Mehr Output, mehr Probleme? Was KI im Arbeitsalltag von Teams verändert

Im zweiten Teil dieser Reihe haben wir vier Muster beschrieben, wie Mensch und KI in der Softwareentwicklung heute bereits zusammenarbeiten, vom Copilot bis zum sozio-technischen System. Die eigentliche Veränderung betrifft deshalb nicht einzelne Arbeitsplätze oder Werkzeuge. Sie betrifft die Architektur der Zusammenarbeit insgesamt, und das bringt viele Herausforderungen mit sich. Im dritten Teil schauen wir darauf, was KI im Arbeitsalltag von Teams konkret verändert: warum mehr Output nicht automatisch mehr Wertschöpfung bedeutet, wie sich Kommunikation verschiebt und welche neuen Belastungen entstehen, obwohl KI eigentlich entlasten soll.

Das Produktivitätsparadox: Mehr Output ist nicht automatisch mehr Wertschöpfung

Im Bereich der Softwareentwicklung gibt es deutliche Produktivitätsgewinne durch KI-gestützte Arbeit. Entwickler:innen erledigen Aufgaben schneller, verbringen mehr Zeit mit eigentlicher Entwicklungsarbeit und weniger Zeit mit administrativen Tätigkeiten. Besonders bei klar umrissenen Aufgaben entstehen messbare Effizienzgewinne. Gleichzeitig zeigt sich jedoch ein wiederkehrendes Muster: Höhere individuelle Produktivität führt nicht automatisch zu höherer Leistungsfähigkeit des Gesamtsystems.

Wenn mehr Code erzeugt wird, entstehen häufig zusätzliche Prüf-, Review- und Abstimmungsaufwände. Engpässe verlagern sich von der Erstellung zur Validierung. Die Produktivität einzelner Teammitglieder steigt, während die Belastung anderer Teile des Systems zunehmen kann.

Hinzu kommt sogenannte „Ghost Work“. Gemeint sind Tätigkeiten, die notwendig sind, damit KI produktiv eingesetzt werden kann, die aber im sichtbaren Nutzungserlebnis kaum erscheinen. Dazu gehören die Auswahl und Aufbereitung von Daten, die Gestaltung von Prompts und Kontexten, die Qualitätskontrolle von Ergebnissen, die Korrektur von Fehlern, die Abstimmung organisatorischer Regeln, die Risikoprüfung sowie die laufende Anpassung von Arbeitsweisen und Regeln.

Damit wird sichtbar, dass die Wirkung von KI nicht allein auf Ebene einzelner Personen betrachtet werden sollte. Entscheidend bleibt die Leistungsfähigkeit der gesamten Wertschöpfungskette.

Von synchroner zu artefaktbasierter Kommunikation

KI im Arbeitsalltag verändert Kommunikation in Teams. Am Beispiel der KI-gestützten Softwareentwicklung zeigt sich: Viele KI-Werkzeuge reduzieren den Bedarf für einfache Rückfragen, Standardprobleme oder sogar technische Detailklärungen. Entwickler:innen finden schneller Antworten, erzeugen erste Lösungsansätze eigenständig und müssen seltener Unterstützung für Routinefragen bei anderen Teammitgliedern einholen. Gleichzeitig verschiebt sich die Kommunikation auf andere Themen. Teams diskutieren weniger über Implementierungsdetails und stärker über Architekturentscheidungen, Lösungsalternativen, Qualitätskriterien und strategische Abwägungen.

Dabei verändert sich nicht nur, worüber Teams sprechen, sondern auch, wie sie zusammenarbeiten. In KI-gestützten Teams findet ein wachsender Teil der Abstimmung nicht mehr im direkten Gespräch statt, sondern asynchron über digitale Arbeitsergebnisse. Teams kommentieren, prüfen und ergänzen diese Ergebnisse zu unterschiedlichen Zeitpunkten, statt Informationen ausschließlich in Meetings oder spontanen Gesprächen auszutauschen.

Das kann die Effizienz erhöhen und Zusammenarbeit über Zeitzonen, Standorte oder Arbeitszeiten hinweg erleichtern. Es steht jedoch im Gegensatz zu dem agilen Prinzip: „Die effizienteste und effektivste Methode, Informationen an und innerhalb eines Entwicklungsteams zu übermitteln, ist im Gespräch von Angesicht zu Angesicht.“ Wenn Teile dieses direkten Austauschs wegfallen, müssen Teams umso bewusster darauf achten, dass Ziele, Annahmen und Entscheidungen für alle nachvollziehbar bleiben.

KI ersetzt Zusammenarbeit somit nicht. Sie verschiebt sie auf andere Ebenen der Wertschöpfung. Die eigentliche soziale Leistung des Teams bleibt bestehen, verlagert sich jedoch stärker auf gemeinsame Bewertung, Priorisierung und Entscheidungsfindung. Die Herausforderung besteht darin, gemeinsame Orientierung aufrechtzuerhalten.

Neue Formen von Überforderung

KI verspricht Entlastung, weil sie zeitintensive Arbeiten und Routineaufgaben gut abnehmen kann. Gleichzeitig entstehen aber neue, andere Belastungen. Dass KI-generierte Ergebnisse validiert werden müssen, birgt das Risiko eines sogenannten Review-Overloads: Mehr erzeugter Code führt zu mehr Gegenprüfungen, sogenannten Code Reviews, und zu höherem Abstimmungsaufwand. Zudem liefert KI als Implementierungsplan häufig lange Fließtexte mit technischen und fachlichen Details, die Entwickler:innen lesen und verstehen müssen, damit sie das KI-Modell in die gewünschte Richtung steuern können. Ermüdung und Flüchtigkeitsfehler können die Folge sein.

Hinzu kommt die steigende Parallelität der Arbeit. Entwickler:innen koordinieren häufig mehrere KI-unterstützte Aufgabenstränge gleichzeitig, verfolgen unterschiedliche Arbeitsstände und bewerten zahlreiche generierte Beiträge. Die Orchestrierung menschlicher und maschineller Beiträge verlangt ein hohes Maß an Konzentration bei gleichzeitigen Kontextwechseln. Diese erhöhte kognitive Belastung kann zu Überforderung und Erschöpfung beitragen.

Als Antwort auf Kontextwechsel kennt die Softwareentwicklung beispielsweise „Work-in-Progress-Limits“ und den Leitspruch „Stop starting, start finishing“. Die Vermutung liegt nahe, dass diese Arbeitsweisen nun umso wichtiger werden und gleichzeitig für neue Arbeitsrealitäten angepasst werden müssen.

Die Rolle von Scrum Master:innen, Agile Coaches und vergleichbaren Strukturgebenden bleibt also wichtig, verändert sich aber. Denn je stärker KI die Parallelität von Arbeit erhöht, desto wichtiger werden Rollen, die Zusammenarbeit strukturieren und Komplexität handhabbar halten. Ihre Aufgabe besteht nicht primär darin, KI einzuführen, sondern die Bedingungen zu gestalten, unter denen KI produktiv genutzt werden kann. Dazu gehören die Begrenzung paralleler Arbeit, die Stabilisierung von Kommunikationsstrukturen, die Gestaltung von Reviewprozessen, die Entwicklung gemeinsamer Arbeitsvereinbarungen sowie die Förderung organisationalen Lernens. Die Rolle solcher Strukturgeber:innen verschiebt sich damit stärker in Richtung Komplexitätsbewältigung.

KI im Arbeitsalltag: kein technisches, sondern ein organisatorisches Problem

Viele der beobachteten Herausforderungen, von Prüfüberlastung über die Fragmentierung der Kommunikation bis zu Kontextwechseln und steigenden Abstimmungsaufwänden, sind weniger technische als organisatorische Probleme. Sie entstehen dort, wo die Komplexität der Zusammenarbeit schneller wächst als die Fähigkeit des Teams, diese zu koordinieren und zu bewältigen.

Im vierten Teil dieser Reihe schauen wir uns an, was KI für Lernen und Kompetenzentwicklung bedeutet, warum Kompetenzerosion ein unterschätztes Risiko ist und weshalb KI bestehende Stärken und Schwächen einer Organisation wie ein Verstärker vergrößert.

Unser Ansatz

Wir begleiten Unternehmen dabei, den Übergang von agilen zu KI-gestützten, agentischen Arbeitsweisen bewusst zu gestalten, von der Analyse bestehender Zusammenarbeits- und Entscheidungsmuster über die Entwicklung tragfähiger Rollen- und Verantwortungsarchitekturen bis zur Begleitung im laufenden Change. Ziel ist eine Organisation, die KI produktiv und verantwortbar nutzt, ohne die Fehler früherer Transformationen zu wiederholen.

Mehr erfahren

Wer erlebt, dass KI im eigenen Team mehr Output, aber auch mehr Prüf- und Abstimmungsaufwand erzeugt, findet bei team neusta und HEC passende Ansprechpartner:innen.

Mehr zu den KI-Leistungen von team neusta: KI-Strategie & Umsetzung | team neusta

Kontakt zum KI-Team von team neusta: ai@neusta.de

Mehr zu den Leistungen von HEC: Individuelle Lösungen für digitale Fragestellungen | HEC

Kontakt bei HEC: Malin Schürmann, malin.schuermann@hec.de, und Frank Düsterbeck, frank.duesterbeck@hec.de