Drei Kampagnenslogans. Zwei Lesergruppen. Ein einziger Unterschied: Der einen Hälfte wurde gesagt, ein Marketingprofi habe sie geschrieben, der anderen, eine KI-Marketingsoftware. Die Slogans waren Wort für Wort identisch. Die Gruppe, die an eine KI-Urheberschaft glaubte, war um 3,4 Prozentpunkte weniger bereit, eine eigene Idee beizusteuern — bei einer Ausgangsrate von 26 % ein relativer Einbruch des freiwilligen Einsatzes um 13 % (Brookings, 2026).
An der Arbeit selbst änderte sich nichts. Nur die Signatur.
Das ist der sauberste kausale Befund, den es bislang zur KI-Zuschreibung innerhalb eines Arbeitsablaufs gibt, und er trifft eine Stelle, für die die meisten Betriebspläne keine Position vorsehen. Jede Diskussion, die Sie über KI und Ihr Team geführt haben, drehte sich um Leistungsfähigkeit: was das Modell kann, wie gut das Ergebnis ist, wo die Fehlerquote liegt. Dieser Befund sagt: Das Etikett auf dem Ergebnis verändert menschliches Verhalten für sich genommen, bei konstanter Qualität. Zuschreibung ist kein Kommunikationsdetail nach getaner Arbeit. Sie ist ein Input dafür, wie viel Arbeit Sie überhaupt bekommen.
Was das Experiment konstant hielt und was es bewegte
Die Studie ist ein präregistriertes Umfrageexperiment von Nikolova, Milanova und Wang, identisch durchgeführt an national repräsentativen Stichproben in den USA (N=1.511) und den Niederlanden (N=2.117), gepoolt auf N=3.628 (GLO Discussion Paper 1788, 2026). Das Design wurde vorab im AEA-Register hinterlegt (AEA RCT Registry #15363, 2026) — die Zielgrößen standen also fest, bevor die Daten kamen. Das ist der Unterschied zwischen einem Befund und einer Erzählung.
Den Teilnehmenden wurde ein kleines Public-Health-Thema vorgelegt — viele Menschen trinken zu wenig Wasser — mit der Bitte, bei einem Kampagnenslogan zu helfen. Bevor sie etwas sahen, bewerteten sie, wie sinnvoll ihnen die Aufgabe erschien; im Schnitt etwa 5 auf einer 7-Punkte-Skala. Danach lasen sie drei Slogans. Der einen Hälfte wurde gesagt, ein Marketingprofi habe sie verfasst, der anderen, eine KI-Software. Dieselben Slogans in beiden Armen. Anschließend bewerteten sie die Sinnhaftigkeit erneut und erhielten die Möglichkeit, einen eigenen Slogan einzureichen. Diese freiwillige Einreichung war das Maß für den Einsatz.
Zwei Ergebnisse kamen dabei heraus. Die empfundene Sinnhaftigkeit fiel in der KI-Bedingung um rund 0,07 Standardabweichungen. Die Bereitschaft, eine eigene Idee beizusteuern, sank um 3,4 Punkte von einer Basis von 26 % — daher die 13 %. Die Effekte replizierten sich in beiden Ländern.
Beachten Sie, was hier gemessen wird. Nicht Zufriedenheit. Nicht Stimmung. Das, was Menschen taten, als niemand etwas von ihnen verlangte: der freiwillige Beitrag. Genau dieser Input trägt Ihre Prozessverbesserungen, Ihre Eskalationen und Ihre Qualitätsfunde.
Die Strafe trifft auch die Arbeit selbst
Der zweite Befund bekommt weniger Aufmerksamkeit und verdient mehr.
Teilnehmende, denen gesagt wurde, die Slogans stammten von einer KI, bewerteten genau dieselben Slogans als weniger kreativ und weniger überzeugend als jene, denen man einen menschlichen Urheber nannte (Brookings, 2026). Identischer Text, schlechtere Noten. Sie berichteten außerdem von geringerem Vertrauen in die Fähigkeit von KI, solche Arbeit zu leisten.
Für eine Operations-Leitung ist das die schärfere Kante des Befunds. Wenn Ihr Team inzwischen KI-entworfenes Material prüft — Richtlinientexte, Erstanalysen, Kundenantworten, interne Briefings — findet diese Prüfung nicht unter fairen Bedingungen statt. Das Qualitätsurteil der prüfenden Person hängt teilweise am Etikett, nicht nur am Text. Ein Teil dieses Abschlags ist berechtigte Skepsis, und die wollen Sie. Aber er ist nicht auf die tatsächliche Fehlerquote des vorliegenden Entwurfs kalibriert, und das erzeugt zwei Fehlermodi zugleich: Überarbeitung guter KI-Ergebnisse und eine allgemeine Erosion des Vertrauens in die Pipeline, die sie erzeugt hat.
Sie können diese beiden Effekte nicht durch Nachfragen trennen. Man wird Ihnen ehrlich antworten, der Entwurf sei schwach gewesen.
Warum KI-Zuschreibung den Standardablauf neu bepreist
Das Standardmuster, das Mid-Market-Operations in den vergangenen achtzehn Monaten übernommen haben, lautet "KI entwirft, Mensch prüft". Es wurde gewählt, weil es motivational neutral aussah — die Person besitzt weiterhin das Ergebnis, die Maschine nimmt nur das leere Blatt weg.
Diese Evidenz sagt: Diese Neutralität war eine Annahme, keine Eigenschaft.
Im Standardmuster wird der menschliche Beitrag als Redigieren gerahmt. Der KI-Beitrag wird als Autorschaft gerahmt. Diese Rahmung ist eine Entscheidung, meist getroffen von der Person, die das Werkzeug konfiguriert hat, und sie ist nachweislich tragend. Dieselbe Arbeit anders gerahmt — der Mensch setzt den Auftrag und verantwortet die Argumentation, die KI liefert Rohmaterial — ist dieselbe Tätigkeit mit anderer Signatur, und die Signatur ist die Variable, die den Einsatz unter kontrollierten Bedingungen um 13 % bewegte.
Das verbindet sich mit einer Lücke, die in Felddaten bereits sichtbar ist. Die BCG-Befragung 2026 unter 11.749 Beschäftigten ergab, dass 47 % inzwischen mehr Zeit mit dem Steuern und Anleiten von KI verbringen als mit der Arbeit selbst, während 66 % angeben, keine sinnvolle Orientierung zu haben, wie sie die durch KI frei gewordene Zeit nutzen sollen (BCG, 2026). Rollen werden um Prüfen und Steuern herum umgebaut — genau jene Position, die das Experiment als motivational exponiert ausweist — ohne eine entsprechende Designentscheidung darüber, wie der menschliche Beitrag benannt wird.
Die Produktivitätsimplikation ist jene, die die Autoren selbst aufwerfen: Unterdrückter freiwilliger Einsatz könnte mit erklären, warum die großen experimentellen KI-Gewinne bislang nicht in gesamtwirtschaftlichen Produktivitätszahlen auftauchen. Sie können mehr Output pro Aufgabe erhalten und weniger Beitrag drumherum — und der zweite Effekt erscheint auf keinem Tooling-Dashboard.
Wo das in einem Unternehmen mit 50 bis 500 Mitarbeitenden auftaucht
Vier Stellen, grob nach Geschwindigkeit der Wirkung.
Interne Kommunikation. Richtlinien-Updates, Prozessänderungen und Material für Vollversammlungen, mit KI erstellt und als solche erkennbar. Die Botschaft ist identisch mit der von Menschen geschriebenen Fassung; die Aufnahme ist es nicht. Wenn Sie wollen, dass Menschen freiwillig handeln statt nur zu befolgen, arbeitet das Etikett gegen Sie.
Peer Review und Qualitätsgates. Die Adaptavist-Studie 2026 unter 2.500 Wissensarbeitern ergab, dass 52 % regelmäßig KI-generierte Arbeit von Kolleginnen und Kollegen korrigieren (Adaptavist, 2026). Diese Korrekturlast ist bereits real. Was dieses Experiment ergänzt: Das Schwereurteil der prüfenden Person hängt teilweise am Etikett — Ihr Nacharbeitsvolumen ist also kein sauberes Signal Ihrer Fehlerquote.
Das Kumulationsproblem
Keiner dieser vier Punkte ist für sich gravierend. Der Mechanismus ist die Expositionshäufigkeit. Ein einzelnes KI-etikettiertes Artefakt kostet Sie einen Bruchteil des freiwilligen Einsatzes einer Person bei einer Aufgabe. Eine Pipeline, in der die meisten Erstentwürfe, Zusammenfassungen und Routineanalysen etikettiert eintreffen, bedeutet, dass derselbe kleine Abschlag Dutzende Male pro Woche auf alle nachgelagerten Beteiligten wirkt. Das Experiment maß eine einzige Begegnung. Ihr Betrieb hat Tausende.
Deshalb ist der Effekt von oben auch schwer zu sehen. Kein Einzelfall erzeugt einen sichtbaren Ausfall. Was entsteht, ist ein langsames Abflachen der freiwilligen Schicht — die Vorschläge, die nie gemacht werden, der zweite Blick, den niemand wirft — und diese Schicht stand nie auf einem Operations-Dashboard, weil sie immer gratis war.
Anerkennung und Leistungsgespräche. Wenn bekannt ist, dass eine starke Arbeit KI-gestützt entstand, verschieben sich sowohl das Eigentumsgefühl der beitragenden Person als auch die Einschätzung der Führungskraft. Kein Standard-Performance-Prozess berücksichtigt das.
Kunden- und bewerberseitige Texte. Derselbe Abschlag gilt außerhalb des Unternehmens, und die Befragten der Studie waren allgemeine Bevölkerungsstichproben, keine Beschäftigten. Offenlegungspraktiken, die auf Vertrauen und Transparenz zielen, tragen einen gemessenen Effekt auf die wahrgenommene Qualität. Das ist kein Argument gegen Offenlegung — es ist ein Argument dafür, den Preis der gewählten Form zu kennen.
Was diese Evidenz nicht sagt
Drei Grenzen, klar benannt, denn ein Plan auf Basis einer Überinterpretation wird scheitern.
Es ist eine kurze kreative Mikroaufgabe, kein Arbeitsprozess. Die Teilnehmenden beurteilten als KI-erstellt etikettierte Ergebnisse; sie arbeiteten nicht wochenlang mit einem KI-System an Arbeit, für die sie verantwortlich waren. Die externe Validität für dauerhafte professionelle Arbeit ist ungetestet, und die Autoren sagen das auch.
Der Sinneffekt ist klein. 0,07 Standardabweichungen sind eine bescheidene standardisierte Effektstärke. Die 13 % der Überschrift sind eine relative Veränderung auf einer Basis von 26 %, was eine absolute Bewegung von 3,4 Punkten verstärkt. Beide Zahlen stimmen; nur eine ist dramatisch.
Es ist ein Arbeitspapier. Präregistriert und in zwei Ländern repliziert, was mehr ist, als die meiste Evidenz in diesem Feld mitbringt — aber noch nicht peer-reviewed.
Was alle drei Vorbehalte überlebt, sind Richtung und Mechanismus: Zuschreibung bewegt Einsatz unabhängig von Qualität. Wenn der Effekt in einem echten Arbeitsablauf auch nur halb so groß ist und Beschäftigte KI-etikettierten Ergebnissen ständig statt einmal begegnen, summiert er sich.
Zuschreibung in diesem Quartal zum Prozessparameter machen
Die Antwort ist Design, nicht Kommunikation. Vier Schritte, keiner davon mit neuen Ausgaben verbunden.
Benennen Sie den menschlichen Beitrag, nicht das Werkzeug. Wo Arbeit ein KI-Herkunftslabel trägt, sorgen Sie dafür, dass sie auch trägt, was die Person getan hat — den Auftrag, die Ermessensentscheidung, die Freigabe. Die Empfehlung der Autoren selbst lautet, Abläufe so zu gestalten, dass menschliche Handlungsfähigkeit sichtbar und individuelle Beiträge zurechenbar bleiben. Kostenlos umzusetzen; in den meisten Vorlagen bislang nicht vorhanden.
Trennen Sie Herkunft von Bewertung. Lassen Sie in jedem relevanten Qualitätsgate das Artefakt beurteilen, bevor die prüfende Person sieht, wie es entstanden ist. Sie erfahren schnell, wie viel Ihrer Nacharbeit Fehler ist und wie viel Abschlag.
Hören Sie auf, Menschen als Redakteure zu rahmen. "Prüfe diesen Entwurf" und "Dieses Ergebnis gehört dir, hier ist Rohmaterial für den Anfang" beschreiben dieselbe Arbeitsstunde und zwei verschiedene Jobs. Ändern Sie die Sprache in Prozessdokumenten und Tickets. Das ist hier der stärkste Hebel, und er kostet eine Formulierung.
Messen Sie freiwilligen Beitrag, nicht Adoption. Lizenzzahlen und Prompt-Volumen können das strukturell nicht erfassen. Verfolgen Sie das Freiwillige: unaufgeforderte Verbesserungsvorschläge, vor dem Gate abgefangene Fehler, Menschen, die Umfang ergänzen, den niemand verlangt hat. Wenn diese Kurve nach unten knickt, während das Output-Volumen steigt, haben Sie den Effekt in Ihren eigenen Daten gefunden.
Die Entscheidung, die in diesem Quartal vor Ihnen liegt, lautet nicht, ob Sie KI-Beteiligung an Arbeit offenlegen. Sie ist enger und sie ist eine Designfrage: Ist die KI-Zuschreibung, die in Ihren heutigen Prozessen steckt, etwas, das Sie bewusst gewählt haben — oder etwas, das eine Werkzeug-Voreinstellung für Sie gewählt hat? In diesem Experiment war das Etikett 13 % des freiwilligen Einsatzes wert. Es ist die billigste Variable auf Ihrem Tisch und bislang die einzige, für die niemand zuständig ist.
