kommt, nach einer Sondervereinbarung zu schauen, ist damit noch offen.

Für die Firma ist diese Lücke im Alltag schwer zu erkennen. Die Mitarbeiterin kann die Rechnung richtig korrigieren, auch wenn sie den Grund dafür nirgends festhält. Wie viel von ihrer Erfahrung für das Anlernen der KI verfügbar wird, hängt auch davon ab, welche Fälle sie kennzeichnet, was sie dazuschreibt und ob sie dafür den vorgesehenen Weg nutzt. Ohne Gegenleistung gibt es für sie keinen Anlass, das zu tun. Wie gut das System mit diesen Informationen zurechtkommt, zeigt sich erst, wenn es einen neuen Fall eigenständig bearbeiten soll. Bis dahin hat die Firma den Übergabetermin womöglich schon zugesagt.

Dass Beschäftigte Spielraum sehen, ihr Wissen zurückzuhalten, zeigt eine Befragung von Cullen, Li und Li unter 4.043 Vollzeitbeschäftigten in den USA (Arbeitspapier, Entwurf vom 23. Juli 2026). 90 Prozent nannten mindestens eine Handlung, mit der sie weniger Daten über ihre Arbeit erfassen lassen könnten. 71 Prozent könnten „off the record“ kommunizieren, also ohne Aufzeichnung, knapp die Hälfte weniger ausführlich dokumentieren. Das beschreibt, was Beschäftigte für möglich halten, nicht, was sie tun. Wie häufig sie im Berufsalltag ihr Erfahrungswissen für sich behalten, lässt sich daraus nicht ableiten.

Annahme: Wer eine Stelle automatisiert, spart deren Lohnkosten.

Gültig: als Faustregel seit den ersten Automatisierungsvorhaben in Unternehmen (Zeitraum geschätzt, nicht belegt).

Prüfung: unentschieden. Nach einer gelungenen Umstellung kann die Rechnung aufgehen. Das Modell von Gans und Landry rechnet davor mit zusätzlichen Kosten für das Anlernen. Ob sie die spätere Ersparnis aufwiegen, lässt sich nur am konkreten Fall beurteilen.

Weiterhin offen, Prüfung folgt: Wer Einstiegsarbeit automatisiert, spart Kosten.

Joshua S. Gans und Peter Landry: *Training Your Replacement: Worker Incentives and the Pace of Automation.* NBER Working Paper 35950, Oktober 2026. https://www.nber.org/papers/w35950

Ein nicht begutachtetes, rein theoretisches Modell. Besonders lesenswert ist Abschnitt V. Dort entfällt eine einzige Voraussetzung: Die Mitarbeiterin behält ihre Stelle, und das System hilft ihr, die Arbeit besser zu erledigen. Damit entfällt im Modell der besondere Anreiz, das Anlernen zu bremsen. Für die Beurteilung eines KI-Projekts macht es also einen erheblichen Unterschied, welche Arbeit die Menschen nach der Einführung noch haben. Nicht als Handlungsanleitung.

Zur Transparenz: Unsere Texte werden nicht von KI geschrieben. Aber mit ihr gedacht.

Weitergeleitet bekommen?
The NeWoS erscheint zweimal im Monat und ist kostenlos.

Der NeWoS entsteht bei FROLLEINFLOW — seit 2011 unbequem, konsequent unangepasst, und in eurer Inbox, weil es sonst niemand schreibt.

The NeWoS erscheint zweimal im Monat bei FROLLEINFLOW, Institut für kreative Flaneure, Berlin: am 1. Dienstag die Lagebesprechung, am 3. Dienstag der KI-Radar. Beide gehen einer Frage nach: Wie bleibt man urteilsfähig, wenn Systeme das Urteilen abtrainieren?

Wer nicht nur lesen, sondern denken will - antwortet einfach auf diese Mail.

Schreibt uns gerne

frolleinflow@gmail.com

Copyright © 2026 FROLLEINFLOW, All rights reserved. | Ihr mögt diese E-Mails nicht mehr? Hier abbestellen