Es brauchte mehr als 30.000 Wiederholungen, bis das Gehirn eine einzige Aufgabe aus dem Nadelöhr herausbewegte. Neurowissenschaftler von Georgetown trainierten Teilnehmende darin, morphierte Autobilder in zwei Kategorien zu sortieren, untersuchten sie vorher und nachher per fMRT und EEG und fanden, dass die Aufgabe erst nach fünf bis zehn Wochen täglicher Übung aus dem präfrontalen Kortex — der Region, die immer nur eine Sache gleichzeitig bearbeitet — in den temporalen Kortex wanderte (Georgetown University Medical Center, 2026). Vor diesem Punkt verbrauchte die Aufgabe exekutive Kapazität. Danach lief dieselbe Aufgabe nahezu kostenlos.
Dieser Befund hat eine unbequeme Folgerung für alle, die KI-Tool-Einführungen im Mittelstand verantworten. Ein neues Tool ist per Definition nicht automatisiert. Es sitzt im präfrontalen Nadelöhr und verbraucht genau jene kognitive Kapazität, zu deren Freisetzung Sie es eingeführt haben — und es bleibt dort wochenlang. Der Produktivitätseinbruch, den Ihr Team im ersten Monat meldet, ist kein Widerstand und kein Hinweis darauf, dass das Tool die falsche Wahl war. Es sind die vorhersehbaren Kosten einer Fähigkeit, die noch nicht umgeleitet wurde.
Was Georgetown tatsächlich gemessen hat
Die im Journal of Cognitive Neuroscience veröffentlichte Studie unter Erstautor Patrick Cox und Seniorautor Maximilian Riesenhuber ist ungewöhnlich, weil sie längsschnittlich angelegt ist. Die meiste Lernforschung erfasst entweder die ersten Stunden des Kompetenzerwerbs oder die fertige Expertin. Diese Studie maß dieselben Gehirne vor und nach einem ausgedehnten Trainingsblock — per Smartphone-App, mit der die Teilnehmenden über fünf bis zehn Wochen mehr als 30.000 Durchgänge sammelten (Georgetown University Medical Center, 2026).
Das Ergebnis: Früh im Lernprozess aktivierte die Kategorisierung den präfrontalen Kortex. Nach ausgedehnter Übung fand dieselbe Kategorisierung im temporalen Kortex statt, und das Kategoriesignal umging den präfrontalen Kortex vollständig und verband sich direkt mit den Ausgaberegionen (Neuroscience News, 2026). Cox formuliert es so: Intensives Training habe „im Schläfenlappen im Grunde ein kategorienselektives Areal angelegt, das vorher nicht da war".
Riesenhubers Beispiel kennt jede operative Führungskraft aus dem eigenen Leben: Autofahren. Am Anfang fordert es die volle Aufmerksamkeit. Jahre später führen Sie nebenbei ein Gespräch und denken über ein Problem nach. Das Gehirn ist nicht schneller darin geworden, über das Fahren nachzudenken. Es hat das Fahren aus dem Ort herausgenommen, an dem Nachdenken stattfindet.
Zwei Eigenschaften dieser Architektur sind operativ entscheidend. Erstens ist der präfrontale Kortex ein echtes Nadelöhr — er kann typischerweise nur eine anspruchsvolle Aufgabe gleichzeitig verarbeiten. Zweitens ist der Ausweg aus diesem Nadelöhr keine Frage von Verständnis, Motivation oder Qualität des Schulungstages. Es ist eine Frage des Wiederholungsvolumens, gemessen in Wochen.
Das nicht-automatisierte Tool verbraucht die Kapazität, die es versprach
Übertragen Sie das nun darauf, wie KI-Tools tatsächlich in einen mittelständischen Arbeitsablauf gelangen. Sie lizenzieren ein Tool, weil ein Prozess zu viele Stunden frisst. Der Business Case sagt, es setze Kapazität frei. Dann geben Sie es einem Team, das es nie benutzt hat.
Für dieses Team ist jede Interaktion mit dem neuen Tool eine Aufgabe des präfrontalen Kortex. Entscheiden, was delegiert wird, die Anfrage formulieren, beurteilen, ob das Ergebnis stimmt, erkennen, wo es subtil falsch ist, entscheiden, ob man annimmt oder neu macht — all das läuft über dieselbe einspurige exekutive Ressource, die das Tool entlasten sollte. Der alte Arbeitsablauf war für eine erfahrene Fachkraft weitgehend automatisiert. Er hatte die von Georgetown gemessene Migration bereits vollzogen. Der neue nicht.
Die ersten Wochen sind also kein fairer Tausch nach dem Muster „alte Anstrengung raus, neue Effizienz rein". Sie sind ein Tausch von automatisierter gegen bewusst gesteuerte Arbeit — ein glatter Anstieg der exekutiven Last, selbst wenn das Tool objektiv gut und das Ergebnis objektiv schneller ist. Das ist der Mechanismus hinter dem Einbruch. Kein Widerstand. Keine Veränderungsmüdigkeit als Charaktereigenschaft. Architektur.
Verhaltensdaten passen dazu. ActivTraks Analyse 2026 von 443 Millionen Aktivitätsstunden bei 163.638 Beschäftigten ergab, dass nach der KI-Einführung ununterbrochene Fokussitzungen um rund 9 % zurückgingen — von 14 Minuten 23 Sekunden auf etwa 13 Minuten — während die E-Mail-Aktivität um 104 % und die Nutzung von Business-Tools um 94 % stieg (ActivTrak, 2026). Die Arbeit wurde schneller und dichter. Der Aufmerksamkeitsbehälter, in dem sie abläuft, wurde kleiner. So sieht die Übergangsphase von außen aus.
Warum drei gestapelte Tools die Last verdreifachen, nicht den Ertrag
Hier wird aus Neurowissenschaft ein Budgetfehler mit Preisschild.
Wenn ein nicht-automatisiertes Tool das Nadelöhr besetzt, teilen sich drei nicht-automatisierte Tools es nicht elegant. Der präfrontale Kortex parallelisiert nicht; Georgetowns Befund lautet gerade, dass echte Parallelverarbeitung erst möglich wird, nachdem eine der Aufgaben aus ihm herausgeleitet wurde. Rollen Sie drei Tools im selben Quartal aus, haben Sie Ihren Hebel nicht verdreifacht. Sie haben die Nachfrage nach der einen unteilbaren Ressource verdreifacht und zugleich die Zeit verlängert, bis auch nur eines der drei Automatisierung erreicht — denn Aufmerksamkeit, die sich auf drei Anfängerkurven verteilt, sammelt auf jeder langsamer Wiederholungen.
Der Mittelstand erlebt das bereits. Freshworks' Studie Global Cost of Complexity 2026 mit 12.021 IT-Entscheidern, davon über 9.000 in mittelständischen Organisationen, fand Unternehmen mit durchschnittlich 4,2 KI-Tools, 9 % mit sieben oder mehr — und einem durchschnittlichen Verlust von 25 % des KI-Budgets an Komplexität, bevor überhaupt ein Ertrag sichtbar wird (Freshworks, 2026). In derselben Studie sagten 86 % der IT-Verantwortlichen, das Management von KI-Komplexität habe die Arbeitslast ihres Teams erhöht.
Diese 25 % werden üblicherweise als Integrations- und Konfigurationsproblem erklärt. Zum Teil sind sie das. Aber der Georgetown-Befund benennt eine zweite Kostenart, die kein Integrationsbudget erfasst: die menschliche Nadelöhr-Steuer, die entsteht, wenn mehrere nicht-automatisierte Tools gleichzeitig laufen. Konfigurationsaufwand steht auf einer Rechnung. Präfrontale Sättigung zeigt sich nur als ein Team, das nach der Einführung zeitsparender Software auf unerklärliche Weise beschäftigter ist.
Teuer — und nicht bloß langsam — wird das durch den Zinseszinseffekt. Ein Tool, das Automatisierung erreicht, entzieht keine exekutive Kapazität mehr, sondern gibt sie zurück — und diese zurückgegebene Kapazität finanziert die nächste Einführung. Ein Portfolio von Tools, die alle knapp unterhalb der Automatisierung bleiben, produziert diese Dividende nie; jeder weitere Rollout wird also aus demselben leeren Konto bezahlt. 4,2 Tools sind kein Wildwuchsproblem im Einkaufssinn. Es ist ein Zinseszinsproblem, das rückwärts läuft.
Sequenzieren Sie die KI-Tool-Einführung nach Automatisierung, nicht nach Abdeckung
Die meisten KI-Rollout-Pläne sind auf Abdeckung sequenziert: Tools vor möglichst viele Teams bringen, so schnell der Einkauf es zulässt, weil das Pilotbudget verfällt. Der Georgetown-Mechanismus spricht stattdessen für eine Sequenzierung nach Automatisierung — und das verändert drei konkrete Entscheidungen.
Finanzieren Sie Wochen, nicht Launches
Wenn die Umleitung fünf bis zehn Wochen dichter Wiederholung braucht, ist die sinnvolle Einheit eines KI-Rollouts nicht das Startdatum — es ist das Wiederholungsfenster danach. Ein Rollout, der ein Team am Dienstag schult und die Change-Management-Aufmerksamkeit am Mittwoch woanders hinlenkt, hat den teuersten Teil der Kurve finanziert und den Teil aufgegeben, in dem der Ertrag liegt. Budgetieren Sie die Nachverfolgung: geschützte Nutzungszeit, eine namentlich benannte verantwortliche Person und genug echtes Arbeitsvolumen durch das Tool, damit sich Wiederholungen täglich statt wöchentlich anhäufen.
Ein Arbeitsablauf nach dem anderen, bewusst
Führen Sie ein einzelnes Tool in einem einzelnen Arbeitsablauf bis zur Automatisierung, bevor Sie die nächste Front eröffnen. Das fühlt sich langsamer an und ist schneller. Zwei aufeinanderfolgende Rollouts, die jeweils Automatisierung erreichen, schlagen drei gleichzeitige, die alle im Nadelöhr stecken bleiben — und der erste setzt, einmal umgeleitet, tatsächlich die exekutive Kapazität frei, die der zweite braucht. Georgetowns praktisches Versprechen lautet: Die Kapazität kommt zurück. Sie kommt nur auf der anderen Seite der Wiederholung zurück, nicht auf der anderen Seite eines Schulungsfoliensatzes.
Lesen Sie den Einbruch der ersten Woche nicht als Urteil
Der teuerste Lesefehler bei der KI-Tool-Einführung besteht darin, den frühen Einbruch als Beleg über das Tool oder das Team zu werten. Führungskräfte, die ihn sehen und schließen „unsere Leute sperren sich", antworten mit weiteren Vorgaben. Wer schließt „dieses Tool funktioniert nicht", wechselt den Anbieter — was die Uhr zurückstellt und das Team wieder bei Durchgang eins beginnen lässt. Beide Reaktionen sind derselbe Fehler: Übergangskosten mit einem Urteil zu verwechseln. Die relevante Frage in Woche drei lautet nicht „sind wir schon schneller", sondern „häufen sich die Wiederholungen". Messen Sie früh Nutzungstiefe und -frequenz; messen Sie eingesparte Stunden erst, nachdem das Fenster geschlossen ist.
Eine Zielgruppen-Ebene verdient einen eigenen Namen. Die Umleitung wird durch Wiederholung getrieben, aber die Toleranz für die Phase bewusster Anstrengung ist im Team nicht gleich verteilt. Manche gehen ohne Zucken durch ein fünfwöchiges Tal; andere kehren in Woche zwei still zum alten Arbeitsablauf zurück und nehmen die Wiederholungskurve mit. Zu wissen, wer bei Ihnen wer ist — bevor Sie die Pilotgruppe auswählen —, ist der Unterschied zwischen einem Rollout, der Automatisierung erreicht, und einem, der bei 40 % Adoption stehen bleibt und als Tool-Fehlschlag abgeschrieben wird.
Die eine Entscheidung in diesem Quartal
Zählen Sie die KI-Tools, die Ihr Team in den letzten neunzig Tagen lernen sollte. Liegt die Zahl über einem pro Arbeitsablauf, messen Sie kein Adoptionsproblem — Sie messen eine Warteschlange vor einer einspurigen Ressource, die sich nicht verbreitern lässt, indem man Menschen auffordert, sich mehr anzustrengen.
Also wählen Sie eines aus. Nehmen Sie den wertvollsten Arbeitsablauf, binden Sie ein einziges Tool daran, schützen Sie die Wiederholung fünf bis zehn Wochen lang und halten Sie jede weitere KI-Tool-Einführung hinter dieser Linie, bis die erste ohne bewusstes Nachdenken läuft. Diese eine Sequenzierungsentscheidung kostet nichts, verlangt keinen neuen Anbieter und ist der einzige Eingriff in diesem Artikel, der direkt am Nadelöhr ansetzt statt daran vorbei. Die Ihnen versprochene Kapazität ist real, und Georgetown hat gerade den physischen Mechanismus gezeigt, der sie liefert. Sie kommt auf der anderen Seite der Wiederholung an — und nur für die Teams, die man ankommen ließ.
