Zweiundfünfzig Prozent der Wissensarbeiter korrigieren inzwischen regelmäßig KI-generierte Arbeit, die jemand anderes produziert hat (Adaptavist, 2026). Nicht den eigenen Output — den eines Kollegen. In derselben Befragung von 2.500 Beschäftigten in fünf Ländern geben 42 % an, mehr Zeit mit der Prüfung von KI-Output zu verbringen, als sie durch dessen Nutzung einsparen. Lesen Sie beide Zahlen zusammen, und Sie haben den Grund, warum Ihre KI-Nacharbeit in keinem Business Case auftaucht: Wer die Einsparung verbucht und wer die Kosten trägt, sind nicht dieselbe Person — und häufig nicht einmal dasselbe Team.
Das ist ein Buchhaltungsproblem, bevor es ein Technologieproblem ist.
Die Studie, und was sie unterscheidet
Adaptavist erhob die Daten im März 2026 in Großbritannien, den USA, Kanada, Deutschland und Spanien — 2.500 Wissensarbeiter, veröffentlicht als Fortsetzung der Arbeit von 2025 zur digitalen Transformation (Adaptavist, 2026). Der Bericht prägt einen brauchbaren Begriff: die Verifizierungssteuer.
Die zentralen Zahlen:
- 52 % korrigieren regelmäßig KI-generierte Arbeit von Kollegen
- 42 % verbringen mehr Zeit mit der Prüfung von KI-Output, als sie durch die Nutzung sparen
- 49 % sagen, schlechter KI-Output bremse Projekte aktiv aus
- 46 % sagen, KI habe ihre Arbeit repetitiver und weniger sinnstiftend gemacht
Die letzte Zahl überspringen die meisten. Den Maschinen-Output eines anderen zu korrigieren ist keine interessante Arbeit. Sie entwickelt niemanden weiter, wird in Beurteilungen selten angerechnet und ist für denjenigen, der das Tool freigegeben hat, unsichtbar.
Beachten Sie auch, was die Studie nicht zeigt. Es sind keine KI-feindlichen Daten: 67 % derselben Befragten wollen, dass ihre Organisation KI stärker nutzt, 60 % fühlen sich angemessen geschult und 66 % sagen, die Einführung sei transparent kommuniziert worden (Adaptavist, 2026). Das sind Menschen, die die Technologie wollen — und ein Verteilungsproblem beschreiben, kein Fähigkeitsproblem.
Warum Ihr Dashboard Ja sagt, während Ihre Durchlaufzeiten nichts sagen
Im Mittelstand wird KI fast immer pro Arbeitsplatz gemessen. Ausgerollte Lizenzen, ausgeführte Prompts, selbstberichtete eingesparte Stunden, Adoptionsquote je Abteilung. Jede dieser Kennzahlen wird am Punkt der Erzeugung erhoben.
Die Nacharbeit wird nirgends erhoben, weil sie am Punkt des Empfangs anfällt.
Marketing erzeugt in neunzig Sekunden einen ersten Entwurf und verbucht neunzig gesparte Minuten. Die Rechtsabteilung verbringt vierzig Minuten damit, eine selbstbewusst falsche Quellenangabe zu korrigieren. Das Marketing-Dashboard ist ehrlich. Die vierzig Minuten der Rechtsabteilung landen in einer allgemeinen Auslastungszeile, und niemand gleicht beides ab. Wiederholen Sie das über Finanzen, Operations, Support und Produkt, und Sie erhalten das im Mittelstands-Reporting fast universelle Muster: Die berichteten Zeitersparnisse steigen jedes Quartal, und die Durchlaufzeiten bleiben exakt dort, wo sie waren.
Drei Eigenschaften, die diese Kosten schwer sichtbar machen
Sie überschreiten eine Grenze. Kostenrechnung ist nach Teams organisiert. Kosten, die in einem Team entstehen und in einem anderen landen, haben keinen natürlichen Eigentümer — also erfasst sie keiner von beiden.
Es ist nicht abgerechnete Seniorität. Wer korrigiert, ist meist die erfahrenere Seite — die Person mit genug Fachurteil, um den Fehler zu erkennen. Sie zahlen Ihre höchsten Stundensätze, um Output aufzuräumen, der zu Ihren niedrigsten erzeugt wurde.
Sie sind sozial unangenehm zu melden. „Ich habe den Nachmittag damit verbracht, den KI-Entwurf eines Kollegen zu reparieren" ist keine bequeme Zeile im Statusbericht — also wird sie als die zugrunde liegende Aufgabe verbucht.
Das ist nicht der Rückfluss, über den Sie schon gelesen haben
Zwei benachbarte Befunde werden mit diesem verwechselt, und die Unterscheidung entscheidet, welchen Hebel Sie ziehen.
Gleans Work AI Index — 6.000 digitale Beschäftigte, erstellt mit Forschenden von Stanford, UC Berkeley und Harvard — fand, dass KI rund 11 Stunden pro Woche spart, während Beschäftigte etwa 6,4 Stunden mit „Botsitting" verbrennen: Überwachen, Debuggen, Tool-Wechsel (Glean, 2026). Das ist ein Rückfluss beim selben Beschäftigten. Wer Zeit spart, zahlt sie sich selbst zurück, und die Lösung heißt Kontextzugang: worauf Ihre Systeme das Modell überhaupt zugreifen lassen.
METRs randomisierte Studie zeigte ein anderes Versagen: 16 erfahrene Open-Source-Entwickler, 246 reale Aufgaben in ihren eigenen Repositories. Sie prognostizierten 24 % mehr Tempo, glaubten im Nachhinein an 20 % Gewinn — gemessen wurden 19 % langsamer (METR, 2025). Das ist ein Wahrnehmungsversagen: Selbstberichtete Einsparungen sind selbst bei Experten am eigenen Code unzuverlässig.
Adaptavist beschreibt ein Drittes: eine laterale Verschiebung. Nicht derselbe Beschäftigte, der sich selbst zurückzahlt, kein falsch wahrgenommener Gewinn, sondern Kosten, die eine Kostenstelle verlassen und in einer anderen ankommen. Kontext-Tooling behebt das nicht. Bessere Selbstauskunft behebt das nicht. Nur Messung an der Grenze behebt es.
Die drei Befunde addieren sich im Übrigen. Wenn Einsparungen an der Quelle überschätzt (METR), teilweise vom selben Beschäftigten wieder aufgezehrt (Glean) und teilweise an Kollegen exportiert werden (Adaptavist), ist der verbleibende Nettogewinn in einem typischen Mittelstands-Workflow eine deutlich kleinere Zahl, als jede Einzelstudie nahelegt.
Größenordnung: Was die Verifizierungssteuer bei 200 FTE bedeutet
Die Studie berichtet Anteile, keine Stunden — jede Euro-Zahl ist also Ihre Arithmetik, nicht die von Adaptavist. Rechnen Sie trotzdem: Die Größenordnung ist das Argument.
Nehmen Sie ein Unternehmen mit 200 Personen, davon 120 in Wissensarbeit. Wenn 52 % regelmäßig KI-Output von Kollegen korrigieren, sind das rund 62 Personen. Nehmen Sie an — konservativ, und genau diese Annahme gehört geprüft statt geglaubt — zwei Stunden pro Woche je Person. Das sind 124 Stunden wöchentlich, etwa 6.400 Stunden im Jahr, also das Äquivalent von drei Vollzeitstellen, die Sie nie eingestellt, budgetiert oder diskutiert haben.
Und nun schauen Sie, wem diese Stunden gehören. Korrigieren erfordert das Urteilsvermögen zu erkennen, was falsch ist — die Last konzentriert sich also auf Ihre erfahrenen Fachkräfte, genau jene, die Sie nennen würden, wenn man fragt, wer am schwersten zu ersetzen ist. Sie geben drei FTE Ihres knappsten Urteilsvermögens für Aufräumarbeit aus, die in niemandes Zielen steht.
Die Zahl ist illustrativ. Die Übung ist es nicht: Rechnen Sie mit Ihrer Belegschaft und Ihrer Schätzung, legen Sie das demjenigen vor, der das KI-Budget verantwortet, und beobachten Sie, wie schnell das Gespräch von der Lizenzzahl zum Prozessdesign wechselt.
Was die Studie nicht sagen kann
Drei Grenzen, klar benannt. Sie ist selbstberichtet — die 42 % sind eine Wahrnehmung der Nettozeit, keine Messung; METRs Arbeit ist die direkte Warnung, wie stark Selbstauskünfte abweichen. Sie ist querschnittlich — sie fotografiert März 2026 und kann nicht sagen, ob die Steuer wächst oder sinkt. Und sie befragt Beschäftigte aus fünf Ländern und Unternehmen jeder Größe, nicht speziell Mittelstands-Operations; die Richtung dürfte übertragbar sein, die Größenordnung in Ihrem Kontext ist offen.
Was alle drei überlebt, ist der strukturelle Punkt: Die Korrektur überschreitet eine Grenze, die die Messung nicht überschreitet.
Der naheliegende Einwand — und wo er trägt
Der vernünftige Gegeneinwand: Das ist Reibung der frühen Adoption. Die Output-Qualität steigt, Review-Normen reifen, die Steuer sinkt. Etwas daran stimmt sicher. Erstgenerationsnutzung jeder Werkzeugklasse trägt eine Korrekturprämie, die mit Vertrautheit fällt.
Zwei Dinge begrenzen den Optimismus.
Erstens hängt die Korrektur nicht primär an der Modellqualität — sie hängt an der Zuweisung von Verantwortung. Solange Erzeugen billig und Prüfen teuer ist, steigt das Volumen auf das Niveau, das dem Erzeuger bequem ist, und der Prüfende absorbiert die Differenz. Bessere Modelle heben das Volumen so schnell, wie sie die Qualität heben.
Zweitens gibt es Hinweise, dass die Reibung eher formalisiert als aufgelöst wird. BambooHRs Workforce-Studie 2026 fand, dass 81 % der Führungskräfte KI-Produktivitätsgewinne behaupten, während 49 % der Beschäftigten sagen, KI habe überhaupt keinen Wert geliefert (BambooHR, 2026). Wenn ungeprüfte Gewinne bereits in die Erwartungen der Führung eingepreist sind, wird die Korrekturarbeit nicht ausgestattet — sie wird still von genau den Menschen absorbiert, deren Leistung am behaupteten Gewinn gemessen wird.
Also: Das Reibungsargument trägt für die Größenordnung der Steuer. Für ihre Richtung trägt es nicht.
KI-Nacharbeit an der Übergabegrenze messen
Vier Schritte. Alle sind Mess- oder Regeländerungen; keiner erfordert neue Ausgaben.
1. Instrumentieren Sie die Übergabe, nicht den Tastendruck. Wählen Sie Ihre zwei volumenstärksten teamübergreifenden Workflows und erfassen Sie auf der Empfängerseite drei Dinge: Review-Stunden, abgelehnte Entwürfe und Runden bis zur Annahme. Den Review-Schritt gibt es bereits. Sie stoppen ihn nur nicht. Ein Monat davon liefert eine echte Nettostundenzahl statt einer selbstberichteten.
2. Vergeben Sie die Review-Verantwortung, bevor ein Tool live geht. Jeder KI-gestützte Workflow, der eine Teamgrenze überschreitet, braucht einen namentlichen Reviewer und ein budgetiertes Stundenkontingent. Finanziert niemand das Review, ist der Workflow nicht bereit — Sie schlagen dann vor, unbudgetierte Kosten in die Woche eines Kollegen zu leiten.
3. Machen Sie Herkunft zur Norm, nicht zum Geständnis. Eine einzeilige Notiz bei KI-gestützter Arbeit, die eine Grenze überschreitet — was erzeugt, was geprüft, was nicht geprüft wurde — kostet den Absender Sekunden und erspart dem Empfänger die Rekonstruktion. Nebenbei bremst sie das Volumen, weil ungeprüfter Massenoutput sichtbar zurechenbar wird.
4. Verschieben Sie die Stichprobe, die Sie befragen. Adoptionsbefragungen fragen fast immer die Erzeuger. Fragen Sie die Empfänger: Wie viel Ihrer Woche geht dafür drauf, KI-gestützte Arbeit zu korrigieren, die Sie nicht produziert haben? Diese eine Frage, gestellt an Ihre erfahrenen Fachkräfte, sagt mehr über Ihren wahren KI-ROI als Ihr gesamtes Lizenz-Nutzungs-Dashboard.
Beachten Sie das Muster aller vier: Keiner bremst die Adoption. Sie verlagern die Messung dorthin, wo die Kosten tatsächlich landen.
Eine Entscheidung für dieses Quartal
Ihre KI-Nacharbeit ist kein Rundungsfehler, und sie ist nicht unsichtbar, weil sie klein wäre. Sie ist unsichtbar, weil Ihre Instrumentierung im Moment der Erzeugung endet — und die Kosten einen Schreibtisch weiter beginnen.
Die Frage lautet also nicht, ob Ihre KI Wert liefert. Sie ist enger und weit besser beantwortbar: Wer korrigiert in Ihren zwei volumenstärksten teamübergreifenden Workflows gerade — und hat ihn jemals jemand gefragt, wie lange das dauert?
Wenn Sie diese Person nicht bis Ende der Woche benennen können, haben Sie kein KI-ROI-Problem. Sie haben ein Messproblem im ROI-Kostüm, und es wird Ihnen genau das sagen, was Sie hören wollen, bis Sie den Zähler auf die andere Seite der Übergabe stellen.
