Je schneller die KI ist, desto mehr müssen Organisationen lernen, „Reibung“ zu erzeugen.

Führungskräfte lieben KI, weil sie die Wiederverwendung von Wissen so einfach macht: Entwürfe sofort generieren, Code sofort schreiben, Analysen sofort abschließen. Untersuchungen zeigen jedoch, dass die einfache Wiederverwendbarkeit von Wissen einen versteckten Preis hat.

Wir erforschen, wie Organisationen lernen. In einer kürzlich in der Zeitschrift *Management Science* veröffentlichten Studie haben wir ein formelles Analysemodell verwendet – ein mathematisches Rahmenwerk zur Untersuchung, wie Individuen in Organisationen zwischen „eigenständiger Erkundung“ und „Wiederverwendung der Ergebnisse anderer“ wählen – um zu prüfen, was passiert, wenn „gut genug“ Antworten fast kostenlos verfügbar sind. Die Modellvorhersage zeigt: Mit steigendem Grad der Wissenswiederverwendung sinkt das unabhängige Erkundungsverhalten, und die Teammitglieder neigen allmählich dazu, nur wenige identische Methoden anzuwenden. Einfach ausgedrückt: Die Produktivität steigt, aber die Innovation stagniert leise und unbemerkt.

Ähnliche Beobachtungen haben wir auch in empirischen Studien festgestellt. Zum Beispiel fanden Kevin Boudreau und Karim Lakhani in einem 2015 in der Zeitschrift *Research Policy* veröffentlichten Artikel heraus, dass Berechnungsbiologen, wenn sie uneingeschränkt Zugriff auf die Zwischenlösungen der anderen haben, mehr Energie in die Verbesserung bestehender Lösungen stecken statt unabhängige Experimente durchzuführen. Infolgedessen wird der Erkundungsraum immer enger, was genau mit unserer vorhergesagten „Produktivitätsfalle“ übereinstimmt.

Diese Situation haben wir auch in unserer täglichen Arbeit erlebt. Um mit der Entwicklungskurve der KI Schritt zu halten, hat unsere Einrichtung wöchentliche Treffen eingerichtet, um neueste Tools und Anwendungsfälle zu teilen. Anfangs war die Teilnahme sehr hoch, aber im Laufe der Zeit gab das Team immer weniger neue Entdeckungen preis, immer weniger Menschen nahmen an den Diskussionen teil, und der Inhalt der Treffen wandelte sich allmählich zur Vorstellung der neuesten KI-Tools. Der Grund dafür ist, dass ohne diese allgemeinen Erklärungen die anderen nicht über genügend Hintergrundwissen verfügen, um neuartige Anwendungen zu verstehen. Das Ergebnis ist, dass nur wenige Personen kontinuierlich erkunden, während die meisten darauf warten, von diesen Erkundungsergebnissen zu profitieren. Dieser Mechanismus fördert zwar den Wissensaustausch, schwächt aber die Bereitschaft der Menschen, sich an hochaufwändigen Erkundungsarbeiten zu beteiligen – und genau diese Erkundungen sind die Quelle neuer Erkenntnisse.

Daraus geht hervor, dass generative KI die ökonomische Logik des Lernens verändert. Wenn ein plausibles Strategiememorandum innerhalb weniger Minuten generiert werden kann, werden immer weniger Menschen bereit sein, mehrere Tage für relativ schwierige Arbeiten aufzuwenden, die originäre Erkenntnisse liefern – wie die Kommunikation mit Kunden, die Kreuzvalidierung von Daten und die wiederholte Überprüfung von Hypothesen. Wenn „gut genug“ Antworten kostenlos werden, sinkt die Zahl der Menschen, die bereit sind, Kosten für die Suche nach einer „besseren Antwort“ zu tragen. Letztendlich könnten Unternehmen voller Menschen sein, die schnell verschiedene KI-Ausgaben abrufen können, aber es fehlt an Personen, die beurteilen können, ob diese Ergebnisse zuverlässig sind, sie an die tatsächliche Situation anpassen oder sogar ihre Schlussfolgerungen widerlegen können.

Der Produktivitätsfalle entkommen

Um dieses Problem zu lösen, müssen wir unsere Sichtweise auf Anstrengung grundlegend ändern. In unserem Modell führt das Hinzufügen von geringfügigen Reibungen beim Wissensaustausch auf individueller Ebene dazu, dass das aufgenommene Wissen – das von Wissenschaftlern als „Absorptionskapazität“ bezeichnet wird – auf kollektiver Ebene zunimmt. Die Absorptionskapazität ist die Fähigkeit, Ideen zu bewerten, anzupassen und zu verbessern, statt sie nur zu kopieren. Wenn Menschen eine gewisse Anstrengung unternehmen müssen, um die Ergebnisse anderer zu nutzen, führen sie mehr unabhängige Überprüfungen und Anpassungen durch. Dieser Einsatz hilft ihnen nicht nur, von anderen zu lernen, sondern erzeugt auch neues Wissen, von dem andere profitieren können. Das Ergebnis ist ein höherer langfristiger Wissensbestand im gesamten System, der zu einer höheren langfristigen Durchschnittsleistung führt.

Diese Erkenntnis hat uns dazu veranlasst, ein „Reibungsprotokoll“ in den Seminaren für MBA- und Doktorand*innen zu erproben. Wir haben eine einfache Regel aufgestellt: Um am Austausch teilzunehmen, muss man zuerst nachweisen, dass man es selbstständig versucht hat. Wir freuen uns über Erfolgsbeispiele, aber wir legen mehr Wert auf „fehlgeschlagene Prompts“ – also Versuche, die in eine Sackgasse geführt haben, und Fälle, in denen die KI Halluzinationen produziert hat. Es ist einfach, den Erfolg anderer aus dem Internet zu kopieren, aber nur durch echte Erkundungen kann man den Verlauf eines Fehlschlags dokumentieren.

Obwohl die Einführung von „strategischen Reibungen“ das Team im Moment scheinbar verlangsamt, macht sie tatsächlich alle besser. Mehr Teilnehmer kommen mit „Teillösungen“ für dasselbe Problem zur Sitzung, und das Team kann diese Teillösungen anschließend zu einer ausgereifteren Vorgehensweise kombinieren. Indem die Teilnehmer gezwungen werden, zuerst mit dem Tool zu „kämpfen“, bauen sie Absorptionskapazität auf. Auf diese Weise verstehen die Teilnehmer, wenn ein bahnbrechendes Ergebnis geteilt wird, nicht nur, warum es funktioniert, sondern auch, wie sie es anpassen und anwenden können. Wir teilen nicht nur Prompts, sondern erweitern den gesamten Wissensbestand des Teams.

Absorptionskapazität aufbauen

Unsere Studie basiert auf einem formalen Modell und nicht auf Feldexperimenten: Das Modell beweist, dass das Lernen von anderen ein gewisses Verständnis voraussetzt, sodass die langfristige Wissensproduktion steigt – also mehr unterschiedliche Vorgehensweisen erhalten bleiben, weniger Menschen die Erkundung vollständig aufgeben und Organisationen weniger anfällig dafür sind, in nur wenige „gut genug“ Lösungen zu geraten. Der Kernmechanismus, den unsere Studie aufdeckt – die Absorptionskapazität – baut auf jahrzehntelanger Forschung auf und weist darauf hin, dass vorhandenes Wissen einen konzeptuellen Rahmen liefert, der Individuen hilft, neue Informationen zu kodieren und anzuwenden. So wie Kinder beim Sprachenlernen neue Wörter auf bereits beherrschte Wörter aufbauen, funktioniert auch der Prozess, in dem Fachleute Expertise aufbauen.

In der Praxis zeigt sich die Absorptionskapazität im Unterschied zwischen „eine Antwort erhalten“ und „mit dieser Antwort etwas tun können“.

Ein Manager mit Absorptionskapazität akzeptiert nicht einfach den von der KI generierten Analysebericht über Konkurrenten, sondern kann Lücken darin erkennen, die Analyse anhand beobachteter Marktsituationen überprüfen und die Empfehlungen an die eigene Situation anpassen. Ein Manager ohne Absorptionskapazität leitet die KI-Ausgabe unverändert weiter.

Als wir das „Reibungsprotokoll“ in unseren Seminaren erprobten, haben wir zwei Indikatoren vor und nach der Umsetzung verfolgt. Erstens die Vielfalt der Probleme und Anwendungsfälle, die während der Austauschphase auftauchen – ein Proxy-Indikator für unabhängige Erkundung. Zweitens die Tiefe der Anpassung der geteilten Inhalte: Geben die Teilnehmer einen kopierten Prompt zurück oder einen an einen bestimmten Zweck angepassten Arbeitsablauf? Nach der Forderung nach Nachweisen für selbstständige Versuche waren die Veränderungen sehr deutlich. Vor der Umsetzung des „Reibungsprotokolls“ stellten die Studierenden nur wenige originäre Fragen, und fast niemand teilte noch nicht ausgereifte Teillösungen. Nach der Einführung dieser Regel trug jede*r Studierende im Durchschnitt zwei verschiedene Probleme und etwa eine Teillösung für jedes Problem bei. Da alle zuvor selbstständig versucht hatten, wurde die Diskussion lebendiger, und die geteilten Inhalte zeigten echte Neuschöpfung: Die Teilnehmer brachten modifizierte Arbeitsabläufe statt einfach kopierter Prompts mit. Alle konnten schnell auf den Zwischenergebnissen der anderen aufbauen und kombinierten oft vollständige Lösungswege während der Diskussion. Dieses Phänomen ist genau das, was unser Modell vorhersagt: Reibung reduziert das Lernen nicht, sondern erhöht Menge und Qualität des geteilten Wissens.

Für Manager, die die Absorptionskapazität ihres Teams verfolgen möchten, gibt es mehrere beobachtbare Verhaltensweisen als Überprüfungsindikatoren: Können Mitarbeiter Fehler, Auslassungen oder unangemessene Annahmen in KI-Ausgaben erkennen und erklären, warum das so ist? Weichen die Endergebnisse wesentlich von den ursprünglichen KI-Ausgaben ab und enthalten sie neue Fakten, Randbedingungen und Gegenbeispiele? Tragen Mitarbeiter originäre Beobachtungen bei – wie Kundenfeedback, Daten aus internen Systemen oder Entwicklungen bei Konkurrenten – statt nur allgemeine Prompts zu nutzen? Und können sie Erfahrungen aus einem Szenario auf neue Probleme übertragen, statt jedes Mal von Null anzufangen? Wenn diese Verhaltensweisen zunehmen, bedeutet das, dass die Absorptionskapazität des Teams wächst.

Leider beseitigen viele Unternehmen heute bei der Einführung von KI genau die Notwendigkeit für Menschen, Dinge zu verstehen. Führungskräfte konzentrieren sich oft darauf, die Akzeptanzrate und die Benutzerfreundlichkeit zu erhöhen, schwächen aber unbeabsichtigt die Absorptionskapazität der Organisation. Wenn Unternehmen also ihre langfristige Innovationskraft schützen wollen, müssen Führungskräfte die Logik überdenken, die nur nach „möglichst einfacher Nutzung“ strebt, und bewusst „strategische Reibungen“ wieder in die Organisationssysteme einbauen.

Strategische Reibungen einführen

Unser Ziel ist es nicht, die Arbeit schmerzhaft zu machen oder bürokratische Hindernisse aufzubauen, sondern sicherzustellen, dass die Wiederverwendung von Wissen auf Fähigkeiten basiert. Der Schlüssel liegt darin, die Menschen dazu zu bringen, genügend Anstrengung in den Prozess zu investieren, um kontinuierlich zu lernen. Unsere Forschung zeigt, dass es in Organisationen ein optimales Niveau an Absorptionskapazität gibt. Zu wenig Reibung schwächt die Erkundung, zu viel Reibung verlangsamt alles. Außerdem lohnt es sich nicht, jede Aufgabe mit Reibung zu versehen: Bei Routinearbeiten, die wenig Urteil erfordern – wie das Erstellen von Sitzungsprotokollen – ist Geschwindigkeit das Wichtigste. Strategische Reibungen sollten für Aufgaben reserviert werden, bei denen die Organisation wirklich das Denken und Lernen ihrer Mitarbeiter braucht, nicht für Arbeiten, bei denen es nur um die Erstellung von Ergebnissen geht.

Im Unternehmenskontext bedeutet das, von einem „Orakelmodell“ – bei dem Benutzer Fragen stellen und das System Antworten liefert – zu einem „reziproken Modell“ überzugehen, bei dem Benutzer zuerst ihr Verständnis beisteuern, um Weisheit zu extrahieren. Es gibt viele Wege, diesen Wandel umzusetzen, von einfachen Strategieanpassungen bis zu ehrgeizigeren Systemdesigns. Führungskräfte können mit folgenden Punkten beginnen.

Regeln festlegen, die die Dokumentation selbstständiger Versuche verlangen. Zum Beispiel muss ein Analyst vor der Verwendung von KI zur Erstellung einer Marktanalyse zuerst sein eigenes vorläufiges Urteil einreichen – es darf unvollständig sein, aber es muss angeben, welche Informationen er bereits besitzt und bei welchen Fragen er steckt. Diese Reibung ist am einfachsten umzusetzen, da keine Systemumgestaltung erforderlich ist. Genau diese Vorgehensweise haben wir in unseren akademischen Seminaren angewendet: Wer nicht nachweisen kann, dass er es wirklich versucht hat, darf nicht am Austausch teilnehmen.

KI so gestalten, dass sie zuerst Benutzereingaben verlangt, bevor sie vollständige Ausgaben generiert. Zum Beispiel gibt die KI, wenn ein Analyst eine Analyse von Konkurrenten anfordert, nicht sofort einen Bericht aus, sondern verlangt zuerst drei konkrete Beobachtungen zu den jüngsten Preisstrategien des Konkurrenten. Anschließend integriert die KI diese neuen Informationen in das Analyseergebnis. Das zwingt die Analysten, vor dem Erhalt der Antwort zu recherchieren, baut die Absorptionskapazität auf und sammelt gleichzeitig Informationen aus der Praxis, um zu verhindern, dass die KI ständig veraltete Informationen wiederverwendet. Natürlich geben die Benutzer die Informationen weiterhin über Prompts ein, sodass diese Reibung relativ mild ist.

Schwellenwert-Oberflächen erstellen, bei denen man zuerst Informationen eingeben muss, um Hilfe freizuschalten. Zum Beispiel muss der Analyst, bevor er die interne KI auffordert, einen Risikobewertungsbericht zu erstellen, auf der Systemoberfläche ein Basisannahme hochladen und drei Schlüsselvariablen oder Randbedingungen markieren. Erst nachdem diese manuellen Eingaben abgeschlossen sind, wird die Schaltfläche „Generieren“ freigeschaltet. Die KI vertieft die Analyse auf Basis der vom Analysten bereitgestellten Informationen, statt sie direkt zu ersetzen. Das stellt sicher, dass jede Ausgabe eine Zusammenarbeit zwischen Mensch und KI ist, keine einfache Aufgabenübertragung. Das ist die anspruchsvollste Form von Reibung und erfordert, dass Unternehmen angepasste KI-Tools entwickeln.

Maßnahmen auf strategischer Ebene können Teamleiter sofort umsetzen. Lösungen auf Oberflächenebene erfordern einen gewissen Designaufwand, bringen aber doppelten Nutzen: Sie verbessern die Absorptionskapazität der Benutzer und sammeln kontinuierlich Informationen aus der betrieblichen Praxis, um zu verhindern, dass das KI-Modell in einen geschlossenen Zyklus gerät, der nur auf seine eigenen Ausgaben angewiesen ist. Maßnahmen auf Systemebene sind eine langfristige Investition, aber genau das ist die Richtung, in die Unternehmen gehen sollten: KI-Tools zu entwickeln, die Menschen klüger machen, statt nur ihre Arbeit schneller zu erledigen.

Wie man Aufbauer*innen erkennt

Bemühungen, um zu verhindern, dass die Organisation stagniert, können sogar schon beginnen, bevor sich Mitarbeiter im System anmelden. Viele Unternehmen stellen bis heute Mitarbeiter für die „richtigen Antworten“ ein. Aber in einer KI-gesättigten Umgebung ist diese Fähigkeit kaum mehr ein Unterscheidungsmerkmal. Das wirklich Wichtige ist der „richtige Prozess“. Bei Vorstellungsgesprächen und Leistungsbewertungen sollten Manager beobachten, wie Kandidaten und Mitarbeiter KI-Tools verwenden: Sehen sie die KI-Ausgabe direkt als fertiges Ergebnis an, oder hinterfragen sie sie, überprüfen sie die Annahmen und fügen sie ihre eigenen Beobachtungen hinzu?

Jüngste Forschungen machen diese Muster sichtbar. Eine Feldstudie von Hila Lifshitz mit Kollegen von der Harvard University, dem MIT und der University of Warwick analysierte fast 5000 Interaktionen zwischen Mensch und KI von 244 Berater*innen der Boston Consulting Group. Die Studie konzentrierte sich auf drei verschiedene Stile der Zusammenarbeit zwischen Mensch und KI, die sich hauptsächlich in zwei Fragen unterscheiden: Wer entscheidet, was getan wird, und wer entscheidet, wie es getan wird?

„Zentauren“ behalten die menschliche Vorherrschaft in beiden Dimensionen bei, und die KI leistet nur gezielte Unterstützung. „Cyborgs“ lassen den Menschen entscheiden, „was zu tun ist“, geben der KI aber großen Raum bei der Frage „wie es zu tun ist“ und arbeiten mit der KI durch fortlaufende kritische Dialoge zusammen. „Selbstautomatisierer“ übergeben beides an die KI und geraten in einen Zustand, den die Forscher als „Entqualifizierung“ bezeichnen – sie bauen weder Fachkompetenz auf noch verbessern sie ihre Fähigkeit zur Nutzung von KI. In unserem Rahmenwerk sind „Zentauren“ und „Cyborgs“ Aufbauer*innen; „Selbstautomatisierer“ sind dagegen die „Trittbrettfahrer“, vor denen unser Modell warnt.

Diese Erkenntnisse zeigen, dass sich Aufbauer*innen und Trittbrettfahrer hauptsächlich durch folgende zwei Verhaltensweisen unterscheiden.

Selektive Delegation. Aufbauer