71 Prozent der Beschäftigten sagen, KI-Werkzeuge helfen ihnen, sich produktiver zu fühlen. Unter den intensivsten Nutzern steigt dieser Wert auf 93 Prozent. Fragt man dieselben Menschen, ob ihre Arbeitslast für ihre Rolle angemessen ist, bewegt sich die Antwort kaum: 72 Prozent der Power-User gegenüber 69 Prozent der Nichtnutzer — ein Unterschied von drei Punkten (Culture Amp, 2026).
Diese beiden Befunde stammen aus derselben Befragung, von denselben Beschäftigten, aus denselben zwölf Monaten. Eine Kurve steigt steil mit der Nutzungsintensität. Die andere ist flach.
Das ist kein Messfehler. Es ist ein Management-Artefakt, und es bedeutet: Die Kapazität, die Ihr KI-Rollout geschaffen hat, wird innerhalb derselben Rollen wieder aufgesogen, statt dorthin verlagert zu werden, wo Sie sie haben wollten.
Zwei Kurven aus einem Datensatz
Culture Amps erster AI-at-Work-Benchmark basiert auf 342 Befragungen, die 292 Organisationen auf der Plattform durchgeführt haben, mit rund 112.000 Beschäftigten und 343.000 Einzelantworten, erhoben in den zwölf Monaten bis Juli 2026. Die Befragten verteilen sich über 16 Branchen und alle großen Regionen; Fachkräfte ohne Führungsverantwortung machen etwa zwei Drittel der Stichprobe aus. Die Beschäftigten wurden in vier vergleichbare Nutzungsgruppen standardisiert — Nichtnutzer, gelegentliche Nutzer (ein- bis zweimal pro Woche), tägliche Nutzer und Power-User (mehrmals täglich) (Culture Amp, 2026).
Innerhalb dieser Gruppen verbessert sich nahezu jede Erfahrungskennzahl mit der Nutzung. Das Risikoverständnis steigt von 67 Prozent bei Nichtnutzern auf 95 Prozent bei Power-Usern. Die Motivation, über das hinauszugehen, was die Rolle anderswo verlangen würde, liegt bei 72 Prozent unter den intensivsten Nutzern gegenüber 57 Prozent bei Nichtnutzern. Die Zustimmung, dass KI beim Lernen und Wachsen geholfen hat, liegt global im Mittel bei 66 Prozent — nach unten gezogen von den Nichtnutzern mit 27 Prozent.
Ein einziges Item folgt dem Muster nicht. Bei der Aussage „Insgesamt fühlt sich meine Arbeitslast für meine Rolle angemessen an" reicht die Zustimmung von 69 Prozent bei Nichtnutzern bis 71–72 Prozent bei allen, die KI überhaupt nutzen. Culture Amps eigene Lesart ist nüchtern: Die erste Adoption verbessert die Wahrnehmung der Arbeitslast leicht, höhere Nutzungsfrequenz bringt keine zusätzliche Entlastung (Culture Amp, 2026).
Die gefühlte Produktivität liegt bei 71 Prozent über die Stichprobe und bei 93 Prozent unter den intensivsten Nutzern. Die gefühlte Entlastung bei der Arbeitslast ist über dieselben Gruppen drei Punkte wert.
Warum Ihr Adoption-Dashboard eine flache Arbeitslast nicht sieht
Die meisten KI-Programme im Mittelstand sind auf die falsche Variable instrumentiert. Lizenzzahlen, wöchentlich aktive Nutzer, Prompts pro Arbeitsplatz, werkzeugbezogene Zeitersparnisschätzungen — all das steigt, wenn die Adoption steigt. Keine dieser Kennzahlen verändert sich, wenn die freigewordene Stunde still von mehr derselben Arbeit verbraucht wird.
Die Wiederaufsaugung ist konstruktionsbedingt unsichtbar. Wer den Donnerstagsreport in vierzig statt neunzig Minuten fertigstellt, berichtet nicht von einer leichteren Woche, sondern von einer Woche mit mehr Inhalt. Culture Amp bringt diesen Einwand selbst vor, und zu Recht: Teller füllen sich wieder, wenn Menschen effizienter werden, und das ist normal. Niemand erwartet, dass eine Quilterin mit Nähmaschine genauso viele Decken pro Jahr produziert wie eine, die von Hand arbeitet.
Das Problem ist nicht, dass der Teller wieder voll ist. Das Problem ist, dass niemand entschieden hat, was darauf kommt.
Genau hier hört der Culture-Amp-Befund auf, eine Kuriosität zu sein, und wird zur Budgetfrage. Wenn Ihr Business Case annahm, dass zurückgewonnene Stunden als freie Kapazität, vermiedene Einstellungen oder kürzere Durchlaufzeiten sichtbar werden, und Ihre eigenen Engagement-Daten sagen, dass die wahrgenommene Arbeitslast über alle Nutzungsgruppen flach ist, dann ist der Business Case nicht verifiziert — nicht widerlegt, sondern unverifiziert. Sie haben kein Instrument auf das gerichtet, was Sie versprochen haben.
Wohin die zurückgewonnenen Stunden tatsächlich gehen
Zwei weitere Datensätze aus 2026 kartieren die Ziele, und keines davon ist strategisch.
BCGs vierte jährliche AI-at-Work-Befragung — 11.749 Beschäftigte in 14 Märkten — ergab, dass 42 Prozent der regelmäßigen Nutzer in operativen Rollen angeben, durch KI mindestens einen vollen Arbeitstag pro Woche zu sparen, während 66 Prozent sagen, sie erhalten kaum oder keine Orientierung, was mit dieser Zeit zu tun ist, und mehr als die Hälfte sie nicht in strategische Arbeit umlenkt. In derselben Stichprobe berichten 47 Prozent, inzwischen mehr Zeit mit dem Steuern und Anleiten von KI zu verbringen als mit der Arbeit selbst, und 72 Prozent sagen, KI habe die Kompetenzanforderungen ihrer Rolle bereits erheblich verändert (BCG, 2026).
Lesen Sie diese beiden Zahlen zusammen. Die Stunde ist real. Die Entscheidung über die Stunde existiert nicht. In ihrer Abwesenheit fällt die Stunde an die nächstgelegene Nachfrage — und das ist zunehmend die KI selbst.
BambooHRs Befragung von 1.608 US-Büroangestellten hat dieses Ausweichverhalten mit der Stoppuhr gemessen. Beschäftigte verbringen im Schnitt 87 Minuten pro Tag in KI-Werkzeugen; 42 Prozent dieser Zeit gehen in Fehlerbehebung und Prompt-Iteration, gegenüber 35 Prozent für Arbeit, die die eigene Aufgabenlast tatsächlich voranbringt (BambooHR, 2026). Mehr KI-Zeit fließt in das Reparieren von KI als in das Produzieren mit ihr.
Die Kapazität verschwindet also nicht in Müßiggang. Sie wird ausgegeben — für Aufsicht, Korrektur und die neue Koordinationsfläche, die die Werkzeuge erzeugt haben. Diese Arbeit ist echt. Sie ist nur Arbeit, die niemand budgetiert, benannt oder einer Rolle zugeordnet hat.
Das Orientierungsvakuum ist der Mechanismus
Derselbe Benchmark, der die flache Arbeitslast gefunden hat, hat auch die Ursache gefunden — und es ist nicht der Widerstand der Beschäftigten.
85 Prozent der Beschäftigten sagen, ihre Organisation fördere aktiv das Ausprobieren und Experimentieren mit KI. Nur 58 Prozent sagen, ihre Führung habe klar erklärt, wie KI mit der Richtung des Unternehmens zusammenhängt — das am schlechtesten bewertete Item im gesamten Benchmark und eine Lücke von 27 Punkten zum Ermutigungs-Item. Näher am Alltag sagen nur 60 Prozent, ihre Führungskraft teile Beispiele, wie KI ihre Ziele unterstützen kann, und die Unterstützung durch Systeme und Prozesse erreicht 64 Prozent (Culture Amp, 2026).
Amy Lavoie, VP of People Science bei Culture Amp, zieht ihren Schluss aus der Produktivitätszahl, nicht aus den Stimmungswerten: Die meisten Vorstandsteams würden sieben von zehn Beschäftigten, die sich produktiver fühlen, als Return on Investment lesen — doch bei stabilen Arbeitslastwerten ist es eine unbeantwortete Frage. Die Organisationen mit echtem Return, argumentiert sie, „werden nicht die mit den höchsten Adoptionsraten sein. Es werden die sein, die explizit entschieden haben, was sie mit der zurückgegebenen Zeit nicht mehr tun" (Culture Amp, 2026).
Das ist eine Belegschaft, die ihren Teil erledigt hat. Das fehlende Artefakt liegt über ihr: eine schriftliche Entscheidung darüber, was wegfällt.
Ein zweites Signal in derselben Mitteilung
Ein angrenzender Befund ist vorsichtig zu behandeln. Das Wissen der Beschäftigten über interne Karrieremöglichkeiten fiel seit Juli 2025 um 10 Prozentpunkte — die größte Jahresveränderung in Culture Amps Benchmark-Daten — während die Zufriedenheit mit der beruflichen Entwicklung bei 66 Prozent blieb, wo sie seit 2021 liegt. Die Beschäftigten sind nicht unzufriedener mit der Entwicklung, die sie erhalten; sie sehen weniger klar, was als Nächstes kommt.
Der Vorbehalt zählt: Culture Amp gibt an, dass diese Karrierezahlen aus dem breiteren Engagement-Benchmark stammen, einer größeren Population als die KI-Stichprobe mit 112.000 Beschäftigten. Schreiben Sie sie nicht der KI-Kohorte zu. Behandeln Sie sie als umgebendes Wetter, nicht als dieselbe Messung.
Der ehrliche Einwand
Drei Grenzen, klar benannt.
Das ist Wahrnehmung, nicht Output. Jede Zahl hier ist eine Selbstauskunft darüber, wie sich jemand fühlt. Culture Amp sagt es ausdrücklich: Jedes Benchmark-Ergebnis ist eine Gruppe von Beschäftigten, die mitteilt, wie sie etwas empfindet — kein Maß für Output oder Stunden. Ein flacher Arbeitslastwert ist mit echten Kapazitätsgewinnen vereinbar, die Menschen einfach unbemerkt aufgenommen haben.
Die Stichprobe ist selbstselektiv. Organisationen, die eine KI-Befragung durchführen, sind per Definition weiter als solche, die es nicht tun. Nordamerika stellt 58 Prozent der Unternehmen, die das Template nutzen, Technologie führt nach Branche, und Organisationen mit mehr als 1.000 Beschäftigten machen rund ein Drittel der Nutzer aus. Culture Amps Rahmung ist korrekt: Lesen Sie es als Porträt KI-engagierter Organisationen, nicht jedes Arbeitgebers. (Der Pressetext nennt in einem Absatz auch „123 Organisationen" gegenüber 292 im Methodenblock; zu zitieren ist die Methodenangabe.)
Die Alternativerklärung ist Zeitpunkt, nicht Misserfolg. Das NBER Working Paper 35684 — Babina, He und Jiang — führt frühe KI-Produktivitätsgewinne auf den Aufbau von Organisationskapital zurück, also auf dauerhaftes, firmenspezifisches Wissen aus Learning by Doing, und nicht auf Werkzeuge oder KI-Personal als solche (NBER, 2026). Der Haupttext ist zugangsbeschränkt, daher darf dem Papier keine Effektstärke zugeschrieben werden. Die Richtung ist jedoch ein fairer Einwand: Ein Jahr flacher Arbeitslast kann der Preis dafür sein, Prozesswissen aufzubauen, das später zahlt. Diese Lesart steht allerdings nur Unternehmen offen, die tatsächlich etwas kodifizieren. Sie steht einem Unternehmen mit 400 individuell optimierten Workflows und keiner einzigen Aufzeichnung darüber nicht offen.
Was vor Quartalsende zu entscheiden ist
Vier Schritte. Keiner davon ist eine neue Lizenz.
- Schreiben Sie die Stopp-Liste, pro Team, mit Namen dahinter. Nicht „manuelle Arbeit reduzieren" — drei konkrete wiederkehrende Ergebnisse, die nach diesem Quartal nicht mehr produziert werden, und wer bestätigt hat, dass sie nicht mehr gebraucht werden. Wenn nichts auf der Liste unangenehm ist, ist die Liste Dekoration.
- Benennen Sie das Ziel der zurückgewonnenen Stunden, bevor Sie sie verbuchen. Eine freigegebene Stunde ohne benanntes Ziel ist eine aufgesogene Stunde. Wählen Sie eines pro Rolle: ein Entwicklungsziel, ein bereichsübergreifendes Projekt, einen internen Wechsel oder bewussten Puffer. „Strategische Arbeit" ist kein Ziel.
- Nehmen Sie eine Arbeitslastfrage in Ihre nächste Engagement-Befragung auf und segmentieren Sie sie nach KI-Nutzungsgruppe. Sie können Culture Amps Befund in einem Befragungszyklus im eigenen Unternehmen reproduzieren. Wenn Ihre intensivsten Nutzer dieselbe Arbeitslast berichten wie Ihre Nichtnutzer, haben Sie Wiederaufsaugung direkt gemessen — in Ihren Daten, mit Ihren Rollen daran.
- Instrumentieren Sie die Rolle, nicht das Werkzeug. Die Stopp-Entscheidung braucht eine Sicht darauf, was jede Position tatsächlich beiträgt, welche Kompetenzen die zurückgewonnenen Stunden aufbauen könnten und welchen internen Wechsel die freie Kapazität möglich macht. Das sind Daten auf Rollenebene, keine Adoptionsdaten. Scovais Performance- und Nachfolgeebene misst Kompetenzen pro Zyklus und leitet daraus interne Mobilität und Nachfolgereife ab, falls Sie eine konkrete Referenz dafür suchen, wie solche Instrumentierung aussieht.
Der eigentliche Befund des Benchmarks ist nicht, dass KI die Arbeitslast nicht gesenkt hat. Er ist, dass 112.000 Beschäftigte einen Produktivitätsgewinn erhielten und niemand über ihnen festgelegt hat, wofür er gedacht war.
Ihre intensivsten KI-Nutzer haben die Zeit schon gefunden. Die einzige Frage, die für dieses Quartal bleibt: Entscheiden Sie, wohin sie geht — oder entscheidet es ihr Postfach.
